基于人工智能的决策支持系统，特别是基于大型语言模型（LLMs）的系统，正成为公共行政分析基础设施中越来越重要的一部分。随着数据复杂性的增加，构建能够结合LLM模型的灵活性和表示能力以及经典机器学习（ML）模型的可靠性、稳定性和可解释性的解决方案的需求也在增加。在这里，特别是将透明的决策规则直接嵌入到数据库环境（例如SQL）中非常重要，这样就可以使用简单的单个查询对公民进行分类和细分。这样的解决方案可以成为监测纳税人态度和持续评估公共政策效果的可靠系统的基础。例如，作为基于LLM系统的用户沟通系统中的一个可靠元素。
设计现代、包容性的税收系统是当今公共行政面临的关键挑战之一。税收改革——尤其是在对公民有重大影响的领域，如房产税——需要从财政效率以及感知的公平性、透明性和负担的比例性等方面进行评估（Owsiak, 2013, Stiglitz, 2004）。世界各地使用的各种房产税模型——从周期性房产价值税到交易税和继承税——都面临着类似的问题，即需要确保透明度、社会可接受性和系统的可执行性（Grote, 2024）。研究表明，正是税收解决方案的公平性和可理解性在很大程度上决定了自愿遵守的程度和对政府的信任程度（Dimopoulos et al., 2015）。
近年来，自动化估值建模（AVM）和使用ML方法的大规模估值领域有了显著发展，提高了房产税系统技术部分的一致性和准确性（Dimopoulos and Bakas, 2019, G?uszak and Marona, 2015, Zhou, 2021）。然而，税收系统的改革不仅仅是精度的提高，还需要一种以公民为中心的方法，该方法要考虑到态度的多样性、情感以及适应变化的能力。系统的韧性和抗脆弱性概念（Taleb, 2012）强调，现代税收系统应该能够经受住冲击（例如改革），并从中学习，以更好地满足公民的需求。Renigier-Bilozor等人（2024）在这个背景下提出了一种税收改革架构，明确考虑了纳税人的多样性及其对变化的反应。
在本文中，我们介绍了LLM-LEM2-SQL框架，这是一个决策支持框架，它结合了基于LLM嵌入的语义聚类和零样本语义分割以及嵌入在SQL环境中的LEM2决策规则。首先，我们利用基于嵌入的相似性和大型语言模型的零样本生成提示来识别调查属性之间的语义关系，并将它们分组为接受度概况。接下来，根据这些与受访者选择相匹配的离散语义概况，我们使用可解释的决策规则来细分纳税人对税收变更的态度。
我们通过两种方式评估获得的聚类结果：一是将其质量与经典聚类方法（包括K-Means、SOM、Ward）的结果进行比较，二是分析聚类内部的一致性。然后，我们将聚类数量（解释为接受程度）作为决策变量，并基于描述受访者及其申报信息偏好的属性来生成LEM2规则。所获得的规则是简洁的、人类可读的模式，能够近似聚类的结构，并能够象征性地重建通向特定接受程度的“路径”。最后，我们将这些规则映射到SQL构造中，从而允许直接在数据库服务器中通过单个查询对新对象进行透明分类和纳税人细分。我们使用了Artiemjew等人（2020）提出的概念，并将其能力扩展到LEM2规则的应用中。换句话说，我们正在创建一个创新系统，其最终元素是一个基于对数据库的个别查询运行的分类器。作为案例研究，我们使用了之前未发表的关于对房产税变更接受程度的调查数据。
通过这种方式，我们将通常分开分析的三个方面结合起来：（1）LLM的语义文本处理能力，（2）通过LEM2的符号决策规则的可解释性，以及（3）在SQL环境中的实现可行性，这在公共行政IT系统中占主导地位，为开发可靠的、易于查询的系统以监测纳税人的行为和态度铺平了道路。
分析的系统引出了以下研究问题。
RQ1. 与将经典聚类方法作为参考点相比，基于LLM嵌入的语义聚类和使用LLM生成提示的零样本语义分割在多大程度上提供了认知上连贯且可解释的房产税变更接受程度段落？
RQ2. 由LEM2方法生成的决策规则是否能够以简洁、人类可理解和认知稳定的方式近似LLM聚类确定的段落结构，从而创建一个表示接受度概况之间转换的符号“规则映射”？
RQ3. 在多大程度上可以开发一个基于SQL的规则嵌入框架，该框架允许通过单个查询对新对象进行分类，作为现有公共行政系统中的透明分割和决策支持模块？
文章的结构如下。第2节回顾了关于聚类、LLM嵌入、基于规则的系统及其在公共部门应用的文献。第3节描述了数据和方法论，第4节描述了结果及其解释，第5节描述了研究的实际意义和进一步工作的方向。
