\textit{Regime Crackdown} に関しては特に 13.3% の改善（p=0.037）を示しました。一方でキーワードマッチングは、文字通りのキーワード重複がある議題では競争力を維持しています。まとまりのコストは最小限です。LLM による誘導は、議題に依存しないベースラインと比較して、まとまりをわずか 2.2% しか低下させません。出典となる素材に反するカウンター議題は、すべての手法で一様に低いスコア（2.2-2.5）を示し、誘導が裏付けのない物語を捏造できないことを確認しています。
アジェンダに基づくナラティブ抽出：大規模言語モデルで経路探索アルゴリズムを誘導する
arXiv cs.CL / 2026/4/1
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は「アジェンダに基づくナラティブ抽出（agenda-based narrative extraction）」を提案する。これは、大規模言語モデルを Narrative Trails 風の経路探索に統合し、ユーザーが指定した視点に沿ってストーリー構築を誘導しつつ、一貫性を保つ手法である。
- 各ステップにおいて、LLM はアジェンダとの適合度に基づいて候補となる文書を順位付けし、異なるアジェンダで手法を実行すると、同じコーパスから得られるストーリーラインが変化する。
- Claude Opus 4.5 と GPT 5.1 の LLM ジャッジを用いたニュース記事コーパスでの実験（64 のエンドポイントペア、6 つのアジェンダ）では、キーワードマッチングと比べてアジェンダへの適合が向上した。加えて、一貫性の低下はわずか 2.2% にとどまった。
- 本手法は、根拠のない「対抗アジェンダ（counter-agendas）」に対して頑健であると報告されており、それらは一様に低いスコア（2.2〜2.5）を示す。これは、本手法が元となる資料の外側で物語を捏造しないことを示唆する。
- 全体として、本研究はアジェンダ誘導を、インタラクティビティ／複数ストーリーライン向けに最適化された既存アプローチと、一貫性向けに最適化された既存アプローチとの架け橋として位置付けている。
