LLM 辅助质性分析的可靠性
面向传播研究的人机协同编码：基准评测、校准与质量保障（QA），让复杂质性分析更可辩护。
我关注 LLM 辅助质性分析 的可靠性与评估：如何设计基准、校准输出、并在复杂编码任务中运行 QA，让研究结论在真实工作流里依然可辩护、可复现、可审计。
代表性方向：
- 编码质量评估与校准（复杂标签体系、多阶段 rubric、误差分析）
- 面向领域任务的基准设计（annotation 任务与评估指标）
- “人类 + LLM”混合编码流水线（日志、版本、责任边界）
代表性论文与工作论文（2025+）
-
收听：音频概览
提示：播放器仅在展开后加载音频，以保持页面加载速度。一句话要点： 用“置信度×多样性”的视角，对 LLM 驱动的复杂质性编码进行可靠性评估与校准。如果你更喜欢听而不是读：音频概览会用双人对谈的方式快速介绍研究问题、方法与关键发现。 - A Confidence–Diversity Framework for Calibrating AI Judgement in Accessible Qualitative Coding Tasks
收听：音频概览
提示：播放器仅在展开后加载音频，以保持页面加载速度。一句话要点： 在可访问的质性编码任务中，用“置信度×多样性”框架校准 AI 判断，在准确性与不确定性之间取得平衡。如果你更喜欢听而不是读：音频概览会用双人对谈的方式快速介绍研究问题、方法与关键发现。 -
收听：音频概览
提示：播放器仅在展开后加载音频，以保持页面加载速度。一句话要点： 一个系统化、分层的误差纠正框架，用于提升领域特定 AI/LLM 输出的稳健性。如果你更喜欢听而不是读：音频概览会用双人对谈的方式快速介绍研究问题、方法与关键发现。
完整清单（含引用导出/分享按钮）见：研究。