arXiv cs.CL· Bo Wang, Yuxuan Zhang, Yueqin Hu, Hanchao Hou, Kaiping Peng, Shiguang Ni·· 11 小时前AI 评分27
无需作答的心理量表精简前端：用主题建模发现量表语义结构
Discovering Semantic Structures in Psychological Scales: A Response-Free Front-End to Efficient Simplification
AI 导读
研究者提出一个基于主题建模的免作答框架，用上下文句嵌入编码量表题目、密度聚类自动确定语义主题数量，再按类项加权提取关键词并层次合并，实现量表精简。在 DASS、IPIP、EPOCH 三个量表上，语义主题常形成与既有构念一致的因素式分组，代表性题目使题量平均减少 60.5%，同时保持可接受的心理测量学性质与因素相关模式。团队还提供了支持一键语义分析与结构化精简的可视化工具。
正文 · AI 翻译
摘要：心理量表的精炼传统上依赖于基于反应的方法，如因子分析、项目反应理论和网络心理测量学，以揭示潜在构念并优化题目组成。尽管这些方法严谨，但需要大样本，且可能受限于数据可得性和跨文化可比性。自然语言处理的最新进展表明，量表题目的措辞包含与构念相关的语义组织，提供了一种互补的无需反应数据的视角。我们引入了一个主题建模框架，将题目层面的语义结构操作化，以实现系统性的量表简化。题目使用上下文句子嵌入进行编码，并通过基于密度的聚类进行分组，以识别语义主题而无需预先定义其数量。在每个聚类内，基于类别的词项加权识别出概括每个主题的代表性关键词，并支持题目池的可解释语义预结构。语义相关的聚类被层次化合并，并在集成的精简流程中使用结构感知的成员资格标准选择代表性题目。我们在三个广泛使用的工具上评估了该框架：DASS、IPIP 和 EPOCH，涵盖负性情感、人格特质和幸福感。结果表明，识别出的语义主题通常形成与既有构念一致的类因子分组。通过语义成员概率选出的代表性题目平均将题目数量减少 60.5%，同时保持可接受的心理测量学特性并保留因子相关模式。我们的框架将语义主题结构形式化为量表构建和简化的可检查前端。为便于采用，我们提供了一个可视化支持工具，支持一键式语义分析和结构化简化。
| 评论： | 84 页，20 幅图；小幅修订 |
| 主题： | 计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2602.12575 [cs.CL] |
| （或 arXiv:2602.12575v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.12575 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Behav Res 58, 338 (2026) |
| 相关 DOI： | https://doi.org/10.3758/s13428-026-03193-9
链接到相关资源的 DOI |
提交历史
来自：Bo Wang [查看邮箱]
[v1]
2026 年 2 月 13 日星期五 03:37:15 UTC（1,124 KB）
[v2]
2026 年 3 月 8 日星期日 13:01:17 UTC（2,305 KB）
[v3]
2026 年 11 月 4 日星期三 09:20:29 UTC（1,244 KB）
来源：arXiv cs.CL · arxiv.org