[논문 리뷰] Generative AI-assisted Participatory Modeling in Socio-Environmental Planning under Deep Uncertainty

Zhihao Pei, Nir Lipovetzky외 3명|arXiv (Cornell University)|2026. 03. 17.

Sustainability and Climate Change Governance인용 수 0

한 줄 요약

이 논문은 심층 불확실성 하의 사회-환경 계획에서 문제 개념화를 부트스트랩하기 위한 templated, LLM 보조 워크플로우를 제안하고, 호수 및 전력시장 사례를 통해 다관점 모델과 이후 DMDU 분석을 위한 Python 구현을 생성한다.

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.

연구 동기 및 목표

• 템플릿화된 워크플로우를 도입하여 DMDU 기반 사회-환경 계획에서 초기 문제 개념화를 돕기 위해 대형 언어 모델을 활용한다.
• 이해관계자들의 설명으로부터 필수 모델 구성요소를 식별하고 이를 하나의 통합 모델로 구성한다.
• 구성된 모델의 파이썬 구현을 제공하여 EMA Workbench 또는 Rhodium과의 통합에 적합하도록 한다.
• 두 가지 사례를 통해 워크플로우를 시연하고 강점과 한계를 논의한다.
• 직관적 문제 설명을 구조화된 모델 구성요소로 번역하여 참여와 빠른 프로토타이핑을 촉진한다.

제안 방법

• 서술적 문제 서사에서 형식적 다관점 모델에 이르는 문제 개념화를 안내하는 네 단계의 반복적 절차를 갖는 LLM 보조 워크플로우를 제안한다.
• 사고의 흐름 프롬프팅(chain-of-thought)과 프롬프트 체인을 사용하여 작업을 분해하고 구조화되며 기억 일관된 출력을 생성한다.
• 1단계에서 이해관계자의 문제 설명을 모델 구성요소(상태 변수, 의사결정, 전이, 목표, 불확실성)로 공식화한다.
• 2단계에서 다수의 이해관계자 관점을 도출하고 관점별 모델을 유도한다.
• 3단계에서 관점을 공유 환경과 다른 관점에 대한 외생 입력이 있는 통합 모델로 결합한다.
• 4단계에서 통합 모델을 나타내는 모듈식 Python 프로그램을 구현하여 시뮬레이션 및 목적 평가를 가능하게 한다.
• ODD 프로토콜에서 영감을 받은 체크리스트와 다중 테스트 전략(단위 테스트, 속성 기반 테스트, 시나리오 테스트)을 통한 검증, 확인 및 정교화를 포함한다.

실험 결과

연구 질문

• RQ1 LLMs는 DMDU 기반 사회-환경 계획의 초기 문제 개념화를 어떻게 촉진할 수 있는가?
• RQ2 LLM 보조 워크플로우가 Python 기반 시뮬레이션 및 이후 의사결정 분석에 적합한 다관점의 통합 모델을 생성할 수 있는가?
• RQ3 직관적 문제 설명을 형식적 모델 구성요소로 변환하는 데 LLM을 사용하는 이점과 한계는 무엇인가?
• RQ4 호수 문제와 전력시장 문제가 워크플로우의 효과 및 일반화 가능성을 어떻게 보여주는가?

주요 결과

• LLMs는 이해관계자 설명으로부터 핵심 모델 구성요소와 관점을 소수의 인간 검증으로 식별할 수 있다.
• 공통 환경 개념을 보존하면서 관점별 의사결정과 목표를 포함한 통합 다관점 모델을 생성할 수 있다.
• 이 워크플로우는 EMA Workbench와 호환되는 Python 구현을 산출하며 최소한의 변경으로 다른 DMDU 도구에 적용될 수 있다.
• 여러 차례의 반복 후 허용 가능한 출력이 나타나며, 심층 불확실성 하의 사회-환경 계획에서 문제 개념화에 대한 LLM의 효과적인 보조 도구임을 뒷받침한다.
• 이 접근법은 인간 검증에 의존하는 점과 신중한 프롬프트 설계의 필요성을 포함한 강점과 한계를 강조한다.