LLM 读取 9000 部小说情节梗概,构建计算道德史研究框架
_akpiper · x · 2026-11-20
Andrew Piper 在《Journal of Computational Literary Studies》2025 年论文中提出用 LLM 追溯小说在历史中传递的显性与隐性人生教训的计算文学研究框架。
- 道德史(Moral history):研究不同历史时期与文化中故事编码的人生教训、价值观与伦理启示。
- 视角化方法:把道德提取视为从特定视角出发的诠释行为,而非客观固定的分类体系。
- 语料:分析超过 9000 篇 20、21 世纪小说的 Wikipedia 情节梗概。
- 工作流:从叙事摘要与道德化提炼,到用共现网络和层次聚类映射更大尺度的结构。
- 变异性处理:用随机化提示词分配来抵消不同 LLM 解读和表述故事道德的差异,实现跨模型、跨时期比较。
相关成果可见 Andrew Piper 的发表列表与 McGill .txtlab 项目页。
「研究」频道最新
- 模型自改权重:27B 无梯度自优化,8 轮迭代准确率持续上升 — Jiajun Fan · 2026-11-21
- Stability 研究团队提出 PMD 蒸馏:匹配倾斜均值即可锁定教师后验 — ArashVahdat · 2026-11-21
- NeurIPS 论文:树搜索引导扩散模型,单次搜索覆盖多目标 Pareto 前沿 — CatAstro_Piyush · 2026-11-21
- 实践者吐槽:Lean 编译通过的自然语言证明,读起来仍是错的 — jasondeanlee · 2026-11-21
- 黎曼猜想真被证明了会改变什么?答案:几乎不影响日常,四页纸加 1700 万行 Lean — stingning · 2026-11-21
- 实测 11 个开源模型新注意力架构:128K 上下文显存最高省 139 倍 — bariskasikci · 2026-11-21