想象一下，你正走在一座巨大且繁忙的图书馆里，每一本书、每一篇文章、每一条社交媒体帖子都是窥探他人思想的一扇窗户。有时，两个人在看待同一个事件（比如一场抗议或一项新法律）时，会写出截然不同的故事。一个人可能称之为“争取自由的斗争”，而另一个人则称之为“混乱”。这不仅仅是关于谎言，而是关于视角（Perspective）。在计算机和语言领域（被称为自然语言处理，简称 NLP），科学家们一直试图构建能够理解这些不同“窗户”的机器。他们发明了许多工具来实现这一点，并给它们起了名字，比如“情感”（作者是开心还是难过？）、“立场”（他们是同意还是反对？）、“框架”（他们展示了哪个角度？）以及“意识形态”（驱动他们的宏大信念是什么？）。

但问题在于：这座图书馆变得杂乱无章了。研究人员使用了太多不同的名称来描述这些工具，以至于很难分辨哪一个才真正适合哪项工作。这就像是一个工具箱，有人把锤子叫作“钉子推动器”，有人叫它“金属棒”，还有人叫它“建筑助手”。如果你想盖房子，你需要准确地知道该抓起哪件工具。如果没有清晰的地图，研究人员可能会误用螺丝刀去敲钉子，从而导致混乱的结果。本文的作用就是整理这个工具箱，组织好这些工具，并为我们提供一份清晰的指南，以便我们能构建出更好、更公平、更具理解力的 AI。

---

伟大的视角图谱：整理混乱

本文的作者 Agnese Daffara、Sebastian Padó 和 Tanise Ceron 决定正面解决这个杂乱的工具箱问题。他们并没有凭空猜测，而是进行了一场大规模的“搜寻游戏”，通过数千篇研究论文，寻找每一个被用于描述计算机科学中“视角”的概念。他们收集了 15 个不同的概念，其范围从非常宏大抽象的概念（如“价值观”和“意识形态”）到非常微小具体的概念（如“论点”和“语义框架”）。

为了理清这一团乱麻，他们将这些概念视为故事中的角色，并问道：“这些角色是如何表现的？”他们观察了每个概念的四个特定特征：

1. 语言线索（Linguistic Cues）： 该概念是在词汇中使用明显的痕迹（如大声喊叫），还是隐藏在字里行间（如低声耳语）？
2. 粒度（Granularity）： 该概念是分布在整个故事中（如整部电影的情绪），还是仅局限于一个句子或短语（如一个特定的笑话）？
3. 实体特异性（Entity-Specificity）： 它是否需要针对特定的个人或事物（如“唐纳德·特朗普”），还是可以关于任何通用的事物？
4. 类别数量（Number of Classes）： 当你尝试将它们分类到不同的桶中时，你是只有两个桶（是/否），还是需要一整道彩虹般的桶？

发现：一条单一的特异性直线

在分析了这 15 个概念在上述四个特征上的得分后，作者发现了一些令人惊讶且优美的现象。他们发现这些不同的概念并不是随机散布的。相反，它们完美地排列在一条单一的直线上，就像绳子上的珠子一样。

想象一把尺子。在其中一端，你拥有最通用、最宏观的思想。这些是像价值观和意识形态这样的东西。它们就像文本中的“天气”；它们无处不在，难以定位到单个句子，也无法通过特定的词汇来感知。它们是塑造一切的背景信念。

当你沿着尺子向另一端移动时，概念会变得更加具体且更具语言性。你会经过立场和情感（这些是关于对目标的个人感受），然后是主题和框架（这些是关于信息如何被选择和强调），最后，在非常尖锐、具体的末端，你会发现论点、主张和语义框架。这些是视角的“显微镜”。它们与特定的句子、特定的词汇以及特定的逻辑结构紧密相连。它们是构建宏大图景的具象且具体的基石。

论文指出，这并非巧合。它提出了一个层级结构：具体的语言装置（如论点）是砖块，而抽象的意识形态则是用砖块建成的城堡。没有砖块就无法建成城堡，但如果看不见砖块是如何堆叠的，单凭砖块本身也无法看出城堡的模样。

为什么这很重要：决策树

作者不仅画出了一条漂亮的线，他们还希望让它变得有用。他们意识到研究人员经常在选择合适的工具时感到困惑。因此，他们构建了一个决策树（流程图）来帮助任何人进行导航。

以下是实际操作中的应用方式：

• 场景 A： 如果你想构建一个能展示多样化政治观点的资讯 App，你不应仅仅寻找“快乐”或“悲伤”的词汇。你需要寻找意识形态和价值观，因为你想要捕捉作者深层的、潜在的信念。
• 场景 B： 如果你想分析两家不同的新闻频道如何报道同一桩犯罪案件，你可能更关注框架。这有助于你观察他们是如何选择讲述故事的方式（例如，是侧重于受害者还是侧重于警察），而不仅仅是看他们的看法。
• 场景 C： 如果你试图制作一个能够辩论正反两方的聊天机器人，你需要专注于论点和主张。这些是机器人为了听起来具有说服力而需要采取的具体逻辑步骤。

核心结论

本文并未声称已经“解决”了视角的问题。相反，它建议通过根据特异性将这些概念组织成清晰的层级结构，研究人员可以停止重复造轮子。它帮助人们选择研究中正确的“透镜”。

如果你正在研究辩论的深层文化根源，你就看向尺子的宽端（意识形态）。如果你正在研究一个特定的句子如何转移责任，你就看向尖锐的一端（论点）。通过理解这个光谱，我们可以构建出不仅仅是统计词频，而是真正理解人类看待世界之多种方式的 AI。这是迈向创造能够尊重人类意见复杂性，而非将其扁平化为一个单一、乏味答案的技术的重要一步。