Editorial ilmu komputer
Open AccessOA2025
Aplikasi GPT dalam Penelitian Ilmu Politik: Mengekstraksi Informasi dari Teks Tak Terstruktur
Artikel ini mengulas bagaimana model bahasa besar berbasis GPT dapat mengotomatiskan ekstraksi detail eksplisit dari sumber ilmu politik tak terstruktur, sehingga mengurangi waktu dan biaya pengumpulan data. Artikel ini menganjurkan alur kerja komplementer manusia–AI dan membahas kekhawatiran etis termasuk lapangan kerja mahasiswa, privasi, bias, dan dampak lingkungan.
Kyuwon Lee; Simone Paci; Jeongmin Park; Hye Young You; Sylvan Zheng· PS: Political Science and Politics· 2025· DOI 10.1017/S1049096525000046
Masalah inti
Penelitian ilmu politik semakin bergantung pada sumber tekstual tak terstruktur seperti dokumen historis, notulen rapat, artikel berita, dan hasil pencarian mentah. Mengekstraksi detail eksplisit dari sumber-sumber ini sangat padat karya dan sering membatasi cakupan kerja empiris. Lee, Paci, Park, You, dan Zheng (PS: Political Science and Politics) mengkaji apakah model bahasa besar (LLM), khususnya GPT, dapat meningkatkan ekstraksi informasi dengan mengotomatiskan pengambilan detail eksplisit. Masalah penelitian intinya adalah keterbatasan sumber daya: pengodean dan ekstraksi manual memerlukan waktu dan tenaga manusia yang besar, yang dapat membatasi pengumpulan data pada sampel kecil atau periode waktu yang sempit. Penulis memosisikan GPT sebagai alat yang melengkapi, bukan menggantikan, asisten peneliti manusia, dengan tujuan menggabungkan efisiensi otomatis dengan pengawasan manusia untuk meningkatkan keandalan dan kedalaman. Artikel ini juga menandai kekhawatiran etis yang menyertai adopsi LLM dalam alur kerja penelitian.
Inovasi
Studi ini mengeksplorasi penggunaan GPT untuk ekstraksi informasi dari teks tak terstruktur dalam ilmu politik. Penulis berfokus pada tugas-tugas yang tujuannya adalah mengambil detail eksplisit dari sumber termasuk dokumen historis, notulen rapat, artikel berita, dan hasil pencarian tak terstruktur. Alih-alih mengusulkan satu algoritma tunggal, artikel ini mencirikan kemampuan GPT dalam ekstraksi informasi dan membahas bagaimana GPT dapat diintegrasikan ke dalam alur penelitian yang ada. Pendekatan metodologisnya menekankan desain human-in-the-loop: GPT melakukan ekstraksi otomatis, sementara asisten peneliti manusia memberikan pengawasan untuk memvalidasi dan menyempurnakan keluaran. Pembagian kerja ini dimaksudkan untuk mengurangi waktu dan sumber daya yang diperlukan untuk pengumpulan data sambil mempertahankan keandalan. Artikel ini juga mempertimbangkan isu implementasi praktis, seperti cara menyusun prompt dan cara mengevaluasi kualitas ekstraksi, meskipun detail teknis spesifik tidak disebutkan dalam abstrak. Penulis juga membahas dimensi etis penggunaan LLM, termasuk lapangan kerja mahasiswa, privasi, bias, dan dampak lingkungan.
Pendahuluan
Penelitian ilmu politik semakin bergantung pada sumber tekstual tak terstruktur seperti dokumen historis, notulen rapat, artikel berita, dan hasil pencarian mentah. Mengekstraksi detail eksplisit dari sumber-sumber ini sangat padat karya dan sering membatasi cakupan kerja empiris. Lee, Paci, Park, You, dan Zheng (PS: Political Science and Politics) mengkaji apakah model bahasa besar (LLM), khususnya GPT, dapat meningkatkan ekstraksi informasi dengan mengotomatiskan pengambilan detail eksplisit. Masalah penelitian intinya adalah keterbatasan sumber daya: pengodean dan ekstraksi manual memerlukan waktu dan tenaga manusia yang besar, yang dapat membatasi pengumpulan data pada sampel kecil atau periode waktu yang sempit. Penulis memosisikan GPT sebagai alat yang melengkapi, bukan menggantikan, asisten peneliti manusia, dengan tujuan menggabungkan efisiensi otomatis dengan pengawasan manusia untuk meningkatkan keandalan dan kedalaman. Artikel ini juga menandai kekhawatiran etis yang menyertai adopsi LLM dalam alur kerja penelitian.
Mengapa penting
Penulis berargumen bahwa nilai GPT dalam ilmu politik terletak pada kapasitasnya untuk mengotomatiskan ekstraksi informasi tanpa sepenuhnya menggantikan penilaian manusia. Dengan memasangkan GPT dengan pengawasan manusia, peneliti dapat mencapai keseimbangan antara skala dan akurasi, sehingga pengumpulan data yang komprehensif menjadi lebih layak. Hal ini berimplikasi pada penelitian empiris: korpus yang lebih besar, kerangka waktu yang lebih luas, dan sumber yang lebih beragam menjadi dapat dikerjakan. Namun, diskusi ini juga mengedepankan trade-off etis. Penggunaan LLM dapat memengaruhi lapangan kerja mahasiswa jika peran asisten peneliti berkurang; kekhawatiran privasi muncul saat memproses data sensitif atau pribadi; bias dalam keluaran model dapat menyebar ke temuan; dan dampak lingkungan dari penggunaan model skala besar menjadi pertimbangan. Artikel ini menyimpulkan bahwa GPT berpotensi memajukan penelitian empiris dalam ilmu politik, asalkan kekhawatiran etis ditangani dan pengawasan manusia tetap menjadi pusat. Penulis memosisikan GPT sebagai pelengkap, bukan pengganti, asisten peneliti manusia.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…