.png){kind=icon}
返回
LLM-based prior elicitation for Bayesian graphical modeling
.png){kind=icon}
PRE
AI
DOI：10.1111/bmsp.70045.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在贝叶斯图模型框架中，网络结构上的先验编码了对所研究心理构念拓扑结构的理论假设和不确定性。例如，伯努利先验指定每对变量交互的概率，Beta-伯努利先验控制预期的网络密度，而随机块先验则用于建模聚类。然而，在实践中，指定信息充分的超参数具有挑战性：理论指导有限，默认选择可能过于简单或限制性过强。为解决这一问题，我们引入了一个基于LLM的先验提取框架，其中大型语言模型为每对变量提供包含性判断。这些判断被转换为伯努利先验的边特定先验概率，并用于推导Beta-伯努利和随机块先验的超参数。为使该方法易于使用，我们提供了一个R包bgmElicit，其中包含一个实现该方法的Shiny应用程序。我们通过两个示例说明了该框架。首先，在一个元分析中PTSD网络的子集上进行验证，比较了不同条件下的OpenAI GPT模型。其次，对17个PTSD症状的实证分析表明，提取的先验可以适度加强关于边存在与否的证据。总体而言，这项工作是一个概念验证，可作为专家判断和先验敏感性检查的补充。
Keyword:
Bayesian graphical modeling
large language models
network psychometrics
prior elicitation
期刊
B
IF:
1.8
论文数:
39
被引数:
0
机构
引用论文
暂无论文信息