Rationalizer：利用大语言模型支持用户为Likert量表问卷评分提供理由

调查，特别是Likert量表问卷，广泛用于HCI中捕捉用户的态度和体验，但仅凭数值评分无法深入了解评分背后的理由。虽然添加开放式文本字段或问卷后访谈可以引出更丰富的解释，但它们通常会增加额外负担，导致调查疲劳或回忆偏差。为解决这一差距，我们提出了Rationalizer，一个大语言模型支持的问卷系统，为每个Likert项目生成情境化的理由以支持参与者表达解释。在与包含开放式文本字段的传统问卷进行比较的用户评估中，Rationalizer提高了带有理由的Likert项目百分比，维持了参与者提供自我输入理由的意愿，并支持他们在与研究进展相当的写作时间内表达更长的解释。质量分析进一步表明，Rationalizer产生了比传统问卷更高质量的理由（即论证性和相关性）。这些发现突显了大语言模型支持的问卷在丰富Likert评分与情境化、更丰富解释相结合的潜力。