结构性改革旨在提升生产力、减少不平等并优化公共部门效率。近年来，改革趋向精细化和部门化，但对其进程的全面评估受限于数据匮乏。传统研究多依赖政策代理指标（如关税变化反映贸易自由化），难以完整呈现改革在设计、审批与执行中的复杂动态。

本研究提出一种创新方法，利用大语言模型（LLM）分析媒体文章，系统刻画改革进程。以1991–2011年哥伦比亚报纸和杂志内容为基础，结合文本分析技术，识别并分类涉及结构性改革的信息。相比官方文件，媒体报道不仅能记录通过的改革，还能捕捉被否决或搁置的案例，揭示政治辩论、公众反应及阻碍因素，提供更完整的改革图景。

研究首先构建关键词筛选机制，选取与“改革”相关的名词和动词组合过滤无关文章。随后使用大语言模型对剩余文本进行分类，判断是否包含改革信息，并进一步标注改革领域、阶段等维度。人工校验表明，模型输出与人工阅读高度一致，准确率良好。

在此基础上，研究生成两个关键数据集：一是文章层面的数据集，按类型、阶段对单篇报道分类；二是改革层面的数据集，通过聚类算法将文章归集到具体改革事件，追踪其从讨论到决策的全过程。案例显示，该方法成功还原了1992年财政改革与2011年高等教育改革的发展轨迹。

这一方法具有重要学术与政策价值。学术上，它突破了代理指标的局限，支持跨领域（如教育、卫生、养老金）的改革研究；政策上，有助于评估公众接受度、预测审批周期，并为国际组织（如美洲开发银行）提供改革监测工具。

当前研究仍属概念验证阶段，存在数据来源有限（主要来自《时代报》）、自然语言处理流程可优化等问题。未来可通过扩展媒体样本、采用API接口获取数据、微调开源语言模型等方式提升方法的覆盖面与可复制性。

总体而言，结合大语言模型与媒体文本分析的方法，具备构建跨国、长时段结构性改革数据库的巨大潜力，有望成为研究改革动态的重要新路径。

关键词：结构性改革；政治进程；拉丁美洲；大语言模型