Caillerie, E. (2026). Machine Learning-Based Classification of Climate Legislation: A Comparative Analysis of Legislative Coverage and Hazard Intensity [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2026.141482
E194 - Institut für Information Systems Engineering
-
Date (published):
2026
-
Number of Pages:
92
-
Keywords:
climate legislation; LLM; NLP; multi-label classification; zero-shot learning; data visualization
en
Abstract:
Klimagesetzgebung prägt globale Bemühungen gegen den Klimawandel. Ob legislative Maßnahmen den physischen Klimarisiken der Länder angemessen sind, wurde jedoch kaum global untersucht. Bestehende Studien stützen sich meist auf manuelle Auswertung und verbinden gesetzgeberische Abdeckung selten mit beobachteter Gefahrenintensität. Diese Arbeit untersucht, wie maschinelles Lernen Klimagesetze in Gefahrenkategorien klassifizieren kann, wie die Abdeckung mit der Gefahrenintensität zusammenhängt, und wie dies über ein Dashboard kommuniziert werden kann. Regelbasierte und Zero-Shot-LLM-Ansätze klassifizierten Klimagesetze aus zwei Quellen in sechs Gefahrenkategorien, evaluiert anhand von 356 manuell annotierten Dokumenten. Die Abdeckung wurde mit der aus sechs Erdbeobachtungsvariablen abgeleiteten Gefahrenintensität verglichen. Zudem wurde ein Dashboard zur Visualisierung der Abdeckungslücken entwickelt und in einer Nutzerstudie evaluiert. Zero-Shot-LLMs übertrafen regelbasierte und Mehrheitsklassen-Baselines deutlich, mit Schwächen bei einzelnen Kategorien. Der Zusammenhang zwischen Abdeckung und Gefahrenintensität war gefahrenspezifisch statt einheitlich und variierte teils zwischen Länder- und Kontinentalebene – gesetzgeberische Reaktionen sollten daher nicht als uniform angenommen, sondern gefahrenspezifisch und auf mehreren geografischen Ebenen bewertet werden. Das über drei Nutzerdurchläufe evaluierte Dashboard erhielt hohe Bewertungen für Vollständigkeit; Korrektheit und Klarheit verbesserten sich mit iterativer Verfeinerung. Die Studie liefert eine reproduzierbare Pipeline für LLM-basierte Klassifizierung sowie ein Design-Artefakt zur Kommunikation von Abdeckungslücken und trägt so zur Politikanalyse und Klimagovernance-Forschung bei. Angesichts wachsender Klimarisiken ergänzen solche Werkzeuge die rein qualitative Politikanalyse sinnvoll.
de
Climate legislation plays a central role in framing global efforts to respond to climate change. Yet, whether legislative efforts are proportionate to physical climate risks countries face has rarely been assessed at a global scale. Despite a growing number of climate laws and climate hazard datasets, existing studies of climate legislation rely largely on manual review and hardly connect legislative coverage to observed hazard intensity. This thesis addresses these challenges by investigating how machine learning-based methods can be used to classify climate legislation into hazard categories, how the resulting legislative coverage relates to observed climate hazard intensity, and how these relationships can be communicated through an interactive dashboard. Rule-based and zero-shot large language models (LLMs) approaches were used to classify a dataset of climate laws combined from two data sources into six hazard categories, evaluated against a manually labeled benchmark of 356 documents. Legislative coverage was then correlated with hazard intensity derived from six Earth observation variables. Finally, a dashboard visualizing coverage-intensity alignment gaps was developed and evaluated through a preliminary user study. The findings reveal that zero-shot LLM classification substantially outperformed both rule-based and majority-class baselines, though some difficulty remained for certain hazard categories. The relationship between legislative coverage and hazard intensity was found to be hazard-specific and in some cases differed between country- and continental-level aggregation, suggesting that legislative response to climate risk cannot be assumed to be uniform across hazard types and that assessments of policy-hazard alignment should be hazard-specific and reported across multiple levels of geographic aggregation. The dashboard, evaluated across three iterative user walkthroughs, was rated highly for completeness, with correctness and clarity improving as the artifact was iteratively refined based on user feedback. The study contributes to policy analysis and climate governance research by providing a reproducible pipeline for LLM-based classification of climate legislation and a design artifact for communicating alignment gaps between legislative coverage and observed hazard intensity. As climate risks intensify and legislative bodies face growing pressure to respond, tools that can indicate where legislative attention is needed offer a valuable complement to purely qualitative policy review.
en
Additional information:
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft