論文の概要: ClimateChat: Designing Data and Methods for Instruction Tuning LLMs to Answer Climate Change Queries

• arxiv url: http://arxiv.org/abs/2506.13796v1
• Date: Thu, 12 Jun 2025 08:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.146238
• Title: ClimateChat: Designing Data and Methods for Instruction Tuning LLMs to Answer Climate Change Queries
• Title（参考訳）: ClimateChat: 気候変動クエリに対するLLMのインストラクションチューニングのためのデータと方法の設計
• Authors: Zhou Chen, Xiao Wang, Yuanhong Liao, Ming Lin, Yuqi Bai,
• Abstract要約: 本研究では,気候変動のための指導データ構築の自動化手法を提案する。 我々は,オープンソースのLCMを微調整するために,ClimateChat-Corpusという気候変動指導データセットを構築した。 その結果,ClimateChatは気候変動に対する質問・回答タスクのパフォーマンスを著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 14.659144306119357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the issue of global climate change becomes increasingly severe, the demand for research in climate science continues to grow. Natural language processing technologies, represented by Large Language Models (LLMs), have been widely applied to climate change-specific research, providing essential information support for decision-makers and the public. Some studies have improved model performance on relevant tasks by constructing climate change-related instruction data and instruction-tuning LLMs. However, current research remains inadequate in efficiently producing large volumes of high-precision instruction data for climate change, which limits further development of climate change LLMs. This study introduces an automated method for constructing instruction data. The method generates instructions using facts and background knowledge from documents and enhances the diversity of the instruction data through web scraping and the collection of seed instructions. Using this method, we constructed a climate change instruction dataset, named ClimateChat-Corpus, which was used to fine-tune open-source LLMs, resulting in an LLM named ClimateChat. Evaluation results show that ClimateChat significantly improves performance on climate change question-and-answer tasks. Additionally, we evaluated the impact of different base models and instruction data on LLM performance and demonstrated its capability to adapt to a wide range of climate change scientific discovery tasks, emphasizing the importance of selecting an appropriate base model for instruction tuning. This research provides valuable references and empirical support for constructing climate change instruction data and training climate change-specific LLMs.
• Abstract（参考訳）: 気候変動の問題はますます深刻化しており、気候変動研究の需要は増え続けている。 大規模言語モデル(LLM)で表される自然言語処理技術は、気候変動に特有の研究に広く応用され、意思決定者や一般大衆に不可欠な情報を提供する。 いくつかの研究は、気候変動関連命令データと命令調整LDMを構築することで、関連するタスクにおけるモデル性能を改善した。 しかし、現在の研究は、気候変動のための大量の高精度の指導データを効率的に生産するには不適当であり、気候変動 LLM のさらなる発展を制限している。 本研究では,命令データ構築の自動化手法を提案する。 文書から事実や背景知識を用いて命令を生成し、Webスクレイピングやシード命令の収集を通じて、命令データの多様性を高める。 この手法を用いて,ClimateChat-Corpusという,オープンソースのLCMの微調整に使用された気候変動指導データセットを構築し,LCMをClimateChatと命名した。 評価の結果,ClimateChatは気候変動に対する質問・回答タスクのパフォーマンスを著しく向上させることがわかった。 さらに、異なるベースモデルと命令データの違いがLLM性能に与える影響を評価し、幅広い気候変動の科学的発見タスクに適応できることを実証し、インストラクションチューニングに適切なベースモデルを選択することの重要性を強調した。 本研究は,気候変動指導データの構築と気候変動固有のLCMの訓練に有用な参考資料と実証的支援を提供する。

関連論文リスト

• ClimateBench-M: A Multi-Modal Climate Data Benchmark with a Simple Generative Method [61.76389719956301]
  我々は、ERA5の時系列気候データ、NOAAの極度の気象イベントデータ、NASAの衛星画像データを調整するマルチモーダル気候ベンチマークであるClimateBench-Mに貢献する。 また,各データモダリティの下では,天気予報,雷雨警報,作物の分断作業において,競争性能を向上できる簡易かつ強力な生成手法を提案する。
  論文  参考訳（メタデータ） (2025-04-10T02:22:23Z)
• Enhancing LLMs for Governance with Human Oversight: Evaluating and Aligning LLMs on Expert Classification of Climate Misinformation for Detecting False or Misleading Claims about Climate Change [0.0]
  気候の誤報は、大規模言語モデル(LLM)の開発によって著しく悪化する可能性がある問題である。 本研究では, LLMが問題ではなく, オンラインの偽情報の緩和に有効である可能性を評価する。
  論文  参考訳（メタデータ） (2025-01-23T16:21:15Z)
• Unlearning Climate Misinformation in Large Language Models [17.95497650321137]
  気候変動に関する誤報は、人類にとって最も深刻な脅威の1つに対処する上で、重要な障害となっている。 本稿では,気候情報に関する大規模言語モデル(LLM)の事実的精度について検討する。
  論文  参考訳（メタデータ） (2024-05-29T23:11:53Z)
• A Comprehensive Study of Knowledge Editing for Large Language Models [82.65729336401027]
  大規模言語モデル(LLM)は、人間のコミュニケーションを忠実に反映したテキストの理解と生成の素晴らしい能力を示している。 本稿では,知識編集の問題を定義し,最先端アプローチの包括的レビューを行う。 我々は,代表的知識編集アプローチの総合的評価のための新しいベンチマークであるKnowEditを紹介した。
  論文  参考訳（メタデータ） (2024-01-02T16:54:58Z)
• Climate Change from Large Language Models [7.190384101545232]
  気候変動は重大な問題を引き起こし、広範囲の理解と低炭素のライフスタイルの認識を必要としている。 大規模言語モデル(LLM)はこの危機に対処するための強力なツールを提供する。 本稿では,気候危機知識を評価するための自動評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-19T09:26:46Z)
• Arabic Mini-ClimateGPT : A Climate Change and Sustainability Tailored Arabic LLM [77.17254959695218]
  ChatGPTやBardのような大規模言語モデル(LLM)は、優れた会話能力を示し、幅広いNLPタスクに優れています。 我々は,オープンソースのLLM上に構築され,アラビア語データセットClima500-Instructの対話型命令チューニングに特化して微調整された軽量のアラビア語ミニクリメートGPTを提案する。 本モデルは,ChatGPTによる評価において,88.3%の症例において,ベースラインLLMを上回った。
  論文  参考訳（メタデータ） (2023-12-14T22:04:07Z)
• ClimateLearn: Benchmarking Machine Learning for Weather and Climate Modeling [20.63843548201849]
  ClimateLearnは、データ駆動型気候科学のための機械学習モデルのトレーニングと評価を大幅に単純化する、オープンソースのライブラリである。 これは、現代の機械学習システムによる気象と気候モデリングの研究をブリッジする、最初の大規模かつオープンソースな取り組みである。
  論文  参考訳（メタデータ） (2023-07-04T20:36:01Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
  近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。 これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。 本稿では,本稿で開発したツールと方法論について紹介する。
  論文  参考訳（メタデータ） (2020-11-03T21:22:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。