인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Abstract Food consumption and production significantly contribute to global greenhouse gas emissions, making them key targets for climate change mitigation. Over the past two decades, food policy initiatives have focused on reshaping production and consumption patterns by reducing food waste and curbing ruminant meat consumption. While evidence on effective interventions is improving, assessing appropriate and context-specific policies remains difficult due to external validity concerns. This paper demonstrates that a fine-tuned large language model (LLM) can accurately predict outcome directions in approximately 80% of empirical studies evaluating dietary interventions. Predictive accuracy improves with richer input detail, peaking at around 75 prompts before declining due to overfitting or saturation. To contextualize these results, we benchmark the LLM against both classical random-effects meta-regression and a prompt-based variant executed entirely within the model. Although traditional approaches yield reasonable magnitude estimates, they lag behind LLMs in directional accuracy and adaptability to diverse intervention formats. Together, our findings suggest that LLMs-especially when fine-tuned on curated evidence-offer a scalable pathway for data-driven, context-sensitive food policy modeling.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
