PulseAugur
实时 09:20:08
English(EN) From We to Me: Theory Informed Narrative Shift with Abductive Reasoning

新方法使用演绎推理改进LLM叙事转变

研究人员开发了一种新颖的神经符号方法,用于指导大型语言模型(LLM)在文本中执行叙事转变。该方法利用演绎推理和社会科学理论来提取规则,使LLM能够在保留核心信息的同时转换故事。实验表明,包括GPT-4o、Llama-4、Grok-4和DeepSeek-R1在内的各种模型在叙事转换准确性方面取得了显著改进,优于零样本基线。 AI

影响 这项研究可以增强LLM为不同受众调整内容的能力,从而改进内容生成和个性化应用。

排序理由 详细介绍LLM新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法使用演绎推理改进LLM叙事转变

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Jaikrishna Manojkumar Patil, Divyagna Bavikadi, Kaustuv Mukherji, Ashby Steward-Nolan, Peggy-Jean Allin, Tumininu Awonuga, Joshua Garland, Paulo Shakarian ·

    From We to Me: Theory Informed Narrative Shift with Abductive Reasoning

    arXiv:2603.03320v2 Announce Type: replace Abstract: Effective communication often relies on aligning a message with an audience's narrative and worldview. Narrative shift involves transforming text to reflect a different narrative framework while preserving its original core mess…