論文の概要: LLMs in Qualitative Research: Opportunities, Limitations, and Practical Considerations

• arxiv url: http://arxiv.org/abs/2605.16538v1
• Date: Fri, 15 May 2026 18:33:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.616283
• Title: LLMs in Qualitative Research: Opportunities, Limitations, and Practical Considerations
• Title（参考訳）: 質的研究におけるLCM--機会・限界・実践的考察
• Abstract要約: 論文は、LCMの質的統合に責任を負うために、研究者は、厳密な技術的パラメータセットに批判的に取り組む必要があると主張している。 本稿は,これらの考察を,反射性,位置性,解釈的判断を含む質的研究の設計コミットメントの中に位置づける。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper examines the opportunities, limitations, and practical considerations associated with the use of large language models (LLMs) in qualitative research. Drawing on a multidisciplinary perspective that combines expertise in qualitative methods and explainable AI, the paper argues that responsible integration of LLMs into qualitative workflows requires researchers to engage critically with a curated set of technical parameters, that is, context window constraints, temperature and top-p sampling settings, user and system prompt design, and model documentation in the form of system cards. The paper situates these considerations within the epistemological commitments of qualitative research, including reflexivity, positionality, and interpretive judgment, and discusses how the opacity of contemporary LLMs differs from earlier natural language processing tools such as topic models and lexicon-based sentiment analyzers.
• Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)の質的研究における活用の可能性,限界,実践的考察について検討する。 定性的な方法と説明可能なAIの専門知識を組み合わせた多分野的な視点に基づいて、論文では、LCMを質的なワークフローに統合するためには、研究者は、コンテキストウィンドウの制約、温度とトップpサンプリング設定、ユーザとシステムプロンプト設計、システムカードの形式でのモデルドキュメンテーションといった、キュレートされた技術パラメータセットに批判的に関与する必要がある、と論じている。 本稿は, 質的研究の質的コミットメント(反射性, 位置性, 解釈的判断など)の中で, これらの考察を考察し, トピックモデルや語彙ベース感情分析器といった従来の自然言語処理ツールと, 現代のLLMの不透明度がどのように異なるのかを考察する。

関連論文リスト

• LLM-Assisted Thematic Analysis: Opportunities, Limitations, and Recommendations [5.660100855602864]
  大規模言語モデル(LLM)は、ソフトウェア工学(SE)における定性的研究を支援するために、ますます使われている。 本研究は, 経験者のSE研究者が, LLMをテーマ分析に統合する可能性, リスク, 方法論的意味について考察した。
  論文  参考訳（メタデータ） (2025-11-18T14:32:48Z)
• Recalibrating the Compass: Integrating Large Language Models into Classical Research Methods [0.48670895845367385]
  本稿では,大規模言語モデル (LLM) がコミュニケーション研究における中核的な定量的手法をどのように変換しているかを検討する。 古典的なアプローチを置き換えるのではなく、LLMはテキストのコーディングと解釈の新しい可能性を導入している。 この論文は、分野がLLMと生成AIを統合するため、古典的な研究ロジックは依然として不可欠であると主張している。
  論文  参考訳（メタデータ） (2025-05-26T01:38:02Z)
• Disambiguation in Conversational Question Answering in the Era of LLMs and Agents: A Survey [54.90240495777929]
  自然言語処理(NLP)におけるあいまいさは依然として根本的な課題である LLM(Large Language Models)の出現により、あいまいさに対処することがさらに重要になった。 本稿では,言語駆動システムにおけるあいまいさの定義,形態,含意について考察する。
  論文  参考訳（メタデータ） (2025-05-18T20:53:41Z)
• A Vision for Auto Research with LLM Agents [46.95148319863236]
  本稿では,科学研究の全ライフサイクルの自動化,コーディネート,最適化を目的とした構造化マルチエージェントフレームワークであるエージェントベースオートリサーチを紹介する。 このシステムは、文献レビュー、アイデア、方法論、実験、論文執筆、査読応答、普及など、すべての主要な研究段階にまたがる。
  論文  参考訳（メタデータ） (2025-04-26T02:06:10Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
  大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。 メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
  論文  参考訳（メタデータ） (2025-04-10T16:14:55Z)
• Applications and Implications of Large Language Models in Qualitative Analysis: A New Frontier for Empirical Software Engineering [0.46426852157920906]
  この研究は、ソフトウェア工学における質的研究におけるLCMの使用を最適化するための構造化戦略とガイドラインの必要性を強調している。 LLMは質的な分析をサポートすることを約束していますが、データの解釈には人間の専門知識が不可欠です。
  論文  参考訳（メタデータ） (2024-12-09T15:17:36Z)
• Large Language Model for Qualitative Research -- A Systematic Mapping Study [3.302912592091359]
  先進的な生成AIを駆使した大規模言語モデル(LLM)がトランスフォーメーションツールとして登場した。 本研究は, LLMを用いた定性的研究に関する文献を体系的にマッピングする。 LLMは様々な分野にまたがって利用されており、プロセスの自動化の可能性を示している。
  論文  参考訳（メタデータ） (2024-11-18T21:28:00Z)
• Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
  検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。 本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
  論文  参考訳（メタデータ） (2024-07-17T20:01:21Z)
• A critical review of methods and challenges in large language models [6.850038413666062]
  大規模言語モデル(LLM)の詳細な分析について リカレントニューラルネットワーク(RNN)からトランスフォーマーモデルへの進化を検査する。 コンテキスト内学習や様々な微調整アプローチといった最先端のテクニックを記述します。
  論文  参考訳（メタデータ） (2024-04-18T08:01:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。