LLM管道以高精度从危机报告中提取因果证据

研究人员开发了一个两阶段的大型语言模型（LLM）管道，用于从人道主义危机报告中提取结构化的因果证据。该系统在2000-2024年的ReliefWeb数据上进行了测试，旨在整合那些因报告篇幅长和主题多而常被掩盖的、与决策相关的信息。该管道实现了高精度，经过微调的Llama-3.1-8B模型达到了94.15%的加权F1分数，优于一个闭源LLM。该研究还引入了一种三角测量方法来汇总不同背景下的证据强度，并证明了现金援助干预措施的强收敛性。 AI

影响 这项研究展示了LLM在从复杂文档中提取结构化数据方面的新颖应用，有望改善危机响应中的决策。

排序理由 该集群包含一篇详细介绍LLM应用新方法和基准测试结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• arXiv
• Hugging Face
• large language model
• Llama-3.1:8b
• ReliefWeb

• 论文
• 产品
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →