基于大型多模态模型的城市安全感知：一种基于角色的路径
计算机与社会
2025-03-04 v1 人工智能
摘要
理解城市环境在安全方面的感知对于城市规划和政策制定至关重要。传统方法如调查受限于高成本、所需时间和可扩展性问题。为克服这些挑战，本研究引入大型多模态模型 (LMM)，具体为 Llava 1.6 7B，作为一种新方法来评估城市空间的安全感知。此外，研究调查了这一任务如何受到不同社会人口统计学视角的影响，通过模型通过基于角色的提示来模拟。无需额外微调，该模型在将城市情景分类为安全或不安全时 achieved average F1-score of 59.21%，识别出三大不安全感知驱动因素：孤立感、物理腐败和城市基础设施挑战。此外，融合基于角色的提示揭示了安全感知在年龄、性别和国籍不同社会人口统计学群体之间存在显著差异。老年人和女性角色普遍感知更高的不安全水平，而年轻或男性角色则较低。类似地，国籍差异在不同国家的不安全分类比例从新加坡的 19.71% 到博茨瓦纳的 40.15% 不等。值得注意的是，该模型的默认配置最接近 middle-aged、男性角色。这些发现突显了 LMM 作为传统方法 for urban safety perceptions 的可扩展且高性价比的替代方案。尽管这些模型对社会人口统计学因素的敏感性凸显了在部署时需要谨慎考虑的需求，但其提供细粒度视角的能力使其成为 AI 驱动的城市规划的有前景的工具。
引用
@article{arxiv.2503.00610,
title = {Urban Safety Perception Through the Lens of Large Multimodal Models: A Persona-based Approach},
author = {Ciro Beneduce and Bruno Lepri and Massimiliano Luca},
journal= {arXiv preprint arXiv:2503.00610},
year = {2025}
}