arXiv cs.AI· Hugues Draelants·· 1 天前AI 评分26
用大语言模型做理论原型与假设生成：定性实验室方法
The Qualitative Laboratory: Theory Prototyping and Hypothesis Generation with Large Language Models
AI 导读
一项案例研究用 LLM 扮演四个虚构角色，基于气候接受度矩阵回应燃油车禁售与气候正义进课程两组议题，共生成 32 条回复并分析其共性与分歧。结果显示 LLM 能把理论预设展开为情境化叙事并提出后续探究方向，但角色间相似度较高且对提示词构造敏感，作者提醒勿将话语连贯性误当社会学数据。该方法被定位为激发反思、打磨问题的启发式工具，而非用人工数据检验理论。
正文 · AI 翻译
摘要：使用大型语言模型（LLMs）来模拟社会行动者，因其对通过此类方式生成的话语之认识论地位的影响而备受关注。本文考虑一个更为适度的问题：社会学角色扮演能否作为生成定性假设的启发式工具。我们以使用一个理论驱动的“气候接受矩阵”来构建四个迥异的虚构角色为案例研究。这些角色被要求对涵盖两个主题的一系列话语框架作出回应：一项禁止销售新型汽油动力汽车的提案，以及将气候正义纳入学校课程。随后，我们分析了32个模型生成的回答，考察其共性、情境差异以及与角色设定背后预设的偏离。该实验展示了LLMs如何被用于将理论预设充实为情境化叙事，并提出进一步探究的路径。它还表明，角色扮演可能在角色之间产生相当大的相似性，并且对提示的构建方式敏感，这警示人们不要将话语连贯性与社会学数据混为一谈。角色扮演被认为只是使用LLMs生成假设的若干可能方式之一，而与其他基于LLM的直接推理方法或其他技术相比，这一程序的启发式特异性仍是一个悬而未决的问题。因此，定性实验室被设想为一种启发式工具，用于激发反思和精炼问题，而非用人工数据检验理论。
| 评论： | 27页，3张表格。未发表手稿 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；计算机与社会（cs.CY）；多智能体系统（cs.MA） |
| ACM 分类： | J.4；I.6.8；I.2.7 |
| 引用为： | arXiv:2601.00797 [cs.CL] |
| （或 arXiv:2601.00797v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.00797 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hugues Draelants [查看电子邮件]
[v1]
2025年11月25日星期二 08:31:48 UTC（555 KB）
[v2]
2026年11月12日星期四 18:19:34 UTC（420 KB）
来源：arXiv cs.AI · arxiv.org