.png){kind=icon}
返回
Automating Plan Evaluation Using Agentic Large Language Models
.png){kind=icon}
OA
AI
DOI：10.1177/0739456x251372082.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工计划评估面临可靠性和可扩展性挑战。本研究通过多智能体方法以及/或检索增强生成（RAG）技术，将人类评估与大型语言模型（LLM）进行基准比较，以自动化复杂内容分析任务。我们发现，LLM通常与人类表现相当，大多数错误源于过度推断和有限的领域知识。多智能体方法显著提升了LLM的性能，将常见的机器错误减少了50%以上。将此类LLM工具与人工监督相结合，很可能会成为内容分析的新常态，本研究展示了如何利用人工智能（AI）的效率与精确度，同时结合人类的情境理解能力和领域专长。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
177
被引数:
3.3K
机构
暂无机构信息
引用论文
分享收藏Measuring and Reporting Intercoder Reliability in Plan Quality Evaluation Research计划质量评估研究中编码器间可靠性的测量和报告
PREAI
分享收藏The next generation of machine learning for tracking adaptation texts.png)
NATURE CLIMATE CHANGE
NATURE CLIMATE CHANGEIF27.1
PREAI
分享收藏A value of civic voices for smart city: A big data analysis of civic queries posed by Seoul citizensCITIES
CITIESIF6.6
PREAI
分享收藏The rise of AI urbanism in post-smart cities: A critical commentary on urban artificial intelligence人工智能城市化在后智能城市的兴起: 对城市人工智能的批判性评论URBAN STUDIES
OAAI
URBAN STUDIESIF4.1
OAAI分享收藏
查看更多内容