通过微调语言模型提升叙事分类与解释能力
计算与语言
2025-09-05 v1
摘要
理解隐性叙事和潜在信息对于分析偏见和情感至关重要。传统 NLP 方法难以捕捉细微措辞和隐藏意图。本研究针对两个关键挑战：（1）新闻文章中叙事及子叙事的多标签分类，（2）生成以证据为依据的简洁解释。我们采用召回导向方式对 BERT 模型进行微调，以实现全面叙事检测，随后通过 GPT-4o 流水线对预测结果进行一致性优化。针对叙事解释，我们提出了基于语义检索的 ReACT（推理+行动）框架，通过 few-shot 提示确保解释的 groundedness 和相关性。为提升事实准确性、减少幻觉，我们引入结构化分类学表格作为辅助知识库。结果表明，集成辅助知识到提示中可提升分类准确率和解释可靠性，适用于媒体分析、教育和情报收集等场景。
引用
@article{arxiv.2509.04077,
title = {Improving Narrative Classification and Explanation via Fine Tuned Language Models},
author = {Rishit Tyagi and Rahul Bouri and Mohit Gupta},
journal= {arXiv preprint arXiv:2509.04077},
year = {2025}
}