大语言模型辅助的小说人物心理呈现分析

围绕小说中的人物心理呈现，比较关键词规则、文本分类与大模型证据编码，并通过跨作品评价分析方法的迁移表现。

• 技术与任务大模型与智能体 · 自然语言处理 · 机器学习
• 应用方向信息与人工智能 · 经管与人文社科

项目亮点

• 文学概念如何操作化
• 三种方法分别看到了什么
• 为什么按作品检验迁移

数据与任务

同一句小说文本，可以从词语、叙述方式与上下文三个层面理解人物心理。这个项目把文学阅读问题转成可比较的文本分析任务，让大语言模型给出判断时同时指出证据。

先说清楚，它到底在做什么

研究选取三部作品、每部 30 个段落，围绕心理呈现建立分析标签。关键词规则提供透明基线，TF-IDF 与逻辑回归学习文本特征，大模型读取语境并返回结构化判断与依据。

搞懂它，你能在面试里讲清楚什么

文学概念如何操作化

标签需要能对应可观察的叙述表达，并用具体例子解释边界。数据中的参考标签来自项目语义预标注，因此一致率用于比较编码方法，阅读结论仍需回到原文语境。

三种方法分别看到了什么

关键词路线关注明显词语，文本分类组合词项统计，大模型能够结合语句关系组织解释。把同一段文字的三个输出并列，可以观察不同方法对含蓄表达和上下文线索的处理。

为什么按作品检验迁移

跨作品评价考察模型是否过度依赖某部作品的词汇风格。现有参考标签一致率中，大模型为 0.889、规则为 0.856、机器学习为 0.667；项目研究的是文本中的心理呈现。

怎样阅读实验与配图

研究流程图、同一句话的三种分析和跨作品评价图，适合用于讲清数字方法怎样服务文学问题。配套资料保留编码规则、分析代码和案例阅读路径，原文使用遵循相应授权范围。

面试与答辩可以怎样准备

如何把心理呈现概念定义成可判断的标签？

关键词命中与上下文理解有哪些差别？

跨作品表现怎样帮助判断方法是否依赖写作风格？

配套讲解材料围绕整体思路、关键步骤与结果解读展开，并提供面试问答与简历表达参考。准备时可以先按流程说明输入和输出，再选一个样例解释方法，最后用结果图回答具体问题。简历描述结合实际参与内容调整，配图可以放入 PPT 模板组织汇报。

配套资料

技术文档从任务背景、数据组织讲到模型与实验，再结合图表解释结果，包含面试问答和项目表达参考。下面展示正文选页，便于了解讲解内容与图文组织。

代码覆盖数据处理、核心方法和实验分析。下面是实际源码中的关键函数节选，可以结合文档中的流程与公式阅读，再沿输入、计算与输出理解具体实现。

适合谁

汉语言文学、文艺学、比较文学与数字人文方向。 项目资料可用于学习、选题交流与面试答辩准备；沿着数据、方法、实验和解释逐步掌握，形成能够独立讲清楚的项目经历。