一、結(jié)論寫在前面

同理心是促進(jìn)親社會(huì)行為的基礎(chǔ)，可以通過分享個(gè)人經(jīng)歷的故事來喚起。雖然同理心受到敘事內(nèi)容的影響，但直覺上，人們也通過敘事風(fēng)格對故事的講述方式做出反應(yīng)。然而，同理心與敘事風(fēng)格之間的關(guān)系尚未完全明了。

論文通過大型語言模型（LLMs）和大規(guī)模眾包研究實(shí)證檢驗(yàn)并量化了這種關(guān)系。論文引入了一種新穎的理論基礎(chǔ)分類法，HEART（人類同理心與敘事分類法），該分類法闡述了敘事風(fēng)格中的元素，這些元素能夠引導(dǎo)聽眾對故事講述者產(chǎn)生同理心。    

論文展示了LLMs在從HEART中提取敘事元素方面的表現(xiàn)，表明使用論文的分類法進(jìn)行提示能夠產(chǎn)生合理的、達(dá)到人類水平的注釋，超越了先前基于詞匯的方法。為了展示論文分類法的實(shí)證應(yīng)用，論文通過一項(xiàng)大規(guī)模眾包研究收集了一個(gè)包含2，624名參與者對故事同理心評價(jià)的數(shù)據(jù)集。

論文發(fā)現(xiàn)，通過LLMs提取的敘事元素，特別是情感的生動(dòng)性和情節(jié)的豐富度，能夠闡明敘事風(fēng)格如何培養(yǎng)對個(gè)人故事的同理心。論文的工作表明，這類模型可以用于敘事分析，從而獲得以人為中心的社會(huì)和行為洞察。

二、論文的簡單介紹

2.1 論文的背景

同理心是一種基礎(chǔ)的心理過程，驅(qū)動(dòng)著許多親社會(huì)功能，通常通過講故事和分享個(gè)人經(jīng)歷來傳達(dá)。故事喚起的同理心反應(yīng)受到故事內(nèi)容之外的因素影響——傳遞方式、情境和讀者特征都對此有所貢獻(xiàn)。             

              圖1：敘事風(fēng)格可以通過講述故事的方式喚起敘事共鳴。本研究引入了HEART，一個(gè)理論驅(qū)動(dòng)的敘事元素分類法，這些元素有助于產(chǎn)生共鳴    

敘事的情感共鳴。大多數(shù)關(guān)于敘事共鳴及其相關(guān)構(gòu)念的研究集中在讀者的特征和故事內(nèi)容上。然而，直覺上，人們也會(huì)對故事的講述方式或敘事中使用的文體手法做出反應(yīng)（圖1）。

自然語言處理（NLP）社區(qū)中敘事分析的一個(gè)關(guān)鍵挑戰(zhàn)是，提取與共鳴相關(guān)的文體特征并非易事。先前的工作使用基于詞數(shù)的方法或?qū)O其有限的故事集使用手工制作的特征（來量化敘事元素。然而，更復(fù)雜的敘事手法，如情節(jié)轉(zhuǎn)折或情感的生動(dòng)性，僅憑詞匯更難以概括。盡管有少數(shù)工作探索了使用大型語言模型（LLMs）進(jìn)行更復(fù)雜的敘事分析任務(wù)，但文體手法的建模程度以及LLM提取的特征如何用于下游社會(huì)洞察的研究尚未充分展開。

敘事風(fēng)格及其在共情中的作用。先前的工作理論化了敘事風(fēng)格的轉(zhuǎn)變?nèi)绾斡绊懝适碌墓睬樾Ч?。Keen（2006）提出了一種敘事共情理論，該理論利用敘事技巧來增強(qiáng)共情，例如，角色的平坦或圓潤性，角色的意識(shí)模式，以及對場景的生動(dòng)運(yùn)用。van Krieken等人(2017)提出了一種語言線索框架，用于衡量與敘事角色的認(rèn)同，包括角色的維度，如故事的情感或感知主體。該框架涵蓋了故事的背景元素，這些元素可以促進(jìn)沉浸式體驗(yàn)，以及前景元素（如比喻語言），這些元素有助于與文本的美學(xué)體驗(yàn)(Jacobs， 2015)。             

圖2：敘事共情與風(fēng)格分類，理論界定了與對敘事的共情相關(guān)的敘事風(fēng)格方面

讀者特征與敘事共情。盡管敘事風(fēng)格可以影響共情，但其他因素，如讀者的特征或閱讀過程中的經(jīng)歷，也會(huì)影響共情。例如，心理學(xué)、經(jīng)濟(jì)學(xué)和神經(jīng)科學(xué)研究表明，性別對人們的認(rèn)知共情有顯著影響，女性在各個(gè)年齡段表現(xiàn)出比男性更高的認(rèn)知共情。敘事共情的水平也可能受到個(gè)人特質(zhì)共情水平（Kon-rath et al.， 2018）、閱讀時(shí)的情緒狀態(tài)或?qū)ξ膶W(xué)的一般接觸的影響。解開這些因素的影響可能具有挑戰(zhàn)性，已有一些先前的研究嘗試，但結(jié)果各異。    

2.2 HEART共情與敘事風(fēng)格分類法

基于上述理論和實(shí)證研究，論文提出了HEART，一種能夠?qū)е鹿睬榈臄⑹嘛L(fēng)格元素的分類法。在《敘事共情理論》中，Keen認(rèn)為角色塑造、敘事情境、內(nèi)部視角以及表現(xiàn)角色意識(shí)的技巧等方面可以促進(jìn)敘事共情。論文利用這些概念作為開發(fā)HEART的前導(dǎo)。論文的理論模型作為理解敘事特征的哪些方面可能引發(fā)共情以及論文如何使用計(jì)算方法來衡量這些因素的起點(diǎn)。

圖2展示了論文的完整分類法，該分類法通過四個(gè)主要類別來界定敘事風(fēng)格與敘事共情之間的關(guān)系：(1) 角色認(rèn)同 (2) 情節(jié) (3) 觀點(diǎn) (4) 背景。

角色認(rèn)同 論文提到的角色認(rèn)同元素是指吸引讀者進(jìn)入敘述者視角的故事方面，無論是跨越內(nèi)部維度（情感/認(rèn)知）還是外部維度（感知/時(shí)間）。論文定義了六個(gè)高級(jí)分類法元素，這些元素可以在故事中促進(jìn)與角色的認(rèn)同，主要基于van Krieken等人(2017)關(guān)于角色認(rèn)同的工作：

1.角色的扁平/圓形，包括通過故事過程中的角色發(fā)展或角色脆弱性表現(xiàn)出的角色深度。

2.情感主體，指情感在語氣和情感生動(dòng)性方面的表達(dá)方式。

3.認(rèn)知主體，捕捉諸如思考、計(jì)劃和決策等認(rèn)知表達(dá)。

4.道德主體（，主要指通過故事傳達(dá)的敘述者評價(jià)或意見表達(dá)。

5.行動(dòng)主體，指角色行動(dòng)的表達(dá)。

6.主體感知，捕捉角色經(jīng)歷的感知和身體感覺的生動(dòng)性。

7.時(shí)間參照，包含表達(dá)的懷舊（回顧過去）或預(yù)測和期待（展望未來）。    

表1：兩位專家人類注釋者在論文分類法的敘事元素上的一致性。分?jǐn)?shù)乘以100并四舍五入以提高可讀性，并按KA排序。斯皮爾曼相關(guān)性p表示顯著性

情節(jié) 定義情節(jié)一直是敘事分析中的關(guān)鍵任務(wù)，并通過在關(guān)鍵時(shí)刻增強(qiáng)敘述者的故事來促進(jìn)共情。論文界定了與敘事共情相關(guān)的三個(gè)情節(jié)方面：

1.情節(jié)容量捕捉了故事中事件的頻率和重要性。

2.情感變化指示了故事整體情感軌跡的波動(dòng)（如從低到高價(jià)值反之亦然）。

3.解決捕捉了角色經(jīng)歷主要沖突后的緊張釋放。

視角 先前的研究指出，視角可以影響對敘述者的共情（Eekhof 等人，2023；Fernandez-Quintanilla，2020；Spitale 等人，2022）。例如，第一人稱視角可以強(qiáng)調(diào)故事的個(gè)人性質(zhì)，并使讀者深入敘述者的角色。

背景 最后，敘述者的環(huán)境和背景可以促進(jìn)敘事共情（Pille-mer，1992；van Krieken 等人，2017），例如通過構(gòu)建世界來增強(qiáng)敘事傳遞。論文通過敘事中背景描述的生動(dòng)性來捕捉這一要素。    

2.3 HEART-felt Stories 數(shù)據(jù)集標(biāo)注

論文對 HEART-felt Stories 數(shù)據(jù)集進(jìn)行了標(biāo)注，這是一個(gè)包含專家對部分故事評級(jí)的個(gè)人敘事語料庫。

2.3.1 故事數(shù)據(jù)集

為了實(shí)證觀察 HEART 的敘事元素，論文從 EMPATHICSTORIES（Shen 等人，2023）和 EMPATHICSTORIES++（數(shù)據(jù)集中選取了一個(gè)種子數(shù)據(jù)集，這些數(shù)據(jù)集專門設(shè)計(jì)來包含意義深遠(yuǎn)且脆弱的個(gè)人故事，涵蓋了多樣化的敘述者和話題（如人際關(guān)系、心理健康、職業(yè)和學(xué)業(yè)等）。

EMPATHICSTORIES 數(shù)據(jù)集包含來自社交媒體網(wǎng)站（Facebook、Reddit）、眾包個(gè)人敘事和轉(zhuǎn)錄播客的 -1，500 個(gè)個(gè)人敘事。EMPATHICSTORIES++ 數(shù)據(jù)集包含約 500 個(gè)自動(dòng)轉(zhuǎn)錄的與 AI 互動(dòng)的對話式個(gè)人故事。論文過濾掉了可能有害的話題（如提及性侵犯、過度咒罵），并排除了字?jǐn)?shù)少于 200 字的故事（可能不包含豐富的敘事風(fēng)格元素），最終得到一個(gè)包含 874 個(gè)個(gè)人故事的數(shù)據(jù)集。

2.3.2 專家敘事風(fēng)格標(biāo)注

論文從最終的874個(gè)故事數(shù)據(jù)集中隨機(jī)抽樣了50個(gè)故事，以獲取專家對敘事元素的標(biāo)注，并驗(yàn)證大型語言模型（LLM）在該任務(wù)上的表現(xiàn)。論文從分類法中選取了12個(gè)難以從現(xiàn)有NLP工具包中提取的敘事元素，這些元素需要人類判斷，因?yàn)槿蝿?wù)的主觀性。論文的研究團(tuán)隊(duì)中三位具有文本分析和標(biāo)注專業(yè)知識(shí)的獨(dú)立成員，通過迭代設(shè)計(jì)了一個(gè)編碼本（附錄C），其中包含評估每個(gè)元素存在的指導(dǎo)和示例。

隨后，兩位獨(dú)立的專家標(biāo)注員對50個(gè)采樣故事中12個(gè)敘事元素的存在情況進(jìn)行了評分。表1顯示了使用Krippendorf的α系數(shù)(KA)、成對一致性百分比(PPA)和Spearman相關(guān)系數(shù)(ρ)計(jì)算的2位標(biāo)注員之間的一致性。所有評分都呈正相關(guān)，但不同的敘事元素有不同程度的一致性。    

表2：論文分類法中敘事元素的聚合人類標(biāo)注者（黃金評分）與GP1-4評分之間的協(xié)議。

2.4 用于敘事風(fēng)格提取的大型語言模型

在表2中，論文報(bào)告了同樣50個(gè)采樣故事上人類評分平均值和GPT-4評分之間的一致性。論文觀察到GPT-4和人類標(biāo)注員之間的一致性模式與論文兩位專家標(biāo)注員之間的一致性相似。GPT-4為人物脆弱性、樂觀性和故事結(jié)局等敘事特征提供了高度一致的評分。因此，論文使用GPT-4提取語料庫中所有剩余故事的敘事元素，并在后續(xù)的實(shí)證研究中排除與人類黃金標(biāo)準(zhǔn)標(biāo)簽一致性低的特征。    

2.4.1 大型語言模型與詞典的性能比較

論文發(fā)現(xiàn)，GPT-4提取的樂觀基調(diào)、生動(dòng)情感和人物脆弱性特征與人類評分的一致性優(yōu)于LIWC對應(yīng)項(xiàng)，盡管只有人物脆弱性在統(tǒng)計(jì)學(xué)上顯著更高(Fisher精確檢驗(yàn)的p值<0.001)。然而，LIWC在認(rèn)知類別上優(yōu)于GPT-4，盡管統(tǒng)計(jì)學(xué)上不顯著。論文在下面的錯(cuò)誤分析中討論了使用GPT-4提取敘事認(rèn)知水平的潛在錯(cuò)誤來源。

2.4.2 錯(cuò)誤分析

論文觀察到，與人類注釋者相比，GPT-4在評估故事中表達(dá)的評估和認(rèn)知水平時(shí)始終過高。通過定性分析GPT-4和人類在故事上存在較大分歧的示例（，GPT-4通常將情感反應(yīng)與評估、歸因或欲望混為一談（例如：“它讓我想起了我第一次上大學(xué)的情景...我的父母多么為我興奮和害怕。我自己也是既興奮又害怕?！保τ谡J(rèn)知錯(cuò)誤，論文發(fā)現(xiàn)這些系統(tǒng)性錯(cuò)誤通常是由于GPT-4將回憶與認(rèn)知演示混淆，而實(shí)際上故事中并沒有包含更多的內(nèi)在思考過程。

最終，論文的驗(yàn)證研究表明，LLMs可以近似提取與共情相關(guān)的敘事元素，這與先前的工作（相印證，但某些特征對模型來說更難以識(shí)別。論文在下一節(jié)中展示，即使沒有完全一致，GPT-4的敘事評分仍然揭示了關(guān)于敘事共情的趣味行為見解。

2.5 測量共情的人類研究

這里論文將討論論文的研究參與者、任務(wù)程序以及論文的數(shù)據(jù)收集和使用的度量。

2.5.1 參與者

論文在Prolific上招募了2，624名參與者，以閱讀并評價(jià)對個(gè)人故事的共情。參與者的概況見附錄A。參與者性別平衡，主要是白人，平均具有較高的特質(zhì)共情。

2.5.2 研究程序

在獲得IRB批準(zhǔn)的研究開始時(shí)，參與者首先評價(jià)他們當(dāng)前的情緒狀態(tài)（喚醒/效價(jià)），然后閱讀一個(gè)個(gè)人故事。閱讀故事后，他們被要求評價(jià)對故事的共情程度，并檢查論文的分類法中哪些敘事元素對其對故事的情感反應(yīng)貢獻(xiàn)最大。論文還提出了一個(gè)開放式問題，詢問敘事風(fēng)格的哪些方面使他們與故事產(chǎn)生共鳴。    

在此之后，論文要求參與者回答與以下內(nèi)容相關(guān)的問題：(1) 敘述-讀者互動(dòng)效應(yīng)，這包括與閱讀敘述過程相關(guān)的讀者因素（敘述傳輸、與故事中發(fā)生的事件相關(guān)的先前經(jīng)驗(yàn)，以及與敘述者的感知相似性）；(2) 讀者特征（年齡、性別、種族、特質(zhì)同理心、他們閱讀娛樂的頻率、流利語言和教育水平）。調(diào)查測量和選擇這些測量的理由將在下一部分詳細(xì)說明。所有參與者回答調(diào)查后獲得1美元報(bào)酬，參與者平均花費(fèi)7分鐘完成整個(gè)任務(wù)。874個(gè)故事中的每一個(gè)都至少被獨(dú)立讀者評價(jià)了3次，總計(jì)產(chǎn)生了2，624次對故事的同理反應(yīng)。

2.5.3 數(shù)據(jù)收集與測量

論文的用戶研究旨在捕捉對多樣敘述集合的同理心，這些敘述集合由具有不同讀者特征的多樣參與者組成，此外還包括可能調(diào)節(jié)敘述風(fēng)格對同理心影響的變量?；谔剿髋c同理心相關(guān)因素的實(shí)證工作，論文設(shè)計(jì)了以下調(diào)查（所有調(diào)查均包含在附錄E中以供可重復(fù)性。論文公開了數(shù)據(jù)集，以促進(jìn)對敘事共情分析的深入研究。

圖3：敘事風(fēng)格元素和讀者特征如何影響讀者對敘事的體驗(yàn)（敘事-讀者交互效應(yīng))的可視化。所有這些組件結(jié)合起來進(jìn)而影響下游的敘事共情    

共情與敘事風(fēng)格偏好 論文通過狀態(tài)共情量表來衡量對故事的共情。為了評估敘事風(fēng)格偏好，參與者從論文的分類法中勾選出那些他們認(rèn)為有助于對故事產(chǎn)生共情的元素。此外，論文還要求提供關(guān)于哪些敘事風(fēng)格元素有助于對故事產(chǎn)生共情的定性自由反饋。

敘事-讀者交互效應(yīng) 論文將讀者特征與閱讀敘事體驗(yàn)的交集處的影響定義為敘事-讀者交互效應(yīng)。這些包括：(1) 敘事沉浸，通過沉浸量表簡版/TS-SF測量；(2) 先前經(jīng)驗(yàn)，通過利克特量表衡量讀者認(rèn)為自己與敘述者所處情境的相似程度；(3) 對敘述者的感知相似性，通過感知關(guān)系多樣性量表（Clark， 2002）測量。這些特征使論文能更好地理解敘事風(fēng)格元素如何通過與敘事-讀者交互作用導(dǎo)致下游共情的途徑。

讀者特征 論文基于與共情相關(guān)的屬性的全面文獻(xiàn)回顧收集讀者特征。這些特征包括：(1) 讀者在閱讀故事前的情緒狀態(tài)，通過喚醒/效價(jià)量表測量；(2) 基本人口統(tǒng)計(jì)信息，包括年齡、性別、種族，（3）參與者為了娛樂而閱讀的頻率，以及（4）特質(zhì)共情，通過單一項(xiàng)目特質(zhì)共情量表/SITES和多倫多共情問卷/TEQ進(jìn)行測量。Prolific 自動(dòng)提供參與者的額外人口統(tǒng)計(jì)信息，如流利語言、國籍、就業(yè)和學(xué)生身份。             

              圖4：比較每種敘事特征高與低存在時(shí)的平均共情，論文發(fā)現(xiàn)，在角色發(fā)展和情節(jié)量更多的故事中，共情顯著增加

2.6 敘事共情的實(shí)證洞察

通過注釋的敘事元素、個(gè)人故事的多樣共情評分以及讀者特征，論文展示了論文的分類法在探索與數(shù)據(jù)集中相關(guān)特征子集有關(guān)的共情實(shí)證問題方面的有效性。

敘事風(fēng)格影響共情 首先，論文通過取3位評分者的平均值來聚合每篇故事的共情評分。然后，論文將故事分為每種敘事特征的高與低存在，并對故事的平均狀態(tài)共情應(yīng)用Mann-Whitney u檢驗(yàn)。圖4顯示，高度聚合的共情故事具有更多的角色發(fā)展和情節(jié)量。

敘事共情并非一刀切 盡管論文之前的分析捕捉到了聚合的共情，但不同的人對同一故事可能會(huì)有不同的情感反應(yīng)。在圖6（附錄B）中，論文展示了同一故事狀態(tài)共情得分的標(biāo)準(zhǔn)差，發(fā)現(xiàn)平均而言，這個(gè)標(biāo)準(zhǔn)差顯著大于零（p < 0.001），表明同一敘事可以引發(fā)不同水平的共情。

敘事的生動(dòng)情感表達(dá)導(dǎo)致敘事共情 鑒于論文的發(fā)現(xiàn)，敘事共情并非“一刀切”，論文進(jìn)行了分析，考慮了每個(gè)故事ID的隨機(jī)效應(yīng)，使用semopy庫進(jìn)行結(jié)構(gòu)方程建模。結(jié)構(gòu)方程建模是社會(huì)科學(xué)中用于結(jié)構(gòu)化假設(shè)檢驗(yàn)的標(biāo)準(zhǔn)方法，它使用廣義線性模型的表述來考慮在提出元素間關(guān)系的理論模型時(shí)固定效應(yīng)和隨機(jī)效應(yīng)。

圖5：敘事風(fēng)格元素如何導(dǎo)致敘事沉浸的結(jié)構(gòu)方程模型，同時(shí)考慮了讀者與敘述者共享相似經(jīng)歷以及讀者的基線特質(zhì)共情的影響

根據(jù)論文在圖3中的理論模型，論文看到情感的生動(dòng)性顯著影響敘事沉浸，進(jìn)而影響對故事的下游共情。圖5展示了敘事特征如何促進(jìn)敘事沉浸，導(dǎo)致下游共情，并考慮了非風(fēng)格因素，如讀者與敘述者共享相似經(jīng)歷以及讀者的特質(zhì)共情水平。論文發(fā)現(xiàn)，敘述者對故事中發(fā)生的事情的先前經(jīng)歷以及他們的基線特質(zhì)共情都是對故事共情的重要預(yù)測因子，但不如敘事沉浸那么顯著。    

敘事風(fēng)格偏好與共情的關(guān)系是個(gè)性化的 最后，論文展示了不同的群體可能偏好不同的敘事方式，其中偏好通過敘事共情來衡量。在論文的結(jié)構(gòu)模型中加入交互項(xiàng)，論文發(fā)現(xiàn)生動(dòng)的情感對狀態(tài)共情有顯著的交互效應(yīng)（est = 0.252，p < 0.001）。這表明，隨著特質(zhì)共情的增加，生動(dòng)情感與狀態(tài)共情之間的關(guān)系增強(qiáng)，暗示敘事風(fēng)格偏好因群體而異。

盡管論文的實(shí)證分析肯定不是詳盡無遺的，但它展示了如何使用HEART來獲得關(guān)于敘事風(fēng)格如何促進(jìn)同理心的有趣行為見解。特別是，論文注意到，在敘事同理心中考慮個(gè)性化，以及情境化讀者因素（如他們的特質(zhì)同理心水平）對于同理心預(yù)測至關(guān)重要，而這些因素在現(xiàn)有的同理心任務(wù)中常常被忽視。

論文標(biāo)題：HEART-felt Narratives:Tracing Empathy and Narrative Style in Personal Stories with LLMs

論文鏈接：??https://arxiv.org/pdf/2405.17633??