重塑城市科学：使用大语言模型扩展因果推断
计算与语言
2025-06-23 v3 计算机与社会
多智能体系统
摘要
城市因果研究对于理解塑造城市的复杂动态过程并为基于证据的政策提供信息至关重要。然而，当前实践常受限于低效且偏倚的假设生成、难以整合多模态数据以及脆弱实验方法的挑战。想象一个系统，能够自动估算拥堵定价对不同收入群体通勤时间的因果影响，或衡量新绿地如何通过卫星图像和健康报告影响社区的哮喘率，然后生成包括因果估计、子群分析和可操作建议在内的全面政策就绪输出。在本篇Perspective文章中，我们提出UrbanCIA，一个LLM驱动的概念框架，包含四个 distinct的模块化智能体，分别负责假设生成、数据工程、实验设计与执行以及结果解释与政策见解。我们首先通过结构化的主题、数据源和方法论方法的分类，检视城市因果研究的当前格局，揭示该工作流程中的系统性局限。接下来，我们介绍 proposed框架中四个模块的设计原则和技术路线图。我们还提出了评估这些AI增强过程严谨性和透明度的评估标准。最后，我们思考了更广泛的对人机协作、平等和问责制的影响。我们呼吁一个新的研究议程，拥抱LLM驱动的工具作为推动更可扩展、更可重复、更包容性城市研究的催化剂。
引用
@article{arxiv.2504.12345,
title = {Reimagining Urban Science: Scaling Causal Inference with Large Language Models},
author = {Yutong Xia and Ao Qu and Yunhan Zheng and Yihong Tang and Dingyi Zhuang and Yuxuan Liang and Shenhao Wang and Cathy Wu and Lijun Sun and Roger Zimmermann and Jinhua Zhao},
journal= {arXiv preprint arXiv:2504.12345},
year = {2025}
}