文章主要内容与创新点总结一、主要内容该研究聚焦大型语言模型（LLMs）能否生成类似儿童的图片描述文本，通过将LLM生成语料与德语儿童图片故事描述语料（Litkey语料库）对比，从心理语言学视角展开分析。研究基础与数据：以Litkey语料库为参照，该语料库包含251名平均年龄9.6岁的德国小学生对8个图片故事的1922篇描述文本；同时利用GPT-4V（零样本提示）和GPT-4o（少样本提示，含2个随机抽取的图片-描述示例对）生成两个LLM语料库，均基于相同图片故事，且提示中明确儿童平均年龄。对比维度与方法：从词汇、句法、语义三个层面对比。词汇层面分析词频、词汇丰富度（log型-类比，log TTR）、词长；句法层面关注句长和词性标注（POS）；语义层面借助fastText词嵌入模型计算余弦相似度，评估语义空间相似性，且所有语料均用Python的NLTK库处理，保留德语大小写以区分名词/动词，过滤功能词后分析。核心结果词汇层面：LLM生成文本整体更长（LLM-ZS平均每篇189词，Litkey为111词），但词汇丰富度更低（Litkey的log TTR为0.71，LLM-ZS为0.64，LLM-FS为0.65），高频词依赖度更高，名词占比不足（Litkey名词占比30.42%，LLM-FS为24.06%）；少样本提示使词频相关性略有提升（LLM-ZS与Litkey词频相关系数r=0.47，LLM-FS为0.58），但两语料库仅共享