编辑推荐：
在利用生成式人工智能（GenAI）尤其是大语言模型（LLM）进行场景构建时，存在缺乏有效提示方法等问题。研究人员开展 GenAI 提示过程的研究，提出三步法确定场景类型。这有助于获得高质量、精准的场景，推动情景规划发展。
在当今科技飞速发展的时代，情景规划（scenaring）领域正经历着一场深刻变革。随着各类人工智能技术的崛起，特别是生成式人工智能大语言模型的出现，传统的情景规划方式受到了巨大冲击。以往，情景规划主要依赖人工分析和有限的数据，不仅效率低下，而且难以全面捕捉复杂多变的现实情况。如今，生成式人工智能大语言模型（LLM）为情景规划带来了新的机遇，但同时也带来了诸多挑战。如何在 GenAI 提示中选择合适的场景构建特征，成为了摆在研究人员面前的关键问题。如果无法有效利用这些新工具，情景规划可能会陷入混乱，无法为决策提供准确、有价值的参考。为了解决这一难题，来自国外的研究人员 Kuosa Tuomo 和 Aalto Eljas 开展了相关研究。他们的研究成果发表在《Futures》杂志上，为该领域的发展提供了重要的理论支持和实践指导。
研究人员主要采用了理论构建和分类归纳的方法。他们借助 Cornelissen 等人（2021）提出的理论框架，该框架基于理论化原则，并与不同的知识兴趣（如解释、解释和解放）相关联，以此构建所需的逻辑结构。同时，通过对情景规划方法的历史文献进行广泛研究，梳理出不同的情景规划传统、推理方向和项目目标，进而提出用于指定场景类型的三步分类法。
研究结果
- 情景规划的演变及 GenAI 的影响：情景规划正经历重大变革，以 ChatGPT 为代表的生成式人工智能大语言模型的出现开启了新时代。这使得情景规划从传统方式向依赖 GenAI 的方向转变，凸显了研究 GenAI 提示中场景构建特征的必要性。
- 情景规划的分类维度
- 情景规划的传统：现代战略规划的情景规划方法起源于二战期间及之后，在美国主要分为计量经济传统。这是最终分类法的第一个维度，不同的传统影响着场景构建的基础和方向。
- 推理方向：情景规划方法在推理方向上可分为演绎、归纳和溯因法。这是分类法的第二个维度，也是提示过程的第二步。不同的推理方向决定了从数据到结论的推导方式，对生成的场景有着重要影响 。
- 项目目标：情景规划的项目目标包括预测性、探索性和规范性。这是分类法的第三个维度，也是提示过程的第三步。不同的项目目标决定了情景规划的侧重点和预期结果，例如预测性目标旨在对未来进行准确预估，探索性目标侧重于挖掘各种可能性，规范性目标则关注应达成的理想状态。
- 多步骤提示过程与场景生成：基于上述三个维度构建的多步骤 LLM 过程，可以生成不同类型的场景。这为获取高质量、目标明确的场景提供了有效途径，有助于提升情景规划的准确性和实用性。
研究结论与讨论
研究人员通过深入分析和研究，提出了用于指定场景类型的三步分类法，明确了在 GenAI 提示中选择合适场景构建特征的重要原则和方法。这一研究成果意义重大，它为情景规划领域提供了一种系统、科学的方法，使得研究人员和决策者能够更好地利用 GenAI 技术，构建出更符合实际需求的场景，从而为战略规划、决策制定等提供有力支持。同时，该研究也为后续进一步探索 GenAI 在情景规划中的应用奠定了坚实基础，启发了更多关于如何优化提示过程、提高场景质量的研究方向，推动了整个情景规划领域的发展，使其在面对复杂多变的未来时能够更加从容应对，做出更具前瞻性和科学性的决策。
