Reimagining Urban Science: Scaling Causal Inference with Large Language Models

要約

都市の因果関係は、都市の複雑なダイナミクスを理解し、証拠に基づいた政策を通知するために不可欠です。
ただし、仮説生成の非効率性とバイアス、マルチモーダルデータの複雑さに対する障壁、および因果実験の方法論的脆弱性によって挑戦されています。
大規模な言語モデル（LLMS）の最近の進歩は、都市の因果分析がどのように行われるかを再考する機会を提供します。
この視点では、構造的ギャップを特定するための研究トピック、データソース、および方法論的アプローチを分類する分類を分析することにより、現在の都市因果研究を検証します。
次に、仮説の生成、データエンジニアリング、実験の設計と実行を担当する4つの異なるモジュラーエージェントで構成されるLLM駆動型の概念フレームワークであるAutourbanciを紹介します。
厳密さと透明性の評価基準を提案し、人間とのコラボレーション、公平性、および説明責任への影響を反映します。
私たちは、人間の専門知識の代替品としてではなく、参加を拡大し、再現性を改善し、より包括的な形態の都市因果推論のロックを解除するためのツールとして、Ai-Augmented Workflowを採用する新しい研究アジェンダを求めています。

要約(オリジナル)

Urban causal research is essential for understanding the complex dynamics of cities and informing evidence-based policies. However, it is challenged by the inefficiency and bias of hypothesis generation, barriers to multimodal data complexity, and the methodological fragility of causal experimentation. Recent advances in large language models (LLMs) present an opportunity to rethink how urban causal analysis is conducted. This Perspective examines current urban causal research by analyzing taxonomies that categorize research topics, data sources, and methodological approaches to identify structural gaps. We then introduce an LLM-driven conceptual framework, AutoUrbanCI, composed of four distinct modular agents responsible for hypothesis generation, data engineering, experiment design and execution, and results interpretation with policy recommendations. We propose evaluation criteria for rigor and transparency and reflect on implications for human-AI collaboration, equity, and accountability. We call for a new research agenda that embraces AI-augmented workflows not as replacements for human expertise but as tools to broaden participation, improve reproducibility, and unlock more inclusive forms of urban causal reasoning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google