1　引言

介绍了深度学习与Transformer架构推动大语言模型在NLP领域崛起，指出当前针对AI辅助语言学量化与质性分析的研究相对缺乏，进而明确本研究将以Sinclair的扩展意义单位模型为对象，以GPT-5为例探讨人工智能对研究者的辅助效用。

2　研究背景与文献综述

讨论了生成式AI在语言学研究中的应用现状与扩展意义单位理论。生成式AI的应用主要体现在研究主题拓展与方法革新两方面，前者推动传统语言学再思考并催生新议题，后者为各研究层面提供工具支持；但国内研究多聚焦宏观领域，缺乏对具体语言研究任务的细颗粒度探讨。扩展意义单位由Sinclair提出，包含核、搭配、类联接、语义倾向和语义韵五要素，形成形式功能统一体，虽具重要理论价值，却因概念模糊性与共选关系的复杂性导致可操作性不足，而生成式AI的介入有望助力突破这一瓶颈。

3　研究设计与方法

研究设计与方法，旨在考察GPT-5处理扩展意义单位任务的表现。研究选取《中国日报》网471篇"封面故事"文章作为语料，以development为节点词，通过传统语料库工具与GPT-5对比分析，评估其在搭配词与类联接获取、语义倾向与语义韵分析等任务中的表现。研究步骤包括：确定节点词、运用AntConc和Python脚本获取搭配与类联接、利用GPT-5辅助语义分析，并探究其在话语层面的语义韵描写能力。为确保分析效果，研究者针对各环节设计了英文指令语。

4　结果与分析

以development为节点词，对比分析了脚本检索与GPT-5处理在扩展意义单位分析中的表现。研究发现，GPT-5在搭配词频数统计方面误差控制在5以内，词类统计误差在10以内，能够有效提取指定语法位置的词汇信息，弥补人工观察的疏漏。在类联接型式识别上，GPT-5能准确提取符合要求的结构，仅存在可接受的微小频数偏差，且其主动提示内部模型的机制增强了分析的可解释性。研究进一步测试了GPT-5的语义倾向分析能力，发现其虽不能完全替代研究者，但能为分析提供思路、提高效率。通过调试，研究者将GPT-5输出的形容词归纳为"方式""方面""显著性"三类语义倾向，将动词划分为"促进""阻碍""观察""追求"等类别，最终构建出复合词项结构并确定相应语义韵。此外，GPT-5在语义韵话语管理方面表现良好，能准确识别复合词项间的线性关系，但批量处理时效果下降，需通过优化指令语和分批次输入来提升分析质量。

5　讨论

讨论了GPT-5在扩展意义单位分析四个层面中的应用表现：在搭配与类联接的量化统计方面，GPT-5存在数据准确性不足的问题，与传统语料库工具相比无明显优势；在语义倾向与语义韵等质性分析层面，GPT-5凭借广泛适用性、丰富内嵌知识及理论应用能力展现出显著优势。章节还介绍了人机协同的三种模式——Embedding模式、Copilot模式和Agents模式，指出当前语言学研究主要采用前两种模式，并强调研究者应优化使用策略以提升AI的实用价值，同时需对生成式AI保持审慎态度，合理引导其工具属性以推进研究发展。

6　结语

评估了GPT-5在扩展意义单位分析中的表现，指出其在量化提取和质性分析方面能显著提高研究效率，涵盖词频统计、词类识别、语义特征总结、态度语义分析及语义韵相互作用解析等任务；同时揭示了其处理大规模语料时生成质量下降、响应缺乏一致性等问题，提出分批次处理、API温度参数调节等解决方案，并强调指令工程的关键作用，展望生成式AI在语言学研究中的策略化使用与持续发展。