Scaling Technology Acceptance Analysis with Large Language Model (LLM) Annotation Systems

技术接受模型能够有效预测用户对新技术产品的采用情况。传统的调查往往费时费力，常被用于这种评估。作为调查的替代方案，我们探讨了利用大型语言模型对在线用户生成内容进行注释的可能性，例如数字评论和留言。我们的研究涉及设计一个LLM注释系统，将评论转换为基于技术接受和使用统一理论模型的结构化数据。我们进行了两项研究，以验证注释的一致性和准确性。结果显示，LLM注释系统的一致性中等到强，通过降低模型温度进一步提高。LLM注释与人工专家注释达成了密切的一致，并且优于UTAUT变量专家之间的一致性。这些结果表明，LLMs可以成为分析用户情绪的有效工具，提供传统调查方法的实用替代方案，并为技术设计和采用提供更深入的见解。

研究如何使用大型语言模型来注释在线用户生成的内容，以预测用户对新技术产品的接受程度，以及验证这种方法的可行性和准确性。

设计了一种基于统一技术接受和使用理论模型的LLM注释系统，将评论转换为结构化数据，并通过两项研究验证了注释的一致性和准确性。结果显示LLM注释系统的一致性中等到强，通过降低模型温度可以进一步提高。LLM注释与人类专家注释达成了密切协议，并优于专家之间的协议，这表明LLM可以成为分析用户情感的有效工具，提供传统调查方法的实用替代方案，并深入洞察技术设计和采用。

该研究使用了大型语言模型来注释在线用户生成的内容，以预测用户对新技术产品的接受程度。通过两项研究验证了注释的一致性和准确性。LLM注释与人类专家注释达成了密切协议，并优于专家之间的协议。这种方法可以作为传统调查方法的实用替代方案，并深入洞察技术设计和采用。

最近的相关研究包括使用自然语言处理技术来分析用户评论和情感，以预测产品的成功和失败。例如，标题为“使用情感分析预测产品成功的能力：一项实证研究”的论文。