Данное исследование рассматривает применение больших языковых моделей (LLM), в частности GPT-4o, для геотегинга текста, представляя новый набор данных твитов с географическими аннотациями. Используя подходы с нулевым и малым количеством обучающих примеров, мы демонстрируем способность GPT-4o определять местоположение на основе явных и неявных текстовых ссылок в твитах, достигая средней погрешности всего в 43 км для явных упоминаний. Наши эксперименты показывают надежность географических знаний больших языковых моделей и их адаптируемость к задачам геотегинга с минимальным контекстом. Исследование также подчеркивает потенциал LLM в улучшении методов извлечения географической информации из текста, выявляет проблемы и влияние качества данных, а также возможности повышения эффективности модели при работе с неявными ссылками и зашумленными данными (на англ.). С. 48–65.

This study explores the application of Large Language Models (LLMs), particularly GPT-4o, to textual geotagging, introducing a novel dataset of tweets with geographical annotations. Using zero-shot and few-shot approaches, we demonstrate GPT-4o’s ability to infer location from explicit and implicit textual references in tweets, achieving average errors as low as 43 km for explicit mentions. Our experiments reveal LLMs’ robust geographical knowledge and adaptability to geotagging tasks with minimal context. The research also highlights LLMs’ potential in advancing geographical inference from text, identifying challenges and effects of data quality, and opportunities for improving model performance on implicit references and noisy data.