大语言模型赋能的语言型反应在主观幸福感测量中超越传统自评量表

《Scientific Reports》：Language-based assessments for experienced well-being: accuracy and external validity across behaviors, traits, and states

　　摘要尽管语言是人类交流的核心，但由于难以有效地量化语言，心理科学长期以来一直依赖自评量表。近年来，大语言模型（LLMs）改变了这一状况。在这里，我们使用结合了机器学习的大语言模型，将传统评分与语言型反应（短文和描述性词语）进行对比，考察的是来自764名美国酒店服务行业从业者的12周内所体验的主观幸福感。该群体是一个承受繁重工作压力、高度暴露于情绪体验的群体。尽管在内部标准下准确率相当（跨9种情感特质；词语 r = .53 vs. 评分 .51），但两种语言格式在24个外部标准（特质、人口学特征和行为）上的准确率均将传统评分的准确率翻倍（词语最高达 r = .18，短文最高达 r = .24）。除提高准确率外，语言型反应还提供了心理学洞见：词语提供了简洁的情感细微差别，而短文则涵盖了广泛的生活背景。尽管每种语言型格式各有优势和劣势，但两者都展现了比传统评分量表更丰富的信息量。