LLM-basiertes Multi-Agent-System steigert Fairness bei städtischer Partizipation

In der Stadtforschung gewinnt die partizipative Datenerfassung immer mehr an Bedeutung. Dabei werden die Bewegungen von Bürger*innen genutzt, um großflächige urbane Daten zu sammeln. Doch bisherige Ansätze setzen auf zentrale Optimierung und gehen von gleichartigen Teilnehmer*innen aus, was zu starren Zuweisungen führt, die persönliche Vorlieben und die Vielfalt urbaner Kontexte ignorieren.

Das neue Framework MAPUS löst dieses Problem, indem es die Teilnehmer*innen als autonome Agenten mit individuellen Profilen und Zeitplänen modelliert. Ein Koordinator-Agent wählt die Aufgaben fair aus und optimiert die Routen durch sprachbasierte Verhandlungen, die auf großen Sprachmodellen (LLMs) beruhen.

In Experimenten mit realen Datensätzen konnte MAPUS die Messabdeckung auf einem Niveau halten, das mit herkömmlichen Methoden vergleichbar ist, während gleichzeitig die Zufriedenheit der Teilnehmer*innen und die Fairness deutlich gesteigert wurden. Das Ergebnis ist ein stärker menschzentrierter und nachhaltigeres System für urbane Datenerfassung.

MAPUS zeigt, dass KI-gestützte Multi-Agenten-Planung nicht nur effizient, sondern auch gerecht sein kann – ein wichtiger Schritt hin zu inklusiven Smart-City-Lösungen.