Large Language Models Enable Personalized Nudges to Promote Carbon Offsetting Among Air Travellers

文章总结与翻译

一、文章主要内容

该研究聚焦航空领域，探索大型语言模型（LLMs）在设计个性化“诱饵策略”以促进航空旅行者自愿抵消航班二氧化碳排放方面的应用。研究通过对中国、德国、印度、新加坡和美国5个国家3495名航空旅行者的调查验证策略有效性，核心内容如下：

1. 研究背景：航空业是难减排领域，占全球能源相关二氧化碳排放超2.5%，因依赖高能量密度燃料、电气化受限及可持续航空燃料（SAFs）普及慢，技术减排短期效果有限，需转向需求端干预，而传统“助推策略”效果受个体偏好影响，且设计个性化策略需大量行为数据，耗时耗力。
2. 核心方法：利用LLMs（以GPT-4o为例）模拟人类决策，无需大量行为数据微调，即可基于旅行者人口统计学特征（性别、年龄、收入、国家）和态度（对碳抵消项目的信任度、环保关注度）设计个性化“诱饵选项”——在标准无抵消机票和稍贵全抵消碳中和机票外，新增部分抵消但价格高于全抵消机票的选项，利用“诱饵效应”引导选择全抵消机票。
3. 关键发现
   • LLM设计的个性化诱饵策略比统一策略更有效，使碳抵消率提升3%-7%，每年可为航空业额外减少230万吨二氧化碳排放，效果主要来自对碳抵消项目信任度低的“怀疑型旅行者”参与度提升。
   • 各国存在最优诱饵参数，且不同旅行者群体的最优参数有差异。如美国多数群体最优诱饵价格为碳中和票价加上两者价差的40%，而国家层面最优价格低于该值；若仅采用国家层面最优参数，可能降低部分群体的抵消意愿。
   • 跨国家差异