Leveraging Artificial Intelligence Technology for Mapping Research to Sustainable Development Goals: A Case Study

📄 arXiv: 2311.16162v1 📥 PDF

作者: Hui Yin, Amir Aryani, Gavin Lambert, Marcus White, Luis Salvador-Carulla, Shazia Sadiq, Elvira Sojli, Jennifer Boddy, Greg Murray, Wing Wah Tham

分类: cs.DL, cs.AI, cs.CL

发布日期: 2023-11-09

💡 一句话要点

利用人工智能技术将研究映射到可持续发展目标

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 可持续发展目标 人工智能 机器学习 相似性度量 深度学习 数据标注 文本分类

📋 核心要点

  1. 现有方法在将出版物与可持续发展目标关联时面临时间成本高和复杂性大的挑战。
  2. 本文提出利用相似性度量和OpenAI GPT模型相结合的方法，提升出版物与SDGs的映射效率。
  3. 实验结果表明，相似性度量与GPT模型的输出有高达82.89%的重叠，验证了方法的有效性。

📝 摘要（中文）

与可持续发展目标（SDGs）相关的出版物数量持续增长，涵盖人文社科、工程和健康等多个领域。由于资金机构需要监测成果和影响，将出版物与相关SDGs关联至关重要，但由于SDGs的广泛性和复杂性，这一过程既耗时又困难。本文以澳大利亚一所大学的82000多篇出版物为案例，采用相似性度量方法将这些出版物映射到SDGs，并利用OpenAI的GPT模型进行比较分析。实验结果显示，相似性度量方法与GPT模型的输出有约82.89%的重叠，表明该方法可以有效补充GPT模型。此外，深度学习方法在处理敏感数据时更具可及性和可信度，无需商业AI服务或昂贵的计算资源。研究表明，两种方法的结合可以实现可靠的SDG映射结果。

🔬 方法详解

问题定义：本文旨在解决将大量出版物准确映射到可持续发展目标（SDGs）的难题。现有方法在处理多目标关联时，往往缺乏高效性和准确性，导致时间和人力成本增加。

核心思路：论文提出结合相似性度量和GPT模型的双重方法，通过相似性度量快速标记出版物，同时利用GPT模型进行验证和补充，提升整体映射的准确性和效率。

技术框架：整体流程包括数据收集、相似性度量计算、GPT模型应用及结果比较。首先从澳大利亚大学收集82000篇出版物，然后计算每篇出版物与SDGs的相似性，最后通过GPT模型进行验证和补充。

关键创新：该研究的创新点在于将传统的相似性度量与现代的深度学习模型相结合，形成了一种新的多层次映射策略，克服了单一方法的局限性。

关键设计：在相似性度量中，采用了特定的相似性算法，并在GPT模型中进行了参数调优，以确保输出结果的高重叠率和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，相似性度量方法与GPT模型的输出有约82.89%的重叠，表明两者在SDG分类任务中的互补性。相似性度量方法在处理敏感数据时表现出更高的可及性和可信度，避免了使用商业AI服务的高成本。

🎯 应用场景

该研究的潜在应用领域包括学术出版物的分类、政策制定支持以及可持续发展目标的监测与评估。通过提高出版物与SDGs的关联效率，能够为研究机构和政策制定者提供更为精准的数据支持，推动可持续发展目标的实现。

📄 摘要（原文）

The number of publications related to the Sustainable Development Goals (SDGs) continues to grow. These publications cover a diverse spectrum of research, from humanities and social sciences to engineering and health. Given the imperative of funding bodies to monitor outcomes and impacts, linking publications to relevant SDGs is critical but remains time-consuming and difficult given the breadth and complexity of the SDGs. A publication may relate to several goals (interconnection feature of goals), and therefore require multidisciplinary knowledge to tag accurately. Machine learning approaches are promising and have proven particularly valuable for tasks such as manual data labeling and text classification. In this study, we employed over 82,000 publications from an Australian university as a case study. We utilized a similarity measure to map these publications onto Sustainable Development Goals (SDGs). Additionally, we leveraged the OpenAI GPT model to conduct the same task, facilitating a comparative analysis between the two approaches. Experimental results show that about 82.89% of the results obtained by the similarity measure overlap (at least one tag) with the outputs of the GPT model. The adopted model (similarity measure) can complement GPT model for SDG classification. Furthermore, deep learning methods, which include the similarity measure used here, are more accessible and trusted for dealing with sensitive data without the use of commercial AI services or the deployment of expensive computing resources to operate large language models. Our study demonstrates how a crafted combination of the two methods can achieve reliable results for mapping research to the SDGs.