\n<\/p>\n
Istori\u0161kai ekonomist\u0173 duomen\u0173 analiz\u0117s \u012fg\u016bd\u017eiai buvo sutelkti \u012f strukt\u016brizuotus lenteli\u0173 duomenis. Ta\u010diau spar\u010diai ple\u010diantis skaitmeninimui, tekstiniai duomenys tapo vertingu \u0161altiniu tiriant rei\u0161kinius, kuriuos da\u017enai sunku i\u0161spr\u0119sti taikant tradicinius kiekybinius metodus (Gentzkow ir kt., 2019). Pavyzd\u017eiui, teksto analiz\u0117 leido tyr\u0117jams tyrin\u0117ti daugyb\u0119 tem\u0173, \u012fskaitant centrinio banko komunikacijos ir politikos prane\u0161im\u0173 analiz\u0119 makroekonomin\u0117ms \u012f\u017evalgoms gauti (pvz., Demirel 2012), \u012fmoni\u0173 infliacijos l\u016bkes\u010di\u0173 tyrim\u0105 (pvz., Thwaites 2022), emocinio u\u017ekrato socialin\u0117je \u017einiasklaidoje tyrim\u0105. (pvz., Kramer ir kt. 2014), nagrin\u0117jant ly\u010di\u0173 stereotipus filmuose (pvz., G\u00e1lvez ir kt. al., 2018), ir vertinant \u017einiasklaidos nu\u0161vietim\u0105 politiniams rezultatams (pvz., Caprini 2023) ir akcij\u0173 rinkos elgsenai (pvz., Dougal ir kt., 2012).<\/p>\n
Nepaisant did\u017eiulio potencialo, didelio masto teksto analiz\u0117 kelia dideli\u0173 i\u0161\u0161\u016bki\u0173 (Barber\u00e1 ir kt., 2021). Kaip pa\u017eymi Ashas ir Hansenas (2023), ekonomistai da\u017eniausiai r\u0117m\u0117si trimis pagrindiniais metodais, kad tai i\u0161spr\u0119st\u0173: (1) rankinis kodavimas, atliktas u\u017esakom\u0173j\u0173 programuotoj\u0173, (2) \u017eodynais pagr\u012fsti metodai ir (3) pri\u017ei\u016brimi ma\u0161ininio mokymosi modeliai. Ta\u010diau kiekvienas i\u0161 j\u0173 turi reik\u0161ming\u0173 apribojim\u0173. U\u017esakomasis rankinis kodavimas yra brangus, reikalauja daug laiko ir da\u017enai priklauso nuo programuotoj\u0173, neturin\u010di\u0173 konkre\u010dios srities patirties. \u017dodynais pagr\u012fsti metodai nesugeba u\u017efiksuoti kontekstini\u0173 niuans\u0173, tod\u0117l atsiranda netikslum\u0173. Tuo tarpu pri\u017ei\u016brimas ma\u0161ininis mokymasis reikalauja dideli\u0173 technini\u0173 \u012fg\u016bd\u017ei\u0173 ir dideli\u0173, pa\u017eym\u0117t\u0173 duomen\u0173 rinkini\u0173 \u2013 i\u0161tekli\u0173, kurie ne visada yra lengvai prieinami (Gilardi ir kt., 2023, Rathje ir kt., 2024).<\/p>\n
Generatyvieji dideli\u0173 kalb\u0173 modeliai (LLM) yra perspektyvi alternatyva didel\u0117s apimties teksto analizei. Skirtingai nuo tradicini\u0173 pri\u017ei\u016brim\u0173 mokymosi metod\u0173, dabartiniai LLM laikomi puikiai tinkan\u010diais sud\u0117tingoms teksto analiz\u0117s u\u017eduotims atlikti nereikalaujant konkre\u010dioms u\u017eduotims skirto mokymo, o tai veiksmingai veikia kaip \u201enulinis besimokantysis\u201c (Kojima ir kt., 2022). Neseniai paskelbtame dokumente (Bermejo ir kt., 2024a) mes palyginome kelet\u0105 pa\u017eangiausi\u0173 LLM su skatinamais koduotojais, atliekan\u010diais sud\u0117tingas teksto analiz\u0117s u\u017eduotis. Rezultatai atskleid\u017eia, kad \u0161iuolaikin\u0117s LLM suteikia ekonomistams ekonomi\u0161kai efektyv\u0173 ir prieinam\u0105 pa\u017eangios teksto analiz\u0117s sprendim\u0105, \u017eymiai suma\u017einant programavimo patirties ar dideli\u0173 pa\u017eym\u0117t\u0173 duomen\u0173 rinkini\u0173 poreik\u012f.<\/p>\n