When Surveys Become Conversations: Adaptive Matrix Validation for AI-Assisted Interviews
当问卷成为对话：AI 辅助访谈的自适应矩阵验证AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究调查测量误差、随机验证与统计校准，未直接涉及所列细分中的因果识别或专门经济模型。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
当问卷成为对话：AI 辅助访谈的自适应矩阵验证
- 研究问题
- AI 将自然语言访谈映射为结构化变量时可能产生版本相关和亚组差异的测量误差，如何以少量验证问题提高调查估计质量？
- 方法与思路
- 作者提出 AMV：随机抽取结构化验证问题，先用其他受访者的验证答案校准映射，再以目标受访者的答案修正剩余误差。
- 材料陈述的贡献
- 摘要称，方法覆盖条目均值、亚组估计和回归系数，并提供验证题数及样本量规划公式；多种研究展示稀疏验证的收益边界。
- 阅读关注点
- 应核对验证问题随机分配的规则、跨受访者校准及误差修正的条件，并检查映射版本变化和亚组误差如何进入推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出估计公式、规划条件或具体精度变化，稀疏验证并非总能改善精度。
原文摘要
AI-assisted interviews promise to reduce respondent burden in surveys by allowing respondents to describe experiences naturally while an AI system noisily maps those accounts into structured survey variables. That mapping is a measurement process that is fallible, versioned, adaptive, and potentially behaves differently across subgroups. This paper proposes Adaptive Matrix Validation (AMV), a design in which each respondent completes an AI-assisted interview, which is then mapped into tabular data by the AI. Respondents are also asked a small, randomized set of structured questions, which are used for statistical adjustment. The estimator first calibrates the mapped values using validation answers from other respondents, then corrects the remaining error with the validation answers observed for the target respondent. The paper develops estimators for item means, subgroup estimates, and regression coefficients when outcomes, predictors, or both are mapped from interviews. It also gives planning formulas the number of validation questions required and the sample size. A design-calibration simulation, an American Time Use Survey emulation, and a CHAMPS verbal-autopsy narrative study show when sparse validation can improve precision and when it cannot