摘要 引言 人工智能（AI）的快速发展为教育研究创造了新的机会，特别是在有效分析教室中复杂的社会互动方面。一个有前景的领域是教师激励信息的分类。传统上，这种评估依赖于自我报告和观察者评估，这需要大量的人员和时间资源。最近，大型语言模型（LLMs）被用于分类教师的激励信息，提供了新的、劳动强度较低的分类方法。 目的 本研究基于这些最新进展，提供了一份全面的文献综述，探讨使用LLMs对教师激励信息进行分类的应用、潜力和局限性。 结果 当前的综合文献综述表明，使用LLMs对教师激励信息进行分类是一个有前景但仍然处于新兴阶段的研究领域。最近的研究以创新的方式应用LLMs，基于已建立的激励理论，并采用新颖的分类技术，如零样本和少样本提示或微调，来分类激励信息。仍然存在开放性问题，特别是在注释材料的结构、数量和质量方面。 讨论 尽管最近的研究展示了LLMs在提供可扩展和高效分类教室激励信息方面的潜力，但仍然存在若干挑战。这些挑战包括关于训练数据的质量和数量、模型的普适性、捕捉课堂交互复杂性的能力以及将LLMs作为分类方法时的偏见。本全面的文献综述为在教育研究和学校实践中负责任地使用LLMs提供了实际建议。
Metzner等（Sun）研究了这个问题。