American Community Survey
PulseAugur coverage of American Community Survey — every cluster mentioning American Community Survey across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的多校准方法可减少AI模型患病率估计中的偏差
研究人员开发了一种名为多校准的新方法，以解决模型基础患病率估计中的偏差问题，尤其是在处理协变量偏移时。与假设速率恒定的标准方法不同，该技术可确保不同人群的测量误差率保持稳定。实践证明，多校准在减少偏差方面是有效的，例如通过在估计就业患病率（使用调查数据）和使用大型语言模型对政治文本进行分类中的应用所证明。
-
语言大模型生成逼真出行日记，在出行目的和方式预测方面优于传统方法
研究人员开发了一种新方法，利用语言大模型（LLMs）为交通建模生成个人出行日记。该方法从美国社区调查和智能位置数据库等开源数据中合成用户画像，然后提示语言大模型创建详细的出行属性，如出行目的、方式和距离。生成的日记与康涅狄格州全州交通研究的真实世界数据进行了比较，使用了综合真实性评分进行评估，显示出与传统方法相当的整体真实性，并在预测出行目的和方式一致性方面表现出色。
-
地理空间基础模型捕捉了与健康相关的地点维度
一项新的研究论文探讨了使用地理空间基础模型来捕捉传统社会风险指数之外的与健康相关的地点维度。研究发现，这些基于卫星数据训练的模型可以解释传统指数无法解释的健康结果方差的很大一部分。具体而言，这些模型对某些调查变量显示出中等的预测能力，并解释了高达 54% 的健康结果（如年度体检、关节炎和高血压）的未解释方差。研究结果表明，地理空间基础模型可以作为流行病学分析的有价值的补充。
-
可解释人工智能识别美国地块的宽带普及差异
研究人员开发了一个可解释的机器学习框架，用于识别美国各地的宽带普及差异。该模型基于社会经济和人口统计数据进行训练，实现了强大的预测准确性，并将收入和教育确定为影响普及的关键因素。进一步的分析揭示了三种不同的宽带接入挑战剖面，为指导投资提供了比传统启发式方法更细致的途径。
-
大型语言模型在城市安全判断中表现出基于地点的污名化
一篇新发表在arXiv上的研究调查了大型语言模型（LLMs）如何判断城市社区的安全性。研究发现，LLMs严重依赖带有居民刻板印象的社区名称，而非客观的地理数据或犯罪统计数据。即使在控制了犯罪率的情况下，模型也倾向于降低芝加哥黑人居民比例较高以及洛杉矶西班牙裔居民比例较高的社区的安全评级。这表明LLMs可能会延续基于地点的污名化，影响其在城市规划和安全决策支持方面的应用。
-
新方法GHCP增强了基于组的预测集
研究人员开发了广义分层一致性预测（GHCP），这是一种在数据以组为单位收集时创建预测集的新方法。标准的层级一致性预测在目标组的少数观测值已可用时会遇到困难，因为其对称性条件被违反。GHCP通过为测试组分配一个随机捐赠的参考组大小来解决这个问题，恢复了一致性推理所需的对称性。此外，GHCP利用初始测试组的观测值来提高不一致分数的质量，并引入了一个变体，通过限制合格捐赠者来提高效率。
-
新的计量经济学方法处理非线性AI暴露测量
研究人员开发了一种新的统计方法，用于在观测测量值是潜在变量的非线性函数时识别潜在回归量。该技术在计量经济学等领域特别有用，在这些领域中，对复杂因素（如职业暴露于人工智能）的直接测量具有挑战性。该方法为结构系数提供了闭式区间，该区间对未知的源载荷不变，并且可以通过足够多的测量值进行估计。
-
美国郊区老年人贫困率上升，原因在于服务缺失
越来越多的老年公民在美国郊区面临贫困，这一趋势因缺乏城市地区常见的公共交通和基本服务而加剧。对美国人口普查数据的分析表明，数百万老年人，尤其是在亚利桑那州、加利福尼亚州、佛罗里达州和纽约州等州的郊区县，生活在贫困线以下或接近贫困线。不断上涨的住房成本和有限的社会支持项目加剧了这一状况，导致老年人无法自主选择就近养老。
-
研究人员开发使用神经方法为命令式程序构建图
研究人员开发了一个管道，将命令式程序及其注解转换为类型化、属性化的图。该过程结合了抽象语法树解析与来自 SentenceTransformer 和 CodeBERT 等模型的语义嵌入。目标是识别程序之间的结构和语义相似性，以便重用验证工件。使用 C、Java 和 Dafny 进行的实验证明了跨不同语言和注解风格创建一致图表示的能力。
-
LLM在教育、事实核查和患病率估计中表现出偏见
研究人员开发了新的计算指标来评估教育NLP系统的教学一致性，结果显示学生通常使用这些工具进行答案提取而非持续学习。另一篇论文认为，逻辑健全性是使用LLM进行神经符号事实核查的不可靠标准，因为人类推理可能偏离严格的逻辑结论。第三项研究引入了多重校准作为一种使用LLM进行无偏患病率估计的方法，特别是在协变量偏移下，而标准校准方法无法解决这个问题。