LOGOS：面向定性研究的 LLM 驱动端到端 grounded theory 开发与模式诱导
计算与语言
2026-01-21 v2 人机交互
摘要
Grounded theory 从定性数据中提供深入见解，但其依赖专家密集型手动编码的做法 presents 一个主要的可扩展性瓶颈。现有计算工具么能实现完全自动化或缺乏灵活的模式构建。我们引入 LOGOS，一个新型、端到端的框架，完全自动化 grounded theory 流程，将原始文本转换为结构化、层次化的理论。LOGOS 集成了 LLM 驱动的编码、语义聚类、图谱推理和 novel 的迭代细化过程，以构建高度可重用的 codebooks。为确保公平比较，我们还引入了原则性的 5 维指标和 train-test split 协议，用于标准化、无偏的评估。在五个多样化语料库上，LOGOS 持续优于强大的基线，实现了在复杂数据集上与专家开发的模式 80.4% 的平均对齐。LOGOS 显示了一种可能在不牺牲理论细微差别的前提下，民主化和扩展定性研究的潜力。
关键词
引用
@article{arxiv.2509.24294,
title = {LOGOS: LLM-driven End-to-End Grounded Theory Development and Schema Induction for Qualitative Research},
author = {Xinyu Pi and Qisen Yang and Chuong Nguyen},
journal= {arXiv preprint arXiv:2509.24294},
year = {2026}
}