社科福音!OpenAI开源“一键质性分析工具”,速速学习!

如果你做过社会科学研究，大概率经历过这样一件事：

• • 上万条访谈或文本材料
• • 几个研究助理反复阅读、打标签
• • 几周甚至几个月的人工 coding
• • 最后得到一列可以做回归的变量

这个过程，本质上是在做一件事：

把“语言”变成“数据”

而 OpenAI 最新开源的 GABRIEL，正是在试图重写这一步。

很多人把它叫做“一键质性分析工具”。这个说法不完全错，但也严重低估了它的意义。

目前的最新版本已经支持GPT-5.4模型。

github：https://github.com/openai/GABRIEL

01 ｜ 动态生成变量

官方教程：https://colab.research.google.com/drive/1RMUeAWACpViqiUMlPMMwPTKyGU-OX756?usp=sharing#scrollTo=Nl6NngzKLpez

看完官方 notebook（cookbook）之后，可以更清楚地理解：

GABRIEL 不是在“自动打标签”，而是在动态生成变量

传统研究中，变量是提前定义好的：

• • 是否支持某政策（0/1）
• • 情绪是否积极（正/负）

而在 GABRIEL 中，变量是这样定义的：

attributes = {
    "innovation_orientation": "How much does this text emphasize innovation?"
}

然后执行：

gabriel.rate(texts, attributes)

得到结果：

这一刻发生了一个关键变化：

变量不再是预先存在的字段，而是通过语言即时生成的“测量函数”

02 ｜ 官方教程：质性分析

官方 notebook 其实展示了一条非常清晰的数据生产 pipeline：

1. 分类（classification）

前半部分，你会看到类似：

• • 判断文本属于哪一类
• • 输出 label

这是传统 NLP 任务。

2. 评分（rating）——真正的核心

这里官方写了一句很关键的话：

可以对文本的每个属性打一个 0–100 的分数

这一步的本质是：文本 → 数值变量

也就是统计学意义上的“measurement”。

接下来就是：

• • 对整个数据集运行 gabriel.rate()
• • 输出结构化结果（DataFrame）

这一部分才是大家理解中的“一键”。

03 ｜ 已经落地的研究：从文本生成数据

这个工具并不是停留在 demo 层面，它已经被用于实际研究。

1. GPT as a Measurement Tool（方法论验证）

链接：https://shleifer.scholars.harvard.edu/sites/g/files/omnuum10626/files/2026-02/Paper%20PDF%20%28February%202026%29.pdf

这篇核心研究验证了：

• • GPT 可以作为测量工具
• • 在多个任务上接近人工标注

应用包括：

• • 政治演讲立场分析
• • 社交媒体毒性识别
• • 教育课程内容结构分析

2. 技术扩散研究（37,000项技术）

上一篇论文还做了一个研究。研究者利用 GABRIEL：

• • 从文本中提取技术信息
• • 构建大规模技术数据集

关键发现：

• • 技术扩散周期显著缩短
• • 企业和美国的主导性增强

这个案例的重点在于：

数据本身是“从文本中生成”的，而不是已有的

3. 教育与课程结构分析

通过分析 syllabus：

• • 自动识别课程内容
• • 量化技能分布
• • 分析长期变化趋势

这类研究过去几乎无法规模化完成。

04 ｜ 它真正改变了什么？

GABRIEL 的意义，并不只是效率提升，而是研究范式的变化。

1. 从“数据有限”到“变量无限”

过去：

• • 数据难获取
• • 标注成本高

现在：

数据早已存在，变量可以随时定义

2. 从“先定义变量”到“即时生成变量”

过去：

理论 → 变量 → 数据

现在：

数据 → 理论 → 即时生成变量

3. 从“质性材料”到“统计对象”

访谈、文本、历史资料：

可以直接进入回归、时间序列等量化分析

05 ｜ 为什么“一键质性分析”是个误解？

这个说法只对了一半。

1. 它只自动化了“编码”

GABRIEL 做的是：

• • coding / measurement

但不包括：

• • 理论建构
• • 解释分析
• • 研究设计

2. 最难的仍然是“定义变量”

如果 attributes 写错：

得到的结果会非常精确，但完全没有意义

3. 需要验证

严谨使用需要：

• • 人工标注对比
• • prompt 调整
• • 偏差检查

06 ｜ 它现在处于什么阶段？

从整体来看，GABRIEL 很典型：

• • 方法已经提出
• • 官方验证完成
• • 学界尚未大规模采用

这意味着：

它是一个“已经可用，但尚未成熟”的研究工具

结语

如果用一句话总结：

GABRIEL 不是帮你理解文本，而是帮你把“理解变成变量”。

这件事的意义在于：

• • 语言第一次可以被系统性量化
• • 数据生产方式被重构
• • 研究规模被重新定义

但与此同时，它也提出了更高要求：

当变量可以随意生成时，真正重要的就变成了——你到底在测什么。

这，可能才是这项技术最值得思考的地方。

InfinitePaper AI 现已正式上线！

诚邀您即刻体验，感受AI如何重塑您的科研工作流。

快速链接：https://chat.cnpaperdata.com/

• 新用户专享福利： 即日起关注公众号后台发送 [ AI福利 ]，即可领取7 天高级会员！

• 教育福利：添加客服完成 教育认证，即可再享受会员 8 折优惠！

• 分享福利：转发本文至朋友圈（保留2小时）或科研群（15人以上），截图发送至客服，可领取科研工具包 （包含：经济学理论手册、科研AI手册）！