集体叙事 grounding：社区协调数据贡献以提升本地 AI 系统

大语言模型（LLM）问答系统常在社区特定查询上失败，制造“知识盲区”，边缘化本地声音，强化认识正义（epistemic injustice）的问题。我们提出集体叙事 grounding（Collective Narrative Grounding），一种参与式协议，将社区叙事转化为结构化叙事单元并在社区治理下集成至 AI 系统。我们在与 N=24 名社区成员进行的三次参与式制图工作坊中，设计了数据获取方法和 schema，旨在保留叙事的丰富性，同时实现实体、时间、地点的抽取、验证与源头控制。为界定问题，我们审计了包含 14,782 对地方信息问答对的县级基准测试，其中事实缺失、文化误解、地理混淆和时间错位占错误的 76.7%。在我们工作坊派生的参与式问答集上，SOTA LLM 在无添加上下文情况下不到 21% 的问题得以正确回答，凸显本地 grounding 的必要性。所遗漏的事实常出现在收集的叙事中，指向解决叙事类项目的主要错误模式。除了协议与试点之外，我们阐述了代表性、权力、治理与控制、隐私与同意等关键设计张力，为构建以检索为导向、可追溯、本地治理问答系统提供了具体要求。我们的一揽子分类学、协议与参与式评估，为构建更能回答本地问题的社区 grounding AI 提供了严谨基础。