基於圖形的方法從公共話語中提取敘事信號

핵심 개념

本文提出了一種基於圖形的方法，利用抽象語義表示 (AMR) 從文本語料庫中提取和分析敘事信號，特別關注政治敘事。

초록

文章類型

這篇文章是一篇研究論文，介紹了一種基於圖形的方法，用於從文本語料庫中提取和分析敘事信號。

研究目標

• 開發一種穩健且可複製的方法，用於從文本中提取和表示敘事信號。
• 探索如何利用抽象語義表示 (AMR) 來研究政治敘事。

方法

• 使用最先進的 AMR 解析器將句子解析為 AMR 表示。
• 將 AMR 圖形轉換為敘事軌跡表，其中每一行代表語料庫中的一個事件。
• 分析產生的表格以提取敘事信號，例如參與者、動作、目標和動機。
• 使用 VerbAtlas 語義詞典對謂詞框架進行分類，以識別目標和動機。
• 通過計算參與者之間的有利和不利行動來構建行動者網絡。

關鍵發現

• AMR 提供了一種靈活的方法來檢測和表示與敘事分析相關的概念，特別是參與者和事件。
• AMR 的基於圖形的表示可以直接與用於分析敘事的遠距離閱讀方法產生共鳴。
• 該方法可以有效地從公共話語中揭示塑造身份的政治敘事的信號。

主要結論

• 該方法提供了一種有希望的方法，用於從大型文本語料庫中自動提取和分析敘事信號。
• 基於 AMR 的方法能夠捕捉到敘事的關鍵方面，例如參與者、事件和觀點。
• 該方法可以應用於各種政治話語，以深入了解塑造政治現實的敘事。

意義

這項研究通過提供一種基於 AMR 的方法來提取和分析敘事信號，為基於語料庫的政治敘事研究做出了貢獻。該方法有可能增強我們對政治話語中敘事的作用及其對塑造政治現實的影響的理解。

局限性和未來研究

• 未考慮敘事的其他特徵，例如因果關係。
• 需要進一步研究以探索該方法在不同類型文本和領域中的適用性。
• 未來的研究可以探討將該方法與其他計算方法相結合以獲得對敘事的更全面理解。

통계

表 1 顯示了歐盟現狀演講語料庫中 20 個最常見的主動者 (ARG0)、受動者 (ARG1) 和動作（謂詞）。
表 2 顯示了每位歐盟主席最具代表性的受動者 (ARG1)。

인용구

“複雜的社會現象，例如政治極化和錯誤信息，挑戰了基於傳統政治傾向標記的公共話語分析。”
“敘事是人類理解政治現實的關鍵解釋工具。”
“隨著敘事對於理解當前社會問題（例如極化和錯誤信息）的重要性日益明顯，人們對支持其經驗分析的方法的需求也越來越大。”

핵심 통찰 요약

A graph-based approach to extracting narrative signals from public discourse

by Armin Pourna... 게시일 arxiv.org 11-04-2024

https://arxiv.org/pdf/2411.00702.pdf

더 깊은 질문

除了政治話語之外，這種基於圖形的方法如何應用於從其他類型的文本（例如新聞文章或社交媒體帖子）中提取敘事信號？

這種基於圖形、以 AMR 為中心的方法，在提取敘事信號方面，有著廣泛的應用前景，不僅限於政治話語，還可以應用於分析新聞文章、社交媒體帖子等其他類型的文本。以下是一些具體的應用方向：

新聞文章： 可以利用此方法分析新聞事件的報導角度，識別新聞媒體或記者在報導中呈現的特定立場或意識形態。例如，通過分析新聞報道中使用的動詞和角色，可以辨別出哪些行為者被賦予正面或負面的形象，以及事件是如何被構建和闡釋的。
社交媒體帖子： 可以利用此方法分析社交媒體上的輿論趨勢，識別不同群體在特定議題上的觀點和立場，以及他們之間的互動關係。例如，可以分析特定 hashtag 下的推文，提取其中的行為者、事件和觀點，並構建網絡圖來展現不同觀點之間的聯繫和對立。
文學作品： 可以利用此方法分析文學作品中的人物關係、情節發展和主題思想。例如，可以分析小說中的人物對話和行為，提取人物之間的關係網絡，以及作者想要表達的情感和價值觀。
總之，這種基於圖形的方法為分析不同類型文本中的敘事結構提供了一個強大的工具，可以幫助我們更好地理解文本背后的意圖、觀點和影響。

這種方法是否過於依賴於 AMR 解析器的準確性，如果解析器在處理複雜的語言結構或比喻語言時遇到困難，會產生什麼影響？

的確，這種方法的準確性很大程度上取決於 AMR 解析器的性能。如果解析器在處理複雜的語言結構或比喻語言時遇到困難，可能會導致以下影響：

錯誤的語義角色標註： AMR 解析器可能會錯誤地識別句子中的語義角色，例如將一個原本是“受益者”的角色標記為“受害者”，從而導致對敘事信號的提取出現偏差。
無法處理比喻和隱喻： AMR 解析器可能難以理解比喻和隱喻等修辭手法，無法正確地將其轉換為語義表示，從而導致丟失部分敘事信息。
對新詞和網絡用語的適應性問題： AMR 解析器需要不斷更新詞彙庫和語法規則，才能適應不斷出現的新詞和網絡用語，否則可能會影響對相關文本的分析結果。
為了減輕這些潛在問題的影響，可以採取以下措施：

結合其他 NLP 技術： 可以將 AMR 解析與其他自然語言處理技術結合使用，例如情感分析、命名實體識別等，以彌補 AMR 解析器在某些方面的不足。
人工校對和驗證： 在處理重要文本時，建議對 AMR 解析結果進行人工校對和驗證，以確保敘事信號的準確性。
開發更強大的 AMR 解析器： 持續投入資源研發更強大的 AMR 解析器，提高其處理複雜語言現象和比喻語言的能力，對於提升此方法的可靠性至關重要。

我們如何利用從大型文本語料庫中提取的敘事信號來開發基於證據的策略，以應對錯誤信息或促進建設性的公共對話？

從大型文本語料庫中提取的敘事信號，可以為應對錯誤信息和促進建設性的公共對話提供寶貴的數據支持，幫助我們制定基於證據的策略。以下是一些可行的方向：

識別和追蹤錯誤信息的傳播： 通過分析敘事信號，可以識別出錯誤信息中常用的敘事模式、行為者和事件，並追蹤其在不同平台和群體中的傳播路徑。
揭露錯誤信息背后的意圖和目的： 分析敘事信號可以幫助我們理解錯誤信息傳播者背后的動機和目的，例如是為了製造社會恐慌、攻擊特定群體，還是為了獲取政治或經濟利益。
制定針對性的反駁和澄清策略： 了解錯誤信息的敘事結構，可以幫助我們更有針對性地設計反駁和澄清信息，例如可以利用相同的行為者和事件，但從不同的角度進行解讀，以揭露錯誤信息的邏輯漏洞和事實錯誤。
促進不同群體之間的理解和共識： 通過分析不同群體在特定議題上的敘事差異，可以找到促進相互理解和共識的切入點。例如，可以嘗試構建共同的敘事框架，強調共同的目標和價值觀，以減少對立和衝突。
總之，利用從大型文本語料庫中提取的敘事信號，可以幫助我們更有效地應對錯誤信息，促進建設性的公共對話，構建更加理性、健康的信息環境。