Leveraging Language Models for Interpretable Analysis of Narratives in a Large Corpus

文章核心总结与翻译

一、主要内容

本文提出了一种可解释的混合框架，用于大规模文本语料库的叙事分析，核心是将词袋模型（BoW）的主题建模与基于大型语言模型（LLM）的问答（Q&A）叙事模型相结合，共享再生核希尔伯特空间（RKHS）的潜在表示。

核心流程

1. 主题筛选：通过BoW主题模型对语料库进行无监督主题学习，由LLM筛选出与用户兴趣相关的主题及对应文档；
2. 问答生成：LLM设计分类问题并对筛选后的文档作答，将文档转化为结构化的Q&A向量；
3. 叙事建模：基于Q&A数据构建双softmax叙事模型，每个叙事对应一组问答概率分布（PMF），可解释为对语料的连贯视角；
4. 高效推断与外推：通过函数梯度下降实现模型学习，借鉴Transformer架构设计上下文问答外推机制，无需重复查询LLM即可预测未标注文档的问答结果；
5. 多场景验证：在联合国大会演讲（2002-2007）、NeurIPS会议论文（1987-2019）等数据集上验证，支持跨语言分析（中英双语）。

关键优势

• 可解释性：从问题设计、叙事结构到证据溯源均透明可审计；
• 高效性：减少LLM重复调用成本，支持大规模语料扩展；
• 灵活性：适配多语言、多领域（地