論文の概要: Machine Learning for Climate Policy: Understanding Policy Progression in the European Green Deal

• arxiv url: http://arxiv.org/abs/2510.16233v1
• Date: Fri, 17 Oct 2025 21:52:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.910758
• Title: Machine Learning for Climate Policy: Understanding Policy Progression in the European Green Deal
• Title（参考訳）: 気候変動政策のための機械学習 : 欧州グリーンディールにおける政策進展の理解
• Authors: Patricia West, Michelle WL Wan, Alexander Hepburn, Edwin Simpson, Raul Santos-Rodriguez, Jeffrey N Clark,
• Abstract要約: テキストとメタデータを組み込んだ165のポリシーのデータセットを提示する。 本研究では,政策の進行状況を予測し,TF-IDF,BERT,ClimateBERTなどのテキスト表現手法を比較することを目的とする。 説明可能なAIの手法を使用することで、政策用語や政党や国の表現を含むメタデータといった要因の影響が強調される。
• 参考スコア（独自算出の注目度）: 37.115198171477985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate change demands effective legislative action to mitigate its impacts. This study explores the application of machine learning (ML) to understand the progression of climate policy from announcement to adoption, focusing on policies within the European Green Deal. We present a dataset of 165 policies, incorporating text and metadata. We aim to predict a policy's progression status, and compare text representation methods, including TF-IDF, BERT, and ClimateBERT. Metadata features are included to evaluate the impact on predictive performance. On text features alone, ClimateBERT outperforms other approaches (RMSE = 0.17, R^2 = 0.29), while BERT achieves superior performance with the addition of metadata features (RMSE = 0.16, R^2 = 0.38). Using methods from explainable AI highlights the influence of factors such as policy wording and metadata including political party and country representation. These findings underscore the potential of ML tools in supporting climate policy analysis and decision-making.
• Abstract（参考訳）: 気候変動は、その影響を緩和するために効果的な立法措置を要求する。 本研究は,欧州グリーンディール内の政策に焦点をあて,発表から導入までの気候政策の進展を理解するための機械学習(ML)の適用について検討する。 テキストとメタデータを組み込んだ165のポリシーのデータセットを提示する。 本研究では,政策の進行状況を予測し,TF-IDF,BERT,ClimateBERTなどのテキスト表現手法を比較することを目的とする。 予測パフォーマンスへの影響を評価するために、メタデータ機能が含まれている。 テキスト機能だけでは、ClimateBERTは他のアプローチ(RMSE = 0.17, R^2 = 0.29)より優れており、BERTはメタデータ機能の追加(RMSE = 0.16, R^2 = 0.38)で優れたパフォーマンスを実現している。 説明可能なAIの手法を使用することで、政策用語や政党や国の表現を含むメタデータといった要因の影響が強調される。 これらの知見は、気候政策分析と意思決定を支援するMLツールの可能性を示している。

関連論文リスト

• Quantifying Climate Policy Action and Its Links to Development Outcomes: A Cross-National Data-Driven Analysis [0.0]
  我々は,多言語トランスフォーマーに基づく言語モデルを公式な国家政策文書に適用することにより,気候政策の方向性の定量的指標を開発する。 これらの指標を世界銀行開発データとパネルレグレッションにリンクすると、緩和政策がGDPとGNIの上昇に結びついていることが分かる。 災害リスク管理はGNIの増大と相関するが、海外からの直接投資は減少し、適応と損失は測定可能な影響を限定している。
  論文  参考訳（メタデータ） (2025-10-20T11:12:30Z)
• AI-Driven Climate Policy Scenario Generation for Sub-Saharan Africa [0.005755004576310333]
  我々は、サハラ以南のアフリカの気候政策シナリオをシミュレートするために、ジェネレーティブAIを使用します。 このプロジェクトの目的は、地域気候の目標やエネルギーの課題に合わせて、多様で多様な政策シナリオを作成することである。 構造化された埋め込みベースの評価フレームワークは、生成AIが一貫性があり、関連性があり、信頼性があり、多様であるシナリオを効果的に生成していることを示している。
  論文  参考訳（メタデータ） (2025-05-24T13:38:17Z)
• Political-LLM: Large Language Models in Political Science [159.95299889946637]
  大規模言語モデル(LLM)は、政治科学のタスクで広く採用されている。 政治LLMは、LLMを計算政治科学に統合する包括的な理解を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-12-09T08:47:50Z)
• Identifying Climate Targets in National Laws and Policies using Machine Learning [0.0]
  我々は,国家法や政策から気候目標の言及を抽出するアプローチを提案する。 ターゲットの3つのカテゴリ('ネットゼロ'、'リダクション'、'その他')を識別するエキスパートアノテートデータセットを作成します。 我々は、我々のモデルに関連するバイアスと株式の影響を調査し、問題のある特徴として特定の年と国名を特定する。
  論文  参考訳（メタデータ） (2024-04-03T15:55:27Z)
• Conformal Off-Policy Evaluation in Markov Decision Processes [53.786439742572995]
  強化学習は、データから効率的な制御ポリシーを特定し評価することを目的としている。 この学習タスクのほとんどの方法は、Off-Policy Evaluation (OPE)と呼ばれ、正確さと確実性を保証するものではない。 本稿では,目標方針の真報を含む区間を所定の確信度で出力するコンフォーマル予測に基づく新しいOPE手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T16:45:11Z)
• Climate Policy Tracker: Pipeline for automated analysis of public climate policies [3.3509104620016092]
  我々は10年間の国家エネルギーと気候計画の自動要約と分析にレイト・ディリクレ・アロケーション・ベースのパイプラインを使用する。 我々は、特定の問題を記述するための言語である政策フレーミングの分析に焦点をあて、政府の気候政策の枠組みにおける本質的なニュアンスを検出する。
  論文  参考訳（メタデータ） (2022-11-10T20:19:28Z)
• Supervised Off-Policy Ranking [145.3039527243585]
  オフポリシー評価(OPE)は、他のポリシーによって生成されたデータを活用して、ターゲットポリシーを評価する。 本稿では,訓練方針と既知の実績を正しくランク付けすることで,政策スコアリングモデルを学習する教師付き非政治ランキングを提案する。 本手法は,上位3つのポリシーのうち,最良と最良の双方のランク相関と性能差の両面から,強力なベースラインOPE法より優れる。
  論文  参考訳（メタデータ） (2021-07-03T07:01:23Z)
• Policy Evaluation Networks [50.53250641051648]
  我々は,簡潔な埋め込みにおいて重要なポリシー情報を保持できる,スケーラブルで差別化可能なフィンガープリント機構を導入する。 実験の結果、これらの3つの要素を組み合わせることで、トレーニングデータを生成するものよりも優れたポリシーを作成できることが示された。
  論文  参考訳（メタデータ） (2020-02-26T23:00:27Z)

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。