2024年4月11日（更新于2024年5月8日） 使用大语言模型（LLMs）识别文本数据中的主题要容易得多。与人工识别或潜在狄利克雷分配（LDA）等较早的技术相比，这些模型是一项实质性的进步。本指南阐述了使用大语言模型有效识别主题的三种稳健策略，即使对于简短文本也同样适用。 在深入介绍这些方法之前，建议先阅读一篇预印本论文（http://doi.org/10.2196/preprints.53376），该文对这些策略及其各自的优势进行了全面考察。您也可以使用 GitHub 上的数据集进行练习（https://github.com/lanceyuu/LLMforTM.git）。必须认识到某些局限性，例如大语言模型可分析的文本长度存在限制。 1. 使用大语言模型工具 分析文本时，您可以使用工具包中任何可用的大语言模型工具。请访问我们的工具包（Toolkit）。对于篇幅较长的文本，建议使用 GPT-4 或我开发的 GPT（Topic Modeller）。Le Chat 和 Claude 等其他模型也已展现出处理较长文本的能力，而 Llama 可能存在局

使用大型语言模型（LLM）来识别文本数据中的主题非常容易。与人工识别或潜在德里希勒分配（LDA）等旧技术相比，这些模型有了很大的改进。本指南介绍了使用 LLMs 有效识别主题的三种稳健策略，即使是在简短的文本中。 在深入研究这些方法论之前，我建议先研究一下预印本论文 [...