从我们到我：基于归纳推理的理论导向叙事转变
计算与语言
2026-03-05 v1 人工智能
摘要
有效的沟通往往依赖于将信息与听众的叙事和世界观相一致。叙事转变涉及在保持原核心信息的同时，将文本转换为反映不同叙事框架的形式——这一任务对当前的大型语言模型 (LLM) 具有显著的挑战性。为此，我们提出一种基于社会科学理论和归纳推理的神经符号方法。该方法自动提取规则，以引导 LLM 完成一致且有针对性的叙事转换。我们在多种 LLM 上进行了实验，归纳引导的转换后的故事在保持原故事核心信息的同时实现了叙事转变。例如，借助 GPT-4o，我们在收集主义到个人主义叙事转变方面相较于零样本 LLM 基线提升了 55.88%，同时在语义相似性方面实现了优异表现（KL 发散误差提高了 40.4%）。对于个人主义到收集主义的转换，我们也实现了相当的改进。我们在 GPT-4、Llama-4、Grok-4 和 Deepseek-R1 上显示类似或相当的性能。
引用
@article{arxiv.2603.03320,
title = {From We to Me: Theory Informed Narrative Shift with Abductive Reasoning},
author = {Jaikrishna Manojkumar Patil and Divyagna Bavikadi and Kaustuv Mukherji and Ashby Steward-Nolan and Peggy-Jean Allin and Tumininu Awonuga and Joshua Garland and Paulo Shakarian},
journal= {arXiv preprint arXiv:2603.03320},
year = {2026}
}