AI Stories: An Interactive Narrative System for Children
The University of Antwerp（安特卫普大学）
AI Stories是一个建议的互动对话系统，让儿童通过对话共同创造叙事世界。在接下来的三年里，该系统将在儿科病房内开发和测试，在那里它提供了教育和游戏之间的差距有用的资源。讲故事和编故事是语言游戏的一个基本组成部分，它的健谈和无意义的品质是很重要的;因此，自动化系统提供的开场白对儿童是有益的。在本文中，我将介绍这个项目的现状，在其更多的实验和一般的幌子。从概念上讲，通过对话讲故事涉及到故事的预印本解释，超越了静态和线性的媒介，在那里故事是表演的，时间的和社会的。
2020-11-09 cs.AI cs.CL
Characterizing Cultural Localization in AI-Generated Stories
Carnegie Mellon University（卡内基梅隆大学）
提出一种方法，通过识别区分国籍的词汇标记并移除后测量叙事相似性，检测AI生成故事中的模板化本地化，发现仅9-17%词汇解释国籍差异，且部分文化标记具有冒犯性。
2026-06-15 cs.CL
Scaling Long-Form Story Generation via Narrative State Tracking
Tsinghua University（清华大学）
本文提出NstAgent，一种无需训练的智能体框架，通过跟踪结构化叙事状态，实现从10K到100K字的长篇故事生成，提升叙事一致性与写作质量。
2026-09-29 cs.CL
Spoiler Alert: Narrative Forecasting as a Metric for Tension in LLM Storytelling
McGill University（麦吉尔大学）；University of Chicago（芝加哥大学）；University of British Columbia（不列颠哥伦比亚大学）；Duke University（杜克大学）
本文提出100-Endings度量衡，通过句级预测故事结局来衡量叙事紧张感，提升LLM故事生成的紧张度并优于现有评估标准。
2026-10-06 cs.CL
Returning to the Start: Generating Narratives with Related Endpoints
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出可控故事生成范式 RENarGen，通过让首尾句相关再填充中间内容来增强叙事闭合性，实验表明其生成质量优于现有自回归模型。
2024-03-31 cs.CL
Are Large Language Models Capable of Generating Human-Level Narratives?
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Southern California（南加利福尼亚大学）；University of California, Davis（加利福尼亚大学戴维斯分校）
该研究通过包含故事弧、转折点、情感维度的计算框架对比发现，大语言模型生成的叙事结构单一缺张力、语篇理解不及人类，而明确整合语篇特征可使神经叙事生成的多样性等指标提升超40%。
2024-10-04 cs.CL
Modeling Empathic Similarity in Personal Narratives
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
本文提出基于共情共鸣的个人故事相似性任务，构建 EmpathicStories 数据集并微调模型，实验证明其在相关性、检索及用户共情上优于语义相似性方法。
2023-12-06 cs.CL
A Close Reading Approach to Gender Narrative Biases in AI-Generated Stories
Sapienza University of Rome（罗马萨皮恩扎大学）；Link University of Rome（罗马链接大学）
本文采用细读方法，基于Propp角色分类和Freytag叙事结构设计提示词，分析ChatGPT、Gemini和Claude生成故事中的性别叙事偏见，揭示了隐性偏见的持续存在并强调多层面评估的重要性。
2025-08-13 cs.AI cs.CL cs.CY
Can LLMs Generate Good Stories? Insights and Challenges from a Narrative Planning Perspective
Autodesk Research（Autodesk研究院）
该研究从叙事规划视角出发，构建基于文学案例的评估基准检验LLM的故事生成能力，发现GPT-4级LLM可生成小规模因果合理的故事，但角色意图与冲突规划仍有难度，为相关应用提供了参考。
2025-06-11 cs.AI cs.CL
StoryScope: Investigating idiosyncrasies in AI fiction
University of Maryland, College Park（马里兰大学学院公园分校）
本文提出StoryScope方法，通过分析叙事层面的特征区分AI和人类生成的故事，发现AI故事在主题解释和情节结构上更单一，而人类故事更具道德模糊性和时间复杂性。
2026-08-04 cs.CL
Do Large Language Models Always Tell The Same Stories?
University of Hamburg（汉堡大学）
通过对比框架和人类故事数据集，研究10种LLM生成故事的叙事相似性，发现LLM故事比人类故事更相似，前沿模型趋向于“平均”通用叙事，且常见缓解策略无效。
2026-09-03 cs.AI cs.CL
Unsupervised Enrichment of Persona-grounded Dialog with Background Stories
UC San Diego（加州大学圣地亚哥分校）；Carnegie Mellon University（卡内基梅隆大学）
人们经常引用个人的叙述、生活经历和事件来使谈话更吸引人、更丰富。虽然基于人物角色的对话模型能够生成遵循给定人物角色的响应，但它们通常会错过与人物角色相关的详细体验或事件，通常会使对话变得肤浅和乏味。在这项工作中，我们装备对话模型与“背景故事”相关的人物角色，利用虚构的叙述，从现有的故事数据集（如ROCStories）。由于当前的对话数据集不包含这样的叙述响应，我们执行一个无监督的适应检索的故事，使用基于梯度的重写技术生成一个对话响应。我们提出的方法鼓励生成的响应是流畅的（即，很可能）与对话历史记录，与检索到的故事的差异最小，以保持事件顺序并与原始人物角色一致。我们证明，我们的方法可以生成更多样化的响应，并被评为更具吸引力和人性化的人类评估员，从现有的对话模型的输出相比。
2021-06-15 cs.CL
Generating Different Story Tellings from Semantic Representations of Narrative
University of California Santa Cruz（加州大学圣克鲁兹分校）；Columbia University（哥伦比亚大学）
为了针对不同的受众以不同的声音讲述故事，交互式故事系统需要：（1）故事结构的语义表示，以及（2）使用某种形式的自然语言生成（NLG）从该语义表示自动生成故事和对话的能力。然而，对于将故事结构与场景和故事事件的叙事描述联系起来的方法的研究有限。在本文中，我们提出了一个自动的方法转换从Scheherazade的故事意图图，语义表示，所需的人物NLG引擎的输入。我们使用DramaBank（一个故事编码的集合）中分发的36个伊索寓言，对一个故事进行训练翻译规则，然后通过为其余35个故事生成文本来测试这些规则。结果是衡量的字符串相似性指标Levenshtein距离和BLEU得分。结果表明，我们可以生成35个具有正确内容的故事：测试集故事平均接近Scheherazade实现器的输出，该实现器是针对此语义表示定制的。我们提供了一些由人物产生的故事变化的例子。在未来的工作中，我们将尝试测量不同声音产生的相同故事的质量，以及使讲故事具有互动性的技术。
2017-08-29 cs.CL
AI-generated stories favour stability over change: homogeneity and cultural stereotyping in narratives generated by gpt-4o-mini
Universitetet i Bergen（卑尔根大学）
本研究通过让gpt-4o-mini为236个国家各生成50个故事，发现其生成的叙事存在结构同质性与文化刻板印象，偏好稳定与传统，提出这是一种新的AI偏见即叙事标准化。
2025-07-30 cs.AI cs.CL
Stories for Images-in-Sequence by using Visual and Narrative Components
Ss. Cyril and Methodius University（圣基里尔与美多德大学）；Pendulibrium；Elevate Global
最近的人工智能研究集中在生成关于视觉场景的叙事故事。它有可能实现更像人类的理解，而不仅仅是图像的基本描述生成-在序列中。在这项工作中，我们提出了一个解决方案，用于生成故事的图像序列是基于序列到序列模型。作为一种新颖性，我们的编码器模型由两个独立的编码器组成，一个编码器对图像序列的行为进行建模，另一个编码器对图像序列中的前一个图像生成的背景故事进行建模。通过使用图像序列编码器，我们捕获的图像序列和故事之间的时间依赖关系，并通过使用以前的故事编码器，我们实现了更好的故事流。我们的解决方案生成长的类人故事，不仅描述了图像序列的视觉背景，但也包含叙事和评价语言。所获得的结果通过人工评估得到证实。
2018-09-22 cs.AI cs.CL cs.CV
Automating Direct Speech Variations in Stories and Games
Natural Language and Dialogue Systems Lab（自然语言与对话系统实验室）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
大型游戏中的对话创作不仅需要内容创作，还需要其交付的微妙性，这可能因角色而异。手动创作此对话框可能是乏味的、耗时的，甚至完全不可行。本文利用丰富的叙事表示建模对话和表达自然语言生成引擎实现它，并扩展了一个翻译工具，桥梁两者。我们添加功能的翻译，让直接讲话的叙事表示建模，而原来的翻译只支持由第三人称叙述者讲述的叙述。我们表明，我们可以在对话中执行字符替换。我们实现和评估对话实现的潜在应用：为具有大型，动态或程序生成的开放世界的游戏生成对话。我们提出了一个试点研究的人物使用直接语音的性格，假设未知的性格类型在创作时的人的看法。
2017-08-30 cs.CL
Are Fairy Tales Fair? Analyzing Gender Bias in Temporal Narrative Event Chains of Children's Fairy Tales
IBM Research（IBM研究院）；University of California Los Angeles（加利福尼亚大学洛杉矶分校）；Northeastern University（东北大学）
本文提出自动提取童话角色时间叙事事件链的计算流程和动词事件标注方案，以分析性别偏见，发现偏见不仅存在于角色参与的动词事件中，也存在于事件的时间叙事顺序中。
2023-05-26 cs.CL
The Power of Stories: Narrative Priming Shapes How LLM Agents Collaborate and Compete
Department of Data Science and its Applications, German Research Center for Artificial Intelligence (DFKI)（数据科学及其应用系，德国人工智能研究中心（DFKI））；Department of Computer Science, University of Kaiserslautern–Landau (RPTU)（计算机科学系，凯撒斯劳滕-兰道大学（RPTU））；Department of Language Science and Technology, Saarland University（语言科学与技术系，萨尔兰大学）
本文通过有限重复公共物品博弈实验发现，基于故事的叙事启动能显著影响 LLM 智能体的合作与竞争策略，共同叙事促进合作，而不同叙事使自利倾向智能体占优，对多智能体系统设计和 AI 对齐具有启示。
2025-05-08 cs.AI cs.CL cs.MA
Can Stories Help LLMs Reason? Curating Information Space Through Narrative
University of Bonn（波恩大学）；RMIT University（皇家墨尔本理工大学）；Stony Brook University（石溪大学）
本文提出 Story of Thought（SoT）提示方法，通过围绕问题构建叙事并组织相关信息，提升 LLM 在 GPQA 与 JEEBench 多学科推理题上的表现。
2024-10-25 cs.AI cs.CL cs.LG
On Narrative Information and the Distillation of Stories
Dalle Molle Institute for Artificial Intelligence Research（达勒·莫勒人工智能研究所）；Università della Svizzera italiana（瑞士意大利语区大学）；Scuola universitaria professionale della Svizzera italiana（瑞士意大利语区应用科学大学）；University of Alberta（阿尔伯塔大学）；NNAISENSE；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
讲故事的行为是人类的基本组成部分。这项工作介绍了叙事信息的概念，我们定义为一个故事和组成故事的项目之间的信息空间的重叠。使用对比学习方法，我们展示了如何利用现代人工神经网络来提取故事并提取叙事信息的表示。然后，我们展示了进化算法如何利用这一点来提取一组叙事模板，以及这些模板如何与我们介绍的一种新颖的曲线拟合算法相结合，可以重新排序音乐专辑，以自动诱导其中的故事。在这样做的过程中，我们给出了强有力的统计证据，这些叙事信息模板存在于现有的相册。虽然我们在这里只对音乐专辑进行实验，但我们的工作前提扩展到任何形式的（大部分）独立媒体。
2023-02-13 cs.AI cs.CL cs.LG
SCORE: Story Coherence and Retrieval Enhancement for AI Narratives
UCB（加州大学伯克利分校）；UMN（明尼苏达大学）；UESTC（电子科技大学）；Emory（埃默里大学）；UofT（多伦多大学）；WUSTL（华盛顿大学）；NJU（南京大学）；XDU（西安电子科技大学）；ByteDance（字节跳动）；Baidu（百度）；UofWarwick（沃里克大学）；UofGlasgow（格拉斯哥大学）；AMA（美国医学协会）；Google（谷歌）；SCU（四川大学）；THU-SZ（清华大学深圳研究院）；Amazon（亚马逊）；PKU（北京大学）
提出SCORE框架，通过追踪关键物品状态、生成剧集摘要并利用RAG方法识别相关剧集，有效检测并解决叙事不一致问题，显著提升了AI生成故事的连贯性与稳定性。
2025-09-17 cs.CL
Narrix: Remixing Narrative Strategies from Examples for Story Writing
Cornell University（康奈尔大学）；Adobe Research（Adobe研究）
Narrix 通过可视化叙事策略帮助新手作家提高叙事能力，通过交互式故事弧和颜色编码提示，使作家能有效复用策略，提升创作信心和适应能力。
2026-07-14 cs.CL cs.HC
Decoding Fake Narratives in Spreading Hateful Stories: A Dual-Head RoBERTa Model with Multi-Task Learning
IIIT Hyderabad（IIIT海得拉巴）
本文提出一种双头RoBERTa模型，通过多任务学习检测社交媒体中的虚假叙述驱动的仇恨言论，并实现目标和严重性预测。
2025-12-18 cs.AI cs.CL
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
Hallucination or Creativity: How to Evaluate AI-Generated Scientific Stories?
EURECOM
本文提出StoryScore指标，用于评估AI生成的科学故事，结合语义对齐、词汇 grounding、叙事控制等方法，解决传统指标无法区分教育创造力与事实错误的问题。
2026-03-19 cs.AI cs.CL
Stories of Your Life as Others: A Round-Trip Evaluation of LLM-Generated Life Stories Conditioned on Rich Psychometric Profiles
LoveMind AI；Jheronimus Academy of Data Science（耶罗尼米斯数据科学学院）
本文通过LLM生成生命故事并回收心理测量数据，验证了LLM在编码和解码个体差异方面的鲁棒性，展示了心理特征与语言表达之间的关系。
2026-04-07 cs.AI cs.CL cs.HC
BookQA: Stories of Challenges and Opportunities
The University of Melbourne（墨尔本大学）；Amazon Research（亚马逊研究院）；University of Edinburgh（爱丁堡大学）
我们提出了一个基于书籍全文（BookQA）的问答系统，该系统首先选择给定问题的书籍段落，然后使用记忆网络来推理和预测答案。为了提高泛化能力，我们使用从书本句子中生成的人工问题来预训练我们的记忆网络。我们的实验与最近出版的NarrativeQA语料库，对谁的问题，期望书中的字符作为答案的子集。我们的实验表明，基于BERT的检索和预训练显著提高了基线结果。同时，我们确认NarrativeQA是一个极具挑战性的数据集，需要进行新的研究以实现高精度的BookQA结果。我们分析了目前的方法的一些瓶颈，我们认为，需要更多的研究文本表示，检索相关段落，推理，包括常识知识。
2019-10-02 cs.CL
Imagining from Images with an AI Storytelling Tool
Academy for AI, Games and Media（人工智能、游戏与媒体学院）；Breda University of Applied Sciences（布雷达应用科学大学）；PUC-Rio（里约热内卢天主教大学）
本文提出ImageTeller工具，利用GPT-4o多模态能力分析图像生成故事，并由Stable Diffusion XL配图，支持用户按体裁引导叙事并交互调整。
2024-08-21 cs.CL
Decoding Linguistic Nuances in Mental Health Text Classification Using Expressive Narrative Stories
University of Missouri（密苏里大学）；Texas A&M University-Corpus Christi（德州农工大学科珀斯克里斯蒂分校）
本研究利用Reddit数据评估BERT、MentalBERT等模型在表达性叙事故事心理健康文本分类中的表现，发现BERT对主题词缺失敏感性低且能保持句序打乱时的准确率，更具实际应用优势。
2024-12-20 cs.CL cs.LG
Envisioning Narrative Intelligence: A Creative Visual Storytelling Anthology
University of Washington（华盛顿大学）；DEVCOM Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
该研究收集100篇即兴视觉故事构建的作品，分析得出五大创作差异主题，并据此提出计算视觉故事讲述的叙事智能五大标准，为自动故事生成的训练数据收集与发展提供参考。
2023-10-06 cs.CL
AutiHero: Engaging Parents in Creating Personalized, Multi-path Social Narratives for Autistic Children
Dodakim Child Development Center（多达金儿童发展中心）；NAVER AI Lab（NAVER AI实验室）
AutiHero通过生成式AI帮助家长为自闭症儿童创建个性化多路径社会叙事，提高日常行为指导信心。
2026-04-03 cs.AI cs.CL cs.HC
Can LLMs Tell Stories Out of Order? A Corpus and Benchmark for Nonlinear Narrative Generation
Islamic University of Technology（伊斯兰科技大学）；University of Utah（犹他大学）；University of Southern California（南加州大学）
本文构建含83部作品的非线性叙事生成基准，测试19个LLMs，发现其默认更倾向时间顺序故事，遵循无序创作指令的表现仍不及人类。
2026-10-16 cs.AI cs.CL
ARGUS: Seeing the Influence of Narrative Features on Persuasion in Argumentative Texts
University of Groningen（格罗宁根大学）
ARGUS通过分析叙事特征对说服力的影响，探索在线论证中叙事作用的机制
2026-02-27 cs.AI cs.CL
NAREOR: The Narrative Reordering Problem
Carnegie Mellon University（卡内基梅隆大学）；University of Pittsburgh（匹兹堡大学）
语篇中存在着许多隐式推理，这取决于语篇的结构，这些推理会对语篇的解释和意义产生重要影响。一个这样的结构方面存在于文本与年表是其介绍的顺序。对于叙事或故事，这被称为叙事顺序。重新安排叙事可以影响读者从中得出的时间，因果，基于事件和其他推论，这反过来又会对其解释和趣味性产生强烈影响。在本文中，我们提出并研究了叙事重排（NAREOR）的任务，即在保持情节的同时，以不同的叙事顺序重写一个给定的故事。我们提出了一个数据集，NAREORC，与人类重写的故事在ROCStories中的非线性顺序，并进行了详细的分析。此外，我们提出了新的特定于任务的训练方法与适当的评估指标。我们使用BART和T5等最先进的模型对NAREORC进行实验，并进行广泛的自动和人工评估。我们证明，虽然我们的模型可以表现得很好，NAREOR是一个具有挑战性的任务，有可能进一步探索。我们还研究了NAREOR的两个应用：生成更有趣的故事变体，并作为时间/事件相关任务的对抗集，此外还讨论了其他前瞻性任务，例如与语言技能相关的教学设置，如论文写作和涉及临床叙述的医学应用。
2022-03-28 cs.AI cs.CL
Locations of Characters in Narratives: Andersen and Persuasion Datasets
Koç University（科克大学）
为测试AI理解叙事中角色与位置关系的能力，研究构建Andersen和Persuasion两个数据集并评估5个LLM，发现最佳模型位置识别准确率为61.85%和56.06%。
2025-04-04 cs.CL
The House with a Million Windows: Interactive Fiction for Narrative Restorying
The Alan Turing Institute（艾伦·图灵研究所）；University of Edinburgh（爱丁堡大学）；University of Chicago（芝加哥大学）
针对AI写作导致叙事同质化的问题，本文提出基于大语言模型的交互式小说系统HWAMW，通过重构干预帮助用户探索故事多重意义，实证表明其增强叙事认同感，为AI辅助写作提供新范式。
2026-09-14 cs.CL cs.HC
Biased Tales: Cultural and Topic Bias in Generating Children's Stories
Bocconi University（博科尼大学）；ETH Zurich（苏黎世联邦理工学院）
针对LLM生成儿童故事中的文化及性别偏见，构建Biased Tales数据集，发现女孩主角外貌属性增加55.26%，非西方儿童故事更强调文化传统，旨在促进创意AI的公平多样性。
2025-09-09 cs.CL
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
DataNarrative: Automated Data-Driven Storytelling with Visualizations and Texts
York University（约克大学）；Qatar Computing Research Institute (QCRI)（卡塔尔计算研究所）；Nanyang Technological University（南洋理工大学）；Dialpad Inc.（Dialpad公司）；Salesforce AI（Salesforce人工智能部门）
本文提出DataNarrative多智能体框架，通过反思、生成与验证两个LLM智能体协同工作，并构建含1,449个故事的基准，以自动化生成结合可视化与文本的数据驱动叙事。
2024-10-04 cs.CL
Exploring aspects of similarity between spoken personal narratives by disentangling them into narrative clause types
MIT Media Lab（麻省理工学院媒体实验室）
分享个人故事是人类社会行为的一个基本方面，因为它有助于分享我们的生活经历。我们可以讲故事，并依靠我们的背景来理解他们的背景，相似之处和差异。在开发讲故事机器或推断人物特征方面已经做出了大量努力。然而，我们通常不会找到比较叙述的模型。这项任务对机器来说是非常具有挑战性的，因为它们和我们有时一样，缺乏对相似性含义的理解。为了应对这一挑战，我们首先介绍了一个语料库的真实世界的口语个人叙述，包括10,296个叙事条款，从594个视频成绩单。其次，我们请非叙事专家根据Labov的个人叙事社会语言学模型（即，动作、定向和评估条款类型），并训练分类器，该分类器对于最高同意条款达到84.7%F分数。最后，我们匹配的故事，并探讨人们是否隐含地依赖于Labov的框架来比较叙述。我们表明，行动其次是叙述者的评价，这些方面的非专家认为最。我们的方法旨在帮助为旨在研究或表示个人叙述的机器学习方法提供信息。
2020-05-27 cs.CL cs.CY
From Personas to Plot: Character-Grounded Multi-Agent Story Generation for Long-Form Narratives
Pocket FM；Princeton University（普林斯顿大学）；University of Michigan（密歇根大学）；University of Maryland（马里兰大学）；Universitat Pompeu Fabra（庞培法布拉大学）
提出MAGNET多智能体叙事引擎和ATLAS幻觉检测管线，通过角色代理和世界状态追踪，在100页故事中减少41%注释和50%幻觉，实现连贯长篇小说生成。
2026-10-06 cs.AI cs.CL cs.MA
Go Back in Time: Generating Flashbacks in Stories with Event Temporal Prompts
University of Southern California（南加州大学）；Tokyo University（东京大学）；University of California, Los Angeles（加州大学洛杉矶分校）
故事或叙事是由一系列事件组成的。为了撰写有趣的故事，专业作家经常利用一种称为倒叙的创造性写作技巧，将过去的事件插入当前的故事情节中，就像我们在小说和戏剧中经常看到的那样。然而，对于机器来说，产生闪回是具有挑战性的，因为它需要对事件时间顺序的扎实理解（例如，在“吃”之前“感到饥饿”，而不是相反），以及安排故事情节的创造力，以便更早的事件并不总是首先出现在叙事顺序中。现有系统中的两个主要问题加剧了挑战：1）相关和故事数据集中的时间偏差，导致单调的事件时间顺序; 2）缺乏明确的指导，帮助机器决定在哪里插入闪回。我们建议使用结构化的故事情节来解决这些问题，将事件及其成对的时间关系（之前，之后和模糊）编码为时间提示，指导故事如何在时间上展开。我们利用通过强化学习增强的计划和编写框架来生成端到端的故事情节和故事。评价结果表明，该方法可以生成更有趣的故事倒叙，同时保持文本的多样性，流畅性和时间连贯性。
2022-05-04 cs.AI cs.CL
Lost in Stories: Consistency Bugs in Long Story Generation by LLMs
Microsoft（微软公司）；Singapore University of Technology and Design（新加坡科技设计大学）
ConStory-Bench通过评估长篇故事生成中的叙述一致性，揭示了LLMs在事实和时间维度上的不一致错误趋势。
2026-03-06 cs.AI cs.CL
Whose Story Gets Told? Positionality and Bias in LLM Summaries of Life Narratives
Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）；Department of Applied Physics and Applied Mathematics, Columbia University（哥伦比亚大学应用物理与应用数学系）；Department of Psychology, Northwestern University（西北大学心理学系）
本文研究LLM在生命叙事抽象分析中的伦理与有效性，提出基于总结的管道以揭示LLM在解读叙事时的偏见，识别种族和性别偏见并呼吁未来研究中使用该分析方法。
2026-04-22 cs.CL
From Words to Worlds: Transforming One-line Prompt into Immersive Multi-modal Digital Stories with Communicative LLM Agent
Rutgers University（罗格斯大学）
针对数字叙事生产可扩展性与灵活性不足的问题，本文提出StoryAgent框架，结合LLM与生成式工具，通过自上而下起草加自下而上生成资产的方式，实现多模态连贯交互式数字故事的自动化生产，无需参考视频即可生成内容，推动了自动化数字叙事发展。
2024-06-21 cs.AI cs.CL cs.GR
Modeling Naive Psychology of Characters in Simple Commonsense Stories
Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）；Information Sciences Institute & Computer Science, University of Southern California（南加州大学信息科学研究所与计算机科学系）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
理解一个故事需要阅读字里行间的内容，并对事件和人们的心理状态的不言而喻但显而易见的影响进行推理--这种能力对人类来说微不足道，但对机器来说却非常困难。为了促进解决这一挑战的研究，我们引入了一个新的注释框架来解释故事人物的天真心理，作为完全指定的心理状态链与动机和情绪反应。我们的工作提出了一个新的大规模数据集，具有丰富的低级注释，并建立了几个新任务的基线性能，为未来的研究提出了途径。
2018-05-16 cs.CL
Generating Coherent Narratives by Learning Dynamic and Discrete Entity States with a Contrastive Framework
Tsinghua University（清华大学）；Guangdong OPPO Mobile Telecommunications Corp., Ltd.（广东OPPO移动通信有限公司）；NetEase Inc.（网易公司）
尽管在生成流畅文本方面取得了进展，但现有的预训练模型在生成故事和新闻等叙事时往往会将不连贯的事件序列附加到相关实体上。我们推测，这些问题是由于将实体表示为表面单词的静态嵌入，而忽略了对其不断变化的状态进行建模，即，它们所携带的信息，随着文本的展开。因此，我们扩展了Transformer模型，以动态地进行实体状态更新和句子实现的叙事生成。我们提出了一个对比框架来学习离散空间中的状态表示，并在解码器中插入额外的注意层以更好地利用这些状态。在两个叙事数据集上的实验表明，在有意义的实体状态的指导下，我们的模型可以生成比强基线更连贯和多样化的叙事。
2022-11-23 cs.CL
TVShowGuess: Character Comprehension in Stories as Speaker Guessing
Princeton University（普林斯顿大学）；New Jersey Institute of Technology（新泽西理工学院）；Syracuse University（雪城大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Pattern Recognition Center, WeChat AI（微信人工智能模式识别中心）
我们提出了一个新的任务来评估机器理解叙事故事中虚构人物的技能。TVShowGuess是一个以电视剧剧本为基础，根据场景背景和对白猜测剧中主要人物的任务。我们的人类研究支持这种任务形式涵盖了多种类型的人物角色的理解，包括理解人物的个性，事实和个人经历的记忆，这与心理学和文学理论关于人类在阅读过程中理解虚构人物的心理理论（ToM）是一致的。我们进一步提出了新的模型架构，以支持长场景文本的上下文编码。实验表明，我们提出的方法显着优于基线，但仍然在很大程度上落后于（近乎完美的）人类表现。我们的工作是迈向叙事角色理解目标的第一步。
2022-04-16 cs.AI cs.CL
Creative Convergence or Imitation? Genre-Specific Homogeneity in LLM-Generated Chinese Literature
本文通过引入普罗普叙事学理论，分析LLM生成的中文网络文学叙事结构，揭示其同质化原因，定义34种现代网络叙事功能并构建标注语料库。
2026-03-15 cs.CL
Inferring the Reader: Guiding Automated Story Generation with Commonsense Reasoning
Georgia Institute of Technology（佐治亚理工学院）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
针对Transformer模型在自动故事生成中情节不连贯、缺乏常识推理及难以追踪角色的问题，提出了引入常识推理并支持多角色互动建模的CAST框架，显著提升了单角色与双角色故事的连贯性、切题度、趣味性与流畅性。
2023-11-17 cs.CL
Strategies for Structuring Story Generation
FAIR（FAIR（脸书人工智能研究院））；LORIA（洛林信息学及其应用研究实验室）；Google AI（谷歌人工智能）
作家一般依靠计划或草图来写长篇故事，但大多数当前的语言模型都是从左到右一个字一个字地生成。我们探索了由粗到细的模型，用于创建数百个单词的叙事文本，并引入了通过抽象动作和实体来分解故事的新模型。该模型首先生成文本的谓词-论元结构，其中对同一实体的不同提及用占位符标记。然后生成谓词-参数结构的表面实现，最后用上下文相关的名称和引用替换实体占位符。人类法官更喜欢我们模型中的故事，而不是以前的各种分层文本生成方法。广泛的分析表明，我们的方法可以帮助提高生成的故事中的事件和实体的多样性和一致性。
2019-06-15 cs.CL
Finding Flawed Fictions: Evaluating Complex Reasoning in Language Models via Plot Hole Detection
Paul G. Allen Center for Computer Science & Engineering（保罗·G·艾伦计算机科学与工程中心）；University of Washington（华盛顿大学）
本研究提出通过情节漏洞检测评估语言模型的复杂推理能力，发现先进模型在检测漏洞时表现不佳，且生成故事易引入漏洞。
2025-12-18 cs.CL
Great Expectations: Unsupervised Inference of Suspense, Surprise and Salience in Storytelling
University of Edinburgh（爱丁堡大学）
我们之所以对故事感兴趣，并不是因为它们是一系列平凡和可预测的事件，而是因为它们具有戏剧性和张力。创造戏剧性和令人兴奋的故事的关键是惊喜和悬念。本文通过阅读故事训练了一系列深度学习模型，这是一个自我监督（或无监督）的系统。将叙事理论方法（规则和程序）应用于深度学习模型中内置的知识，以直接推断故事中的显著性，惊喜和显著性。扩展从故事情节和维基百科中添加记忆和外部知识，以推断小说（如Great Expectations）和戏剧（如Macbeth）的显著性。其他的工作将这些模型作为一个规划系统，用于生成原创故事。本文发现，将叙事理论应用于深度学习模型可以与典型读者保持一致。在后续工作中，这些见解可以帮助改进计算机模型，用于自动撰写故事以及帮助撰写，总结或编辑故事等任务。此外，将叙事理论应用于一个从阅读书籍、观看视频和收听音频中自我学习（自我监督）的系统内置的的内在品质的方法要便宜得多，也更适合于其他领域和任务。在改进自我监督系统方面进展迅速。因此，本论文的相关性在于，将领域专业知识应用于这些系统可能是在许多感兴趣的领域中应用机器学习的更有效的方法。
2022-06-20 cs.AI cs.CL cs.LG
GENEVA: GENErating and Visualizing branching narratives using LLMs
Microsoft Research（微软研究院）
本文提出GENEVA原型工具，利用GPT-4根据设计师的高层描述与约束自动生成并可视化带分支和重新汇聚的叙事图，并在四个著名故事上验证其辅助游戏叙事开发的潜力。
2024-06-05 cs.CL
