論文の概要: Conveying the Predicted Future to Users: A Case Study of Story Plot Prediction

• arxiv url: http://arxiv.org/abs/2302.09122v1
• Date: Fri, 17 Feb 2023 20:10:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 20:16:16.955945
• Title: Conveying the Predicted Future to Users: A Case Study of Story Plot Prediction
• Title（参考訳）: 予測された未来をユーザに提供する:ストーリープロット予測のケーススタディ
• Authors: Chieh-Yang Huang, Saniya Naphade, Kavya Laalasa Karanam, Ting-Hao 'Kenneth' Huang
• Abstract要約: 予測されたプロットをナレーションする短い記述を生成するシステムを作成する。 私たちのゴールは、作家が一貫した説得力のあるストーリーアークを作るのを支援することです。
• 参考スコア（独自算出の注目度）: 14.036772394560238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Creative writing is hard: Novelists struggle with writer's block daily. While automatic story generation has advanced recently, it is treated as a "toy task" for advancing artificial intelligence rather than helping people. In this paper, we create a system that produces a short description that narrates a predicted plot using existing story generation approaches. Our goal is to assist writers in crafting a consistent and compelling story arc. We conducted experiments on Amazon Mechanical Turk (AMT) to examine the quality of the generated story plots in terms of consistency and storiability. The results show that short descriptions produced by our frame-enhanced GPT-2 (FGPT-2) were rated as the most consistent and storiable among all models; FGPT-2's outputs even beat some random story snippets written by humans. Next, we conducted a preliminary user study using a story continuation task where AMT workers were given access to machine-generated story plots and asked to write a follow-up story. FGPT-2 could positively affect the writing process, though people favor other baselines more. Our study shed some light on the possibilities of future creative writing support systems beyond the scope of completing sentences. Our code is available at: https://github.com/appleternity/Story-Plot-Generation.
• Abstract（参考訳）: 創造的な執筆は難しい: 小説家は毎日作家のブロックと戦っている。 近年、自動ストーリー生成は進歩しているが、人を助けるのではなく、人工知能を進歩させるための「トイタスク」として扱われている。 本稿では,既存のストーリー生成手法を用いて予測されたプロットを物語化する短い記述を生成するシステムを構築する。 私たちのゴールは、作家が一貫性があり魅力的なストーリーアークを作るのを支援することです。 筆者らはAmazon Mechanical Turk (AMT) を用いて, 生成したストーリープロットの品質を, 一貫性と保存性の観点から検証する実験を行った。 その結果、フレーム強化GPT-2(FGPT-2)による短い記述は、全てのモデルの中で最も一貫性があり保存性が高いと評価された。 次に,amt作業員がマシン生成したストーリープロットにアクセスし,フォローアップストーリーを書くように依頼したストーリー継続タスクを用いて予備ユーザ調査を行った。 FGPT-2は書き込みプロセスに肯定的な影響を与えるが、人々は他のベースラインを好んでいる。 本研究は,文の完成範囲を超えた,創造的な文章作成支援システムの可能性について考察した。 私たちのコードは、https://github.com/appleternity/Story-Plot-Generationで利用可能です。

関連論文リスト

• Crafting Narrative Closures: Zero-Shot Learning with SSM Mamba for Short Story Ending Generation [0.0]
  作家たちは創造的なブロックの瞬間に遭遇し、物語の進行路が曖昧になる。 この論文は、革新的なソリューションとして、与えられたプロンプトに基づいてストーリーを完成させるツールを提供することによって、そのような状況に対処するように設計されている。 短いストーリープロンプトを入力することで、ユーザーは1文以上で説明されたストーリーの結論を受け取ることができ、それによってAI駆動の創造性によってストーリーテリングプロセスが強化される。
  論文  参考訳（メタデータ） (2024-10-04T18:56:32Z)
• Agents' Room: Narrative Generation through Multi-step Collaboration [54.98886593802834]
  本稿では,物語の執筆を特殊エージェントが取り組んだサブタスクに分解する,物語理論に触発された世代フレームワークを提案する。 エージェントの部屋は,専門的評価者が好むストーリーをベースラインシステムより生成することを示す。
  論文  参考訳（メタデータ） (2024-10-03T15:44:42Z)
• Generating Visual Stories with Grounded and Coreferent Characters [63.07511918366848]
  本稿では,一貫した接地的・中核的な特徴を持つ視覚的ストーリーを予測できる最初のモデルを提案する。 我々のモデルは、広く使われているVISTベンチマークの上に構築された新しいデータセットに基づいて微調整されています。 また、物語における文字の豊かさとコア参照を測定するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2024-09-20T14:56:33Z)
• Creating Suspenseful Stories: Iterative Planning with Large Language Models [2.6923151107804055]
  本稿では,ストーリー・サスペンスの2つの理論的基礎に根ざした,反復型提案型計画手法を提案する。 本論文は,我々の知る限りでは,大規模言語モデルを用いたサスペンスな物語生成の試みである。
  論文  参考訳（メタデータ） (2024-02-27T01:25:52Z)
• CHAE: Fine-Grained Controllable Story Generation with Characters, Actions and Emotions [10.694612203803146]
  本稿では,物語のきめ細かい制御モデルを提案する。 キャラクター、対応するアクション、感情を任意に割り当てたカスタマイズされたストーリーを生成することができる。 きめ細かいパーソナライズされたガイダンスに従ってストーリーを生成することは、強い制御性を持つ。
  論文  参考訳（メタデータ） (2022-10-11T07:37:50Z)
• Persona-Guided Planning for Controlling the Protagonist's Persona in Story Generation [71.24817035071176]
  本研究では,ペルソナとイベントの関係を明示的にモデル化する計画ベース生成モデルCONPERを提案する。 自動評価と手動評価の両方の結果から、CONPERはより一貫性のあるペルソナ制御可能なストーリーを生成するために最先端のベースラインより優れていることが示されている。
  論文  参考訳（メタデータ） (2022-04-22T13:45:02Z)
• Plot and Rework: Modeling Storylines for Visual Storytelling [12.353812582863837]
  本稿では,入力画像シーケンスをストーリーグラフとして表現するフレームワークであるPR-VISTについて紹介する。 PR-VISTは反復的なトレーニングプロセスを通じて最終ストーリーを生成することを学ぶ。 アブレーション研究は、プロットとリワークの両方がモデルの優位性に貢献していることを示している。
  論文  参考訳（メタデータ） (2021-05-14T16:41:29Z)
• Cue Me In: Content-Inducing Approaches to Interactive Story Generation [74.09575609958743]
  本研究では,対話型物語生成の課題に焦点をあてる。 本稿では、この追加情報を効果的に活用するための2つのコンテンツ誘導手法を提案する。 自動評価と人的評価の両方による実験結果から,これらの手法がよりトポロジ的な一貫性とパーソナライズされたストーリーを生み出すことが示された。
  論文  参考訳（メタデータ） (2020-10-20T00:36:15Z)
• Narrative Interpolation for Generating and Understanding Stories [52.463747140762145]
  そこで本研究では,ユーザが特定した目的語を含むコヒーレントな物語を生成するために,モデルをガイドできる物語・物語生成制御手法を提案する。 本手法の中核はGPT-2に基づく漸進的モデルであり,前文と次文を物語の中で条件付けし,そのギャップを埋める。 終末誘導世代は、与えられた終末ガイドに忠実で忠実であり、過去のアプローチよりも手作業の少ない物語を生み出すことを示す。
  論文  参考訳（メタデータ） (2020-08-17T16:45:50Z)
• PlotMachines: Outline-Conditioned Generation with Dynamic Plot State Tracking [128.76063992147016]
  PlotMachinesは、動的プロット状態を追跡することによってアウトラインをコヒーレントなストーリーに変換することを学習する、ニューラルな物語モデルである。 さらに,PlotMachinesを高レベルな談話構造で強化し,モデルが物語の異なる部分に対応する筆記スタイルを学習できるようにした。
  論文  参考訳（メタデータ） (2020-04-30T17:16:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。