叙事鸿沟:大语言模型能否帮助我们理解跨语言的多元叙事?

Hugging Face Daily Papers 论文

摘要

该论文介绍了 NarrativeBench,这是一个包含 23 种语言的 1,333 篇新闻文章和 460 个查询的基准测试。研究评估了 14 个大语言模型,发现它们无法可靠地帮助用户探索多样化的多语言叙事,可能导致信息茧房和信息差距。

大型语言模型(LLM)日益成为人们寻求和获取信息的中介,其中也包括因语言和地区而异的叙述,尤其是在争议性话题上。要支持多元化的信息寻求,模型需要帮助用户在不同语言和信息流中的相互竞争的叙事之间进行探索。我们定义了多元化多语言信息寻求所必需的六项能力:三项基础能力,即叙事纳入、叙事排除和缺失叙事识别;以及三项高阶能力,即呈现多元叙事、在确认性查询下保持叙事覆盖度,以及维持跨语言的信息均等。为指导这些信息寻求能力的开发,我们推出了 NarrativeBench,这是一个基准测试,包含围绕 23 个争议性话题、以 23 种出版语言撰写的 1,333 篇新闻文章,以及 460 条基于 Reddit 的查询。我们以 24 种查询语言评估了 14 个大型语言模型,发现当前模型缺乏可靠探索多元叙事所需的能力,限制了用户对所接收观点的控制,即使用户明确要求多样性,仍有大量相互竞争的叙述未能进入其视野。信息获取也因查询表述方式和语言而异,可能造成回音室、语言过滤气泡和信息差距,削弱民主讨论所需的共同基础。NarrativeBench 为开发信息系统奠定了基础,使不同语言和地区的用户能够自主探索多元叙事。
查看原文
查看缓存全文

缓存时间: 2026/11/16 08:51

论文页面 - 叙事鸿沟:LLM 能否帮助我们探索跨语言的多元叙事?

来源:https://huggingface.co/papers/2611.12750

摘要

一项基于新闻文章和查询的基准测试表明,当前的大语言模型无法可靠地帮助用户探索多语言的多元叙事,导致用户接触相互竞争的说法时存在缺口,并带来回音室效应和信息差距的风险.

大语言模型 (LLMs) (https://huggingface.co/papers?q=Large%20language%20models%20(LLMs))日益成为人们寻求和获取信息的中介,这些信息包括在不同语言和地区之间存在差异的说法,尤其是围绕争议性话题的说法. 为支持多元化的信息寻求,模型需要帮助用户探索跨语言和信息流的相互竞争的叙事. 我们定义了多语言多元信息寻求所需的六项能力:三项基础能力,即叙事纳入、叙事排除和缺失叙事识别;以及三项高阶能力,即呈现多元叙事、在确认性查询下保持叙事覆盖范围,以及维持跨语言的信息平等. 为指导这些信息寻求能力的开发,我们推出了 NarrativeBench,这一基准包含覆盖 23 个争议性话题、以 23 种语言发表的 1,333 篇新闻文章,以及 460 条基于 Reddit 的查询. 我们使用 24 种查询语言评估了 14 个 LLM,发现当前模型缺乏可靠探索多元叙事所需的能力,限制了用户对所接收观点的控制,即使用户明确要求多元性,他们接触相互竞争的说法时仍存在显著缺口. 信息获取也会因查询的表述方式和语言而异,带来回音室效应、语言过滤气泡和信息差距的风险,削弱民主讨论所需的共同基础. NarrativeBench 为开发信息系统奠定了基础,使不同语言和地区的用户能够自主探索多元叙事.

查看 arXiv 页面 (https://arxiv.org/abs/2611.12750)查看 PDF (https://arxiv.org/pdf/2611.12750)项目页面 (https://isle-dev.github.io/Narrative-Bench-NeurIPS-2026/#explore?topic=gaza&lang=en&query=QC925dd0d36a&task=DP&left=gemini&right=gpt-5.4-mini)GitHub0 (https://github.com/isle-dev/Narrative-Bench-NeurIPS-2026)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2611.12750)

在你的智能体中获取这篇论文:

hf papers read 2611\.12750

还没有最新的 CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型0

没有链接到这篇论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2611.12750,即可从本页面链接到该模型.

引用这篇论文的数据集0

没有链接到这篇论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2611.12750,即可从本页面链接到该数据集.

引用这篇论文的 Space0

没有链接到这篇论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2611.12750,即可从本页面链接到该 Space.

包含这篇论文的合集1

相似文章

当英语改写本地知识:大语言模型中的全球叙事主导

arXiv cs.CL

本文介绍了CulturalNB(一个孟加拉文化问答对数据集),并评估了九种大语言模型的跨语言文化偏见。研究结果表明,英文提示会增加全球叙事替代并减少本地视角,揭示了大语言模型中的文化失败是立足点和优先级问题,而不仅仅是知识缺失。

BIASEDTALES-ML:用于分析大语言模型生成故事中叙事属性分布的多语言数据集

arXiv cs.CL

# BIASEDTALES-ML:用于分析大语言模型生成故事中叙事属性分布的多语言数据集 来源:[https://arxiv.org/html/2604.17008](https://arxiv.org/html/2604.17008) Yuxuan Ouyang1,Yingfeng Luo1,Tong Xiao1,2,Jingbo Zhu1,2 1中国沈阳东北大学计算机科学与工程学院 2中国沈阳 NiuTrans Research [email protected] {xiaotong,zhujingbo}@mail.neu.edu.cn ###### 摘要 大型语言模型(LLM)正日益被广泛用