[论文解读] 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 0

一句话总结

论文提出了一个模板化、由大语言模型协助的工作流程，以在深不确定性下的社会-环境规划中启动问题概念化；在湖泊和电力市场案例中展示，产出一个多视角模型和用于后续DMDU分析的Python实现。

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.

研究动机与目标

• 介绍一个模板化工作流程，利用大型语言模型在基于DMDU的社会-环境规划中辅助初始问题概念化。
• 使能够从利益相关者的描述中识别关键模型组件并将它们汇集为一个统一模型。
• 提供与EMA Workbench或 Rhodium 集成的所组成模型的Python实现。
• 通过两个案例研究演示该工作流程并讨论优点与局限性。
• 通过将直观的问题描述转化为结构化的模型组件，鼓励参与和快速原型设计。

提出的方法

• 提出一个四步迭代的LLM辅助工作流程，引导从描述性问题叙述到正式的多视角模型的概念化。
• 使用推理链提示和提示连锁来分解任务并创建结构化、记忆一致的输出。
• 在步骤1，将利益相关者的问题描述形式化为模型组件（状态变量、决策、转移、目标、不确定性）。
• 在步骤2，推断多重利益相关者视角并推导面向视角的模型。
• 在步骤3，将各视角整合成一个统一模型，具有共享环境和对其他视角的外生输入。
• 在步骤4，实现一个表示统一模型的模块化Python程序，便于仿真和目标评估。
• 通过受ODD协议启发的检查表和多种测试策略（单元测试、属性测试、情景测试）进行验证、核验和改进。

实验结果

研究问题

• RQ1 LLMs 如何促进基于DMDU的社会-环境规划的初始问题概念化？
• RQ2 一个由LLM辅助的工作流程是否能够产生适用于Python仿真与后续决策分析的多视角、统一模型？
• RQ3 使用LLMs将直观问题描述转化为正式模型组件的优点与局限性是什么？
• RQ4 湖泊问题与电力市场问题如何体现工作流程的有效性与通用性？

主要发现

• LLMs 可以从利益相关者描述中识别出关键模型组件和视角，且只需少量人工校验。
• 可以生成一个统一的、多视角的模型，保持环境中的共同概念，同时嵌入视角特定的决策和目标。
• 该工作流程产生的Python实现与EMA Workbench兼容，并可在最小改动下适配到其他DMDU工具。
• 实验表明经过若干次迭代后输出可接受，支持LLMs作为在深不确定性下的社会-环境规划中进行问题概念化的有效辅助。
• 该方法同时揭示了优势与局限性，包括对人工校验的依赖以及需谨慎的提示设计。