تُعد عملية الترميز النوعي (Qualitative Coding) جزءًا أساسيًا من العلوم الاجتماعية، لكن صعوبة توسيع نطاق التحقق من الخبراء تمثل تحديًا كبيرًا. تقدم نماذج اللغات الضخمة (Large Language Models) حلًا محتملًا، ولكن يتطلب الأمر التحقق الدقيق عندما يكون الهدف غير مباشر ويعتمد على التفسير.
في هذه الدراسة، تم تناول مشكلة صعبة تتعلق بكيفية كشف ما إذا كان المؤلفون يتعاملون مع النماذج البايزية (Bayesian Models) بوصفها تمثيلات آلية فعلية (Realism) أم كأدوات رياضية مفيدة (Instrumentalism). اعتمدت الطريقة المستخدمة على مجموعة من الشفرات المستندة إلى النظرية، وتعليقات تم ترميزها بواسطه خبراء، ونظام بحث لتحسين الطلبات للحصول على نتائج موحدة عبر ثلاثة نماذج لغوية متطورة (GPT-5.1، Claude Sonnet 4.6، Gemini 3 Pro Preview)، وتحليل موثوقية متعددة الحكام.
النتائج أوضحت أن الطلب النهائي حقق درجة موثوقية مشتركة بلغت 0.76 (بمتوسط توافقي لمتوسط معامل التوافق الداخلي ICC = 0.79 وAlpha = 0.74)، مع تحقق كافة مقاييس التقييم. وعند تطبيق هذا النظام على 6858 اقتباسًا من 210 مقالات، أظهرت النماذج الثلاثة اتفاقًا ملحوظًا على مستوى الاقتباسات (ICC = 0.80؛ Alpha = 0.76؛ المشترك = 0.78) وثباتًا كبيرًا في تصنيف المقالات (r = 0.96-0.97 عبر أزواج الحكام).
وقد أظهرت الدراسة أن مجموعة البيانات تتجه نحو رؤية واقعية ضعيفة، لكن مواقف المقالات لم تكن موحدة: حيث استخدم 1.4% فقط من المقالات شكلًا واحدًا، بينما امتدت 59.5% عبر أربعة أشكال أو أكثر. كما سجلت المقالات ذات المستويات المنخفضة (Perception/Motor) نقاط واقعية أعلى بمقدار 8.8 من مقالات الإدراك العالي ($p < .001$، $d = 0.60$) مما يُعبر عن حدس نوعي طويل الأمد.
تُعرض هذه الدراسة كدراسة حالة يقودها الخبراء؛ الإطار المستخدم هنا يهدف إلى التعميم على مهام مشابهة تتطلب نظريات معقدة، وليس على جميع أنواع التحليل النوعي.
اكتشاف المواقف العلمية بدعم من نماذج لغوية ضخمة: دراسة حالة في علم الإدراك البايزي
تقدم هذه الدراسة تحولاً ملحوظًا في كيفية تحليل العلم الاجتماعي باستخدام نماذج لغوية ضخمة، حيث تم تطبيقها للكشف عن مواقف الباحثين تجاه النماذج البايزية. النتائج تشير إلى أن غالبية المقالات تعكس نظرة واقعية، لكن التوزيع كان غير متجانس.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...