AI推測設計-SDGs知識圖譜

#AI推測設計

#SDGs知識圖譜

當我們的永續發展目標陷入數據迷宮與執行泥沼時，會不會是因為缺少了足夠的想像力？Lab的學生宜德提出了一個發人深省的問題，其研究成果初稿已登載在arXiv平台。或許，永續未來的關鍵不僅在於更精確的指標，而在於如何重新連結看似分散的目標，創造出全新的思維框架。

謝謝工研院廖肇弘訓練長針對論文提出AI方法如何renew與refine永續發展目標的研究創見，以及環文系鄭國泰主任從現有數據分析結果中，提點出我們疏漏的永續發展目標關鍵細節，都為論文提供更紮實與完成的建議。

這份論文探討如何運用大型語言模型(LLM)為基礎，建構永續發展目標(SDGs)的知識圖譜系統，採用人工智慧推測設計的視角來思考未來發展。宜德指出，SDGs自2015年起取代千禧年發展目標(MDGs)，但面臨2030年截止期限的壓力，目前實施成效不如預期。從MDGs的8個目標、21個子目標、60個指標，到SDGs擴展為17個目標、169個子目標和248個指標，雖然框架更加全面，但挑戰也更加複雜。主要挑戰包括指標數量與品質侷限、目標間關聯複雜（Nilashi等，2023）、各國實施困難（Kim，2023）及疫情後進展停滯（Sachs等，2023）。面對永續發展的未來，研究者強調「除了數據與行動的支持，更需要系統性的想像力」。

本研究藉由推測設計(Speculative Design)方法，為想像力中的「可能」提供系統性發展空間，結合AI技術與TED Talks多元知識內容，為SDGs架構帶來創新觀點。研究分析的TED Talks資料時間區段為2020.01-2024.04，共整理1,138部影片（扣除11部觸及安全規範的影片）。研究者先以2023年完整一年的271部影片作為前導資料文本，再進行正式資料文本分析。

研究選擇Gemini的gemini-1.5-pro-latest模型和text-embedding-004作為技術基礎，這一選擇可能基於幾個關鍵考量：首先，該模型在研究執行期間（2024年初至中）已具有足夠的知識覆蓋範圍，能夠處理至2024年4月的TED Talks內容；其次，gemini-1.5-pro系列在大規模文本處理和知識關聯分析方面表現穩定，特別適合構建知識圖譜的任務；第三，研究需要模型穩定性以確保前導資料和正式資料處理的一致性，避免因使用不同版本模型導致結果偏差。雖然可能有更新的模型釋出，但研究過程中維持技術穩定性對實驗結果的可靠性至關重要，且該模型已具備處理研究所需文本資料的足夠能力。

研究資料處理流程依序為LLM處理TED Talks資料、創建Socrates型態的模擬圓桌會議、生成知識圖譜並視覺化呈現，最後從知識圖譜中分析並提出新的SDGs目標，結果另外呈現網頁視覺化平台（在留言）。

研究結果顯示，在TED Talks平台上，Goal 10（減少不平等）出現頻率最高，在熱圖中顯示達521次提及；Goal 6（淨水及衛生）出現次數最少，僅有少量提及。Goal 10與Goal 16（和平、正義及健全制度）的組合關聯性最高，達427次相關內容。而Goal 4（優質教育）/Goal 5（性別平權）與Goal 14（保育海洋生態）的組合幾乎不存在，組合次數為0。

知識圖譜分析發現初始節點與關鍵節點常不一致，在12個正式資料文本中（Goal 4、5、6、7、9、10、16等），最多連結節點多聚焦在宏觀執行方針與方法；而在前導資料文本（Goal 1、2、6、8、17等）中，最多連結節點則集中於新穎方案與概念名詞，這種差異也反映了資料量多寡對討論深度的影響。

系統成功生成多個新的SDGs目標，前導資料文本生成的新目標(1個)：

1. 包容的福祉(Inclusive Well-being)：結合Goal 3（健康與福祉）與Goal 10（減少不平等）

正式資料文本生成的新目標(5個)：

1. 透過科技進步減少貧窮(Poverty Reduction through Technological Advancement)：結合Goal 1和Goal 9

2. 弱勢社區的氣候適應力(Climate Resilience for Vulnerable Communities)：結合Goal 1和Goal 13

3. 包容與公平發展(Inclusive and Equitable Development)：結合Goal 5和Goal 10

4. 水資源安全的全球性合作(Global Collaboration for Water Security)：結合Goal 6和Goal 17

5. 包容性經濟賦權(Inclusive Economic Empowerment)：結合Goal 8和Goal 1

這些新目標涵蓋8個現有SDGs目標，其中Goal 1（終結貧窮）被引用最多次（3次），凸顯貧窮議題在新生成架構中的核心地位，同時，被引用的原SDGs皆處於「重大挑戰階段」（根據Sachs等人2023年研究），強調這些領域亟需新策略與合作模式介入。

從這次AI推測設計在SDGs的文本探勘與解讀的嘗試，可進一步作為社會縮影觀察媒介的設計參考。從新的研究文獻來看，研究所提出的方法與結果與Cernev & Fenner R (2024)提出的「Beyond 2030」永續發展框架相呼應，顯示出AI推測設計對未來永續發展政策制定的參考價值。

—

Kim, R. E. (2023). Augment the SDG indicator framework. Environmental science & policy, 142, 62–67.

Nilashi, M., Keng Boon, O., Tan, G., Lin, B., & Abumalloh, R. (2023). Critical data challenges in measuring the performance of sustainable development goals: Solutions and the role of big-data analytics. Harvard Data Science Review, 5(3). https://doi.org/10.1162/99608f92.545db2cf

Sachs, J. D., Lafortune, G., Fuller, G., & Drumm, E. (2023). Implementing the SDG stimulus. Sustainable Development Report 2023. Dublin University Press. https://doi.org/10.25546/102924

Cernev T and Fenner R (2024) Beyond 2030: structures for achieving sustainable development. Front. Clim. 6:1453366. doi: 10.3389/fclim.2024.1453366

AI SDGs知識圖譜視覺化成果：https://kg-web-4-0.vercel.app