arXiv cs.CL· Cameron Morin, Matti Marttinen Larsson·· 3 天前AI 评分24
面向 LLM 辅助语料标注的大规模流水线：英语 consider 构式的变异与演变
A large-scale pipeline for LLM-assisted corpus annotation: variation and change in the English consider construction
AI 导读
研究提出一套四阶段 LLM 语料标注流水线（提示词工程、事前评估、批量自动处理、事后验证），通过 OpenAI API 在 60 小时内标注了 COHA 语料库中 143,933 条 consider 索引行，两项复杂标注任务准确率达 98% 以上。
正文 · AI 翻译
摘要：随着自然语言语料库以前所未有的速度扩张，人工标注仍然是语料库语言学工作中一个重要的方法学瓶颈。我们通过提出一个可扩展的流程来应对这一挑战，该流程利用大语言模型（LLM）在大型语料库中自动进行语法标注。与以往的监督式和迭代式方法不同，我们的方法采用四阶段工作流：提示工程、事前评估、自动批处理和事后验证。我们通过对英语评价性 consider 构式（consider X as/to be/Ø Y）变异的历时案例研究，展示了该流程的易用性和有效性。我们通过 OpenAI API 在不到 60 小时内标注了来自《美国历史英语语料库》（COHA）的 143,933 条 'consider' 索引行，在两个复杂的标注程序上达到了 98% 以上的准确率。对 44,527 个评价性构式真阳性样本拟合的贝叶斯多项 GAM 揭示了此前未被记录的语域特异性变化轨迹，使我们能够提出关于语域正式程度与形态句法缩减和增强这两种相互竞争的压力之间关系的新假设。我们的结果表明，LLM 能够以最少的人工干预大规模执行一系列数据准备任务，从而解锁此前实际无法触及的实质性研究问题，不过实施时需要注意成本、许可和其他伦理考量。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2510.12306 [cs.CL] |
| （或 arXiv:2510.12306v4 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2510.12306 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Cameron Morin [查看电子邮件]
[v1]
2025年10月14日星期二 09:06:14 UTC（1,103 KB）
[v2]
2026年2月10日星期二 15:03:47 UTC（1,698 KB）
[v3]
2026年6月15日星期一 11:06:51 UTC（1,856 KB）
[v4]
2026年10月13日星期二 21:04:48 UTC（2,584 KB）
来源：arXiv cs.CL · arxiv.org