利用自然语言处理和机器学习在数据稀缺的情况下进行循证粮食安全政策决策

arXiv:2603.20425v1 公告类型：新 摘要：由于结构化数据集有限、文本报告碎片化以及决策系统中的人口偏见，数据稀缺地区的粮食安全政策制定仍然是一个严峻的挑战。本研究提出了 ZeroHungerAI，这是一种集成的自然语言处理 (NLP) 和机器学习 (ML) 框架，专为极端数据稀缺情况下基于证据的粮食安全政策建模而设计。该系统使用基于迁移学习的 DistilBERT 架构，将结构化社会经济指标与上下文政策文本嵌入相结合。对 25 个地区的 1200 个样本的混合数据集进行的实验评估显示出卓越的预测性能，在不平衡条件下实现了 91% 的分类准确率、0.89 的精确率、0.85 的召回率和 0.86 的 F1 分数。比较分析显示，与经典 SVM 相比，性能提高了 13%，与 Logistic 回归模型相比，性能提高了 17%。 Precision Recall 评估证实了稳健的少数类检测（平均精度约为 0.88）。公平意识优化将人口均等差异降低至 3%，确保公平的城乡政策推论。结果验证了基于变压器的情境学习显着增强了低资源治理环境中的政策智能，从而实现了可扩展且具有偏见意识的饥饿预测系统。