AI驱动的梦境分析：大语言模型自动化Hall/Van de Castle编码系统

介绍llm_dream_coder——一个利用Claude大语言模型半自动化Hall/Van de Castle（H/VdC）编码的开源工具包，旨在解决梦境研究中人工编码耗时费力的问题，在降低编码负担的同时保留人工审核环节，助力大规模梦境定量分析。

H/VdC系统是梦境内容定量分析的标准框架，涵盖人物、社交互动、活动等多个维度。传统人工编码需专业培训，可靠性高但labor-intensive，限制了大规模研究应用。

llm_dream_coder采用模块化架构，核心原则：通用性（无需定制数据集）、模块化（编码类别独立）、人工审核导向（输出供复核）。技术流程：数据读取→API调用Claude（带编码手册提示）→结果解析→评估对比→保存结果，利用提示缓存降本。

人物编码模块测试结果：

数据集	类型	样本量	整体F1	非家庭人物F1
b-baseline	系列数据（开发集）	50	0.73	0.74
norms-f	规范数据（测试集）	50	0.68	0.70
emma	系列数据（测试集）	50	0.51	0.54
关键发现：非家庭人物F1为核心指标（家庭编码需传记知识）；规范数据集是最适当基准。

数据准备：需coded_dreams.csv（含dream_id等）和可选的dreambank_codings.csv。运行模式：默认、指定数量/集合、系列模式等。成本：claude-opus-4-6模型约0.02-0.05美元/梦境，缓存机制可降本。

局限性：家庭编码需传记信息（系列模式缓解）；人工编码员传记偏见影响F1；API成本较高，长梦境可能格式错误。

适用于大规模分析、跨文化研究、纵向追踪、教学培训，帮助研究者节省编码时间，聚焦分析解释。

llm_dream_coder不取代研究者判断，自动化繁琐编码。未来完善其他模块，为梦境研究带来更大价值。