展示而非告知：利用大语言模型揭示隐性角色刻画
计算与语言
2025-08-11 v1 人工智能
计算机与社会
摘要
用于分析小说中角色刻画的工具对作家和文学学者在发展与解读引人入胜的故事方面具有重要价值。现有工具，如用于分析虚构角色的可视化工具，主要依赖角色属性的显式文本指标。然而，刻画往往是隐性的，通过行为与行动而非明确陈述来展现。我们通过利用大语言模型（LLMs）填补了这一空白，以揭示隐性的角色刻画。我们首先为此任务生成了一个数据集，该数据集在跨主题相似性、词汇多样性和叙事长度方面均优于现有叙事文本语料库（如 TinyStories 和 WritingPrompts）。随后我们提出了 LIIPA（用于推断角色隐性刻画的大语言模型框架），该框架通过提示大语言模型来揭示角色刻画。LIIPA 可配置使用多种类型的中间计算（角色属性词表、思维链）来推断虚构角色在源文本中是如何被刻画的。我们发现 LIIPA 优于现有方法，并且由于其能够利用完整的叙事上下文，在角色数量增加时更具鲁棒性。最后，我们研究了刻画估计对角色人口统计特征的敏感性，揭示了 LIIPA 框架中各方法在公平性与准确性之间的权衡——这一现象在算法公平性文献中广为人知。尽管存在这一权衡，所有 LIIPA 变体在公平性和准确性方面均持续优于非大语言模型基线方法。我们的工作展示了利用大语言模型分析复杂角色并更好地理解隐性刻画偏见如何在叙事文本中显现的潜力。
引用
@article{arxiv.2412.04576,
title = {Show, Don't Tell: Uncovering Implicit Character Portrayal using LLMs},
author = {Brandon Jaipersaud and Zining Zhu and Frank Rudzicz and Elliot Creager},
journal= {arXiv preprint arXiv:2412.04576},
year = {2025}
}