Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies
Einsatz von künstlicher Intelligenz in der qualitativen Lupus-Schwangerschaftsforschung: Potenzial großer Sprachmodelle und Prompting-Strategien
Arthritis Care & Research · 03.11.2026
DOI: 10.1002/acr.80193 ↗Auf einen Blick
26 qualitative Interviews zu Schwangerschaftserfahrungen von Frauen mit SLE wurden mit 4 großen Sprachmodellen analysiert. Die von den Modellen erzeugten Themen stimmten eng mit denen von Menschen überein; Few-shot schnitt am besten ab.
Fragestellung
Wie gut können verschiedene große Sprachmodelle Interviews zu Schwangerschaftserfahrungen bei Frauen mit SLE übersetzen und analysieren, und wie stimmen ihre Themen mit denen menschlicher Forschender überein?
Methode
Analyse von 26 semistrukturierten Interviews in Portugiesisch; 3 Prompting-Strategien auf 4 LLMs; Bewertung mit einem LLM-as-a-judge-Framework.
Ergebnisse
Über alle Modelle und Prompting-Strategien erzeugten die LLMs ähnliche Themen mit hoher thematischer Einheit und semantischer Ähnlichkeit. Claude Sonnet 4.5 zeigte die konsistenteste Leistung; Few-shot war durchgehend überlegen.
Schlussfolgerung der Autor:innen
LLMs erscheinen als unterstützende Werkzeuge für die Analyse qualitativer Forschung, da sie thematische Kohärenz erhalten und die Komplexität der Schwangerschaftserfahrungen bei Frauen mit SLE erfassen können. Few-shot erzielte die umfassendste und kohärenteste Themenerfassung.
Kernaussagen
- LLMs lieferten Themen, die eng mit menschlicher Auswertung übereinstimmten.
- Few-shot übertraf Zero-shot und Chain-of-thought.
- LLM-gestützte Analyse könnte qualitative Auswertung ergänzen.
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Arthritis Care & Research, online erschienen am 03.11.2026. Verfasst von Julia Romina M Boers und 5 weiteren Autor:innen. Beteiligte Einrichtung: Weill Medical College, New York, New York. Die Arbeit nennt 29 Literaturangaben. Gefördert von: NIH HHS, National Institutes of Health.
Abstract (Originalsprache)
Objective
Our objective was to evaluate the ability of different large language models (LLMs) to translate and analyze qualitative interviews describing pregnancy experiences among women with systemic lupus erythematosus (SLE). An additional objective was to compare themes identified by LLMs with those identified by human researchers.
Methods
We analyzed 26 semistructured interviews originally conducted in Portuguese by Rodrigues et al among women with SLE exploring their perinatal care experiences. Three prompting strategies (zero‐shot, few‐shot, and chain‐of‐thought) were used on the transcripts across four state‐of‐the‐art LLMs (GPT‐4o, OpenAI; Claude Sonnet 4.5, Anthropic; Gemini 2.5 Flash, Google; and DeepSeek R, DeepSeek) to generate key themes. Model outputs were evaluated using an LLM‐as‐a‐judge framework assessing thematic coverage, thematic unity, and semantic similarity.
Results
Across models and prompting strategies, LLMs generated similar themes that closely aligned with those identified by human researchers. LLM‐as‐a‐judge evaluations demonstrated high thematic unity and semantic similarity. Claude Sonnet 4.5 showed the most consistent performance. Few‐shot prompting consistently outperformed zero‐shot and chain‐of‐thought approaches.
Conclusion
LLMs show promise as supportive tools for analyzing qualitative research by preserving thematic coherence and capturing the complexity of pregnancy experiences in women with SLE. Although zero‐shot prompting is widely used, it produced lower thematic results in our study, whereas few‐shot prompting achieved the most comprehensive and coherent theme extraction. LLM‐assisted qualitative analysis may complement human interpretation and has the potential to support the inclusion of non–English language data and diverse patient perspectives in lupus research. image
Autor:innen und Institutionen
- Weill Medical College, New York, New York.
- Amsterdam UMC location Vrije Universiteit Amsterdam, Amsterdam, the Netherlands.
- Amsterdam Reproduction and Development Research Institute, Amsterdam, the Netherlands.
- Hunter College, New York, New York.
- CUNY Graduate Center, New York, New York.
- Universidade Estadual de Campinas/UNICAMP, Campinas, Brazil.
ORCID-Profile: Bella Mehta
Förderung
- NIH HHS
- National Institutes of Health
Zitieren
APA
Boers, J. R. M., Terry, G., Rodrigues, L., Surita, F., Doshi, J., & Mehta, B. (2026). Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies. Arthritis Care & Research. https://doi.org/10.1002/acr.80193
Vancouver
Boers JRM, Terry G, Rodrigues L, Surita F, Doshi J, Mehta B. Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies. Arthritis Care & Research. 2026. doi:10.1002/acr.80193
BibTeX
@article{Boers2026,
author = {Boers, Julia Romina M and Terry, Grace and Rodrigues, Larissa and Surita, Fernanda and Doshi, Jainesh and Mehta, Bella},
title = {Using Artificial Intelligence in Qualitative Lupus Pregnancy Research: The Potential of Large Language Models and Prompting Strategies},
journal = {Arthritis Care & Research},
year = {2026},
doi = {10.1002/acr.80193}
}
EUVIMED