論文の概要: Mapping the Landscape of Artificial Intelligence in Life Cycle Assessment Using Large Language Models

• arxiv url: http://arxiv.org/abs/2602.22500v1
• Date: Thu, 26 Feb 2026 00:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.455952
• Title: Mapping the Landscape of Artificial Intelligence in Life Cycle Assessment Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたライフサイクルアセスメントにおける人工知能の景観マッピング
• Authors: Anastasija Mensikova, Donna M. Rizzo, Kathryn Hinkelman,
• Abstract要約: 近年,人工知能のライフサイクルアセスメントへの統合が加速している。 この急速な発展にもかかわらず、AI-LCA研究の包括的で広範な合成は依然として限られている。 本稿では,AIとLCAの交差点における論文の詳細なレビューを行う。
• 参考スコア（独自算出の注目度）: 0.43862400861972445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integration of artificial intelligence (AI) into life cycle assessment (LCA) has accelerated in recent years, with numerous studies successfully adapting machine learning algorithms to support various stages of LCA. Despite this rapid development, comprehensive and broad synthesis of AI-LCA research remains limited. To address this gap, this study presents a detailed review of published work at the intersection of AI and LCA, leveraging large language models (LLMs) to identify current trends, emerging themes, and future directions. Our analyses reveal that as LCA research continues to expand, the adoption of AI technologies has grown dramatically, with a noticeable shift toward LLM-driven approaches, continued increases in ML applications, and statistically significant correlations between AI approaches and corresponding LCA stages. By integrating LLM-based text-mining methods with traditional literature review techniques, this study introduces a dynamic and effective framework capable of capturing both high-level research trends and nuanced conceptual patterns (themes) across the field. Collectively, these findings demonstrate the potential of LLM-assisted methodologies to support large-scale, reproducible reviews across broad research domains, while also evaluating pathways for computationally-efficient LCA in the context of rapidly developing AI technologies. In doing so, this work helps LCA practitioners incorporate state-of-the-art tools and timely insights into environmental assessments that can enhance the rigor and quality of sustainability-driven decisions and decision-making processes.
• Abstract（参考訳）: 人工知能(AI)のライフサイクルアセスメント(LCA)への統合は近年加速しており、様々な段階のLCAをサポートするために機械学習アルゴリズムの適応に成功している。 この急速な発展にもかかわらず、AI-LCA研究の包括的で広範な合成は依然として限られている。 このギャップに対処するため,本研究では,AIとLCAの交差点における論文の詳細なレビューを行い,大規模言語モデル(LLM)を活用して現在の傾向,新たなテーマ,今後の方向性を明らかにする。 我々の分析は、LCA研究が拡大を続けるにつれて、LLM駆動アプローチへの顕著なシフト、ML応用の継続的な増加、そしてAIアプローチとそれに対応するLCAステージとの統計的に有意な相関によって、AI技術の採用が劇的に増加したことを明らかにしている。 LLMベースのテキストマイニング手法を従来の文献レビュー手法と統合することにより,高レベルの研究動向と,分野全体にわたる概念パターン(テーマ)の両方を捉えることのできる,動的かつ効果的なフレームワークを提案する。 これらの知見は、広範囲の研究領域にわたる大規模かつ再現可能なレビューを支援するためのLLM支援手法の可能性を示し、同時に、急速に発展するAI技術の文脈において、計算効率の高いLCAの経路を評価する。 この取り組みは、LCA実践者が最先端のツールを取り入れ、環境アセスメントに関するタイムリーな洞察を取り入れ、持続可能性駆動型意思決定と意思決定プロセスの厳格さと品質を高めるのに役立つ。

関連論文リスト

• Large Language Model for Qualitative Research -- A Systematic Mapping Study [3.302912592091359]
  先進的な生成AIを駆使した大規模言語モデル(LLM)がトランスフォーメーションツールとして登場した。 本研究は, LLMを用いた定性的研究に関する文献を体系的にマッピングする。 LLMは様々な分野にまたがって利用されており、プロセスの自動化の可能性を示している。
  論文  参考訳（メタデータ） (2024-11-18T21:28:00Z)
• From Linguistic Giants to Sensory Maestros: A Survey on Cross-Modal Reasoning with Large Language Models [56.9134620424985]
  クロスモーダル推論(CMR)は、より高度な人工知能システムへの進化における重要な能力として、ますます認識されている。 CMRタスクに取り組むためにLLM(Large Language Models)をデプロイする最近のトレンドは、その有効性を高めるためのアプローチの新たな主流となっている。 本調査では,LLMを用いてCMRで適用された現在の方法論を,詳細な3階層分類に分類する。
  論文  参考訳（メタデータ） (2024-09-19T02:51:54Z)
• Automating Research Synthesis with Domain-Specific Large Language Model Fine-Tuning [0.9110413356918055]
  本研究は,SLR(Systematic Literature Reviews)の自動化にLLM(Funture-Tuned Large Language Models)を用いた先駆的研究である。 本研究は,オープンソースLLMとともに最新の微調整手法を採用し,SLRプロセスの最終実行段階を自動化するための実用的で効率的な手法を実証した。 その結果, LLM応答の精度は高く, 既存のPRISMAコンフォーミングSLRの複製により検証された。
  論文  参考訳（メタデータ） (2024-04-08T00:08:29Z)
• Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
  我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。 また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
  論文  参考訳（メタデータ） (2023-08-21T15:35:16Z)
• A Survey on In-context Learning [77.78614055956365]
  In-context Learning (ICL) は自然言語処理(NLP)の新しいパラダイムとして登場した。 まず、ICLの形式的定義を示し、関連する研究との相関を明らかにする。 次に、トレーニング戦略、迅速なデザイン戦略、関連する分析を含む高度なテクニックを組織化し、議論する。
  論文  参考訳（メタデータ） (2022-12-31T15:57:09Z)

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。