每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

ALIGNS：通过大型语言模型解锁心理测量中的法则网络

Created by
  • Haebom

作者

Kai R. Larsen、Sen Yan、Roland M. Mueller、Lan Sang、Mikko R onkk o、Ravi Starzl、Donald Edmondson

大纲

本文介绍了 ALIGNS（潜在指标分析以生成法理结构），这是一个基于大规模语言模型的系统，旨在解决构建名义网络（由 Cronbach 和 Michal 提出，代表概念与测量之间关系的理论图谱）的挑战。ALIGNS 经过经过验证的问卷测量训练，提供了三个全面的名义网络，涵盖心理学、医学和社会政策等不同领域的 55 万多个指标。这项研究首次应用大规模语言模型来解决基本的测量验证挑战。我们展示了用于模型开发和三项评估的分类准确度测试结果：NIH PROMIS 焦虑和抑郁量表收敛到单一维度，发现了现有儿童气质测量框架未捕捉到的四个潜在维度并对一个现有维度提出了质疑，以及由一位心理测量专家对该系统的重要性、可访问性和适用性的评估。 ALIGNS 可在 nomologicalnetwork.org 上免费获取，它通过大规模名义分析补充了现有的验证方法。

Takeaways，Limitations

•
Takeaways：
◦
利用大规模语言模型可以克服现有的挑战，并通过自动构建名义网络来简化测量验证过程。
◦
提供涵盖各个领域广泛指标的综合名义网络，为研究和政策决策提供有用的信息。
◦
它有助于克服现有测量工具的局限性并发现新的维度。
◦
提出一种补充现有验证方法的新方法。
•
Limitations：
◦
ALIGNS 的性能取决于训练数据的质量，有偏差的数据可能会损害结果的可靠性。
◦
大规模语言模型的黑箱特性可能导致模型的决策过程缺乏透明度。
◦
需要专家审查和验证，并且并非所有结果都可以立即应用。
◦
该算法的通用性还有待进一步研究。
👍
Made with Slashpage