基于大语言模型的文学作品数字人文分析：叙述者不可靠性的计算 .docxVIP

PAGE2

基于大语言模型的文学作品数字人文分析：叙述者不可靠性的计算

摘要

本文聚焦于计算语言学与人工智能（AI）的交叉领域，提出并论证了一种利用大语言模型（LLM）对文学作品中叙述者不可靠性进行计算的数字人文分析新范式。

研究的核心问题在于，如何将韦恩·布斯（WayneC.Booth）以来叙事学理论中高度依赖人类阐释的“不可靠叙述”概念，转化为可被机器识别与分类的计算任务。

为回应此问题，本文首先构建了一个“叙述者不可靠性计算模型”的理论框架，该框架将不可靠性界定为一种基于文本信号与读者认知模型间动态张力的涌现现象。

其次，本文深入阐释了以提示词工程（PromptEngineering）为核心的计算机制。通过设计“矛盾陈述识别”、“视角限定分析”与“价值判断偏离”等多元提示策略，引导LLM扮演“计算叙事分析师”角色，实现对小说全文中不可靠信号的结构化提取与类型学判定。

最终，本文完成了一项理论建构工作，将计算叙事学从风格计量拓展至叙述者认知建模。本文认为，这一范式不仅为长篇小说的大规模计算分析提供了可行路径，也为数字人文方法论贡献了“人机协同阐释”的新模式，推动了文学研究的计算深度。

关键词：大语言模型；数字人文；不可靠叙述；提示词工程；计算叙事学

第一章绪论

1.1研究背景

在数字人文浪潮的推动下，文学研究的计算转向已成为不可忽视的趋势。传统基于人工细读的文学