.png){kind=icon}
返回
Modeling Dynamic Risk Perception Using Large Language Model (LLM) Agents
.png){kind=icon}
OA
AI
DOI：10.3390/ai6110296.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：理解事故风险在工业事件发展过程中如何升级对于开发智能安全系统至关重要。本研究提出了一种基于大型语言模型（LLM）的框架，用于模拟人类在连续事故前兆中的风险推理。方法：利用美国化学安全委员会（CSB）的100份调查报告，开发了两个生成式预训练变换器（GPT）代理：(1) 事故前兆提取器，用于识别和分类时间有序事件；(2) 主观概率估计器，用于随着前兆的发展更新感知的事故可能性。结果：主观事故概率呈近线性增长，每个前兆的平均升级幅度为8.0% ± 0.9%（p<0.05）。在第四个前兆处出现一致性的临界点，标志着风险意识向高风险的转变。在分析的90个案例中，代理1达到0.88的精确率和0.84的召回率，而代理2在专家基线±0.08范围内再现了类人类概率推理。升级幅度因前兆类型而异。组织因素被视为最高风险（中位数=0.56），其次是人为错误（中位数=0.47）。技术和环境因素的影响相对较小。结论：这些发现证实了LLM代理能够在动态风险感知中模拟贝叶斯式更新，为安全关键系统中的可扩展、可解释的自适应、序列感知安全监控提供了基础。
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
A
IF:
5
论文数:
1.0K
被引数:
941
机构
引用论文
Pournemat, M.; Rezaei, K.; Sriramanan, G.; Zarei, A.; Fu, J.; Wang, Y.; Eghbalzadeh, H.; Feizi, S. Reasoning Under Uncertainty: Exploring Probabilistic Reasoning Capabilities of LLMs. arXiv 2025, arXiv:2509.10739. [Google Scholar] [CrossRef]Pournemat, M.; Rezaei, K.; Sriramanan, G.; Zarei, A.; Fu, J.; Wang, Y.; Eghbalzadeh, H.; Feizi, S. 不确定性推理：探索大语言模型（LLMs）的概率推理能力。arXiv 2025, arXiv:2509.10739. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏Geopolitical Bias in Sovereign Large Language Models: A Comparative Mixed-Methods StudyJonnala, S.; Swamy, B.; Thomas, N.M. 主权大型语言模型中的地缘政治偏见：一项比较混合方法研究. J. Res. Innov. Technol. 2025, 4, 173–192. [Google Scholar] [CrossRef]
PREAI
分享收藏Automated safety risk management guidance enhanced by retrieval-augmented large language modelBaek, S.; Park, C.Y.; Jung, W. 基于检索增强大型语言模型的自动化安全风险管理指南。Autom. Constr. 2025, 176, 106255. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容