Tobias Holtdirk

大型语言模型在调查数据插补方面难以超越统计方法

一篇新的arXiv论文探讨了使用大型语言模型（LLMs）对公众意见调查数据中的缺失值进行插补。该研究评估了六种开源LLMs的84种上下文学习配置，发现虽然LLMs可以改进零样本角色提示，但充其量只能与MICE PMM和TabPFN等传统统计方法相媲美。研究强调，LLM插补的计算成本显著更高，并且对调查主题敏感，而常见的LLM预测指标并不能可靠地指示插补质量，这突显了进行适合特定任务的评估的必要性。