HEART-felt Narratives: Tracing Empathy and Narrative Style in Personal Stories with LLMs

同理心是促进亲社会行为的基石，可以通过分享个人经历的故事来唤起。虽然故事的内容会影响同理心，但人们也会直觉地对故事的叙述方式做出反应。然而，同理心和叙述风格之间的关系还没有被完全理解。在这项工作中，我们使用LLMs和大规模众包研究来实证地研究和量化了风格和同理心之间的关系。我们引入了一种新颖的基于理论的分类法HEART（人类同理心和叙述分类法），它描述了可以导致与故事叙述者产生同理心的叙述风格要素。我们证明了LLMs在从HEART中提取叙述要素方面的性能，显示使用我们的分类法提示可以超越以前基于词汇表的方法所能做到的合理的人类级别的注释。为了展示我们分类法的实证应用，我们通过一个N=2,624参与者的大规模众包研究收集了有关故事同理心判断的数据集。我们表明，通过LLMs提取的叙述要素，特别是情感的生动性和情节的数量，可以阐明叙述风格如何培养对个人故事的同理心的路径。我们的工作表明，这样的模型可以用于导致以人为中心的社会和行为洞察的叙述分析。

论文试图通过使用HEART分类法和LLMs模型，量化叙述风格与情感共鸣之间的关系，以便更好地理解人类情感共鸣的机制。

使用HEART分类法和LLMs模型，可以提取叙述风格中的情感元素，特别是情感生动性和情节体量，这些元素可以阐明叙述风格如何培养对个人故事的共鸣。

论文提出了HEART分类法，使用LLMs模型提取叙述风格中的情感元素，通过大规模的众包研究收集了N=2,624个参与者对故事的情感判断，证明了模型的实用性。该研究为人类中心的社会和行为洞察提供了可能。

相关研究包括使用情感词典和机器学习模型来分析故事中的情感元素，以及研究叙述风格如何影响观众的情感共鸣。例如，Wang等人在“Story Cloze Test”中使用了情感词典，而Zhou等人使用了深度学习模型来预测观众的情感共鸣。