Narrative Media Framing in Political Discourse¶

会议: ACL 2025
arXiv: 2506.00737
代码: 有 (GitHub)
领域: NLP / 计算社会科学
关键词: 叙事框架, 媒体分析, 政治话语, LLM, 气候变化

一句话总结¶

将叙事学理论与媒体框架分析相结合，提出了包含角色（英雄/反派/受害者）、冲突/解决、文化故事三个结构化组件的叙事框架分析体系，在气候变化和 COVID-19 两个领域验证了该框架的有效性和可迁移性。

研究背景与动机¶

叙事框架（Narrative Framing）是媒体报道中一种强大的修辞手段——通过讲述"故事"的方式来引导读者对复杂议题的理解和判断。例如，同样是报道气候变化，一篇文章可以将环保活动家塑造为"英雄"，也可以将其塑造为"反派"，由此传递截然不同的信息。

现有 NLP 中的框架分析（framing analysis）主要以话题式框架（topic-like frames）为主，如"经济框架""冲突框架"等，但这种分类过于粗糙，无法捕捉同一话题下不同叙事策略的细微差异。例如，两篇同属"经济框架"的气候变化文章，一篇可能在强调化石燃料的经济必要性，另一篇则在呼吁气候行动的经济效益——它们的叙事方向完全相反。

NLP 领域虽然有对叙事元素（如角色、事件）的研究，但这些研究要么是领域特定的，要么缺少与框架分析的核心机制（议题歧义性、模式激活）的联系。本文通过整合叙事政策框架（Narrative Policy Framework, NPF）和 Entman 的框架理论，构建了一个结构化、可操作化的叙事框架分析体系。

方法详解¶

整体框架¶

提出三个核心组件，共同定义一个叙事框架：

角色（Characters）：谁是英雄、反派、受害者？焦点在哪个角色上？
冲突与解决（Conflict & Resolution）：角色是在激化冲突还是推动解决？
文化故事（Cultural Stories）：文章映射到哪种更宏观的文化价值观？

关键设计¶

1. 角色系统 (Hero/Villain/Victim)¶

核心思路：通过给实体分配原型角色（英雄/反派/受害者）来消解议题歧义性。读者对文章的解读取决于特定实体被框架为英雄（其行为被评价为有益）、反派（有害）还是受害者。

设计要点： - 区分主要角色和次要提及的实体，每个角色类型只取最核心的一个实体 - 将具体人物/组织抽象为利益相关者类别（如政府、环保活动家、普通民众等），使得跨文本比较成为可能 - 引入焦点（focus）概念：即使两篇文章的英雄和反派相同，焦点不同则叙事框架不同——"英雄式"（heroic）聚焦赞扬英雄，"责备式"（blaming）聚焦批评反派

2. 冲突与解决¶

将角色的行为定义为四种态度： - 激化冲突（fuel conflict）：做出加剧问题的行为 - 推动解决（fuel resolution）：做出解决问题的行为 - 阻止冲突（prevent conflict）：反对加剧问题的行为 - 阻止解决（prevent resolution）：反对解决问题的行为

这种抽象化使得该组件可以跨领域迁移——不需要定义特定的事件或行为，只需要判断态度方向。

3. 文化故事¶

基于 Douglas (2007) 的文化理论，将叙事映射到四种文化价值观： - 宿命主义（fatalist）：人们受到不可控力量的摆布 - 等级主义（hierarchical）：人们受社会规范和外部控制约束（如政府） - 个人主义（individualistic）：社会联系松散，不需要外部控制 - 平等主义（egalitarian）：集体行动，反对外部控制

标注流程与数据¶

从 1,000+ 美国气候变化新闻文章中随机选取 100 篇进行人工标注
通过组件式标注（先标注角色、焦点、冲突、文化故事，再映射到叙事框架），比直接选择叙事标签的标注一致性高得多（63% vs 37%）
最终定义了 16 种结构不同的叙事框架

实验关键数据¶

主实验：LLM 零样本叙事框架预测¶

任务	GPT-4o	o1	Mixtral	Llama	Gemini	Sonnet	Baseline
Hero (10类)	0.325	0.363	0.237	0.271	0.326	0.353	0.079
Villain (10类)	0.454	0.527	0.073	0.156	0.292	0.530	0.080
Focus (3类)	0.656	0.718	0.402	0.568	0.635	0.688	0.231
Conflict (4类)	0.332	0.549	0.353	0.379	0.361	0.399	0.135
Cultural Story (4类)	0.574	0.595	0.431	0.449	0.482	0.561	0.190
Narrative (16类)	0.258	0.330	0.171	0.181	0.319	0.339	0.021

（指标为 Macro F1）

消融实验：加入结构标签对叙事框架预测的影响¶

模型	无结构	+ 预测标签	+ Oracle 标签
GPT-4o	0.258	~0.40	~0.55
Gemini	0.319	~0.33	~0.43
Sonnet	0.339	~0.38	~0.45

关键发现¶

没有单一模型在所有任务上表现最好：Sonnet 和 o1 总体最强，但各有优劣
结构化信息显著提升叙事预测：加入角色/焦点等结构标签后，GPT-4o 的 F1 从 0.258 升至约 0.55（oracle=约 0.55），提升幅度远超模型推理能力本身的提升
叙事框架 vs 通用框架存在弱相关：同一通用框架（如"经济"）可以对应多种不同叙事框架，说明叙事分析提供了更细粒度的洞察
政治倾向与叙事组件强关联：右倾媒体压倒性地使用"阻止解决"和"个人主义文化故事"，这些模式在左倾媒体中完全不出现
跨领域可迁移：在 COVID-19 政治演讲上的无监督应用结果与已有政治学分析一致，验证了框架的通用性

亮点与洞察¶

从社会科学到 NLP 的桥梁构建：将 NPF（叙事政策框架）操作化为可计算的组件，这种理论驱动的研究路径比纯数据驱动更有深度
组件式标注的智慧：将复杂的 16 类叙事框架分解为 3-10 类的子任务进行标注，大幅降低认知负担并提升标注一致性——这种方法论对其他复杂标注任务也有参考价值
结构 > 推理能力：实验表明，给模型提供结构化标签比使用更强大的推理模型（如 o1）更有效，这对 prompt engineering 有重要启示
COVID-19 分析的发现：Morrison 偏好等级主义叙事（政府主导），Merkel 偏好平等主义叙事（集体行动），Johnson 是唯一使用个人主义叙事的，这些发现与政治学文献高度一致

局限与展望¶

数据集仅 100 篇（标注深度优先于广度），规模较小
LLM 在 16 类叙事框架直接预测上表现较差（即使减少为 3 类也提升有限），有较大改进空间
目前仅在零样本设定下评估，few-shot 和微调方向未深入探索
仅覆盖美国英文媒体，跨语言、跨文化的叙事框架分析是重要方向
文化故事组件尚未被纳入结构化 prompt 中（仅用了角色和焦点），未来可以进一步完善

评分¶

新颖性: ⭐⭐⭐⭐⭐ — 首次将叙事框架的三个核心组件形式化并操作化，理论深度和实用性兼备
实验充分度: ⭐⭐⭐⭐ — 6 个 LLM × 7 个任务的全面评估，加上跨领域验证，但数据集偏小
写作质量: ⭐⭐⭐⭐⭐ — 理论阐述深入，框架设计逻辑清晰，跨学科整合出色
价值: ⭐⭐⭐⭐ — 对计算社会科学和政治传播学有重要参考价值，框架具有广泛的应用前景