本研究提出了一种系统的叙述性发现框架，通过改变点检测、语义角色标注（SRL）和叙事片段的自动聚合来解决大规模文本下叙述性的提取，并在两个 Twitter 语料库中评估了我们的模型，结果表明我们的方法可以恢复相应于重大事件的主要叙述转变。

Jul, 2023

评估大型语言模型在经济领域的知识和推理能力，发现它们在经济推理方面不够成熟且可能产生错误或虚构的结果，提出了经济事件的自然语言推理数据集（EconNLI）以增强评估方法，认识到在涉及经济推理和分析的关键决策中使用大型语言模型存在局限性。

Jul, 2024

通过对比分析，本论文评估了大型语言模型和传统宏观时间序列预测方法的准确性。发现大型语言模型在宏观经济时间序列预测方面与传统方法相比存在优势和局限性。

Jul, 2024

本研究通过结合短文本主题建模和情感分析的技术来探讨 Twitter 等微博平台传达的叙述与加密资产价值之间的关系，揭示了涉及财务投资、技术进步、金融政策管制、媒体报道等 4-5 个与加密货币有关的叙述，并发现了其中部分叙述与加密货币价格之间的强关联。这一工作将最新的《叙事经济学》理论与主题建模和情感分析的研究领域相结合，以探讨与叙述相关的消费者行为。

Jun, 2023

在宏观经济仿真中，利用大型语言模型（LLMs）的人类化特性可以克服传统限制，能够设计出表现出人类决策和适应能力的 LLM 代理，进行模拟实验以展示其逼真的工作和消费决策能力，并产生比现有规则化或人工智能代理更合理的宏观经济现象。

Oct, 2023

本文对叙事理解任务进行了综合调查，详细研究了其关键特征、定义、分类、相关数据集、训练目标、评估指标和局限性。此外，我们探讨了将模块化大型语言模型的能力扩展到新的叙事理解任务的潜力，并通过将叙事理解视为提取作者想象线索的方式，引入了增强叙事理解的新方法。

Oct, 2023

本研究提出了使用社交媒体点赞数作为故事质量评估的一种方法，并利用神经网络来预测没有社交网络特征的点赞数，为未来的研究提供了强有力的基准。这也是关于叙述质量自动评估的首个大规模研究。

Jul, 2017

利用大型语言模型（LLMs）从社交媒体消息中提取潜在观点的通用 LLMs-in-the-Loop 策略，旨在解决社交媒体话语研究中手动编码方法的耗时和高成本问题。

Apr, 2024

研究采用定量基于语料库的话语分析技术，探索了社交媒体平台 GAB 和通讯服务 Telegram 上叙事演化的方法，通过识别关键的名词和动词进行深入研究，从而获得有价值且可操作的洞察。该研究对于时间序列相关信息挖掘提供了有用的方法，可以促进积极社会参与的前瞻性方式。

Mar, 2024

该研究介绍了一种用于揭示和分析社交媒体信息主题的新方法，通过机器与人员合作，利用大型语言模型，旨在深入探索社交媒体信息的主题细节，并发掘出多样的主题，研究结果表明该方法相较于传统的主题模型在发现潜在主题上更准确和可解释，同时揭示社交媒体中主题焦点随着现实事件的变化而变动，并指出这些主题如何针对不同人群进行定制。

Mar, 2024