論文の概要: Locations of Characters in Narratives: Andersen and Persuasion Datasets

• arxiv url: http://arxiv.org/abs/2504.03434v1
• Date: Fri, 04 Apr 2025 13:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:48:32.873212
• Title: Locations of Characters in Narratives: Andersen and Persuasion Datasets
• Title（参考訳）: 物語におけるキャラクタの位置:アンデルセンと説得データセット
• Authors: Batuhan Ozyurt, Roya Arkhmammadova, Deniz Yuret,
• Abstract要約: AndersenとPersuasionの2つの新しいデータセットを紹介します。 アンデルセンのデータセットでは、ハンス・クリスチャン・アンデルセンの『アンデルセンの妖精物語』から15の児童話を選択した。 Persuasionデータセットでは、ジェーン・オーステンの小説"Persuasion"の登場人物とその位置も手動で注釈付けされた。
• 参考スコア（独自算出の注目度）: 1.4142899122824968
• License:
• Abstract: The ability of machines to grasp spatial understanding within narrative contexts is an intriguing aspect of reading comprehension that continues to be studied. Motivated by the goal to test the AI's competence in understanding the relationship between characters and their respective locations in narratives, we introduce two new datasets: Andersen and Persuasion. For the Andersen dataset, we selected fifteen children's stories from "Andersen's Fairy Tales" by Hans Christian Andersen and manually annotated the characters and their respective locations throughout each story. Similarly, for the Persuasion dataset, characters and their locations in the novel "Persuasion" by Jane Austen were also manually annotated. We used these datasets to prompt Large Language Models (LLMs). The prompts are created by extracting excerpts from the stories or the novel and combining them with a question asking the location of a character mentioned in that excerpt. Out of the five LLMs we tested, the best-performing one for the Andersen dataset accurately identified the location in 61.85% of the examples, while for the Persuasion dataset, the best-performing one did so in 56.06% of the cases.
• Abstract（参考訳）: 機械が物語の文脈の中で空間的理解を把握できることは、学習を続ける読み理解の興味深い側面である。 物語におけるキャラクターとそれぞれの場所の関係を理解するためにAIの能力をテストすることを目的として、我々は2つの新しいデータセット、AndersenとPersuasionを紹介した。 アンデルセンのデータセットでは、ハンス・クリスチャン・アンデルセンの『アンデルセンの妖精物語』から15の子どもの物語を選び、各物語のキャラクターとそれぞれの場所を手動で注釈付けした。 同様に、ジェーン・オーステンの小説"Persuasion"の登場人物とその位置も手動でアノテートされた。 これらのデータセットを使用して、LLM(Large Language Models)をプロンプトしました。 このプロンプトは、物語や小説から抜粋を抽出し、その抜粋に言及されている人物の位置を問う質問と組み合わせて作成される。 テストした5つのLCMのうち、アンデルセンのデータセットで最もパフォーマンスの良いものは61.85%のサンプルで正確な位置を同定し、Persuasionのデータセットでは56.06%のケースで最高のパフォーマンスを示した。

関連論文リスト

• BookWorm: A Dataset for Character Description and Analysis [59.186325346763184]
  本稿では,短い事実プロファイルを生成する文字記述と,詳細な解釈を提供する文字解析という2つのタスクを定義する。 本稿では,Gutenbergプロジェクトからの書籍と,人間による記述と分析のペアリングを行うBookWormデータセットを紹介する。 その結果,検索に基づくアプローチは両タスクにおいて階層的アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-14T10:55:58Z)
• 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)
• Are Large Language Models Capable of Generating Human-Level Narratives? [114.34140090869175]
  本稿ではストーリーテリングにおけるLLMの能力について考察し,物語の展開とプロットの進行に着目した。 本稿では,3つの談話レベルの側面から物語を分析するための新しい計算フレームワークを提案する。 談話機能の明示的な統合は、ニューラルストーリーテリングの40%以上の改善によって示されるように、ストーリーテリングを促進することができることを示す。
  論文  参考訳（メタデータ） (2024-07-18T08:02:49Z)
• Enhancing Argument Structure Extraction with Efficient Leverage of Contextual Information [79.06082391992545]
  本稿では,コンテキスト情報を完全に活用する効率的なコンテキスト認識モデル(ECASE)を提案する。 文脈情報や議論情報を集約するために,シーケンスアテンションモジュールと距離重み付き類似度損失を導入する。 各種ドメインの5つのデータセットに対する実験により,我々のモデルが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-10-08T08:47:10Z)
• Grounding Characters and Places in Narrative Texts [5.254909030032427]
  本稿では,新しい空間関係分類タスクを提案する。 タスクの目的は、テキストのウィンドウ内のすべての文字と位置のコメンデーションに対して、空間的関係カテゴリを割り当てることである。 これらの関係を予測するために、コンテキスト埋め込みを機能として使用するモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-27T19:31:41Z)
• Personality Understanding of Fictional Characters during Book Reading [81.68515671674301]
  この問題に対する最初のラベル付きデータセットPersoNetを提示する。 当社の新たなアノテーション戦略では,オリジナル書籍のプロキシとして,オンライン読書アプリからユーザノートを注釈付けします。 実験と人間の研究は、データセットの構築が効率的かつ正確であることを示している。
  論文  参考訳（メタデータ） (2023-05-17T12:19:11Z)
• NarraSum: A Large-Scale Dataset for Abstractive Narrative Summarization [26.80378373420446]
  NarraSumは大規模な物語要約データセットである。 これには122Kの物語文書が含まれており、様々なジャンルの映画やテレビドラマのプロット記述や、それに対応する抽象的な要約から集められている。 実験の結果,NarraSumにおける人間と最先端の要約モデルの間には大きなパフォーマンスギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-12-02T22:51:51Z)
• Fantastic Questions and Where to Find Them: FairytaleQA -- An Authentic Dataset for Narrative Comprehension [136.82507046638784]
  幼稚園児の物語理解に焦点を当てたデータセットであるFairytaleQAを8年生に紹介する。 FairytaleQAは10,580の明示的で暗黙的な質問で構成されており、278の子供フレンドリーな物語から導かれる。
  論文  参考訳（メタデータ） (2022-03-26T00:20:05Z)
• "Let Your Characters Tell Their Story": A Dataset for Character-Centric Narrative Understanding [31.803481510886378]
  文芸作品の新しいデータセットLiSCUとその要約を、それらに現れる文字の記述と組み合わせて紹介する。 また、LiSCUにおける文字識別と文字記述生成という2つの新しいタスクについても紹介する。 これらの課題に適応した事前学習型言語モデルを用いた実験により,より優れた物語理解モデルの必要性が示された。
  論文  参考訳（メタデータ） (2021-09-12T06:12:55Z)
• Exploring aspects of similarity between spoken personal narratives by disentangling them into narrative clause types [13.350982138577038]
  本稿では,594本の映像から10,296の物語節を含む実世界の音声物語のコーパスを紹介する。 第2に,非ナラティブな専門家に,ラボフの社会言語的個人的物語モデルの下で,これらの節に注釈を付けるよう依頼する。 第3に、最上位の節に対して84.7%のFスコアに達する分類器を訓練する。 我々のアプローチは、個人の物語を研究または表現することを目的とした機械学習の手法を情報提供することを目的としている。
  論文  参考訳（メタデータ） (2020-05-26T14:34:07Z)

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。