Neues neurosymbolisches Verfahren verschiebt Erzählungen effizienter als LLMs

Die Kunst der wirkungsvollen Kommunikation hängt stark davon ab, wie gut eine Botschaft mit der Erzählweise und Weltanschauung des Publikums übereinstimmt. Das sogenannte Narrative Shift – die Umgestaltung eines Textes, um ihn in einen anderen Erzählrahmen einzubetten, ohne dabei die Kernbotschaft zu verlieren – stellt aktuelle große Sprachmodelle (LLMs) vor erhebliche Herausforderungen.

Um dieses Problem zu lösen, hat ein Forschungsteam einen neurosymbolischen Ansatz entwickelt, der auf sozialwissenschaftlicher Theorie und abductivem Denken basiert. Der Kern des Verfahrens besteht darin, automatisch Regeln abzuleiten, die die spezifischen Erzählkomponenten bestimmen, die ein LLM benötigt, um eine konsistente und zielgerichtete Transformation durchzuführen.

In umfangreichen Tests mit verschiedenen LLMs zeigte sich, dass die abduktionsgesteuerten Transformationen die Erzählung erfolgreich verschieben, während die Treue zum Originaltext erhalten bleibt. Bei GPT‑4o zum Beispiel übertraf das Modell die Zero‑Shot-Baseline um 55,88 % bei der Umwandlung von kollektivistischen zu individualistischen Erzählungen und verbesserte die semantische Ähnlichkeit um 40,4 % laut KL‑Divergenz. Für die umgekehrte Richtung erzielte das System vergleichbare Fortschritte.

Ähnliche Ergebnisse wurden für Llama‑4 und Grok‑4 erzielt, während Deepseek‑R1 ebenfalls konkurrenzfähige Leistungen zeigte. Diese Ergebnisse unterstreichen das Potenzial eines theorie‑informierten, neurosymbolischen Ansatzes, um Narrative Shift effizienter und präziser zu gestalten als reine LLM‑Methoden.