خرید و دانلود ترجمه فارسی مقاله استفاده از مدل‌های زبانی بزرگ با زنجیره فکری و مهندسی سریع برای تحلیل و استنتاج شدت تصادفات ترافیکی

چکیده

Harnessing the power of Large Language Models (LLMs), this study explores the use of three state-of-the-art LLMs, specifically GPT-3.5-turbo, LLaMA3-8B, and LLaMA3-70B, for crash severity inference, framing it as a classification task. We generate textual narratives from original traffic crash tabular data using a pre-built template infused with domain knowledge. Additionally, we incorporated Chain-of-Thought (CoT) reasoning to guide the LLMs in analyzing the crash causes and then inferring the severity. This study also examine the impact of prompt engineering specifically designed for crash severity inference. The LLMs were tasked with crash severity inference to: (1) evaluate the models’ capabilities in crash severity analysis, (2) assess the effectiveness of CoT and domain-informed prompt engineering, and (3) examine the reasoning abilities with the CoT framework. Our results showed that LLaMA3-70B consistently outperformed the other models, particularly in zero-shot settings. The CoT and Prompt Engineering techniques significantly enhanced performance, improving logical reasoning and addressing alignment issues. Notably, the CoT offers valuable insights into LLMs’ reasoning processes, unleashing their capacity to consider diverse factors such as environmental conditions, driver behavior, and vehicle characteristics in severity analysis and inference.

چکیده به فارسی (ترجمه ماشینی)

با استفاده از قدرت مدلهای بزرگ زبان (LLMS) ، این مطالعه به بررسی استفاده از سه LLM های پیشرفته ، به طور خاص GPT-5.5-توربو ، LLAMA3-8B و LLAMA3-70B ، برای استنباط شدت تصادف ، قاب بندی می شود.به عنوان یک کار طبقه بندی.ما روایت های متنی را از داده های جدولی ترافیک اصلی با استفاده از یک الگوی از پیش ساخته شده با دانش دامنه تولید می کنیم.علاوه بر این ، ما استدلال زنجیره ای از فکر (COT) را برای هدایت LLM ها در تجزیه و تحلیل علل تصادف و سپس استنباط از شدت درج کردیم.این مطالعه همچنین به بررسی تأثیر مهندسی سریع که به طور خاص برای استنباط شدت تصادف طراحی شده است.LLM ها وظیفه استنباط شدت تصادف را بر عهده داشتند: (1) قابلیت های مدل ها در تجزیه و تحلیل شدت تصادف را ارزیابی کنید ، (2) اثربخشی مهندسی سریع COT و مهندسی فوری را ارزیابی کنید ، و (3) توانایی های استدلال را با چارچوب COT بررسی کنیدبشرنتایج ما نشان داد که LLAMA3-70B به طور مداوم از سایر مدل ها ، به ویژه در تنظیمات صفر استفاده می کند.تکنیک های مهندسی و سریع مهندسی عملکرد قابل توجهی را افزایش داده ، استدلال منطقی و پرداختن به مسائل تراز را بهبود می بخشد.نکته قابل توجه ، COT بینش ارزشمندی را در مورد فرآیندهای استدلال LLMS ارائه می دهد ، و ظرفیت آنها برای در نظر گرفتن عوامل متنوعی از جمله شرایط محیطی ، رفتار راننده و ویژگی های وسیله نقلیه در تجزیه و تحلیل شدت و استنباط را نشان می دهد.