以自我之語：計算式辨識自由文字調查中的可解釋主題
arXiv - Computers and SocietyJenny S Wang, Aliya Saperstein, Emma Pierson
開發「In Your Own Words」框架，精準提取自由文字調查中的可解釋主題，提升問卷設計與身份研究的系統性分析。
AI 幫你先抓重點
AI 重點 1
框架能精準辨識自由文字中的可解釋主題，優於傳統方法
滑鼠懸停看 AI 判斷理由
此功能解決了自由文字難以統計分析的痛點，讓研究者能快速產生結構化洞見，直接影響問卷設計與資料解讀。
AI 重點 2
發現自我認同與他人感知身份的系統性不一致，揭示誤認機制
滑鼠懸停看 AI 判斷理由
此發現指出現行測量工具的盲點，對身份研究與健康干預設計具有重要啟示，促使研究者重新審視評量指標。
核心研究發現
- 1
透過「In Your Own Words」框架，能精準辨識自由文字回覆中的結構化、可解釋主題，超越傳統文本分析方法。
- 2
在1,004名美國參與者的種族、性別與性取向自由文字描述中，模型發現「歸屬感」與「身份流動性」等新構念，提示現有問卷缺失重要維度。
- 3
主題分析揭示標準化類別內的異質性，說明種族、性別與性取向對健康、福祉與身份重要性的額外變異來源。
- 4
研究發現自我認同與他人感知身份之間存在系統性不一致，揭示誤認機制，說明現行測量工具未能捕捉此差異。
- 5
框架可在各類調查場景部署，從自由文字中提取可解釋主題，補充質性方法，提升研究者對數據的系統性理解。
對教育工作者的啟發
教育工作者與課程設計者可利用此框架從學生自由文字回覆中快速辨識關鍵主題，進而設計更具包容性的評量題目；研究者可藉此揭示標準化類別內的異質性，調整問卷結構；政策制定者可根據主題分析調整資源分配，提升多元族群的福祉與身份認同。框架亦可嵌入線上學習平台，實時分析學生留言，協助教師即時調整教學策略。
原始文獻資訊
- 英文標題：
- In your own words: computationally identifying interpretable themes in free-text survey data
- 作者：
- Jenny S Wang, Aliya Saperstein, Emma Pierson
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。