研究人员开发了一种新的框架，用于基于LLM的文本分析中的条件假设生成。该方法结合了研究者指定的协变量，以确保发现的语言模式反映特定亚组内的真实差异，而不是混杂因素。该方法通过采用受经济计量学启发的技巧来解决代表性不足的亚组和符号反转等挑战，包括特征-协变量交互和具有逆频率重加权的层内去均值处理。在合成和真实世界数据集上的评估表明，这种协变量感知的生成能够产生更有用的假设。 AI
影响 通过考虑特定亚组的特征，增强了LLM在社会科学中进行细微文本分析的能力。
排序理由 该集群包含一篇详细介绍LLM文本分析新方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.03029v1 Announce Type: cross Abstract: A core goal of computational social science is to discover interpretable differences in how language varies across outcomes of interest, such as political affiliation or instructional quality. Recent LLM-based hypothesis generatio…
Conditional hypothesis generation framework incorporates covariates to identify meaningful language differences across subgroups while addressing stratum imbalance and sign reversal challenges.