利用大语言模型为食品政策与行为干预提供预测洞见
人工智能
2024-11-14 v1
摘要
食品消费与生产对全球温室气体排放贡献巨大，使其成为缓解气候变化和维持宜居星球的关键切入点。过去二十年间，食品政策倡议探索了重塑生产与消费模式的干预措施，重点在于减少食物浪费和遏制反刍类肉类消费。尽管关于“何为有效”的证据不断改善，但由于外部效度挑战，评估哪些政策在特定情境下适用且有效仍然困难。本文证明，经过微调的大语言模型（LLM）能在约 80% 的测量饮食相关影响（如食物选择、销售、浪费）的实证研究中准确预测行为干预与政策的结果方向。达到最优结果约需 75 个提示词，超过此数量性能出现灾难性下降迹象。研究发现，更详细的输入能提升预测准确性，但模型在未见研究上仍面临挑战，凸显了代表性训练样本的重要性。随着 LLM 持续改进与多样化，它们有望推动数据驱动、循证的政策制定。
引用
@article{arxiv.2411.08563,
title = {Leveraging LLMs for Predictive Insights in Food Policy and Behavioral Interventions},
author = {Micha Kaiser and Paul Lohmann and Peter Ochieng and Billy Shi and Cass R. Sunstein and Lucia A. Reisch},
journal= {arXiv preprint arXiv:2411.08563},
year = {2024}
}