Resumen: El mercado inmobiliario es vital para las economías globales, pero sufre una asimetría de información significativa. Este estudio examina cómo los modelos de idiomas grandes (LLM) pueden democratizar el acceso a las ideas inmobiliarias mediante la generación de estimaciones de precios de la vivienda competitivas e interpretables a través de estrategias optimizadas de aprendizaje en contexto (ICL). Evaluamos sistemáticamente las LLM líderes en diversos conjuntos de datos de viviendas internacionales, comparando técnicas de incremento de mercado cero, pocos disparos, mejorados y de incorporación híbrida. Nuestros resultados muestran que las LLM aprovechan efectivamente las variables hedónicas, como el tamaño de la propiedad y las comodidades, para producir estimaciones significativas. Si bien los modelos tradicionales de aprendizaje automático siguen siendo fuertes para la precisión predictiva pura, los LLM ofrecen una alternativa más accesible, interactiva e interpretable. Aunque las autoexplicaciones requieren una interpretación cautelosa, encontramos que los LLM explican sus predicciones de acuerdo con los modelos de última generación, confirmando su confiabilidad. Ejemplos en contexto cuidadosamente seleccionados basados en la similitud de características y la proximidad geográfica, mejoran significativamente el rendimiento de LLM, sin embargo, los LLM luchan con exceso de confianza en los intervalos de precios y el razonamiento espacial limitado. Ofrecemos orientación práctica para tareas de predicción estructurada a través de una optimización inmediata. Nuestros hallazgos destacan el potencial de LLM para mejorar la transparencia en la evaluación inmobiliaria y proporcionar información procesable para las partes interesadas.
Publicado Originalme en rss.arxiv.org El 15 de junio de 2025.
Ver Fuente Original
