From We to Me: Theory Informed Narrative Shift with Abductive Reasoning

Each language version is independently generated for its own context, not a direct translation.

Immagina di avere una storia scritta in un libro. Questa storia parla di un gruppo di persone che lavorano insieme per costruire una casa: è una storia di collettivismo (il "noi"). Ora, immagina di voler raccontare la stessa storia, ma con un tono completamente diverso: vuoi che sembri la storia di un singolo eroe che, con la sua forza e il suo ingegno, costruisce la casa da solo. Questa è una storia di individualismo (il "io").

Il problema è che i moderni "cervelli digitali" (chiamati LLM o Intelligenze Artificiali) sono bravissimi a scrivere storie, ma quando provi a chiedere loro di cambiare il "tono" culturale di una storia mantenendo intatto il significato originale, spesso falliscono. È come chiedere a un traduttore di cambiare la lingua di un libro senza cambiare le parole: il risultato è confuso o perde il senso.

Ecco come gli autori di questo paper hanno risolto il problema, spiegato in modo semplice:

1. Il Problema: L'AI che non capisce il "sottotesto"

Se chiedi a un'AI generica: "Rendi questa storia più individualista", lei spesso non sa cosa cambiare. Potrebbe semplicemente aggiungere la parola "io" qui e là, ma la storia rimane confusa o perde il suo messaggio originale.

L'esempio del paper: Se la storia dice: "Solo quando tutte le mani scavano... la primavera si risveglierà", un'AI base potrebbe non capire che la frase chiave da cambiare è "tutte le mani". La nostra storia originale parla di un gruppo; quella nuova deve parlare di un singolo.

2. La Soluzione: Un "Architetto" e un "Muratore"

Gli autori hanno creato un sistema intelligente che lavora in due fasi, come una squadra di costruzione:

L'Architetto (La Teoria Sociale e la Logica): Prima di toccare il testo, il sistema usa le regole delle scienze sociali (come la psicologia culturale) per capire esattamente quali pezzi della storia definiscono il "noi" e quali definiscono l'"io". Non indovina, ma analizza. Usa un tipo di ragionamento chiamato abduzione.
- Metafora: Immagina di avere un puzzle. L'Architetto non guarda l'intero puzzle, ma identifica esattamente quali tessere (le frasi chiave) devono essere rimosse e sostituite per cambiare il disegno finale, senza distruggere il resto del quadro.
Il Muratore (L'Intelligenza Artificiale): Una volta che l'Architetto ha detto: "Cambia solo questa frase qui", l'AI (il muratore) esegue il lavoro. Scrive la nuova frase mantenendo lo stile e il significato generale della storia.

3. Come funziona il "Ragionamento Abduzione"

Il termine "abduzione" può sembrare complicato, ma è semplice: è il processo di trovare la migliore spiegazione possibile per un fenomeno.

Analogia: Se vedi un prato bagnato (l'osservazione), potresti pensare che abbia piovuto (ipotesi). Ma se vedi anche un tubo dell'acqua rotto, l'abduzione ti dice: "La spiegazione migliore è che il tubo è rotto, non che ha piovuto".
Nel loro sistema: L'AI osserva la storia, usa le regole sociali per capire "Quale pezzo devo cambiare per trasformare il 'noi' in 'io'?", e poi lo fa.

4. I Risultati: Più preciso, meno danni

Hanno provato questo metodo su diverse intelligenze artificiali (come GPT-4, Llama, Grok).

Senza il loro metodo: L'AI spesso falliva o cambiava la storia in modo così radicale che non sembrava più la stessa storia (come se avessi cambiato il genere del libro da commedia a tragedia).
Con il loro metodo: La storia cambia perfettamente il suo "tono culturale" (da gruppo a individuo e viceversa), ma rimane fedele alla trama originale.
- Il risultato: Hanno migliorato la capacità di cambiare la storia del 55% rispetto ai metodi normali, mantenendo al contempo una somiglianza con l'originale molto più alta (il testo non diventa irriconoscibile).

In sintesi

Immagina di dover adattare un film per un pubblico diverso. Se chiedi a un montatore casuale di farlo, potrebbe tagliare scene importanti o cambiare la trama. Questo paper propone invece di avere prima un regista esperto di psicologia (il sistema logico) che ti dice esattamente quali scene tagliare e quali dialoghi riscrivere, e poi un montatore AI che esegue il lavoro con precisione chirurgica.

Il risultato è una storia che parla alla mente di un lettore individualista o collettivista, pur raccontando esattamente la stessa avventura di prima. È un modo per far sì che la tecnologia non solo scriva, ma capisca le sfumature culturali umane.

Each language version is independently generated for its own context, not a direct translation.

1. Il Problema

Il lavoro affronta la sfida di trasformare il narrativo di un testo (la sua orientazione culturale) mantenendo intatto il messaggio centrale e la fedeltà semantica. In particolare, gli autori si concentrano sulla transizione tra due dimensioni culturali fondamentali:

Individualismo: Enfatizza l'autonomia, i tratti personali, i risultati individuali e la responsabilità personale.
Collettivismo: Enfatizza i ruoli sociali, le relazioni, l'appartenenza al gruppo e la responsabilità condivisa.

La sfida principale: I moderni Large Language Models (LLM), quando utilizzati con prompt zero-shot (senza esempi specifici), falliscono sistematicamente nel modificare questi orientamenti culturali. Spesso non riescono a identificare gli elementi narrativi chiave (es. frasi che indicano azione di gruppo) che devono essere alterati, portando a trasformazioni fallite o a testi incoerenti che perdono il significato originale.

2. Metodologia: Un Approccio Neuro-Simbolico

Gli autori propongono un metodo ibrido che combina il ragionamento simbolico (basato su regole) con la capacità generativa degli LLM. Il processo è guidato da teorie delle scienze sociali e dal ragionamento abducente.

A. Fondamenti Teorici e Diagnostica

È stato sviluppato un questionario diagnostico strutturato (basato sulla psicologia transculturale) composto da 20 dimensioni bidirezionali (40 domande totali).
Questo strumento valuta un testo su specifici elementi narrativi (conflitto, attori, azioni, obiettivi, risoluzione, valutazione morale) per determinare il grado di allineamento all'individualismo o al collettivismo.
Un LLM viene utilizzato per rispondere a questo questionario su un testo candidato, generando un punteggio di "diagnosi" normalizzato.

B. Formalizzazione Logica (Abduzione)

Il problema di trasformazione è formalizzato come un problema di abduzione in un framework logico annotato:

Osservazioni ( $O$ ): Fatti annotati che rappresentano i chunk (frammenti) del testo originale e le loro caratteristiche narrative attuali (es. c_feat(chunk, collettivismo) = 0.8).
Ipotesi ( $H$ ): Un insieme di fatti annotati che rappresentano le caratteristiche narrative desiderate (es. c_feat(chunk, individualismo) = 0.8).
Programma Logico ( $\Pi$ ): Un insieme di regole derivate da un corpus di addestramento che collegano le caratteristiche dei chunk alla narrazione complessiva della storia.
Obiettivo: Trovare un'esplicazione ( $E$ ) che identifichi quali chunk specifici devono essere modificati per massimizzare la similarità con il corpus target (es. collettivista) mantenendo la coerenza logica.

C. Architettura in Due Fasi

Fase 1: Apprendimento delle Regole:
- Il sistema analizza un corpus di storie target (es. storie puramente individualiste) per apprendere le regole logiche che collegano specifici elementi testuali a una narrazione culturale.
- Vengono estratte regole del tipo: "Se un chunk contiene 'un'azione solitaria', allora la storia è individualista".
Fase 2: Trasformazione Abducente Iterativa:
- Per una storia di test, il sistema esegue un ragionamento abducente iterativo.
- Identifica i chunk specifici che devono essere modificati per raggiungere l'orientamento target.
- Invia questi chunk specifici a un LLM con un prompt mirato per riscriverli, mantenendo il resto del testo invariato.
- Il processo si ripete per un numero limitato di iterazioni, selezionando la versione finale che massimizza il punteggio di trasformazione.

3. Contributi Chiave

Nuovo Task: Definizione e formalizzazione del "Narrative Shift" come compito di trasformazione culturale preservando la semantica, un'area precedentemente poco esplorata con successo.
Approccio Neuro-Simbolico: Integrazione innovativa di ragionamento logico (per identificare cosa cambiare) e LLM (per eseguire come cambiarlo), superando i limiti dei metodi puramente basati su prompt.
Diagnostica Basata sulla Teoria: Sviluppo di un framework di valutazione quantitativo basato su teorie psicologiche consolidate, invece di metriche generiche.
Efficienza: Il metodo modifica solo i segmenti essenziali del testo (circa il 32% dei token), riducendo il costo computazionale e preservando la struttura originale.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su diversi modelli (GPT-4o, Grok-4, Llama-4, DeepSeek-R1) con dataset di 118 narrazioni (90 individualiste, 28 collettiviste).

Performance di Trasformazione:
- Il metodo proposto supera significativamente il baseline zero-shot.
- Esempio (Collettivismo $\to$ Individualismo con GPT-4o): Miglioramento del 97.12% rispetto all'originale (contro il 26.73% del baseline), con un miglioramento del 55.88% rispetto al baseline.
- Esempio (Individualismo $\to$ Collettivismo): Miglioramenti comparabili, con GPT-4o che supera il baseline del 15% in termini di punteggio diagnostico.
Fedeltà Semantica (KL Divergenza):
- Il metodo mantiene una fedeltà semantica superiore rispetto al baseline.
- Per la trasformazione C $\to$ I con GPT-4o, si osserva un miglioramento del 40.4% nella similarità semantica con la storia originale rispetto al baseline (misurato tramite divergenza KL).
- Il baseline tende a generare testi molto diversi dall'originale (alta divergenza), mentre il metodo proposto preserva il contenuto originale modificando solo gli elementi narrativi critici.
Robustezza: L'approccio funziona bene sia su modelli "reasoning" (come GPT-4o e DeepSeek-R1) che su modelli non reasoning (Llama-4).

5. Significato e Implicazioni

Questo lavoro dimostra che i LLM, sebbene potenti nella generazione, necessitano di vincoli esterni basati su teorie (in questo caso scienze sociali) per eseguire compiti di ragionamento culturale complessi.

Applicazioni Pratiche: Il metodo è rilevante per la diplomazia, il giornalismo, le operazioni di informazione militare e la mitigazione della polarizzazione politica, dove è cruciale adattare un messaggio a diverse culture senza distorcerne il fatto centrale.
Contributo Scientifico: Offre un modello per l'interazione tra logica simbolica e modelli linguistici, dimostrando che l'abduzione può guidare efficacemente la generazione di testo verso obiettivi specifici e culturalmente sensibili, superando i limiti delle tecniche di prompting diretto.

In sintesi, il paper presenta un sistema che non si limita a "riscrivere" un testo, ma lo "analizza" logicamente per identificare i punti di leva culturali e li modifica in modo chirurgico, garantendo che il messaggio rimanga fedele mentre il suo contesto culturale cambia.