心理研究中使用大型語言模型(LLMs)引起關注，但「GPTology」的使用限制和風險令人擔憂，可能影響像ChatGPT這樣的模型。我們需了解LLMs在心理研究中的限制、道德問題和潛力，解決其對實證研究的影響。重要的是認識全球心理多樣性，謹慎看待LLMs作為通用解決方案，發展透明方法從AI生成的數據中做可靠推論。多元化人類樣本，擴展心理學方法，確保科學包容可靠，避免同質化和過度依賴LLMs。 PubMed DOI

這項研究探討大型語言模型（LLMs）在質性主題分析中的應用，並將其表現與人類分析師在精神科環境中的表現進行比較。研究使用了一個700億參數的開源LLM，並透過先進的提示工程，能在幾分鐘內從半結構性訪談中生成主題。分析結果顯示，LLM生成的主題與人類創建的主題之間的相似性中等到顯著，顯示LLMs在質性研究中有潛力，能提升研究的可及性。 PubMed DOI

這項研究探討大型自然語言模型如GPT-3和GPT-4如何幫助社會心理學研究者生成新假設。由於該領域發現眾多，整合想法變得困難，可能會錯過重要聯繫。研究採用兩種方法：首先對GPT-3進行微調，使用數千篇社會心理學摘要，專家評分後發現其生成的假設在清晰度和創新性上與人類相似；其次不微調使用GPT-4，結果顯示其生成的假設在多個維度上評分更高。總體來看，這些模型能有效支持假設生成。 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

短文本聚類面臨詞彙共現的挑戰，但研究顯示大型語言模型（LLMs）能有效生成嵌入，捕捉語義細微差異，改善聚類結果。透過高斯混合模型，聚類效果比傳統方法如doc2vec和潛在狄利克雷分配更明顯且易解釋。人類評審和生成型LLM的驗證顯示高一致性，顯示LLM能縮短聚類產出與解釋的距離。此外，LLM與人類編碼的比較揭示了兩者的偏見，質疑傳統將人類編碼視為最終標準的做法。 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

這篇論文介紹了一個新工具 SEMbeddings，結合微調的嵌入模型與潛在測量模型，能在實際數據收集前評估項目反應數據的適配度。作者將其應用於 VIA-IS-P 問卷，分析了 31,697 名參與者的回應，結果顯示項目嵌入的餘弦相似度與實證相關性有顯著關聯 (r = 0.67)。論文也提到，傳統適配指標可能不夠準確，但修正指標能提供潛在不適配的見解，對於問卷開發有幫助。隨著大型語言模型的進步，這些方法有望提升新問卷的開發效率。 PubMed DOI

大型語言模型在心理科學等學術領域越來越重要，能協助教學、寫作和模擬人類行為。雖然帶來不少好處，但也有倫理和實務上的挑戰。這份摘要整理了最新進展、最佳做法，並提出未來發展方向，幫助學界更負責任且有效地運用LLMs。 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