最近，GPT-4在大型語言模型（LLMs）方面的進展，可能會改變社會科學的研究方式。研究探討了GPT-4在模擬擁有不同大五人格特徵的個體的有效性，進行了兩項模擬研究。 第一項模擬顯示，GPT-4生成的個性反應比人類反應更具一致性，且與人類自我報告的分數高度相關，顯示其能有效模仿真實個性。第二項模擬則指出，隨著角色複雜度增加，GPT-4的表現會下降，但加入人口統計信息後，模擬的準確性有所提升。 總體而言，這些結果顯示使用GPT-4創造多樣個性的代理人，對理解人類行為的研究有很大潛力，並為未來的研究提供了新方向。 PubMed DOI

最近，自然語言處理（NLP）在語意數據分析上有了顯著進展，特別是在問卷研究中。研究者開發了一個「語意搜尋助手」的原型，能有效協調不同工具測量相同構念，並探索新構念組合。透過案例研究，該應用成功識別潛在的協調配對，減少了手動評估的需求。專家評估顯示，模型生成的配對與專家意見高度一致，證實了這種方法的有效性，顯示出嵌入模型在協調複雜數據集中的潛力。 PubMed DOI

這項研究探討心理概念重疊的問題，這種重疊讓數據解釋變得複雜，增加了參與者的負擔。研究引入了一種名為嵌入式語義分析方法（ESAA），利用自然語言處理技術檢測心理量表中的冗餘。透過OpenAI的text-embedding-3-large模型，ESAA生成高維語義向量，並用層次聚類識別相似項目。 研究進行了三個實驗，評估ESAA在識別相似項目、區分不同項目及揭示冗餘方面的有效性。結果顯示，ESAA表現穩定且優於基於GPT-4的聊天機器人，顯示其在心理研究中的潛力。 PubMed DOI

這項研究評估了專門的深度神經網絡（如 PersonalityMap）與大型語言模型（如 GPT-4o 和 Claude 3 Opus）在預測人格問卷項目相關性上的有效性。所有 AI 模型的表現都顯著超越大多數普通人和學術專家。透過使用每個群體的中位數預測，可以提升個別預測的準確性，展現「群眾智慧」的效果。結果顯示，PersonalityMap 和學術專家在中位數預測上通常優於 LLMs 和普通人，強調了專門模型在特定任務中的價值。 PubMed DOI

這項案例研究探討大型語言模型（LLMs）在自我發展測量中的應用，這對成人個性成長至關重要。研究評估專家與LLMs生成的自我發展階段分類的一致性，結果顯示加權Kappa值為0.779，顯示出顯著一致性，證明LLMs能有效自動化此過程。不過，在單句分析上仍有改進空間。研究結果顯示，自動化系統能提供穩健的數據，適用於多層次分析，對組織心理學和企業分析具價值。整體而言，這方法論可應用於其他LLMs的分類任務，展現其在文本分析中的潛力。 PubMed DOI

最近大型語言模型（LLMs）的進展引起了對其在生物醫學術語翻譯方面的關注。不過，這些模型的不透明性讓研究人員需依賴人工基準，對模型的實際內容了解有限。我們的研究顯示，預訓練的LLMs能解釋高達51%的神經問題問卷中的遺傳相關性，且無需微調。此外，精神疾病名稱與遺傳關係的對應性比診斷描述更密切。這顯示LLMs能反映遺傳架構，並在心理健康研究中整合文本與遺傳數據方面具潛力。 PubMed DOI

這項研究發現，大型語言模型和文字嵌入模型能從精神科病患的句子完成測驗中，準確辨識憂鬱症和自殺風險，尤其在分析自我概念相關內容時效果最好。最佳模型偵測憂鬱症的AUROC達0.841。雖然AI有潛力協助心理健康評估，但臨床應用前還需要更多改進和安全驗證。 PubMed DOI

傳統質性研究難以驗證假說，因為文字資料不好量化。TESA這個新方法，利用大型語言模型把假說變成搜尋詞，抓出語意嵌入，再跟文本比對相似度。這樣就能用分數分布來做假說檢驗，解決過去方法偏誤和效率低的問題。 PubMed DOI

這項研究用微調過的大型語言模型，把線上辯論中的各種信念轉成神經嵌入，來分析信念間的關聯。這方法能看出信念極化、連結模式，還能預測個人未來可能的信念，並用信念距離估算認知失調。結果顯示，結合語言模型和線上資料，有助於了解人類信念的形成和互動原則。 PubMed DOI

這份指南回顧並比較三種心理學構念的向量化方法：用單字清單、問卷和有標記範例。作者指出，若要分析不同文本類型，建議用單字清單；若文本和問卷內容接近，則用問卷；有大量標記資料時，則用標記範例。指南也提醒研究者注意嵌入模型的特性和潛在方法問題。 PubMed DOI