Exploring the Potential of Human-LLM Synergy in Advancing Qualitative Analysis: A Case Study on Mental-Illness Stigma

定性分析是人机交互领域推进研究的一个具有挑战性但至关重要的方面。最近的研究表明，大型语言模型（LLMs）可以在现有方案中执行定性编码，但它们在定性分析中促进人-LLM发现和新见解生成的潜力仍未被充分探索。为了弥合这一差距并通过利用LLMs的力量推进定性分析，我们提出了CHALET，一种新颖的方法论，利用人-LLM协作范式促进概念化并增强定性研究。CHALET方法涉及LLM支持的数据收集，执行人类和LLM演绎编码以确定分歧，并对这些分歧案例进行协作归纳编码以得出新的概念见解。我们通过将CHALET应用于心理疾病污名归因模型来验证其有效性，揭示了认知、情感和行为维度上的隐含污名化主题。我们讨论了CHALET对未来研究、方法论以及HCI社区和其他领域的跨学科机会的影响。

本论文旨在探索利用大型语言模型（LLMs）进行定性分析的潜力，提出了一种人工智能和人类协同分析的新方法CHALET，并验证其有效性。

CHALET方法结合了LLMs支持的数据收集、人工和LLM的归纳和演绎编码，以及对不一致案例进行协同归纳编码，从而发现新的概念性见解。

实验结果表明CHALET方法可以发现潜在的认知、情感和行为维度上的隐含污名化主题。此外，该方法具有跨学科的机会和潜力，值得进一步研究。

最近的研究主要集中在利用LLMs进行定性编码方面，但是CHALET方法提出了一种新的人工智能和人类协同分析的方法。