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

Dit paper introduceert een neurosymbolische aanpak die sociale wetenschapstheorie en abductief redeneren combineert om Large Language Models te helpen verhalen effectief te transformeren tussen collectivistische en individualistische narratieven, terwijl de oorspronkelijke boodschap behouden blijft.

De kern

Stel je voor dat je een verhaal vertelt aan een vriend. Als je dat verhaal vertelt aan iemand uit een andere cultuur, moet je misschien de manier waarop je het vertelt aanpassen, zonder de kern van het verhaal te veranderen.

Dit artikel gaat over precies dat: hoe je een verhaal kunt herschrijven zodat het past bij een andere kijk op de wereld (bijvoorbeeld van "wij" naar "ik" of andersom), zonder dat het verhaal zijn ziel verliest.

Hier is een uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Probleem: De "Doe-het-zelf" Fout

Stel je voor dat je een robot (een AI) vraagt: "Herschrijf dit verhaal over een dorp dat samenwerkt, zodat het gaat over één held die alles alleen doet."

Als je dit vraagt aan de huidige slimme robots (zoals GPT-4), gebeurt er vaak iets raars. De robot probeert het, maar hij blijft hangen in de oude sfeer. Hij verandert misschien een paar woorden, maar hij mist de essentie. Het is alsof je iemand vraagt om een rode auto in het blauw te schilderen, maar hij vergeten de wielen blauw te maken. Het resultaat ziet er nog steeds uit als een rode auto, alleen dan met een blauwe bumper.

De onderzoekers noemen dit een narratieve verschuiving. Het is heel moeilijk voor AI om de cultuur van een verhaal te veranderen terwijl de feiten hetzelfde blijven.

2. De Oplossing: Een Architect en een Schilder

De onderzoekers hebben een slimme nieuwe manier bedacht. Ze noemen het een "neuro-symbolische" aanpak. Laten we dat vertalen naar iets begrijpelijks:

Stel je voor dat je een huis wilt verbouwen.

• De AI (de schilder) is goed in het schilderen van muren en het schrijven van zinnen. Maar hij weet niet precies waar hij moet schilderen om de sfeer van het huis te veranderen.
• De Theorie (de architect) is een set van regels uit de sociale wetenschappen. Deze regels vertellen je precies welke onderdelen van een verhaal "collectivistisch" zijn (over groepen) en welke "individualistisch" zijn (over individuen).

Hun methode werkt in twee stappen:

1. De Architect kijkt naar het huis (Analyse):
   De computer kijkt naar het originele verhaal en gebruikt de "architect-regels" om te vinden: "Ah! Hier staat de zin 'Alle handen graven' (collectief). Dat moet weg. Hier staat 'De jonge man' (individueel). Dat moet blijven."
   Dit noemen ze abductief redeneren. Dat klinkt ingewikkeld, maar het is eigenlijk gewoon slim gissen: "Welke stukjes moeten we veranderen om het doel te bereiken?"

2. De Schilder doet het werk (Herschrijven):
   Pas nadat de architect precies heeft gezegd welke zinnen veranderd moeten worden, geeft de AI (de schilder) de opdracht: "Verander alleen deze specifieke zin naar 'De jonge man graaft'."

3. Waarom werkt dit beter?

In het artikel zien ze dat hun methode veel beter werkt dan AI die gewoon een opdracht krijgt zonder hulp.

• Voorbeeld: Een verhaal begint met: "Maar het zal niet opstaan voor de voeten van een paar. Alleen als alle handen graven..."
  • Gewone AI: Verandert misschien niets of maakt het onduidelijk.
  • Hun methode: Zegt: "De zin 'alle handen' is het probleem. Verander dat naar 'alleen één vastberaden ziel'."
  • Resultaat: "Maar het zal niet opstaan voor de voeten van een paar. Alleen als één vastberaden ziel graaft..."

Het verhaal is nu over een individu, maar de boodschap (dat er gegraven moet worden) is hetzelfde.

4. De Resultaten: Meer dan alleen een "probeer het maar"

De onderzoekers hebben dit getest met verschillende slimme robots (GPT-4, Grok, Llama, etc.).

• Ze zagen dat hun methode 55% beter was in het veranderen van de sfeer van het verhaal dan de standaard AI.
• Belangrijker nog: Het verhaal bleef 40% meer lijken op het origineel. De AI verloor niet de "ziel" van het verhaal.

Het is alsof je een kledingstuk aanpast voor een ander seizoen. De gewone AI probeert het hele pak te vervangen door iets nieuws (en dat past niet goed). Hun methode pakt de knopen los, verandert de stof op de juiste plekken, en zorgt dat het nieuwe pak perfect past, maar nog steeds hetzelfde pak is.

Samenvatting

Dit artikel laat zien dat als je een AI slim wilt gebruiken om verhalen te herschrijven voor een ander publiek, je niet zomaar kunt zeggen: "Doe het maar."

Je moet eerst een slim plan maken (met regels uit de sociale wetenschappen) om te zien wat er precies moet veranderen. Pas dan geef je de AI de opdracht om die specifieke stukjes te herschrijven. Zo krijg je een verhaal dat voelt als een nieuw verhaal voor een nieuwe cultuur, maar dat nog steeds de waarheid van het origineel behoudt.

Technische samenvatting

Probleemstelling

Effectieve communicatie vereist dat een boodschap wordt afgestemd op het narratief en de wereldvisie van het publiek. Culturele oriëntaties, met name het onderscheid tussen individualisme (autonoom, persoonlijke prestaties) en collectivisme (interdependentie, groepsbelang), bepalen hoe mensen oorzaken toedichten, morele verantwoordelijkheid toekennen en successen evalueren.

Het huidige probleem is dat Large Language Models (LLMs), hoewel ze uitstekend zijn in tekstgeneratie, moeite hebben om het culturele narratief van een tekst systematisch te transformeren (bijv. van collectivisme naar individualisme) terwijl ze de semantische kern van het originele verhaal behouden.

• Huidige tekortkoming: Zero-shot prompts (directe instructies zoals "maak dit verhaal individualistischer") falen vaak. Ze herkennen niet de specifieke narratieve markers die het culturele perspectief dragen (bijv. de zin "alle handen graven" in plaats van "één vastberaden ziel") en genereren vaak inconsistente of hallucinante resultaten zonder de essentie van het verhaal te behouden.

Methodologie: Neurosymbolische Abductieve Redenering

De auteurs stellen een neurosymbolische aanpak voor die sociale-wetenschappelijke theorie combineert met abductieve redenering om LLM's te sturen. Het systeem werkt in twee fasen:

1. Theoretische Basis en Diagnose

• Diagnostisch Survey: Gebaseerd op cross-culturele psychologie, hebben de auteurs een survey ontwikkeld met 20 dimensies (40 vragen in totaal: 20 individualistisch, 20 collectivistisch). Deze vragen evalueren elementen zoals conflicten, actoren, doelen en morele evaluaties.
• Logisch Formeel Model: Het verhaal wordt gemodelleerd als een verzameling "chunks" (tekstfragmenten) met geannoteerde narratieve kenmerken.
  • Observaties ($O$): De huidige kenmerken van de tekst (bijv. een chunk heeft een collectivistische eigenschap met een bepaalde betrouwbaarheid).
  • Hypothese ($H$): Mogelijke alternatieve kenmerken die nodig zijn om het narratief te veranderen.
  • Logisch Programma ($\Pi$): Een set regels die de relatie tussen kenmerken en het totale narratief beschrijven.

2. Het Abductieve Proces

Het probleem wordt geformaliseerd als een abductie-probleem: gegeven een observatie (het originele verhaal) en een doel (het gewenste narratief), welke hypothese (welke chunks moeten worden aangepast) leidt tot het doel met de minste complexiteit (parsimonie)?

• Fase 1: Regel leren: Het systeem leert regels uit een trainingscorpus. Het identificeert welke specifieke kenmerken (features) correleren met een bepaald narratief (bijv. "eenzaamheid" correleert met individualisme).
• Fase 2: Iteratieve Transformatie:
  1. Het systeem analyseert een testverhaal en identificeert de chunks die het meest bijdragen aan het onbedoelde narratief.
  2. Het berekent welke chunks moeten worden gemodificeerd om het doel-narratief te bereiken.
  3. De LLM wordt gecontroleerd gebruikt om alleen deze specifieke chunks te herschrijven naar het nieuwe narratief, in plaats van het hele verhaal opnieuw te genereren.
  4. Dit proces is iteratief totdat de optimale transformatie is bereikt.

Belangrijkste Bijdragen

1. Eerste systematische aanpak voor culturele narratieve verschuiving: Het paper introduceert een methode om narratieve oriëntatie (individualisme vs. collectivisme) te transformeren zonder de semantische integriteit te verliezen.
2. Neurosymbolische Integratie: Het combineert symbolische logica (voor het identificeren van wat er moet veranderen) met neurale netwerken (LLMs voor de daadwerkelijke tekstgeneratie). Dit voorkomt hallucinaties en zorgt voor gerichte wijzigingen.
3. Theorie-gedreven: In plaats van puur op statistische patronen te vertrouwen, gebruikt het systeem expliciete regels afgeleid van sociale-wetenschappelijke theorieën over culturele dimensies.
4. Efficiëntie: Door alleen specifieke "chunks" aan te passen in plaats van het hele verhaal te herschrijven, wordt het aantal LLM-aanroepen beperkt en blijft de originele context behouden.

Resultaten

De methode is getest op meerdere LLM's (GPT-4o, Grok-4, Llama-4, Deepseek-R1) voor beide richtingen: Collectivisme $\to$ Individualisme (C$\to$I) en Individualisme $\to$ Collectivisme (I$\to$C).

• Prestatieverbetering:
  • Bij de transformatie van C$\to$I met GPT-4o overtrof de abductieve methode de zero-shot baseline met 55,88% in het bereiken van het gewenste narratief.
  • De methode behaalde een 40,4% verbetering in semantische gelijkenis (gemeten via KL-divergentie) ten opzichte van de baseline. Dit betekent dat het herschreven verhaal dichter bij het origineel blijft dan bij de zero-shot methode.
  • Voor I$\to$C werden vergelijkbare verbeteringen gezien, hoewel Deepseek-R1 als baseline al redelijk goed presteerde (waarschijnlijk vanwege een inherente collectivistische bias in dat model), maar dan wel ten koste van de semantische gelijkenis met het origineel.
• Efficiëntie:
  • Slechts 32,11% van de tokens in een verhaal vereiste daadwerkelijke transformatie. De rest bleef ongewijzigd, wat de semantische consistentie garandeert.
  • Er is een lineair verband gevonden tussen het aantal geïdentificeerde segmenten en het aantal LLM-aanroepen.

Significantie en Toekomstperspectief

Dit werk is significant omdat het een brug slaat tussen sociale wetenschappen en kunstmatige intelligentie. Het lost een fundamenteel probleem op in de tekstverwerking: hoe je de cultuur van een tekst verandert zonder de inhoud te vernietigen.

• Toepassingen: De technologie is relevant voor diplomatie, journalistiek, informatieoperaties en het verminderen van politieke polarisatie, waarbij boodschappen moeten worden aangepast aan specifieke culturele doelgroepen.
• Toekomst: De auteurs suggereren uitbreiding naar andere culturele dimensies en het ontwikkelen van rijkere temporele regels voor complexere narratieve structuren.

Kortom, het paper demonstreert dat abductieve redenering, geleid door sociale-theoretische regels, een krachtig hulpmiddel is om LLM's te sturen bij het uitvoeren van subtiele, maar cruciale, culturele narratieve verschuivingen.