面向数据稀缺地区的基于自然语言处理与机器学习 的证据驱动粮食安全政策决策
人工智能
2026-03-24 v1
摘要
粮食安全政策制定在数据稀缺地区仍是关键挑战，由于结构化数据集有限、文本报告碎片化、决策系统中存在人口统计偏见。本研究提出 ZeroHungerAI，一个集成自然语言处理（NLP）和机器学习（ML）的框架，旨在极端数据稀缺条件下进行证据驱动的粮食安全政策建模。该系统将结构化社会经济指标与上下文政策文本嵌入结合运用基于迁移学习的 DistilBERT 架构。实验在覆盖 25 个地区的 1200 样本混合数据集上进行，表现出色，实现 91% 的分类准确率、0.89 的精确率、0.85 的召回率以及 0.86 的 F1 分数。在不平衡条件下表现优于经典支持向量机和逻辑回归模型，分别提升 13% 和 17%。精确召回评估确认其对少数类检测具有稳健性（平均精确率约 0.88）。公平性优化将人口统计公平差异降至 3%，确保农村与城市政策推断的平等性。结果验证了基于转换器的上下文学习显著提升了数据稀缺治理环境中的政策智能，使可扩展且具公平性的饥饿预测系统成为可能。
引用
@article{arxiv.2603.20425,
title = {Leveraging Natural Language Processing and Machine Learning for Evidence-Based Food Security Policy Decision-Making in Data-Scarce Making},
author = {Karan Kumar Singh and Nikita Gajbhiye},
journal= {arXiv preprint arXiv:2603.20425},
year = {2026}
}
备注
25 pages, 12 figures, 2 tables. Submitted for academic publication