May, 2023

大型语言模型能否模拟半结构化访谈的归纳主题分析？对方法和模型限制的探讨和挑战

PDF
TL;DR本文利用 GPT 3.5-Turbo 作为大型语言模型，试图将其应用于主题分析的质性研究中。尽管大型语言模型的应用在人类主题分析中存在争议，但研究结果证明该模型在一定程度上可以协助主题提取。本研究不旨在取代人类分析师，而是探索大型语言模型对质性研究的一定辅助作用。
发现论文，激发创造
  • 利用大型语言模型支持实证法律研究中的主题分析

    使用法律专家与大型语言模型（LLM）的协作框架进行主题分析和归纳编码相关研究，对刑事法院意见中的案件描述进行分析，发现典型盗窃案的类别，并证明 LLM 能有效产生初步编码、提高编码质量以及自动分类案件描述主题，为法律研究人员在整合 LLM 到他们的主题分析项目中提供指导。

    Oct, 2023

  • 使用大型语言模型编写用户画像：半结构化面谈主题分析测试第 6 阶段

    本文探讨利用大型语言模型（GPT3.5-Turbo）是否能够对半结构化面试进行主题分析（TA），并重点关注 LLM 结果如何用于用户画像的生成。结果表明，该模型可以从主题中生成基本的用户画像，并可为用户画像的生成提供想法。

    May, 2023

  • 大型语言模型进行主题分析：不限于英语，是否适用于其他语言？针对意大利语的有针对性测试

    本文提出了一种使用大型语言模型（LLM）对与英语不同语言的数据进行主题分析（TA）的测试方法。通过一个使用意大利语半结构化面谈数据集的测试，结果显示预先训练的模型可以在该数据上进行主题分析，并且使用意大利语提示。比较测试显示该模型能够生成与人类研究者独立生成的主题相似的结果。本研究的主要含义是预先训练的 LLM 可能适用于支持多语种情境下的分析，只要所使用的模型支持该语言。

    Apr, 2024

  • LLM-in-the-loop：利用大型语言模型进行主题分析

    使用 LLM-in-the-loop 人工智能协作框架进行主题分析，能够在减少人力和时间需求的同时，获得与人工编码者相似的编码质量。

    Oct, 2023

  • 主题分析的自动化：LLM 如何分析争议话题

    该研究试验了大型语言模型（LLMs）在支持主题分析上的作用，发现人工研究者与两个 LLMs 在对澳大利亚 Robodebt 丑闻媒体报道的片段进行主题分类时存在有趣的重叠和差异，表明 LLMs 在支持对话和主题分析方面可以发挥作用，但应用中应该作为人类解释的补充，同时该研究还介绍了一种新颖的基于卡片的设计工具箱，以进一步研究 LLMs 作为分析工具的潜力。

    May, 2024

  • 大型语言模型为传统主题建模方法提供了一种替代方案

    本研究旨在探讨大型语言模型（LLMs）在主题提取方面的潜力，并建立评估协议以评估 LLMs 的聚类效果。通过深入实验与评估，总结了采用 LLMs 进行主题提取的优势和限制。

    Mar, 2024

  • 从声音到可信度：利用大型语言模型（LLM）对政策利益相关者访谈进行文本分析

    该研究通过将人类专业知识与大型语言模型（如 GPT-4）相结合，探索了人与计算机相互配合进行教育政策研究中的文本分析。结果显示，GPT-4 在特定主题上与人类编码的统一性达到 77.89％，在更广泛的主题上达到 96.02％，超过传统自然语言处理方法 25％以上，并且 GPT-4 更接近专家的情感分析。这种人与计算机相互配合的方法提高了教育政策研究的效率、有效性和可解释性。

    Dec, 2023

  • 使用定性访谈改进 LML 编写用户画像的指引和流程：捕捉用户的行为和人格特征

    使用大型语言模型创建用户人物画像的工作流程，利用定性访谈的主题分析结果，提出了一个改进的提示和更大的主题池，以及对用户人物创建的工作流程进行了改进和反思，同时讨论了 LMM 捕捉用户行为和个性特征的能力。

    Oct, 2023

  • LLM 辅助内容分析：使用大型语言模型支持演绎编码

    本研究探讨了利用大型语言模型的方法来减少演绎编码所需的时间，同时保留传统内容分析的灵活性。研究发现，在某些情况下，使用 GPT-3.5 可以达到与人类编码者同等程度的一致性水平。

    Jun, 2023

  • 使用大型语言模型支持定性分析：将编码簿与 GPT-3 相结合用于演绎编码

    本文研究了大型语言模型（LLMs）在支持定性分析中的应用，通过结合 GPT-3 和专家编写的编码手册，我们提出的方法在好奇驱动的问题编码任务中达到了与专家编码结果相当的一致性。

    Apr, 2023