【作者】

夏俊豪、佟瑤、龍瀛

清華大學(xué)恒隆房地產(chǎn)研究中心

【原文信息】

Xia, J., Tong, Y., & Long, Y. (2025). Advancements in the application of large language models in urban studies: A systematic review. Cities, 165, 106142.

【論文鏈接】

https://www.sciencedirect.com/science/article/pii/S0264275125004433

內(nèi)容導(dǎo)讀

龍瀛教授團(tuán)隊(duì)的研究論文“Advancements in the application of large language models in urban studies: A systematic review”（《大語言模型在城市研究中的應(yīng)用進(jìn)展：系統(tǒng)性綜述》），在SCI期刊Cities在線發(fā)表。Cities目前為JCR Q1期刊。

大語言模型（LLM）在解決復(fù)雜問題上擁有強(qiáng)大的綜合能力，并已越來越多地被應(yīng)用于更好地闡釋城市現(xiàn)象。在大語言模型浪潮中，城市研究領(lǐng)域的學(xué)者迫切需要了解以往的研究工作是如何在各個(gè)學(xué)科中融合大語言模型的。本文中，我們對233篇關(guān)注大語言模型在城市研究中應(yīng)用的論文進(jìn)行了系統(tǒng)性綜述。我們借助一個(gè)定制的生成式預(yù)訓(xùn)練變換器（GPT）助手從這些論文中提取信息，以分析其發(fā)展趨勢，并對不同子領(lǐng)域進(jìn)行了深入評述。研究結(jié)果顯示，相關(guān)研究在過去六年中呈指數(shù)級增長，大語言模型已被應(yīng)用于文本分析與生成、領(lǐng)域知識問答以及行業(yè)相關(guān)任務(wù)等多種場景。此外，基于GPT和基于BERT（來自Transformers的雙向編碼器表示）的模型已成為最常用的兩種模型，而嵌入（embedding）和微調(diào)（fine-tuning）是數(shù)據(jù)處理與模型適配的主流方法。論文還探討了關(guān)于大語言模型的常見問題，并指出了其未來在城市研究中的機(jī)遇。本項(xiàng)綜合性分析旨在為正在探索大語言模型在城市研究中應(yīng)用的研究者，以及那些尚未開始在研究中使用這些模型的學(xué)者提供寶貴的見解。

圖1：研究框架示意圖

研究方法

1.文獻(xiàn)篩選與數(shù)據(jù)來源：研究以Web of Science (WoS) 為文獻(xiàn)來源數(shù)據(jù)庫，并將檢索時(shí)間范圍限定為2015年1月至2025年4月。在關(guān)鍵詞策略上，檢索詞由“城市研究”與“大型語言模型”相關(guān)的詞構(gòu)成，通過數(shù)據(jù)庫檢索和多輪人工篩選，結(jié)合引文追溯法補(bǔ)充文獻(xiàn)，最終篩選出233篇符合條件的文獻(xiàn)進(jìn)行分析。

2.文獻(xiàn)標(biāo)記與統(tǒng)計(jì)方法：在文獻(xiàn)信息提取與標(biāo)注上，研究構(gòu)建了包含研究領(lǐng)域、應(yīng)用場景、數(shù)據(jù)處理方法、模型提升方法和所用預(yù)訓(xùn)練模型五個(gè)維度的分析框架，為高效處理篩選的233篇文獻(xiàn)，研究利用GPT-4o構(gòu)建定制化AI助手，根據(jù)預(yù)設(shè)框架對每篇文獻(xiàn)進(jìn)行結(jié)構(gòu)化的信息提取，對AI助手提取的結(jié)果進(jìn)行隨機(jī)抽樣與人工核驗(yàn)，準(zhǔn)確率達(dá)89%，針對AI提取的全部文獻(xiàn)結(jié)果人工修訂并按照五個(gè)維度進(jìn)行分析總結(jié)。

研究發(fā)現(xiàn)

1.描述性分析：研究發(fā)現(xiàn)，大語言模型在城市研究中的應(yīng)用自2020年以來呈指數(shù)級增長，在研究領(lǐng)域上，早期研究以城市社會學(xué)、城市環(huán)境與能源等領(lǐng)域?yàn)橹?，逐步擴(kuò)展至城市交通、城市管理和城市規(guī)劃設(shè)計(jì)等更復(fù)雜的領(lǐng)域，其中城市交通方向的成果最為豐富。在應(yīng)用場景上，除了情感分析、文本分類和命名實(shí)體識別等通用的文本處理任務(wù)外，還涌現(xiàn)出大量與領(lǐng)域深度結(jié)合的特定應(yīng)用場景，例如人類移動(dòng)分析、交通流預(yù)測、街道空間感知和地理編碼等等，同時(shí)通過問答測試模型在特定領(lǐng)域中的能力也是較為常見的應(yīng)用場景。在數(shù)據(jù)處理與模型提升方法上，研究者廣泛采用嵌入構(gòu)建來表征文本，以及利用多模態(tài)對齊來融合異構(gòu)數(shù)據(jù)，超過半數(shù)的研究采用了成本相對高昂的微調(diào)策略來提升模型表現(xiàn)，同時(shí)大模型也常與其他模型集成使用。最后，在所用的預(yù)訓(xùn)練模型上，研究多用GPT系列的模型，BERT因其高效的文本編碼能力也廣受歡迎，此外還有例如LLaMA、Qwen等的開源模型。

2.研究者對大模型的態(tài)度：盡管大模型在城市文本分析、事件模擬、特定場景響應(yīng)等任務(wù)上表現(xiàn)出強(qiáng)大的能力，但研究者仍在幾個(gè)層面存在擔(dān)憂，首先模型存在生成不實(shí)信息的“幻覺”問題，可能包含扭曲現(xiàn)實(shí)的地理或文化偏見，因依賴靜態(tài)訓(xùn)練數(shù)據(jù)而難以泛化到動(dòng)態(tài)多變的真實(shí)城市場景中，其次高昂的計(jì)算與環(huán)境成本對研究團(tuán)隊(duì)的經(jīng)濟(jì)負(fù)擔(dān)與總體能源消耗提出挑戰(zhàn)，然后是相比傳統(tǒng)的深度學(xué)習(xí)方法，大模型在特定場景下的表現(xiàn)未必能夠超過前者的表現(xiàn)，最后在倫理與邏輯層面，數(shù)據(jù)隱私泄露、決策過程不透明等也是需要解決的問題。

3.未來方向：大模型在城市研究中存在較大的應(yīng)用潛力，首先應(yīng)用領(lǐng)域?qū)⒊掷m(xù)拓寬，例如延伸至城市經(jīng)濟(jì)學(xué)和城市發(fā)展演化等更宏觀的議題，其次大模型應(yīng)用可能出現(xiàn)分化，即由輕量化的模型處理簡單場景，而參數(shù)龐大的模型則專注于解決復(fù)雜難題，然后是通過精心的提示工程設(shè)計(jì)或結(jié)合檢索增強(qiáng)生成的技術(shù)，大語言模型作為“領(lǐng)域?qū)＜摇钡臐摿τ写M(jìn)一步發(fā)掘，最后從智能體的角度看，大模型可以通過與海量城市知識庫的交互來揭示隱藏的城市動(dòng)態(tài)與規(guī)律，從而催生新的研究假說為研究者提供啟發(fā)。

圖2：不同研究領(lǐng)域文獻(xiàn)發(fā)表年份和文獻(xiàn)數(shù)量

圖3：研究領(lǐng)域和應(yīng)用場景關(guān)聯(lián)

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實(shí)相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。