运用链式思维与提示工程提升交通事故严重程度分析与推理
计算与语言
2024-08-12 v1 人工智能
机器学习
摘要
本研究探索了大语言模型（LLM）的潜力，特别是针对交通事故严重程度推断任务。我们使用了 GPT-3.5-turbo、LLaMA3-8B 和 LLaMA3-70B 三种最先进的 LLM，将事故严重程度推断建模为分类任务。我们通过预构建的模板（融入领域知识）将原始交通事故表格数据生成文本叙述。此外，我们引入了链式思维（Chain-of-Thought, CoT）推理，以引导 LLM 分析事故原因并推断严重程度。本研究还考察了专为事故严重程度推断设计的提示工程的影响。LLM 被任务进行事故严重程度推断，以：（1）评估模型在事故严重程度分析中的能力，（2）评估 CoT 和领域知识提示工程的有效性，（3）检验 CoT 框架下的推理能力。我们的结果显示，LLaMA3-70B 在所有设置下均表现最佳，尤其在零样本设置下。CoT 和提示工程技术显著提升了性能，提高了逻辑推理能力，缓解了对齐问题。值得注意的是，CoT 为我们提供了对 LLM 推理过程的宝贵洞察，释放了其在考虑环境条件、驾驶行为和车辆特征等多种因素进行严重程度分析与推断方面的潜力。
引用
@article{arxiv.2408.04652,
title = {Leveraging Large Language Models with Chain-of-Thought and Prompt Engineering for Traffic Crash Severity Analysis and Inference},
author = {Hao Zhen and Yucheng Shi and Yongcan Huang and Jidong J. Yang and Ninghao Liu},
journal= {arXiv preprint arXiv:2408.04652},
year = {2024}
}
备注
20 pages, 12 figures, 3 tables