💬 NLP

Cognitive Linguistic Identity Fusion Score (CLIFS): A Scalable Cognition-Informed Approach to Quantifying Identity Fusion from Text

本文提出了一种名为 CLIFS 的新型量化指标，通过结合认知语言学与大语言模型（LLM）自动识别隐喻，实现了对“身份融合”程度的高效、可扩展且精准的文本分析，并在暴力风险评估中展现出显著的性能提升。

原作者： Devin R. Wright, Jisun An, Yong-Yeol Ahn

发布于 2026-02-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Devin R. Wright, Jisun An, Yong-Yeol Ahn

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种名为 CLIFS 的新技术。为了让你轻松理解，我们可以把这篇文章想象成一个关于“如何通过文字读懂一个人的‘灵魂归属感’”的故事。

1. 核心概念：什么是“身份融合” (Identity Fusion)？

想象一下，你不仅是“你”，你还觉得自己就是你的“球队”、你的“信仰”或者你的“国家”。

普通的社交身份：就像你穿了一件印有球队 Logo 的 T 恤。你喜欢这支球队，但如果你输了，你回家照样吃火锅，生活没变化。
身份融合 (Identity Fusion)：就像这支球队的颜色直接渗进了你的血液里。如果球队输了，你会觉得是自己丢了脸，甚至觉得心碎、想去拼命。“我”与“它”之间的界限消失了，变成了一个整体。

这种感觉很强大，它可以让人们为了共同目标做出伟大的贡献（比如极度的爱国或奉献），但也可能导致极端的行为（比如为了某种极端思想去伤害他人）。

2. 难题：以前怎么测量？

以前科学家想知道一个人“融合”得有多深，通常只有两种笨办法：

问卷调查：直接问你：“你觉得自己和这个组织是一体的吗？”（但这容易被骗，或者大家都不想说真话）。
人工观察：请专家读你的日记或帖子，然后打分。（这太慢了，而且专家也会累，也会看走眼）。

3. CLIFS 的黑科技：文字里的“隐喻侦探”

这篇论文的作者们发明了 CLIFS。它不再问你问题，而是像一个**“文字侦探”**，通过分析你写下的文字，寻找那些你甚至都没意识到的“潜意识信号”。

它的核心原理是：寻找“隐喻” (Metaphor)。

比喻说明：
想象你在写日记。

如果你只是普通喜欢一个国家，你会写：“我热爱我的国家，它很强大。”（这是直白的话）。
但如果你已经“身份融合”了，你的语言会变得非常奇特。你会不自觉地用**“家人”或者“身体部位”来形容它。你会说：“它是我的脊梁**”、“它是我的血脉”、“它是我的灵魂伴侣”。

CLIFS 是怎么做的？
它利用了强大的 AI（大语言模型），它会把你的文字里的关键词“遮住”，然后看 AI 觉得填入什么词最自然。
如果当你写“我”的时候，AI 觉得填入“我的国家”或者“我的信仰”在逻辑和语感上竟然出奇地通顺，那么侦探就会判定：“抓到了！这个人的‘我’和‘目标’已经粘在一起了！”

4. 它的厉害之处在哪里？

它比人还准：实验证明，CLIFS 在识别这种“融合感”时，甚至比人类专家还要精准。
它能预警风险：这是最关键的一点。作者把这个技术用在了“暴力风险评估”上。通过分析一些极端分子的宣言，CLIFS 能比传统方法更准确地识别出谁正处于那种“为了信仰不惜牺牲一切”的极端状态。它把风险预测的准确度提升了 240%！
它很高效：它不需要你亲自去采访，只要有文字数据，它就能像流水线一样自动大规模地进行分析。

5. 总结

如果把人类的社会比作一片海洋，每个人都是一颗小水滴。

普通人是互相漂浮的水滴，虽然在一起，但还是独立的。
身份融合者则是水滴融合成了一股激流，甚至变成了一场海啸。

CLIFS 就是那台能够通过观察水流的纹理，精准判断出哪里是平静的小溪、哪里即将变成海啸的“智能雷达”。

这是一篇关于利用认知语言学与大语言模型（LLM）量化“身份融合”（Identity Fusion）程度的研究论文。以下是该论文的技术总结：

1. 研究问题 (Problem)

**身份融合（Identity Fusion）**是一种心理学现象，指个体自我意识与某一群体、意识形态、价值观或品牌等目标之间产生的“合一感”。这种融合可能导致亲社会行为（如社会凝聚力），也可能驱动极端行为（如暴力、激进主义）。

现有挑战：

测量手段单一： 传统的测量方法（如 VIFS 量表）依赖于受控调查或直接实地接触，难以在大规模、长时段或历史文本数据上进行自动化应用。
自动化指标不足： 现有的自动化语言指标（如 UAI 或 VRI）在衡量身份融合的准确性、一致性或与心理学金标准（VIFS）的对齐度方面表现较弱。

2. 研究方法 (Methodology)

作者提出了 CLIFS (Cognitive Linguistic Identity Fusion Score)，一种基于文本的自动化量化指标。其核心思想是：身份融合极强的个体，在潜意识中会通过**隐喻（Metaphor）**将“自我”与“目标”在概念空间中进行互换或对齐。

核心技术流程：

隐喻检测（基于 Masked-LM）： 利用 ModernBERT 等掩码语言模型，通过掩盖文本中的身份词（如“我”）并观察模型预测目标词（如“国家”）的概率，来量化两者之间的概念接近度。
多维度特征构建：
- 融合接近度 (Fusion-Proximity, $f(I,T)$ ): 计算“自我 $\to$ 目标”与“目标 $\to$ 自我”的互惠概率（使用调和平均数），捕捉身份融合的互惠性。
- 拟亲属关系 (Fictive-Kinship, $K_f$ ): 检测文本中是否使用了类似“兄弟”、“血脉”等亲属词汇来描述目标，以捕捉融合中的亲缘化倾向。
- 方向性接近度 ( $S_{I \to T}, S_{T \to I}$ ): 分别衡量从自我到目标及反向的语义替换概率。
- 深度学习特征： 结合 SBERT 语义嵌入和微调后的 ModernBERT 分类概率。
数据增强： 针对样本量较小的问题，采用了**回译（Round-Trip Translation）和生成式 AI（GPT-4o）**技术来扩充训练集。
模型架构： 使用随机森林（Random Forest）作为集成学习器，将上述认知语言学特征与深度学习特征进行融合。

3. 核心贡献 (Key Contributions)

新任务定义： 首次将“从自然语言预测身份融合程度”定义为一个标准的 NLP 任务。
新指标 CLIFS： 开发了一种结合认知语言学理论（隐喻检测）与现代 LLM 能力的新型量化指标。
自动化与可扩展性： 实现了无需人工干预、可大规模处理海量文本的自动化评估流程。
下游任务验证： 证明了该指标在暴力风险预测（Violence Risk Prediction）中的实用价值。

4. 研究结果 (Results)

身份融合预测性能：
- 分类任务： CLIFS 的分类性能比基准模型提升了 6% 至 154%。
- 回归任务： 在预测 VIFS 分数时，CLIFS 的 Spearman 相关系数达到 $r_s = 0.633$ ，比现有方法（如 UAI）提升了 165% 至 419%。
- 人类对比： CLIFS 的表现优于人类标注员（F1 分数提升 11%–22%），且误差率比人类低 25%。
暴力风险预测应用：
- 通过将 CLIFS 集成到现有的暴力风险指数（VRI）中，暴力风险分类的 F1 分数从 0.18 提升至 0.62，预测增益超过 240%。

5. 研究意义 (Significance)

理论意义： 为验证身份融合的理论路径（如自我验证、叙事共鸣如何驱动行为）提供了大规模实证工具。
实践意义：
- 反恐与安全： 为识别激进主义和评估暴力风险提供了更精准的自动化手段。
- 文化分析： 可用于大规模监测社会凝聚力、政治极化或品牌忠诚度。
方法论意义： 展示了如何将深层的认知语言学理论（隐喻理论）与前沿的掩码语言模型技术相结合，解决复杂的社会心理学量化问题。