On the Performance of LLMs for Real Estate Appraisal

要約

不動産市場は世界経済にとって不可欠ですが、重要な情報の非対称性に苦しんでいます。
この調査では、最適化されたコンテキスト学習（ICL）戦略を通じて競争力のある解釈可能な住宅価格の見積もりを生成することにより、大規模な言語モデル（LLM）が不動産洞察へのアクセスを民主化する方法を調べます。
多様な国際住宅データセットで主要なLLMを体系的に評価し、ゼロショット、少数のショット、市場レポート強化、およびハイブリッドプロンプトのテクニックを比較します。
我々の結果は、LLMSがプロパティサイズやアメニティなどの快楽変数を効果的に活用して、意味のある推定値を生成することを示しています。
従来の機械学習モデルは純粋な予測精度のために強力なままですが、LLMSはよりアクセスしやすく、インタラクティブで解釈可能な代替品を提供します。
自明では慎重な解釈には必要ですが、LLMは最先端のモデルと一致して予測を説明し、信頼性を確認していることがわかります。
特徴の類似性と地理的近接性に基づいて慎重に選択されたコンテキスト内の例は、LLMのパフォーマンスを大幅に向上させますが、LLMSは価格間隔の自信過剰と限られた空間推論に苦労しています。
迅速な最適化を通じて、構造化された予測タスクの実用的なガイダンスを提供します。
私たちの調査結果は、不動産評価の透明性を改善し、利害関係者に実用的な洞察を提供するLLMSの可能性を強調しています。

要約(オリジナル)

The real estate market is vital to global economies but suffers from significant information asymmetry. This study examines how Large Language Models (LLMs) can democratize access to real estate insights by generating competitive and interpretable house price estimates through optimized In-Context Learning (ICL) strategies. We systematically evaluate leading LLMs on diverse international housing datasets, comparing zero-shot, few-shot, market report-enhanced, and hybrid prompting techniques. Our results show that LLMs effectively leverage hedonic variables, such as property size and amenities, to produce meaningful estimates. While traditional machine learning models remain strong for pure predictive accuracy, LLMs offer a more accessible, interactive and interpretable alternative. Although self-explanations require cautious interpretation, we find that LLMs explain their predictions in agreement with state-of-the-art models, confirming their trustworthiness. Carefully selected in-context examples based on feature similarity and geographic proximity, significantly enhance LLM performance, yet LLMs struggle with overconfidence in price intervals and limited spatial reasoning. We offer practical guidance for structured prediction tasks through prompt optimization. Our findings highlight LLMs’ potential to improve transparency in real estate appraisal and provide actionable insights for stakeholders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google