大規模言語モデル（LLM）は質的研究におけるコーディング作業で利用が広がっているが、現状の多くは場当たり的なプロンプト設計に依存しており、信頼性の確保や人間による監督に関する指針が乏しい。この課題に対処するため、Cheng Tang氏ら7名の著者はarXivにプレプリント論文を公開し、人間とLLMの協働コーディングを構造化する3段階の手法「Smart Coder Framework」を提案した。このフレームワークは、指示（Instruction）、プロンプト戦略（Prompt Strategy）、信頼性チェック（Reliability Check）の3つの局面でコーディング工程を整理し、モデルの効率性を活かしつつ、コーディングの最終判断は人間の研究者に委ねることを重視している。
検証では、中学数学教師へのインタビュー記録72件と、人間の合意に基づくベンチマークを用意した。実験は因子設計を採用し、指示ありとなしのプロンプト、少数例提示と少数例提示＋思考の連鎖（chain-of-thought）、単一パスと自己一貫性（self-consistency）コーディングをそれぞれ比較した。72件のうち12件はプロンプトの開発と調整に用い、残り60件を正式な評価に使用することで、開発過程が評価結果に影響しないようにしている。
結果として、明示的な指示はモデルのコーディングと人間の合意との一致度を一貫して改善した。十分な指示がある条件下では、思考の連鎖を加えることで一致度がさらに向上した。一方、自己一貫性による改善は比較的小さく、テーマによって効果に差が見られたが、モデルの判断が不安定な事例を特定し、人間によるレビューが必要な箇所を示すのに役立った。また、コーディング性能はインタビュー記録の特性によっても変動し、質的資料のテキスト上の特徴がLLM支援コーディングの信頼性に影響することが示された。
総じてSmart Coder Frameworkの意義は、LLM支援の質的コーディングに対して体系的な構造と監視の仕組みを提供する点にあり、人間の判断を単純に置き換えるものではない。論文は補足資料を含めて29ページで、2026年10月23日に投稿され、cs.AI分野に分類されている。本研究は、質的研究者が大規模言語モデルを活用する際の実践的な方法論的指針を与えるとともに、協働コーディングにおける信頼性チェックと人間の監督の重要性を改めて強調している。