這個教學強調理解人們對風險、可持續性和智慧等概念的心理表徵，對心理學研究者和政策制定者都很重要。它介紹了利用自由聯想來收集這些心理表徵的見解，並使用R套件<i>associatoR</i>進行數據的收集、處理和分析。內容涵蓋研究設計考量及自然語言處理技術，還包括大型語言模型的應用。作者認為，自由聯想分析是一個強大的工具，能揭示個人和機器如何理解重要的社會與技術議題。 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

這項研究探討了閱讀理解的挑戰，這是許多學習者常遇到的困難。研究者利用腦機介面（BCI）技術，預測閱讀的單詞與目標推論單詞的相關性。他們結合腦電圖（EEG）和眼動追蹤數據，運用大型語言模型（LLMs）創建新的閱讀嵌入表示。結果顯示，九名受試者的平均準確率為68.7%，最佳可達71.2%。此外，對BERT模型進行微調後，達到92.7%的準確率。這項研究在增強閱讀技能工具的開發上邁出了重要一步，相關代碼和數據已在GitHub上公開。 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

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