隨著社交媒體上的極化現象加劇，政治模因如何塑造網路敘事已成為一個值得認真研究的問題。此前的研究路線大致分為兩類：一類是難以大規模擴充套件的定性分析框架，另一類是缺乏理論根基的計算方法。這兩類路徑都把敘事範疇當作彼此孤立的標籤來處理，並且主要關注身份的道德化刻畫，忽略了模因敘事中更豐富的結構資訊。
為彌補這些不足，論文作者提出了一個以社會科學理論為基礎的框架，把模因敘事拆解為三個相互關聯的類別。第一類是社會身份，涉及性別、政治立場、族裔等維度；第二類是視角，區分內群體與外群體的觀看位置；第三類是敘事角色，包括道德品格、智力水平、社會地位與權力。這樣的劃分使模因理解不再侷限於“好人/壞人”的二元判斷，而能刻畫同一身份在不同敘事位置上的呈現方式。
在這一框架之上，研究團隊構建了IRON-Meme，這是一個由人工標註的基準資料集，包含1,110張政治模因，覆蓋的模板數量顯著多於現有同類基準。作者對資料集的分析得出兩個主要觀察：多數模因會給相關身份分配貶損性角色；身份、角色與模板三者之間存在系統性的相互關聯，而不是隨機組合。這意味著模因的敘事效果很大程度上依賴於模板與特定身份、角色之間的固定搭配。
在模型評測方面，作者測試了九種視覺語言模型。結果顯示，前沿規模模型與具備推理能力的模型取得了最高效能；而對於出現頻率較低的標籤，模型在社會身份和敘事角色上的準確率會下降，說明長尾類別仍是當前模型的薄弱環節。一個值得注意的發現是，把模板的背景知識作為額外輸入並不會提升敘事角色的分類效果。作者據此推測，模因解讀的關鍵不在於模板本身是什麼，而在於模因如何被改編以服務於特定的傳播目的。
該論文提交至ARR，屬於人工智慧（cs.AI）方向，arXiv編號為2610.33097，於2026年10月22日提交。作者表示將公開IRON-Meme資料集與相關程式碼，以便後續研究復現與擴充套件。這項工作把理論驅動的框架與可規模化評測結合起來，為政治模因的計算分析提供了一個結構化的評測基礎。