Diese Studie konzentriert sich auf die praktische Anwendung großer Sprachmodelle bei komplexen semantischen Klassifikationsaufgaben, am Beispiel des Nachrichtendiskurses der „Belt and Road“-Initiative. Durch die gemeinsame Auswahl von Bewertungsquelle, Bewertungskategorie und Bewertungsobjekt wurde eine Mensch-Maschine-Kollaborationsannotation entworfen und validiert. Die Methode teilt die Gesamtaufgabe in drei Phasen auf und wird in fünf Runden durchgeführt. Zunächst wurde durch zwei Runden Fehleranalyse und Prompt-Optimierung für die Markierung des Bewertungsobjekts in der dritten Runde ein zufriedenstellendes Markierungsergebnis erzielt. Basierend auf diesen Ergebnissen wurde nach einer Runde Fehleranalyse und Prompt-Anpassung in der vierten Runde eine hochwertige Markierung der Bewertungskategorie abgeschlossen. Schließlich wurde nach Analyse und Optimierung in der fünften Runde eine signifikante Übereinstimmung bei der Markierung der Bewertungsquelle erreicht. Die Forschungsergebnisse zeigen, dass große Sprachmodelle durch phasenweise Aufgabenaufteilung, fehlerbasierte Prompt-Entwicklung und iterative, quantifizierte Bewertungsprozesse hochwertige Annotationen durchführen können. Darüber hinaus bietet die Studie ein übertragbares Annotationsschema und etabliert einen skalierbaren, standardisierten Mensch-Maschine-Kollaborationsprozess für den Einsatz großer Sprachmodelle in verschiedenen komplexen Aufgaben der semantischen Textanalyse.

große Sprachmodelle;gemeinsame Bewertungskennzeichnung;bewertungsobjekt-Markierung mit großen Sprachmodellen;bewertungskategorie-Markierung mit großen Sprachmodellen;bewertungsquellen-Markierung mit großen Sprachmodellen