随着社交媒体上的极化现象加剧，政治模因如何塑造网络叙事已成为一个值得认真研究的问题。此前的研究路线大致分为两类：一类是难以大规模扩展的定性分析框架，另一类是缺乏理论根基的计算方法。这两类路径都把叙事范畴当作彼此孤立的标签来处理，并且主要关注身份的道德化刻画，忽略了模因叙事中更丰富的结构信息。
为弥补这些不足，论文作者提出了一个以社会科学理论为基础的框架，把模因叙事拆解为三个相互关联的类别。第一类是社会身份，涉及性别、政治立场、族裔等维度；第二类是视角，区分内群体与外群体的观看位置；第三类是叙事角色，包括道德品格、智力水平、社会地位与权力。这样的划分使模因理解不再局限于“好人/坏人”的二元判断，而能刻画同一身份在不同叙事位置上的呈现方式。
在这一框架之上，研究团队构建了IRON-Meme，这是一个由人工标注的基准数据集，包含1,110张政治模因，覆盖的模板数量显著多于现有同类基准。作者对数据集的分析得出两个主要观察：多数模因会给相关身份分配贬损性角色；身份、角色与模板三者之间存在系统性的相互关联，而不是随机组合。这意味着模因的叙事效果很大程度上依赖于模板与特定身份、角色之间的固定搭配。
在模型评测方面，作者测试了九种视觉语言模型。结果显示，前沿规模模型与具备推理能力的模型取得了最高性能；而对于出现频率较低的标签，模型在社会身份和叙事角色上的准确率会下降，说明长尾类别仍是当前模型的薄弱环节。一个值得注意的发现是，把模板的背景知识作为额外输入并不会提升叙事角色的分类效果。作者据此推测，模因解读的关键不在于模板本身是什么，而在于模因如何被改编以服务于特定的传播目的。
该论文提交至ARR，属于人工智能（cs.AI）方向，arXiv编号为2610.33097，于2026年10月22日提交。作者表示将公开IRON-Meme数据集与相关代码，以便后续研究复现与扩展。这项工作把理论驱动的框架与可规模化评测结合起来，为政治模因的计算分析提供了一个结构化的评测基础。