利用人工智能实现透明化政策制定,新开发的框架将政策制定者与其决策所依据的数据紧密联系起来。人工智能有望弥合塑料行业科学研究与政策实践之间的鸿沟,为更科学的治理提供支撑。
数据是循证政策的关键驱动力,向决策者准确传达塑料行业的复杂性对于有效治理至关重要。为促进科学与政策的衔接,研究人员基于塑料生命周期环境影响数据,开发了一套人工智能驱动的分析框架。该框架能够帮助研究人员和政策制定者综合处理大规模数据集,从而做出更为明智的决策。
生命周期环境影响数据包含研究对象、系统边界、方法选择及数据来源等相互关联的要素,其复杂性使未经定制的大型语言模型难以有效解析。为此,研究团队采用定制化的大型语言模型工作流程,构建了涵盖超过65,536个数据点的塑料生命周期环境影响数据库,为深入分析奠定基础。
在构建基于大型语言模型的定制框架过程中,研究人员首先开发了塑料生命周期知识库。该知识库旨在提升模型在提示精度与语境理解方面的能力,重点关注理解塑料生命周期所必需的多项领域,包括塑料的基本特性。此外,知识库系统梳理了超过200种常见的塑料树脂生产路径及130种典型回收技术,为后续数据分析提供了结构化知识支撑。
在知识库的基础上,研究团队通过提示工程与大型语言模型驱动的信息提取技术,建立了自动化工作流程,最终形成了塑料行业生命周期环境影响的结构化数据库。研究人员进一步借助多维统计分析实现数据可视化,使复杂数据更易于理解和应用。
数据库的价值在很大程度上取决于源数据的质量。研究文献可能在工作中引入偏见,因此数据质量控制显得尤为关键。不确定性分析成为改进大型语言模型输出结果的重要途径。在测试的三种机器学习模型中,研究人员选取极限梯度提升模型进行深入训练与分析,并对模型数据实施筛选,保留了更高质量的记录。这些高质量记录仅占原始数据量的12.76%,凸显出严格数据质量控制的必要性。
最终构建的塑料生命周期环境影响数据库为研究重点提供了重要洞察。通过绘制数据缺口图,研究人员能够直观呈现当前研究的薄弱环节。例如,化学回收等新兴技术的数据严重不足,这对政策制定者而言,可能因证据缺失而阻碍塑料报废策略多元化激励措施的推出。
基于大型语言模型的框架所生成的可视化结果,能够自上而下地揭示研究缺口。另一个显著缺口体现在聚苯醚等工程塑料及特种工程塑料领域。同时,在生命周期环境影响背景下,关于添加剂的研究仍然较为有限。这些数据缺陷可能因科学证据不足而影响政策实施效果。可靠的生命周期环境影响数据将有助于政策制定者识别关键干预节点、确定合适的替代方案,并为行业相关方设计更具针对性的激励措施。