← トップへ戻る

プレプリント ·研究論文 ·速報 ·AI要約未精査 ·AIによる読み解き

心理分野における大規模言語モデルの新たな可能性：プロンプトエンジニアリングが開く道

大規模言語モデルの性能向上に向けたプロンプトエンジニアリング手法が心理分野での構造識別で効果を発揮

元記事タイトル: 人間と機械コードの一致性向上：心理分野での構造識別におけるプロンプトエンジニアリングの実証的評価

arXiv cs.CL 2026年06月19日

査読未完了の可能性があります。完成した査読済み論文としてではなく、研究コミュニティ向けの早期共有として読んでください。

RESEARCH 研究論文 / Preprint

Field Note 読む前に確認

3行まとめ

大規模言語モデル(LLM)は文書内の特定の概念を正確に識別するためのプロンプト設計が必要
コードブックガイド付きプロンプト選択と自動プロンプトエンジニアリングが最も効果的であることが実証された
心理学者や専門家はLLMを使用して文書内の重要な概念をより正確に識別できるようになる

こんな人に関係ある話

AI研究者心理学研究者データサイエンティスト

信頼度メモ

プレプリント論文（査読前の可能性あり）

記事の読み解き Reading

元記事を材料に、要点、編集視点、良い点と懸念点を読みやすい順に整理しています。

この研究は、大規模言語モデル(LLM)が文書内の特定の概念を識別するためのプロンプトエンジニアリング手法を検討しています。心理分野における理論に基づく定義を持つ構造を正確に識別するために、コードブックガイド付きの経験的なプロンプト選択と自動プロンプトエンジニアリングを組み合わせたアプローチが最も効果的であることが実証されました。この手法は、LLMの性能向上だけでなく、特定の分野における概念識別の精度改善にも寄与します。

編集部コメント

この論文は、大規模言語モデル(LLM)を用いた心理分野での構造識別におけるプロンプトエンジニアリングの重要性と効果を実証しています。特に、特定の理論に基づく定義を持つ概念を正確に識別するためには、適切なプロンプト設計が不可欠であることが強調されています。

評価ポイント Assessment

良い点

心理分野での構造識別に焦点を当てている
コードブックガイド付きプロンプト選択と自動プロンプトエンジニアリングの組み合わせが最も効果的であることが示されている
プロンプトの文脈設定、タスクフレーミング、構造定義が重要な要素である

懸念点

パーソナリティプロンピングやチェーンオブサージャンリングは完全な解決策とはならないことが示されている
特定の分野における理論的な定義とLLMの学習データ間のギャップを解消するための更なる研究が必要である

業界・社会への影響 Impact

この研究は、心理学者や他の専門家が大規模言語モデルを使用して文書内の重要な概念を正確に識別する方法を改善することを目指しています。これは、LLMが特定の分野でより効果的に活用されるための重要なステップであり、学術研究や産業界における応用にも貢献すると期待されます。

深堀り Deep Dive

前提知識

大規模言語モデル(LLM)は、そのアーキテクチャと膨大な事前学習データにより優れた文書分類性能を示します。しかし、LLMの出力はプロンプトの書き方に大きく依存し、特に心理などの特定の分野では理論に基づく定義を持つ概念が十分に反映されていない可能性があります。

何が新しいのか

この研究では、心理分野における構造識別において、コードブックガイド付き経験的プロンプト選択と自動プロンプトエンジニアリングを組み合わせた手法が最も効果的なことが実証されました。これによりLLMの性能向上だけでなく、概念識別の精度改善にも寄与します。

今後見るべき論点

心理分野以外でのこのプロンプトエンジニアリング手法の適用可能性
自動プロンプト生成技術の進展とその効果
実用的な文書解析システムへの導入状況

用語解説

大規模言語モデル (LLM) 大量のテキストデータを学習し、自然言語処理タスクに対応する人工知能システム

プロンプトエンジニアリング文書解析や分類タスクにおける性能向上のために最適な入力プロンプトを作成する技術

構造識別特定の理論に基づく定義を持つ概念を正しく認識・分類すること

コードブックガイド付き経験的プロンプト選択事前学習データの一部として利用可能なサンプルを使用して最適なプロンプトを選び出す手法

参照元 Sources

元記事と、深堀りで参照した情報源です。コミュニティ投稿やプレプリントでは、ここから根拠を確認できます。

人間と機械コードの一致性向上：心理分野での構造識別におけるプロンプトエンジニアリングの実証的評価

arXiv cs.CL

https://arxiv.org/abs/2512.03818

この記事の見取り図

読む前に確認
記事の読み解き
深堀り
参照元
AI要約について
関連記事

キーワード

大規模言語モデルプロンプトエンジニアリング構造識別心理分野

AI要約について

本記事の要約・分類・読み解きにはAIを使用しています。内容確認に努めていますが、誤訳・解釈違い・元記事更新の反映漏れを含む可能性があります。重要な判断を行う場合は、必ず元記事もご確認ください。

速報について — 速報は追加調査や本文抽出の結果で内容が更新される場合があります。初期要約には誤りや不足が含まれる可能性があります。

記事データ

Source	プレプリント
Category	研究論文
Status	速報
出典	arXiv cs.CL
公開日	2026-06-19

元記事の説明文

arXiv:2512.03818v2 Announce Type: replace Abstract: Due to their architecture and vast pre-training data, large language models (LLMs) demonstrate strong text classification performance. However, LLM output - here, the category assigned to a text - depends heavily on the wording of the prompt. While literature on prompt engineering is expanding, few studies focus on classification tasks, and even fewer address domains like psychology, where constructs have precise, theory-driven definitions that may not be well represented in pre-training data. We present an empirical framework for optimizing LLM performance for identifying constructs in texts via prompt engineering. We experimentally evaluate five prompting strategies -- codebook-guided empirical prompt selection, automatic prompt engineering, persona prompting, chain-of-thought reasoning, and explanatory prompting - with zero-shot and few-shot classification. We find that persona, chain-of-thought, and explanations do not fully address performance loss accompanying a badly worded prompt. Instead, the most influential features of a prompt are the construct definition, task framing, and, to a lesser extent, the examples provided. Across three constructs and two models, the classifications most aligned with expert judgments resulted from a few-shot prompt combining codebook-guided empirical prompt selection with automatic prompt engineering. Based on our findings, we recommend that researchers generate and evaluate as many prompt variants as feasible, whether human-crafted, automatically generated, or ideally both, and select prompts and examples based on empirical performance in a training dataset, validating the final approach in a holdout set. This procedure offers a practical, systematic, and theory-driven method for optimizing LLM prompts in settings where alignment with expert judgment is critical.