利用大语言模型支持能源政策研究
计算与语言
2024-10-18 v1
摘要
美国可再生能源开发的近期增长伴随着可再生能源选址条例的同步激增。这些分区法律在决定风力和太阳能资源的选址方面发挥着关键作用，这些资源对于实现低碳能源未来至关重要。在此背景下，高效获取和管理选址条例数据变得至关重要。国家可再生能源实验室（NREL）最近引入了一个公开的风力和太阳能选址数据库，以填补这一需求。本文提出了一种利用大语言模型（LLMs）自动从法律文件中提取这些选址条例的方法，使该数据库能够保持快速变化的能源政策环境中准确、最新的信息。本研究的 novel 贡献是将决策树框架与大语言模型相集成。我们的结果显示，这种方法的准确率可达85至90%，且输出可直接用于下游定量建模。我们讨论了利用这一工作支持能源部门类似的大规模政策研究的机会。通过利用大语言模型解锁对法律文件提取和分析的新效率，本研究为自动化大规模能源政策研究开辟了道路。
引用
@article{arxiv.2403.12924,
title = {Supporting Energy Policy Research with Large Language Models},
author = {Grant Buster and Pavlo Pinchuk and Jacob Barrons and Ryan McKeever and Aaron Levine and Anthony Lopez},
journal= {arXiv preprint arXiv:2403.12924},
year = {2024}
}