論文の概要: Generative AI-assisted Participatory Modeling in Socio-Environmental Planning under Deep Uncertainty

• arxiv url: http://arxiv.org/abs/2603.17021v1
• Date: Tue, 17 Mar 2026 18:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.337433
• Title: Generative AI-assisted Participatory Modeling in Socio-Environmental Planning under Deep Uncertainty
• Title（参考訳）: 深部不確実性下における社会環境計画におけるAI支援参加モデルの構築
• Authors: Zhihao Pei, Nir Lipovetzky, Angela M. Rojas-Arevalo, Fjalar J. de Haan, Enayat A. Moallemi,
• Abstract要約: 初期概念化プロセスにおいて,大規模言語モデルを用いたテンプレートワークフローを提案する。 ワークフローの間、研究者は大きな言語モデルを使用して、ステークホルダーの直感的な問題記述から重要なモデルコンポーネントを特定できる。 これらの実験から,大規模言語モデルは,社会環境計画における問題概念化プロセスにおいて,参加型モデリングを促進する効果的なツールとして機能することが示唆された。
• 参考スコア（独自算出の注目度）: 6.305890836038913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Socio-environmental planning under deep uncertainty requires researchers to identify and conceptualize problems before exploring policies and deploying plans. In practice and model-based planning approaches, this problem conceptualization process often relies on participatory modeling to translate stakeholders' natural-language descriptions into a quantitative model, making this process complex and time-consuming. To facilitate this process, we propose a templated workflow that uses large language models for an initial conceptualization process. During the workflow, researchers can use large language models to identify the essential model components from stakeholders' intuitive problem descriptions, explore their diverse perspectives approaching the problem, assemble these components into a unified model, and eventually implement the model in Python through iterative communication. These results will facilitate the subsequent socio-environmental planning under deep uncertainty steps. Using ChatGPT 5.2 Instant, we demonstrated this workflow on the lake problem and an electricity market problem, both of which demonstrate socio-environmental planning problems. In both cases, acceptable outputs were obtained after a few iterations with human verification and refinement. These experiments indicated that large language models can serve as an effective tool for facilitating participatory modeling in the problem conceptualization process in socio-environmental planning.
• Abstract（参考訳）: 深い不確実性の下での社会環境計画では、研究者は政策の探索や計画の展開の前に問題を識別し、概念化する必要がある。 実践的およびモデルに基づく計画手法では、この問題の概念化プロセスは、利害関係者の自然言語記述を定量的なモデルに変換するために、しばしば参加型モデリングに依存し、このプロセスは複雑で時間を要する。 このプロセスを容易にするために,大規模な言語モデルを初期概念化プロセスに用いるテンプレートワークフローを提案する。 ワークフローの間、研究者は大きな言語モデルを使用して、ステークホルダーの直感的な問題記述から重要なモデルコンポーネントを特定し、問題にアプローチするさまざまな視点を探索し、これらのコンポーネントを統一されたモデルに組み立て、最終的には反復的なコミュニケーションを通じてPythonでモデルを実装することができる。 これらの結果は、深い不確実なステップの下でのその後の社会環境計画を促進する。 筆者らは、ChatGPT 5.2 Instantを用いて、このワークフローを湖沼問題と電力市場問題で実証し、どちらも社会環境計画問題を示している。 どちらの場合も、人間の検証と精査を数回繰り返した後に許容できる出力が得られる。 これらの実験から,大規模言語モデルは,社会環境計画における問題概念化プロセスにおいて,参加型モデリングを促進する効果的なツールとして機能することが示唆された。

関連論文リスト

• Unlocking Smarter Device Control: Foresighted Planning with a World Model-Driven Code Execution Approach [82.27842884709378]
  本研究では,自然言語理解と構造化推論を優先し,エージェントの環境に対するグローバルな理解を高める枠組みを提案する。 本手法は,従来の手法,特にタスク成功率の44.4%向上を達成している。
  論文  参考訳（メタデータ） (2025-05-22T09:08:47Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• PARADISE: Evaluating Implicit Planning Skills of Language Models with Procedural Warnings and Tips Dataset [0.0]
  PARADISE は,wikiHow をベースとした実践的な手続きテキスト上で,Q&A 形式を用いた帰納的推論タスクである。 計画の暗黙的な知識を与えられた目標からのみ推論するモデルの能力をテストすることを目的として、中間的なステップを除く、目標に直接関連した警告およびヒント推論タスクを含む。 我々の実験は、微調整言語モデルとゼロショットプロンプトを利用して、ほとんどのシナリオにおいて、大規模言語モデルに対するタスク固有小モデルの有効性を明らかにした。
  論文  参考訳（メタデータ） (2024-03-05T18:01:59Z)
• DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
  タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。 本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。 古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
  論文  参考訳（メタデータ） (2023-06-22T20:40:24Z)
• Foundation Models for Decision Making: Problems, Methods, and Opportunities [124.79381732197649]
  大規模に多様なデータに基づいて事前訓練された基礎モデルは、幅広いビジョンと言語タスクにおいて異常な能力を示してきた。 ファンデーションモデルをトレーニングし、他のエージェントと対話し、長期的な推論を行うための新しいパラダイムが生まれている。 基礎モデルと意思決定の交わりにおける研究は、強力な新しいシステムを作るための大きな約束である。
  論文  参考訳（メタデータ） (2023-03-07T18:44:07Z)
• Position Paper: Online Modeling for Offline Planning [2.8326418377665346]
  AI計画研究の重要な部分はアクションモデルの表現である。 この分野の成熟にもかかわらず、AI計画技術は研究コミュニティの外ではめったに使われない。 これは、モデリングプロセスが計画プロセスの前に行われ、完了したと仮定されているためである、と我々は主張する。
  論文  参考訳（メタデータ） (2022-06-07T14:48:08Z)
• Deep Model-Based Reinforcement Learning for High-Dimensional Problems, a Survey [1.2031796234206134]
  モデルに基づく強化学習は、環境サンプルの必要性を減らすために、環境力学の明示的なモデルを生成する。 深層モデルに基づく手法の課題は、低いサンプルの複雑さを維持しながら高い予測力を達成することである。 本稿では, 与えられた遷移を明示的に計画すること, 学習した遷移を明示的に計画すること, 計画と遷移の両方をエンドツーエンドで学習することの3つのアプローチに基づく分類法を提案する。
  論文  参考訳（メタデータ） (2020-08-11T08:49:04Z)

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。