利用 LLM 輔助情緒分析進行混合研究：學生反思作業的案例研究
arXiv - Computers and SocietyXiomara Gonzalez, Gabriella Coloyan Fleming, Andrew Katz, Maya Denton, Jessica Deters
本研究展示如何利用大型語言模型輔助情緒分析，將定量與定性研究結合，以高效分析多變項下的學生反思數據。
AI 幫你先抓重點
AI 重點 1
LLM 重新定義了定性研究的規模化能力
滑鼠懸停看 AI 判斷理由
傳統定性分析受限於研究者的時間與精力，通常只能比較單一變項；LLM 的介入讓研究者能同時處理多個人口統計變項，大幅提升了教育研究的深度與廣度。
AI 重點 2
混合方法研究（Mixed-methods）的新型態工作流
滑鼠懸停看 AI 判斷理由
這篇文章展示了「定量篩選變項 $\rightarrow$ 定性深入探究」的邏輯鏈，這種結合計算科學與人文分析的模式，為教育研究者提供了一套標準化的數位轉型路徑。
核心研究發現
- 1
研究利用 LLM 進行情緒分析，成功將定量統計與定性主題分析結合，實現了縱向混合方法研究。
- 2
透過統計檢定比較七種不同的學生身份與生活經驗變項，發現僅有「過往海外生活經驗」會顯著影響學生對語言與溝通行為的情緒感。
- 3
LLM 輔助的工作流有效解決了傳統定性研究難以同時比較多個變項且耗時過長的限制。
對教育工作者的啟發
教育研究者與課程設計者可利用 LLM 處理大規模的學生反思數據（如學習日誌或心得），不再侷限於單一變項的比較。建議實務上先利用 LLM 進行情緒標籤化與定量統計，找出具有顯著差異的群體，再針對該特定群體進行深度的定性文本分析，以精準理解學生在學習過程中的心理狀態與障礙，從而優化課程設計。
原始文獻資訊
- 英文標題：
- LLM-assisted sentiment analysis for integrated computational and qualitative mixed methods education research: A case study of students' written reflection assignments
- 作者：
- Xiomara Gonzalez, Gabriella Coloyan Fleming, Andrew Katz, Maya Denton, Jessica Deters
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。