VinaBench: Benchmark for Faithful and Consistent Visual Narratives
EPFL（洛桑联邦理工学院）；Sony Group Corporation（索尼集团公司）；Carnegie Mellon University（卡内基梅隆大学）
本文提出 VinaBench 基准，通过标注常识与话语约束并提出新评估指标，有效提升了视觉叙事生成对输入文本的忠实度与跨图像的一致性。
2025-04-03 cs.AI cs.CL cs.CV
Narrative Landscape: Mapping Narrative Dispositions Across LLMs
School of Digital Humanities and Computational Social Sciences, KAIST（数字人文与计算社会科学学院，韩国科学技术院）
本文提出一个量化框架，用于评估LLM输出中稳定的模型特定规律。通过跨六个前沿模型和三种指令类型的结构化叙事约束选择任务，从一致性和多样性两个维度分析模型倾向，并引入基于PCA的可视化方法进行直接比较。
2026-05-09 cs.AI cs.CL
Unsupervised Location Mapping for Narrative Corpora
Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本文研究如何无监督地将叙事文本中的地点轨迹映射到空间地图上，提出一种基于大语言模型且无需预定义标签的流水线方法，并在大屠杀证词和英格兰湖区文献上验证了有效性。
2025-04-08 cs.CL cs.LG
Predicting the Quality of Short Narratives from Social Media
University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Disney Research（迪士尼研究院）
建立叙事计算模型的一个重要而困难的挑战是叙事质量的自动评估。质量评估将叙事理解和生成联系起来，因为生成系统需要评估自己的产品。为了规避获取注释的困难，我们采用社交媒体中的支持率作为故事质量的近似衡量标准。我们从大众问答网站Quora收集了54,484个答案，然后使用主动学习构建了一个分类器，将28,320个答案标记为故事。为了在不使用社交网络功能的情况下预测支持数，我们创建了对文本区域和区域之间的相互依赖性进行建模的神经网络，这可以作为未来研究的强有力的基准。据我们所知，这是第一个大规模的自动评价叙事质量的研究。
2017-07-08 cs.CL cs.SI
Enhancing Structural Mapping with LLM-derived Abstractions for Analogical Reasoning in Narratives
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Southern California（南加州大学）
本文提出YARN框架，利用LLM分解叙事并抽象单元，提升叙事类比推理能力，实验表明抽象显著提升性能，揭示了抽象层级、隐含因果关系和类比模式分类的挑战。
2026-03-31 cs.AI cs.CL
Forecasting Clinical Risk from Textual Time Series: Structuring Narratives for Temporal AI in Healthcare
本文提出从文本时间序列预测临床风险的方法，通过构建时间有序的临床数据，提升时序AI在医疗健康领域的应用效果。
2025-12-29 cs.AI cs.CL
How to predict creativity ratings from written narratives: A comparison of co-occurrence and textual forma mentis networks
Center for Mind/Brain Sciences (CIMeC), University of Trento（心灵/大脑科学中心（CIMeC），特伦托大学）；CogNosco Lab, Department of Psychology and Cognitive Science, University of Trento（CogNosco实验室，心理学与认知科学系，特伦托大学）
本文比较了共现网络和文本形式意识网络在预测创造力评分中的效果，发现TFMNs在预测精度上表现更优。
2026-01-12 cs.CL
Extracting narrative signals from public discourse: a network-based approach
Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学科学研究所）；Laboratoire Lattice, École Normale Supérieure - PSL - CNRS - Univ. Sorbonne Nouvelle（格勒诺布尔大学拉提实验室）；médialab, Sciences Po（社会科学高等学院媒体实验室）；Brussels School of Governance, Vrije Universiteit Brussel（布鲁塞尔治理学校，自由大学布鲁塞尔）；imec-SMIT, Vrije Universiteit Brussel（imec-SMIT，自由大学布鲁塞尔）
本文提出一种基于抽象意义表示（AMR）的图方法与启发式过滤规则，从政治文本中提取行动者、事件和视角化等叙事信号并构建网络，结合远读与细读重建潜在政治叙事，并以2010—2023年欧盟国情咨文为例验证其有效性。
2025-11-07 cs.CL cs.CY cs.IR
Ethics, Rules of Engagement, and AI: Neural Narrative Mapping Using Large Transformer Language Models
ASRC Federal（ASRC联邦）；UMBC（马里兰大学巴尔的摩县分校）；Lockheed-Martin（洛克希德·马丁）
确定一个军事单位是否正确地理解了一个命令，并正确地执行它的问题是一个困扰军事规划者在整个历史。OpenAI的GPT系列等高级语言模型的出现为解决这一问题提供了新的可能性。本文提出了一种机制，利用大语言模型的叙述性输出，并产生图或"地图"的关系，是潜在的权重等模型的GPT-3。由此产生的"神经叙事图"（NNM）旨在提供对模型中信息、观点和信念的组织的洞察，这反过来又提供了在物理距离的背景下理解意图和响应的方法。本文讨论了映射信息空间的一般问题，然后在OpenAI的GPT-3语言模型的上下文中提出了这一概念的具体实现，以确定下属是否在高风险情况下遵循指挥官的意图。下属在NNM中的位置允许一种新的能力来评估下属相对于指挥官的意图。我们表明，这不仅是可能的，以确定他们是否在附近的叙事空间，而且他们是如何定向，以及什么“轨迹”，他们是在。我们的研究结果表明，我们的方法是能够产生高质量的地图，并展示新的方法来评估意图更普遍。
2022-02-05 cs.AI cs.CL
Hybrid topic modelling for computational close reading: Mapping narrative themes in Pushkin's Evgenij Onegin
The BioRobotics Institute, Scuola Superiore Sant’Anna（生物机器人研究所，圣安娜高等学院）
本文提出一种结合LDA和sPLS-DA的混合主题建模框架，用于分析叙事诗歌的主题结构和纵向动态，通过《叶甫根尼·奥涅金》的意大利译本验证无监督与有监督词法结构在小语料库中的收敛性。
2026-03-20 cs.CL
Transcription-Enriched Joint Embeddings for Spoken Descriptions of Images and Videos
Telefonica Research（西班牙电信研究中心）；Universitat Politecnica de Catalunya (UPC)（加泰罗尼亚理工大学（UPC））
在这项工作中，我们提出了一种有效的方法来训练独特的嵌入表示相结合的三个同时模态：图像和口语和文本的叙述。所提出的方法偏离了一个基线系统，该系统产生了一个仅用口头叙述和图像线索训练的嵌入空间。我们在EPIC-Kitchen和Places Audio Caption数据集上的实验表明，引入人类生成的口语叙事文本transmittance有助于训练过程获得更好的嵌入表示。语音、图像和单词的三元组允许更好地估计点嵌入，并且即使当文本第三模态（文本）不存在于任务中时，也显示出图像和语音检索等任务内的性能的改善。
2020-06-01 cs.CL cs.CV cs.IR
M-SENSE: Modeling Narrative Structure in Short Personal Narratives Using Protagonist's Mental Representations
MIT Media Lab（麻省理工学院媒体实验室）
叙事是人类交际中无处不在的组成部分。理解它的结构在各种各样的应用中起着至关重要的作用，从简单的比较分析到增强的叙述检索，理解或推理能力。叙事学的先前研究强调了研究叙事的认知和语言方面之间的联系对于有效理解的重要性。这种相互依存关系与叙事文本的语义和心理语言有关，涉及人物的动机、情感或情绪以及信念。然而，这种相互依赖性几乎没有被探索用于建模叙事。在这项工作中，我们提出的任务，自动检测的叙事结构的突出元素，通过分析角色的推断心理状态的作用，以及在句法和语义层面的语言信息。我们介绍了一个简短的个人叙述的故事数据集，包含叙事结构的关键要素，特别是高潮和决议的手动注释。为此，我们实现了一个计算模型，利用主角的心理状态信息，从预先训练的模型训练的社会常识知识，并将其表示与上下文语义嵌入，使用多特征融合的方法。通过对先前的zero-shot和监督基线进行评估，我们发现我们的模型能够在识别高潮和分辨率的任务中实现显着的改进。
2023-02-18 cs.AI cs.CL
Mapping Patient Trajectories: Understanding and Visualizing Sepsis Prognostic Pathways from Patients Clinical Narratives
TCS Research（TCS研究）；Ashoka University（阿什oka大学）
本文提出一种基于临床叙述和自然语言处理的方法，利用 SHAP 解释不同脓毒症患者亚组，构建并可视化预后路径，揭示疾病进展轨迹与关键影响因素，助力实现个性化医疗。
2024-07-20 cs.AI cs.CL cs.LG
Modeling user context for valence prediction from narratives
Interactive Systems Lab, University of Trento 2 Clinical Psychology；Psychotherapy, University of Ulm
从个人的个人叙述中自动预测效价（人的情绪状态的一个关键特征）可以为精神卫生保健（例如，精神疾病的早期诊断、疾病过程的监督等）提供关键信息。在Interspeech 2018 ComparE自我评估情感挑战中，效价预测的任务被构建为一个三级分类问题，使用来自个人叙述的8秒片段。因此，任务不允许探索叙述的上下文信息。在这项工作中，我们调查的内在信息，从多个叙述由同一个人，以预测他们目前的心态。此外，考虑到可推广性，我们决定将我们的实验完全集中在文本信息上，因为与文本相比，音频叙事的公开可用性有限。我们的假设是，上下文建模可能会提供有关情感触发概念（例如事件，人，地点）的见解，这些概念与个人的心理状态有关。我们探索多种机器学习技术来建模叙事。我们发现，与单一叙述相比，这些模型能够捕捉个体间的差异，从而更准确地预测个体的情绪状态。
2019-07-14 cs.AI cs.CL cs.LG
PMOA-TTS: Introducing the PubMed Open Access Textual Times Series Corpus
Machine Learning Department, School of Computer Science（计算机科学系机器学习部门）；Heinz College of Information Systems and Public Policy（信息系统与公共政策学院）；National Library of Medicine（国家医学图书馆）
PMOA-TTS通过大规模语言模型管道构建，为时间序列分析提供结构化文本时间线，支持时间推理、生存建模和事件预测研究。
2026-01-15 cs.AI cs.CL cs.LG
Sentence Segmentation in Narrative Transcripts from Neuropsychological Tests using Recurrent Convolutional Neural Networks
Interinstitutional Center for Computational Linguistics (NILC)（跨机构计算语言学中心）；Institute of Mathematical and Computer Sciences（数学与计算机科学研究所）；University of São Paulo（圣保罗大学）
基于自然语言处理（NLP）的自动话语分析工具旨在诊断语言障碍性痴呆，通常提取叙述性转录的若干文本度量。然而，在转录本中缺乏句子边界分割，这阻止了依赖于这些标记来正常工作的NLP方法的直接应用，例如标记器和解析器。我们提出了第一步采取的自动神经心理学评估的基础上叙事话语分析，提出了一种新的自动句子分割方法受损的语音。我们的模型使用具有韵律、词性（PoS）特征和词嵌入的递归卷积神经网络。它本质上是受损的，自发的语音，以及，正常的，准备好的语音，并提出了更好的结果为健康老年人（CTL）（F1 = 0.74）和轻度认知障碍（MCI）患者（F1 = 0.70）比条件随机场的方法（F1 = 0.55和0.53，分别）在我们的研究相同的背景下使用。结果表明，我们的模型是强大的受损语音，并可用于自动话语分析工具，区分MCI和CTL产生的叙述。
2017-08-15 cs.CL
CHIRON: Rich Character Representations in Long-Form Narratives
School of Informatics（信息学院）；University of Edinburgh（爱丁堡大学）
针对现有叙事系统对角色理解不足的问题，本研究提出基于角色设定表的CHIRON表征框架，经生成与验证两步构建角色表征，在掩码角色预测任务上优于基线，其衍生指标可有效推断故事角色中心性且匹配人类判断。
2024-12-07 cs.CL
Skeleton-based Coherence Modeling in Narratives
本文研究骨架在后续句子中的一致性作为连贯性度量的可行性，提出SSN模型优于基线方法，表明当前连贯性建模技术通过处理句子而非子部分是正确的方向。
2026-04-02 cs.AI cs.CL
LLMs vs. Traditional Sentiment Tools in Psychology: An Evaluation on Belgian-Dutch Narratives
University of Kansas（堪萨斯大学）
针对弗拉芒语（低资源语言变体）效价预测任务，对比评估三种荷兰语专用LLMs与传统词典工具LIWC、Pattern的表现，发现传统工具更优，挑战LLM情感分析优势假设，强调需定制低资源语言评估框架。
2025-11-10 cs.CL
VideoXum: Cross-modal Visual and Textural Summarization of Videos
University of Rochester（罗切斯特大学）；OPPO US Research Center（OPPO美国研究中心）
提出联合视频与文本摘要新任务，构建大规模人工标注数据集VideoXum，设计端到端模型VTSUM-BILP及评估指标VT-CLIPScore，实现跨模态语义对齐并确立基准。
2024-04-23 cs.CL cs.CV
MirrorStories: Reflecting Diversity through Personalized Narrative Generation with Large Language Models
Brock University（布鲁克大学）
本研究提出MirrorStories语料库，通过LLMs整合身份元素生成1500篇个性化短篇故事，解决文学多样性不足问题，实验证明其在参与度和文本多样性上优于通用叙事并保留预期寓意。
2024-09-24 cs.AI cs.CL cs.CY
Molecules of a Story: Community Detection in PMI-weighted Narrative Networks
Aarhus University（奥胡斯大学）
本研究提出用PMI加权叙事网络社区检测方法，发掘被宏观结构掩盖的边缘子情节和关联，并在《指环王》上验证，揭示多种边缘结构类型。
2026-10-06 cs.CL
Modeling Dynamic Relationships Between Characters in Literary Novels
University of Maryland, College Park（马里兰大学帕克分校）；Carnegie Mellon University（卡内基梅隆大学）
研究人物在计算表示和解释叙事中起着至关重要的作用。与以往的工作，这集中在推断字符的角色，我们专注于建模的问题，他们的关系。而不是假设一个固定的关系的字符对，我们假设的关系是动态的，并随着叙事的进展而在时间上演变，并制定了一个结构化的预测问题的关系建模的问题。我们提出了一个半监督的框架来学习关系序列从完全以及部分标记的数据。我们提出了一个马尔可夫模型能够积累的关系和状态变化的历史信念。我们使用了一套丰富的语言和语义动机的功能，结合世界知识来研究文本内容的叙事。我们的经验表明，这样的框架优于竞争基线。
2015-11-30 cs.AI cs.CL
From Long Videos to Engaging Clips: A Human-Inspired Video Editing Framework with Multimodal Narrative Understanding
University of Science and Technology of China（中国科学技术大学）；ByteDance China（字节跳动中国）
针对现有自动视频编辑依赖文本线索、忽略视觉上下文导致输出不连贯的问题，提出融合多模态叙事理解的HIVE框架，通过场景分割拆分编辑子任务，还构建了DramaAD数据集，实验显示其性能优于基线，缩小了与人工编辑的质量差距。
2025-10-03 cs.CL cs.CV
GraphLit: Learning Text-Enriched Dynamic Character Network Representations for Literary Study
Deezer Research（Deezer研究）；Loria（Loria实验室）；IDIAP（IDIAP研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
提出动态异质人物网络（DHCN）和自监督框架GraphLit，通过掩码图自编码器学习融合文本上下文的文学表示，在12个角色相关任务上优于纯文本或纯图基线。
2026-09-01 cs.CL
Generating Knowledge Graph Paths from Textual Definitions using Sequence-to-Sequence Models
Iran University of Science and Technology（伊朗科技大学）；University of Cambridge（剑桥大学）
我们提出了一种新的方法，将无限制的文本映射到知识图谱实体的任务作为一个序列到序列的问题。具体来说，给定输入文本的编码状态，我们的解码器直接预测知识图谱中的路径，从根开始，并在目标节点结束后的上下义关系。通过这种方式，与其他文本到实体映射系统相比，我们的模型以端到端的方式输出分层结构的预测，这些预测在底层本体的上下文中是完全可解释的。我们提出了一个概念验证实验与令人鼓舞的结果，与那些国家的最先进的系统。
2019-04-05 cs.CL
Multi-Agent System for AI-Assisted Extraction of Narrative Arcs in TV Series
Università di Bologna（博洛尼亚大学）
本文提出一个提取电视剧叙事弧的多智能体系统，结合数据库与图形界面支持人工优化，在《实习医生格蕾》上测试表现良好，揭示了计算与人类协作在叙事分析中的潜力。
2025-03-04 cs.AI cs.CL cs.MA
Collective Narrative Grounding: Community-Coordinated Data Contributions to Improve Local AI Systems
Information Science University of Wisconsin-Madison（信息科学大学威斯康星大学麦迪逊分校）；Digital Media Georgia Tech（数字媒体佐治亚理工学院）
本文提出集体叙事 grounding 协议，通过社区协调的数据贡献，改进本地 AI 系统，解决社区特定查询的问答问题。
2025-12-05 cs.AI cs.CL cs.CY
Motion Generation from Fine-grained Textual Descriptions
Peking University（北京大学）；The University of Tokyo（东京大学）
针对现有text2motion局限于粗粒度描述的问题，构建了细粒度数据集FineHumanML3D并提出模型FineMotionDiffuse，通过学习细粒度描述到动作基元的映射，显著提升了动作生成质量与复合动作生成能力。
2024-03-26 cs.AI cs.CL cs.CV
A City of Millions: Mapping Literary Social Networks At Scale
Cornell University（康奈尔大学）
本研究发布大规模多语言文学社交网络数据集，通过自动化提取方法，涵盖大量历史文本与人物关系，为社科研究提供独特资源。
2025-03-28 cs.CL cs.LG cs.SI
Persona-E$^2$: A Human-Grounded Dataset for Personality-Shaped Emotional Responses to Textual Events
School of Future Technology（未来技术学院）
本文提出Persona-E$^2$数据集，通过标注MBTI和Big Five特质，捕捉读者对新闻、社交媒体和生活叙事的情感变化，发现性格信息显著提升理解，缓解'性格幻觉'。
2026-04-18 cs.AI cs.CL cs.HC
Aspects of human memory and Large Language Models
Institute of Theoretical Physics（理论物理研究所）；Mark Kac Center for Complex Systems Research（马克·卡茨复杂系统研究中心）；Jagiellonian University（雅盖隆大学）
本文研究LLM的记忆特性，发现其与人类记忆关键特征惊人相似，并论证这些特性源于训练文本统计而非架构本身，揭示人类记忆生物学特征对文本叙事结构的影响。
2024-04-08 cs.AI cs.CL cs.LG
GPT Struct Me: Probing GPT Models on Narrative Entity Extraction
INESC TEC（INESC TEC（葡萄牙系统与计算机工程研究所））；University of Porto（波尔图大学）；University of Beira Interior（贝拉内政大学）
本研究在 Text2Story Lusa 数据集上评估了 GPT-3 和 GPT-3.5 模型提取叙事实体的能力，通过消融研究确定最佳提示模板，发现 GPT 模型与基线系统相当，为资源有限的从业者提供了一体化替代方案。
2023-11-24 cs.AI cs.CL cs.IR
EDUQA: Educational Domain Question Answering System using Conceptual Network Mapping
Million Sparks Foundation（百万星火基金会）
大多数现有的问答模型可以在很大程度上被编译成两类：i）开放域问答模型，其回答通用问题并使用大规模知识库以及目标网络语料库检索;以及ii）封闭域问答模型，其解决集中的提问区域并使用复杂的深度学习模型。上述两种模式都是通过文本理解的方法来得出答案的。由于它们无法捕捉文本内容的教学意义，这些模型不适合教育领域的教学。在本文中，我们提出了一个飞行概念网络模型，结合教育语义。该模型通过在概念网络上应用智能索引算法来保持概念实体之间的相关性，从而提高答案的生成。该模型可用于构建交互式对话代理以帮助课堂学习。
2019-11-12 cs.AI cs.CL cs.LG
Generating Visual Stories with Grounded and Coreferent Characters
University of Edinburgh（爱丁堡大学）
提出以角色为中心的视觉故事生成新任务，构建带有角色共指链的VIST数据集并微调模型，实验证明其能生成角色一致且共指的视觉故事。
2025-03-02 cs.AI cs.CL
Show, Don't Tell: Uncovering Implicit Character Portrayal using LLMs
Vector Institute（向量研究所）；Stevens Institute（斯蒂文斯理工学院）；Dalhousie University（达尔豪斯大学）；University of Waterloo（滑铁卢大学）
本研究提出LIIPA框架，利用大型语言模型揭示小说中隐式角色塑造，生成更丰富的数据集，并在公平性和准确性上优于现有方法。
2024-12-05 cs.AI cs.CL cs.CY
Are Large Language Models Temporally Grounded?
University of Edinburgh（爱丁堡大学）；University of Cambridge（剑桥大学）
本研究通过三个任务评估LLMs的时间常识，发现其显著落后于人类和专门模型，尤其在自一致性上表现不佳，且模型规模扩大无益，表明LLMs缺乏一致的时间模型。
2023-11-16 cs.AI cs.CL
Large Language User Interfaces: Voice Interactive User Interfaces powered by LLMs
Ontario Tech University（安大略理工大学）；Faculty of Science（理学院）
本文提出由 LLM 驱动的语音交互 UI 框架，通过 UI 组件的文本语义映射与智能体提示引擎理解用户意图、选择应用并预测操作，从而将静态界面转变为动态自适应界面。
2024-04-16 cs.AI cs.CL cs.HC
