用大型语言模型自动化梦境内容编码：Hall/Van de Castle系统的AI实现

llm_dream_coder项目利用Claude大语言模型半自动化Hall/Van de Castle梦境编码系统，通过人机协作模式（AI初步编码+人类审核）提升编码效率数倍，为心理学和认知科学研究提供可复现的开源工具链。

梦境研究需将主观体验转化为可量化数据，Hall/Van de Castle（H/VdC）是当前标准框架，但人工编码耗时费力（每个报告需数十分钟），编码员需专业培训，限制了大规模、跨文化梦境研究的开展。

llm_dream_coder是认知传播科学实验室开发的开源工具包，采用模块化设计（覆盖角色、社交互动等维度），核心为“人机协作”。技术上，以H/VdC手册为系统提示+少量示例调用Claude，利用API缓存降低成本，采用属性级F1分数评估（分解编码属性计算部分credit）。

在标准数据集验证中，角色编码整体F1达0.873（非家庭成员0.889）；角色属性中数量（0.915）、性别（0.850）、年龄（0.910）表现优异，身份识别（0.719）为难点。其他维度：社交互动攻击（0.769）、友好（0.787）、性行为（0.968）；成功/失败F1 0.91/0.89；情绪平均F1 0.935。

学术上加速大规模梦境数据库构建，支持跨文化比较、纵向追踪；临床可辅助治疗师分析患者梦境的情绪模式与心理冲突；开源模块化设计易扩展定制（添加维度或调整规则）。

局限：处理需做梦者背景知识的内容较弱，仅验证英文报告。未来方向：探索更先进模型（如Claude 3.5 Sonnet）；开发交互式修正界面；构建多语言梦境数据集。

llm_dream_coder是AI在人文社科应用的典范，结合大语言模型语义理解与严谨学术方法，人机协作模式可推广至访谈分析、日记研究等任务，为计算社会科学提供可复现参考。