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。

May, 2023

本研究对语言模型（LLMs）的理解能力进行了比较和对照，发现人类分析师和LLMs的分类和推理能力存在显著差异，但二者合作可能会产生协同效应，从而丰富了定性研究。

Jun, 2023

使用大规模生成性语言模型（LLMs）可以模拟自由回答面试问题，这种方法可以代替传统的定性研究方法；研究中提出了算法忠实度的概念，通过框架化定性分析发现人工和模型生成的参与者得到的主题相似，但在访谈的结构和语气上存在显著差异；LLMs目前的算法忠实度不足以推广到人类群体，但未来可能会有改变；因此，有必要建立关于如何评估基于LLMs的定性研究的认知规范，特别是关于确保包含多样化生活经历的代表性。

Sep, 2023

大型语言模型在社会科学研究中的应用需要谨慎，使用高质量人工注释训练的简单监督模型比使用大型语言模型进行注释具有较少的测量误差和偏差。

Sep, 2023

本研究探讨了大型语言模型（LLMs）在生成人工数据中的不断扩大的作用。尽管人工数据能够与人类性能相匹配，但本文揭示了显著的潜在差异，尤其是在复杂任务中，LLMs常常错过对内在人类生成内容的微妙理解。该研究批判性地考察了多样化的LLM生成数据，并强调了在数据创建和使用LLMs时遵循道德实践的必要性。它凸显了解决LLM生成内容中产生的偏差和人为因素对于未来研究和开发的重要性。所有数据和代码都可在我们的项目页面上获得。

Jan, 2024

通过文献综述和第一手实验，本文研究了大型语言模型（LLMs）的潜力。尽管LLMs具有成本效益和高效性等优点，但也存在着诸如提示调优、偏见和主观性等挑战。该研究通过利用LLMs进行定性分析的实验提供了新的见解，强调了成功和限制。此外，本文还讨论了缓解挑战的策略，如优化提示技术和利用人类专业知识。我们的工作旨在将LLMs有机地融入人机交互数据工作，并积极促进其负责任的应用，以此回应关于LLMs在研究中负责任应用的持续对话。

Apr, 2024

本研究解决了定性数据分析中人工分析耗时费力的问题，提出了利用基于检索增强生成的（RAG）大型语言模型（LLMs）来分析访谈记录的新方法。研究发现，该方法有效提取了相关主题，相较于手动生成的主题覆盖更广，验证了LLMs作为新手定性研究助手的可行性，并为研究人员提供了提高方法严谨性和可信度的建议。

Aug, 2024

本文针对当前大型语言模型（LLM）研究的科学方法论进行了批判性审查，识别出在研究质量标准方面的差距。研究重点在于对2,000多篇文献的评估，表明LLM作为评估者的使用上升，而关于自发行为的主张则逐渐减少，强调了该领域需要更多的审查与严格性。

Aug, 2024

本研究针对从量化语言学角度探讨大型语言模型（LLMs）及其生成文本时所面临的概念、方法和技术挑战。提出了一种严格非人性化的方法论框架，强调需建立健全理论来理解LLMs生成文本的特征及其与人类文本的差异，从而探讨LLMs在研究人类文化方面的潜力。

Aug, 2024

本研究针对当代大语言模型（LLM）研究的科学方法进行了批判性审查，发现研究中存在缺乏可重复性和统计测试等问题。同时，文章提出需对LLM作为评估者的使用进行更多讨论与检验，且在推理能力的声明中普遍缺少人类评价支持。该研究强调了该领域在实践中需加强伦理和科学严谨性的重要性。

Aug, 2024