{"id":16845,"date":"2024-12-11T08:27:46","date_gmt":"2024-12-11T08:27:46","guid":{"rendered":"https:\/\/lamarr-institute.org\/?post_type=blog&#038;p=16845"},"modified":"2025-11-12T14:54:20","modified_gmt":"2025-11-12T14:54:20","slug":"sot-llm-reasoning","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/sot-llm-reasoning\/","title":{"rendered":"K\u00f6nnen Narrative das Denken von LLMs verbessern? Ein Einblick in das Story of Thought (SoT) Framework"},"content":{"rendered":"\n<p>Narrative bzw. Erz\u00e4hlungen sind ein kraftvolles kognitives Werkzeug zur Strukturierung von Informationen und F\u00f6rderung des Verst\u00e4ndnisses \u2013 ein zentraler Bestandteil menschlichen Lernens und Denkens. Dieser Blog stellt Story of Thought (SoT) vor, ein neuartiges Framework, das diese Prinzipien anwendet, um die Denkf\u00e4higkeiten von Large Language Models (LLMs) zu verbessern.<\/p>\n\n\n\n<p>Sie sind effektive Hilfsmittel, um Informationen zu organisieren und komplexe Konzepte in verschiedenen Bereichen wie wissenschaftlicher Kommunikation und Bildung verst\u00e4ndlicher zu machen. Anders ausgedr\u00fcckt: Sie helfen, Informationen einzuordnen, Kontexte zu schaffen und Verbindungen herzustellen, die durch isolierte Fakten oder Fragen oft schwerer zu erfassen sind.<\/p>\n\n\n<style>.kb-image16845_986c9a-d2 .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image16845_986c9a-d2 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"410\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Figure-1-1024x410.png\" alt=\"two textboxes representing an example of \" class=\"kb-img wp-image-16827\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-1-1024x410.png 1024w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-1-300x120.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-1-768x307.png 768w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-1-1536x614.png 1536w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-1.png 2000w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Figure 1: Different approaches to conveying information: Fact-based vs. Narrative. <br>\u00a9 V. Sadiri Javadi<\/figcaption><\/figure>\n\n\n\n<p>Ein Beispiel: Ein \u201eConversational Agent\u201c soll das Konzept der Bruchrechnung erkl\u00e4ren. Im faktenbasierten Ansatz werden die Grundlagen direkt und klar vermittelt. Im narrativen Ansatz hingegen wird das Konzept in eine schrittweise entwickelte Geschichte eingebettet, die das Lernen durch einen Kontext und emotionale Bindung erleichtert.&nbsp;<\/p>\n\n\n\n<p>Menschen verstehen die Welt durch Geschichten \u2013 wir teilen Wissen, l\u00f6sen Probleme und geben Erfahrungen weiter, indem wir Narrative nutzen. Das brachte uns auf eine spannende Idee:<\/p>\n\n\n\n<p><strong>K\u00f6nnten wir die Kraft des Geschichtenerz\u00e4hlens nutzen, um Large Language Models (LLMs) zu helfen, effektiver zu denken?<\/strong><br>In unserem aktuellen Forschungsprojekt gehen wir genau dieser Frage auf den Grund. Unser Ziel ist es, herauszufinden, ob die Einbeziehung narrativer Elemente die Probleml\u00f6sef\u00e4higkeiten von LLMs wie <a href=\"https:\/\/openai.com\/index\/gpt-4\/\" target=\"_blank\" rel=\"noreferrer noopener\">GPT-4<\/a> oder <a href=\"https:\/\/www.llama.com\/\" target=\"_blank\" rel=\"noreferrer noopener\">LLaMA<\/a> bei wissensintensiven Reasoning-Aufgaben verbessern k\u00f6nnen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Warum Narrative? Inspiration aus der Kognitionswissenschaft<\/strong><\/h2>\n\n\n\n<p>Die Idee, Geschichten einzusetzen, stammt aus der Kognitionswissenschaft. Ein \u201eNarrativ\u201c beschreibt eine Abfolge von Ereignissen, die zu einer Geschichte verwoben werden. Das menschliche Gehirn reagiert auf Geschichten auf einzigartige Weise: Verschiedene Bereiche, vom Broca-Areal bis zu den sensorischen Kortizes, arbeiten zusammen, um Sprache zu verarbeiten und lebhafte mentale Bilder zu erzeugen \u2013 ein Effekt, der als \u201enarrative transportation\u201c bekannt ist.<\/p>\n\n\n<style>.kb-image16845_36fa8a-e4 .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image16845_36fa8a-e4 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"434\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Figure-2-1024x434.png\" alt=\"zwei Darstellungen eines Gehirns, das Informationen empf\u00e4ngt.\" class=\"kb-img wp-image-16829\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-2-1024x434.png 1024w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-2-300x127.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-2-768x325.png 768w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-2-1536x650.png 1536w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-2-2048x867.png 2048w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Abbildung 2: Das Gehirn empf\u00e4ngt Fakten (links) gegen\u00fcber dem Gehirn, das Geschichten empf\u00e4ngt (rechts). \u00a9 <a href=\"https:\/\/www.arielgroup.com\/wp-content\/uploads\/2023\/01\/Connecting-Through-Storytelling.pdf\" target=\"_blank\" rel=\"noreferrer noopener\">Ariel Group<\/a><\/figcaption><\/figure>\n\n\n\n<p>Geschichten sind nicht nur fesselnd, sondern auch \u00e4u\u00dferst effektiv, um Informationen zu strukturieren und abrufbar zu machen. Sie helfen uns, abstrakte Konzepte mit vertrauten Kontexten zu verkn\u00fcpfen, und f\u00f6rdern so ein tieferes Verst\u00e4ndnis und Erinnern.&nbsp;<\/p>\n\n\n\n<p>\u00dcbertr\u00e4gt man diese Vorteile auf LLMs, l\u00e4sst sich die Hypothese aufstellen, dass Narrative:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Die F\u00e4higkeit verbessern, relevante Informationen zu identifizieren,<\/li>\n\n\n\n<li>eine logische Struktur f\u00fcr komplexes Denken bieten,<\/li>\n\n\n\n<li>kausale Beziehungen und Abh\u00e4ngigkeiten innerhalb der Aufgabe verdeutlichen.<\/li>\n<\/ul>\n\n\n\n<p>&nbsp;Diese \u00dcberlegungen f\u00fchrten zur Entwicklung unseres neuen Frameworks: <strong>Story of Thought (SoT).<\/strong><\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Story of Thought (SoT): Wie Narrative LLMs helfen<\/strong><\/h2>\n\n\n\n<p>F\u00fcr LLMs \u00e4hnelt das L\u00f6sen von Problemen oft einem Puzzle: Einzelne, unzusammenh\u00e4ngende Fakten m\u00fcssen zu einem sinnvollen Bild zusammengesetzt werden. Bestehende Methoden wie <a href=\"https:\/\/learnprompting.org\/docs\/intermediate\/chain_of_thought?srsltid=AfmBOoqrutl9ALBood2H4UhOBRlONu2v7juKhEmeDYHX_zCNmN1Lv-Ky\" target=\"_blank\" rel=\"noreferrer noopener\">Chain of Thought (CoT)<\/a> helfen Modellen dabei, Probleme in logische Schritte zu zerlegen \u2013 ein wertvoller Ansatz, aber mit starren Strukturen. Doch wir fragten uns:<\/p>\n\n\n\n<p><strong>Was w\u00e4re, wenn anstelle starrer Denkschritte eine Geschichte entstehen k\u00f6nnte?<\/strong><br>Diese Geschichte w\u00fcrde nicht nur Struktur bieten, Sinn stiften undu Komplexit\u00e4t aufl\u00f6sen<\/p>\n\n\n\n<p>So entstand unser Ansatz: <strong>Story of Thought (SoT)<\/strong>. Dieses narrativgesteuerte Framework nutzt die Vorteile des Geschichtenerz\u00e4hlens \u2013 Kontextualisierung, Koh\u00e4renz und relationales Verst\u00e4ndnis \u2013 und er\u00f6ffnet LLMs eine neue, effektive Methode zur L\u00f6sung komplexer Aufgaben.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Wie funktioniert Story of Thought (SoT)?<\/strong><\/h3>\n\n\n\n<p>Um die Kraft narrativer Elemente in der Probleml\u00f6sung voll auszusch\u00f6pfen, haben wir einen dreistufigen Ansatz entwickelt:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Kl\u00e4rung der Fragestellung<\/strong>: Im Ersten Schritt wird das Problem in seine Kernelemente zerlegt. Mithilfe von LLMs identifizieren wir die zentralen Konzepte und Unterthemen, die f\u00fcr das Verst\u00e4ndnis des Problems notwendig sind. Diese Diagnosephase legt das Fundament f\u00fcr die sp\u00e4tere Narrative. <\/li>\n\n\n\n<li><strong>Erzeugung eines Narrativs<\/strong>: Aufbauend auf den gekl\u00e4rten Komponenten wird eine strukturierte Erz\u00e4hlung erstellt. Hierbei kommen Techniken wie Metaphern, analoges Denken (en. Analogical Reasoning) und progressive Offenlegung (en. Progressive Disclosure) zum Einsatz. Ziel ist es, das Problem so zu kontextualisieren, dass das Modell besser darauf zugreifen und es leichter l\u00f6sen kann.\u00a0<\/li>\n\n\n\n<li><strong>Probleml\u00f6sung<\/strong>: Das generierte Narrativ bildet schlie\u00dflich die Grundlage f\u00fcr das LLM, um das Problem zu l\u00f6sen. Die durch die Geschichte bereitgestellten Kontextinformationen und die logische Struktur erleichtern dem Modell das \u201cDenken\u201d und erh\u00f6hen die Probleml\u00f6sef\u00e4higkeit erheblich.<\/li>\n<\/ol>\n\n\n<style>.kb-image16845_a57f0e-fc .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image16845_a57f0e-fc size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"614\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Figure-3-1024x614.png\" alt=\"ein Diagramm, das einen \u00dcberblick \u00fcber die Story of Thought (SoT) gibt.\" class=\"kb-img wp-image-16830\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-3-1024x614.png 1024w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-3-300x180.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-3-768x461.png 768w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-3-1536x922.png 1536w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-3.png 2000w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Abbildung 3: Ein \u00dcberblick \u00fcber die Story of Thought (SoT) \u00a9 V. Sadiri Javadi<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Praxistest: SoT im Einsatz<\/strong><\/h2>\n\n\n\n<p>Um den Erfolg unseres Ansatzes zu bewerten, haben wir SoT an zwei anspruchsvollen Datens\u00e4tzen getestet, die logisches Denken und fachspezifisches Wissen:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>GPQA: <\/strong>Ein Datensatz mit Aufgaben aus den Bereichen Physik, Chemie und Biologie auf Hochschulniveau. <\/li>\n\n\n\n<li><strong>JEEBench: <\/strong>Ein Datensatz der Aufgaben aus der JEE-Advanced-Pr\u00fcfung (Joint Entrance Examination), in Physik, Chemie und Mathematik auf Abiturniveau umfasst.<\/li>\n<\/ol>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Wichtige Erkenntnisse<\/strong><\/h3>\n\n\n\n<p><strong>Performancesteigerung:<\/strong> \u00dcber verschiedene LLMs hinweg \u2013einschlie\u00dflich Versionen von LLaMA, Mistral, GPT und Microsofts Phi-Modellen \u2013 zeigte SoT konsistent eine bessere Leistung als traditionelle Prompting-Methoden wie <a href=\"https:\/\/www.promptingguide.ai\/de\/techniques\/zeroshot\" target=\"_blank\" rel=\"noreferrer noopener\">Zero-Shot<\/a>&#8211; und Chain-of-Thought-Techniken (CoT). Beispielsweise erreichte das Open-Source-Modell Llama 3 (70B Parameter) die h\u00f6chste Genauigkeit bei GPQA unter Verwendung der SoT-Methode und erzielte eine Punktzahl von 51,01 %. Bei GPT-4 f\u00fchrte der Einsatz von SoT zu einer Verbesserung der Genauigkeit bei GPQA um 14,28 Prozentpunkte im Vergleich zu Zero-Shot-Prompting.<\/p>\n\n\n<style>.kb-image16845_0353a1-39 .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image16845_0353a1-39 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"237\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Table-1-1024x237.png\" alt=\"eine Tabelle, die die Leistung der verschiedenen LLMs \u00fcber verschiedene Methoden hinweg bei GPQA zeigt.\" class=\"kb-img wp-image-16832\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-1-1024x237.png 1024w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-1-300x69.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-1-768x178.png 768w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-1-1536x355.png 1536w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-1-2048x474.png 2048w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Tabelle 1: Leistung (QA-Genauigkeit) der verschiedenen LLMs \u00fcber verschiedene Methoden bei GPQA. \u00a9 V. Sadiri Javadi<\/figcaption><\/figure>\n\n\n\n<p><strong>Robustheit: <\/strong>Auch kleinere Modelle profitierten erheblich von dem narrativen Ansatz, was die Skalierbarkeit der Methode unterstreicht. Besonders interessant: on leistungsst\u00e4rkeren Modellen generierte Erz\u00e4hlungen verbesserten die Leistung kleinerer Modelle \u2013 ein Hinweis darauf, dass Geschichten ein effektives Mittel zur Wissens\u00fcbertragung zwischen LLMs sein k\u00f6nnen.<\/p>\n\n\n<style>.kb-image16845_8909db-93 .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image16845_8909db-93 size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"342\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Table-2-1024x342.png\" alt=\"Eine Tabelle, die Daten zum Vergleich der Anwendung von Erz\u00e4hlungen, die von Open-Source-Modellen erzeugt wurden, mit Microsoft-Modellen bei der L\u00f6sung bestimmter Aufgaben enth\u00e4lt. Sie enth\u00e4lt Zeilen und Spalten, in denen die Aufgaben, die verwendeten Modelle und ihre jeweiligen Leistungskennzahlen oder Ergebnisse aufgef\u00fchrt sind.\" class=\"kb-img wp-image-16834\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-2-1024x342.png 1024w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-2-300x100.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-2-768x257.png 768w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-2-1536x513.png 1536w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Table-2-2048x684.png 2048w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Tabelle 2: Anwendung der von Open-Source-Modellen generierten Narrative auf Microsoft-Modelle zur L\u00f6sung der Aufgaben. \u00a9 V. Sadiri Javadi<\/figcaption><\/figure>\n\n\n\n<p><strong>Fachspezifische Verbesserungen:<\/strong> Besonders in F\u00e4chern wie Biologie und Chemie, die ein hohes Ma\u00df an kontextuellem Verst\u00e4ndnis erfordern, zeigte SoT herausragende Ergebnisse. Narrative vereinfachen hier komplexe Zusammenh\u00e4nge und verbessern die Probleml\u00f6sung signifikant.<\/p>\n\n\n<style>.kb-image16845_b4e35f-ef .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image16845_b4e35f-ef size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"374\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Figure-4-1024x374.png\" alt=\"ein Diagramm, in dem die Leistung von SoT in GPQA und JEEBench f\u00fcr verschiedene gro\u00dfe Sprachmodelle (LLMs) und Dom\u00e4nen verglichen wird. Das Diagramm enth\u00e4lt beschriftete Achsen, die Leistungsmetriken und -kategorien darstellen, mit unterschiedlichen Datenpunkten oder Linien f\u00fcr jedes LLM. Leistungsunterschiede werden visuell hervorgehoben, um vergleichende Trends aufzuzeigen.\" class=\"kb-img wp-image-16836\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-4-1024x374.png 1024w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-4-300x109.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-4-768x280.png 768w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-4-1536x560.png 1536w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-4-2048x747.png 2048w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Abbildung 4: Performance von SoT bei GPQA und JEEBench \u00fcber verschiedene LLMs und Bereiche hinweg. \u00a9 V. Sadiri Javadi<\/figcaption><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Ausblick: Die Zukunft von Story of Thought (SoT)<\/strong><\/h2>\n\n\n\n<p>Unsere bisherigen Ergebnisse sind vielversprechend, doch sie werfen ebenso viele Fragen auf, wie sie beantworten. Besonders spannend ist f\u00fcr uns die grundlegende Frage:<\/p>\n\n\n\n<p><strong>Warum sind Narrative so effektiv?<\/strong><br>Bieten sie lediglich eine strukturiertere M\u00f6glichkeit, Informationen f\u00fcr LLMs zu organisieren? Oder verbirgt sich\u00a0 in der Struktur von Erz\u00e4hlungen ein fundamentaler Mechanismus, der das Argumentationsverm\u00f6gen (Reasoning) von Modellen verbessert?<\/p>\n\n\n<style>.kb-image16845_063405-5d .kb-image-has-overlay:after{opacity:0.3;}<\/style>\n<figure class=\"wp-block-kadence-image kb-image16845_063405-5d size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1024\" height=\"882\" src=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Figure-5-1024x882.png\" alt=\"Eine Matrix, die die Korrelationskoeffizienten zwischen den im SoT-Ansatz verwendeten Erz\u00e4hltechniken (Progressive Disclosure, Branching, Analogy, Analogical Reasoning und Metaphor) f\u00fcr GPT-4 und Llama 3 70B zeigt. In der Abbildung werden die Ergebnisse f\u00fcr gel\u00f6ste und ungel\u00f6ste Aufgaben unterschieden, wobei numerische Werte oder Schattierungen die St\u00e4rke und Richtung der Korrelationen anzeigen. Die Techniken sind entlang beider Achsen beschriftet, um einen Quervergleich zu erm\u00f6glichen.\" class=\"kb-img wp-image-16838\" title=\"\" srcset=\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-5-1024x882.png 1024w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-5-300x258.png 300w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-5-768x661.png 768w, https:\/\/lamarr-institute.org\/wp-content\/uploads\/Figure-5.png 1468w\" sizes=\"auto, (max-width: 1024px) 100vw, 1024px\" \/><figcaption>Abbildung 5: Korrelationskoeffizienten zwischen allen Erz\u00e4hltechniken (PD = Progressive Disclosure, BR = Branching, AN = Analogy, AR = Analogical Reasoning, ME = Metapher), die im SoT-Ansatz f\u00fcr GPT 4 und Llama 3 70B in gel\u00f6sten und ungel\u00f6sten Aufgaben verwendet wurden. \u00a9 V. Sadiri Javadi<\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Grenzen und Herausforderungen<\/strong><\/h3>\n\n\n\n<p>Wir erkennen, dass SoT nicht f\u00fcr alle Arten von Aufgaben gleicherma\u00dfen geeignet ist. Probleme, die stark auf spezifischem Faktenwissen basieren oder Multiple-Choice-Optionen enthalten, profitieren m\u00f6glicherweise weniger von einem narrativen Ansatz. Hier k\u00f6nnte eine Kombination aus traditionellen Prompting-Methoden und SoT vielversprechend sein.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Neue Horizonte f\u00fcr LLMs<\/strong><\/h3>\n\n\n\n<p>Der Einsatz von Narrativen in der Probleml\u00f6sung er\u00f6ffnet nicht nur neue M\u00f6glichkeiten, sondern k\u00f6nnte auch den Denk- und Probleml\u00f6sungsansatz von KI-Agenten auf ein neues Niveau heben. Indem wir LLMs helfen, in Geschichten zu \u201edenken\u201c, schaffen wir die Grundlage f\u00fcr eine tiefere Integration menschlicher Denkmechanismen in KI-Systeme \u2013 eine Entwicklung, die das Potenzial hat, die Art und Weise, wie wir KI nutzen, grundlegend zu ver\u00e4ndern.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>K\u00f6nnen Geschichten die Denkf\u00e4higkeit von KI verbessern? Erfahren Sie, wie das Story of Thought (SoT)-Framework LLMs hilft, komplexe Probleme koh\u00e4renter und effektiver zu l\u00f6sen.<\/p>\n","protected":false},"author":16,"featured_media":16841,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,396,1418],"blog-tag":[1551,1559],"class_list":["post-16845","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-forschung","blog-category-sprachtechnologien","blog-tag-large-language-models-llms-de","blog-tag-nlp-de"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/16845","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/16"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/16845\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/16841"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=16845"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=16845"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=16845"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}