參數多於人口：大型語言模型於問卷調查研究之系統性文獻回顧
arXiv - Computers and SocietyTrent D. Buskirk, Florian Keusch, Leah von der Heyde, Adam Eck
本文透過系統性文獻回顧，探討大型語言模型在問卷調查研究各階段的應用現況、潛在案例與風險。
AI 幫你先抓重點
AI 重點 1
將 LLM 視為問卷研究生命週期的整合工具而非單一技術。
滑鼠懸停看 AI 判斷理由
這改變了讀者僅將 AI 當作「自動化工具」的狹隘觀點，強調應從研究設計的完整流程來思考如何與 AI 協作，以提升整體研究的嚴謹性。
AI 重點 2
關注 AI 應用中的「陷阱」與數據品質風險。
滑鼠懸停看 AI 判斷理由
在追求技術效率的同時，若忽視了社會科學對數據品質的嚴苛要求，可能會導致研究結果的偏差，這提醒研究者必須建立新的評估標準。
核心研究發現
- 1
研究將 LLM 在問卷調查中的應用歸納為三個階段：數據收集前、數據收集中以及數據收集後。
- 2
文獻顯示 LLM 已被應用於優化問卷設計、模擬受訪者行為以及輔助數據分析等多元流程。
- 3
研究指出 LLM 在應用過程中存在潛在陷阱與挑戰，需謹慎評估其對數據品質的影響。
- 4
調查研究領域具備豐富的數據品質管理經驗，可進一步回饋並協助 LLM 技術的持續精進。
對教育工作者的啟發
對於教育研究者而言，這篇文章提供了將 LLM 導入研究流程的框架。建議在設計學習成效調查或學生行為研究時，可利用 LLM 進行問卷預測試或模擬不同背景受訪者的反應，以優化問卷內容。然而，實務操作時必須建立嚴格的驗證機制，確保 AI 生成的數據或分析結果不會偏離真實的學習情境，並應結合傳統社會科學的品質控制方法，以確保研究的信度與效度。
原始文獻資訊
- 英文標題：
- More Parameters Than Populations: A Systematic Literature Review of Large Language Models within Survey Research
- 作者：
- Trent D. Buskirk, Florian Keusch, Leah von der Heyde, Adam Eck
- 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。