利用网络和知识图谱进行自动化影响投资评分
本研究利用 82000 多篇澳大利亚大学的出版物作为案例研究,通过相似度度量与 OpenAI GPT 模型将这些出版物与可持续发展目标(SDGs)进行映射,结果显示采用相似度度量的模型能够补充 GPT 模型进行 SDG 分类,此外,深度学习方法在处理敏感数据方面更加可靠,并且无需使用商业人工智能服务或部署昂贵的计算资源来运行大型语言模型。研究表明,两种方法的结合可以实现可靠的研究到 SDGs 的映射结果。
Nov, 2023
本研究比较了不同文本源使用的多个基于文本的系统以监测联合国可持续发展目标,证明了这些系统在真阳性率和真阴性率方面存在显著差异,偏好某些可持续发展目标,且受到分析的文本类型和数量的影响。研究发现汇集多个标注系统的集成模型能改善这些限制,以优于所有现有系统的标注性能。自动化方法应结合集成方法作为推断联合国可持续发展目标研究工作的使用。
Jan, 2023
本研究探讨了人工智能在可持续发展的三大支柱(社会、环境、经济)中的影响,以及在农业、废物分类、智慧水管理和暖通空调系统等多个领域中的应用案例,并提出了基于人工智能的可持续发展目标策略。该框架可以减少人工智能的负面影响并促进其长期积极作用,尤其对像孟加拉国这样的发展中国家具有实际意义。
Apr, 2023
通过利用大型语言模型,本研究探讨了多样的可持续发展目标分类对文献计量数据注入的 “数据偏见”,结果表明模型架构、分类出版物、微调过程和自然语言生成中存在广泛的任意性,从而对使用语言模型在研究实践中的应用引发了顾虑。
May, 2024
该研究介绍了 SustainBench,它涵盖了与经济发展、农业、健康、教育、水和卫生、气候行动以及陆地生活有关的 15 个基准任务,旨在通过提供标准基准来评估机器学习模型在各种可持续发展目标上的任务,在数据方面降低机器学习社区的参与门槛,并鼓励发展新的机器学习方法,以促进实现可持续发展目标的进展.
Nov, 2021
该研究论文通过使用社会情感考量,旨在创建一个数据驱动的 ESG 评估体系,该体系可以通过提供更加平衡的观点和更系统化的评分来为公司提供更好的指导,从而帮助公司创建更具针对性和有影响力的倡议。使用基于 Python 的网络爬虫从维基百科、推特、领英和谷歌新闻中收集数据,然后通过自然语言处理算法对 ESG 子类别进行情感评分。然后使用这些特征,训练和校准机器学习算法以测试其预测能力,其中最强大的模型是随机森林模型,其平均绝对误差为 13.4%,相关性为 26.1%(p 值为 0.0372),显示出令人鼓舞的结果。总的来说,跨子类别测量 ESG 社会情感可以帮助高管将努力集中在人们最关注的领域。此外,这种数据驱动方法可以为没有覆盖范围的公司提供评级,从而使更多具有社会责任感的公司得以发展。
Sep, 2023
我们用一个名为 PaLM 2 的 LLM 来预测大学课程的联合国可持续发展目标(SDG),并使用它生成训练数据,基于一个嘈杂的人工撰写的课程描述作为输入。我们使用这些数据来训练几个不同的较小语言模型来预测大学课程的 SDGs。该研究有助于更好地使可持续发展目标在大学层面得到应用。在我们的实验中表现最佳的模型是 BART,其 F1 得分为 0.786。
Feb, 2024
该研究介绍了利用开放源代码的地理定位维基百科文章中的文本信息,运用现代 NLP 技术,预测社区层面的资产财富和教育成果的新方法,提高普查数据收集的成本效益,优于先前的数据预测基准,能为社会科学研究和政策决策提供参考。
May, 2019
本文基于话题建模技术对 10 个不同国家或组织的现有 AI 建议进行分析,以确定这些战略文件参考联合国可持续发展目标的程度。该分析未发现这些文档与 SDG 有实质性区别。此外,缺少指导 AI 发展和使用对 SDG 5(性别平等)、SDG 10(不平等)以及 AI 发展和使用的环境影响,特别是对地球生命带来的后果的参考。
Oct, 2022
本文分析了人工智能对可持续城市和社区 (SDG11) 的进展的贡献,并通过实证分析 AI 系统从 AIxSDG 数据库和 CORDIS 数据库中 (N = 29) 获得的结果,揭示出 AI 系统在废物管理、空气质量监测、灾害响应管理、交通管理等方面确实有助于推进可持续城市发展,但仍有许多项目在为公民而不是和公民一起工作,该文有助于我们对人工智能系统对社会公益的影响进行更成熟的系统和研究。
Feb, 2022