[論文レビュー] Generative AI-assisted Participatory Modeling in Socio-Environmental Planning under Deep Uncertainty

Zhihao Pei, Nir Lipovetzky+3 more|arXiv (Cornell University)|Mar 17, 2026

Sustainability and Climate Change Governance被引用数 0

ひとこと要約

論文は、深い不確実性下の社会環境 planning における問題概念化をブーストする templated の LLM 支援ワークフローを提案し、湖沼および電力市場のケースで実証、複数視点のモデルとその後の DMDU 分析用 Python 実装を提供する。

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.

研究の動機と目的

• 大型言語モデルを用いたテンプレート化ワークフローを導入し、DMDU ベースの社会環境計画における初期問題概念化を支援する。
• 利害関係者の説明から本質的なモデル要素を特定し、それらを統一モデルへ組み立てる。
• 統合モデルを表現する Python 実装を提供し、EMA Workbench または Rhodium への統合に適したものとする。
• 2 つのケーススタディを通じてワークフローを実証し、強みと限界を論じる。
• 直感的な問題記述を構造化されたモデル要素へ翻訳することで、参加と迅速なプロトタイピングを促進する。

提案手法

• 問題概念化を導く四つの反復ステップを含む LLM 支援ワークフローを提案する。記述的な問題語りから正式な多視点モデルへと導く。
• 思考連鎖プロンプティングとプロンプトチェーンを用いてタスクを分解し、構造化され記憶一貫性のある出力を作成する。
• Step 1 では、利害関係者の問題記述をモデル要素（状態変数、意思決定、遷移、目的、不確実性）へ formalize する。
• Step 2 では、複数の利害関係者の視点を推定し、視点別モデルを導出する。
• Step 3 では、視点を共有環境と他の視点への外生入力を持つ統一モデルへ結合する。
• Step 4 では、統一モデルを表すモジュール化された Python プログラムを実装し、シミュレーションと目的関数の評価を可能にする。
• ODD プロトコルに触発されたチェックリストと、単体テスト・性質ベース・シナリオテストなどの複数の検証戦略を組み込み、検証・検証・改善を行う。

実験結果

リサーチクエスチョン

• RQ1 LLMs は DMDU ベースの社会環境計画における初期の問題概念化をどのように支援できるか。
• RQ2 LLM 支援ワークフローは、Python ベースのシミュレーションとその後の意思決定分析に適した多視点の統一モデルを生み出せるか。
• RQ3 直感的な問題説明を正式なモデル要素へ翻訳する際の利点と限界は何か。
• RQ4 湖沼の問題と電力市場の問題は、ワークフローの有効性と一般化をどのように示すか。

主な発見

• 利害関係者の記述から、数名の人間の検証だけで essential なモデル要素と視点を特定できる。
• 共通の環境概念を保持しつつ、視点別の意思決定と目的を埋め込んだ統一の多視点モデルを作成できる。
• このワークフローは EMA Workbench と互換性のある Python 実装を生み出し、最小変更で他の DMDU ツールにも適用可能。
• 少数の反復で有用な出力を得られることを示す実験結果があり、深い不確実性下の社会環境計画における問題概念化の有効な補助として LLM が機能することを支持する。
• 本アプローチは、ヒューマンによる検証依存と、慎重なプロンプト設計の必要性といった強みと限界を浮き彫りにする。