用于识别可持续发展目标的大型语言模型任务适配技术比较研究
计算与语言
2025-06-19 v1 人工智能
摘要
2012年,联合国提出了17项可持续发展目标(SDG),旨在到2030年创造一个更可持续和更美好的未来。然而,由于所涉及数据的庞大规模和复杂性,追踪这些目标的进展十分困难。文本分类模型已成为该领域的重要工具,能够自动分析来自各种来源的大量文本。此外,大型语言模型(LLM)最近已被证明对许多自然语言处理任务(包括文本分类)不可或缺,这得益于它们识别复杂语言模式和语义的能力。本研究分析了多种专有和开源LLM,用于面向SDG的单标签多类文本分类任务。然后,它还评估了任务适配技术(即上下文学习方法)的有效性,包括零样本学习和少样本学习,以及该领域内的微调。结果表明,通过提示工程优化后,较小的模型可以达到与OpenAI的GPT(生成式预训练Transformer)等较大模型相当的性能。
引用
@article{arxiv.2506.15208,
title = {A Comparative Study of Task Adaptation Techniques of Large Language Models for Identifying Sustainable Development Goals},
author = {Andrea Cadeddu and Alessandro Chessa and Vincenzo De Leo and Gianni Fenu and Enrico Motta and Francesco Osborne and Diego Reforgiato Recupero and Angelo Salatino and Luca Secchi},
journal= {arXiv preprint arXiv:2506.15208},
year = {2025}
}
备注
Submitted to IEEE Access