論文の概要: Agenda-based Narrative Extraction: Steering Pathfinding Algorithms with Large Language Models

• arxiv url: http://arxiv.org/abs/2603.29661v1
• Date: Tue, 31 Mar 2026 12:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.640163
• Title: Agenda-based Narrative Extraction: Steering Pathfinding Algorithms with Large Language Models
• Title（参考訳）: Agenda-based Narrative extract: Steering Pathfinding Algorithms with Large Language Models
• Authors: Brian Felipe Keith-Norambuena, Carolina Inés Rojas-Córdova, Claudio Juvenal Meneses-Villegas, Elizabeth Johanna Lam-Esquenazi, Angélica María Flores-Bustos, Ignacio Alejandro Molina-Villablanca, Joshua Emanuel Leyton-Vallejos,
• Abstract要約: 既存の物語抽出手法は,コヒーレンス,対話性,多面的支援のトレードオフに直面している。 本稿では,ユーザ特定視点に向けた構築を支援する手法である,アジェンダに基づく物語抽出について紹介する。 異なるアジェンダでアルゴリズムを実行すると、同じコーパスを通じて異なるストーリーラインが得られる。
• 参考スコア（独自算出の注目度）: 0.056212519098516274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing narrative extraction methods face a trade-off between coherence, interactivity, and multi-storyline support. Narrative Maps supports rich interaction and generates multiple storylines as a byproduct of its coverage constraints, though this comes at the cost of individual path coherence. Narrative Trails achieves high coherence through maximum capacity path optimization but provides no mechanism for user guidance or multiple perspectives. We introduce agenda-based narrative extraction, a method that bridges this gap by integrating large language models into the Narrative Trails pathfinding process to steer storyline construction toward user-specified perspectives. Our approach uses an LLM at each step to rank candidate documents based on their alignment with a given agenda while maintaining narrative coherence. Running the algorithm with different agendas yields different storylines through the same corpus. We evaluated our approach on a news article corpus using LLM judges with Claude Opus 4.5 and GPT 5.1, measuring both coherence and agenda alignment across 64 endpoint pairs and 6 agendas. LLM-driven steering achieves 9.9% higher alignment than keyword matching on semantic agendas (p=0.017), with 13.3% improvement on \textit{Regime Crackdown} specifically (p=0.037), while keyword matching remains competitive on agendas with literal keyword overlap. The coherence cost is minimal: LLM steering reduces coherence by only 2.2% compared to the agenda-agnostic baseline. Counter-agendas that contradict the source material score uniformly low (2.2-2.5) across all methods, confirming that steering cannot fabricate unsupported narratives.
• Abstract（参考訳）: 既存の物語抽出手法は,コヒーレンス,対話性,多面的支援のトレードオフに直面している。 Narrative Mapsはリッチなインタラクションをサポートし、カバレッジ制約の副産物として複数のストーリーラインを生成する。 Narrative Trailsは最大キャパシティパス最適化を通じて高いコヒーレンスを達成するが、ユーザガイダンスや複数の視点のためのメカニズムは提供しない。 本稿では,大規模言語モデルをナラティブ・トレイルのパスフィニング・プロセスに統合し,ユーザ特定視点に向けてストーリーライン構築を推し進めることで,このギャップを埋める手法であるアジェンダベースの物語抽出を紹介する。 提案手法では,各ステップでLCMを用いて,物語の一貫性を維持しつつ,与えられた議題との整合性に基づいて候補文書のランク付けを行う。 異なるアジェンダでアルゴリズムを実行すると、同じコーパスを通じて異なるストーリーラインが得られる。 我々は、Claude Opus 4.5 と GPT 5.1 の LLM 審査員によるニュース記事コーパスに対するアプローチを評価し、64 つのエンドポイント対と 6 つのアジェンダ間のコヒーレンスとアジェンダアライメントのアライメントを計測した。 LLM駆動のステアリングはセマンティックアジェンダでのキーワードマッチングよりも9.9%高いアライメントを達成する(p=0.017)。 LLMステアリングはアジェンダに依存しないベースラインに比べてコヒーレンスをわずか2.2%削減する。 原材料と矛盾するカウンターエイゴンダは、すべての方法で一様に低い(2.2-2.5)ので、ステアリングが無論の物語を作ることができないことを確認している。

関連論文リスト

• NexusSum: Hierarchical LLM Agents for Long-Form Narrative Summarization [0.0]
  物語要約のための多エージェントLLMフレームワークであるNexusSumを紹介する。 物語固有の事前処理方法は、文字対話と記述テキストを統一されたフォーマットに標準化する。 本手法は物語要約における新たな最先端技術を確立し,書籍,映画,テレビ脚本間でBERTScore(F1)を最大30.0%向上させる。
  論文  参考訳（メタデータ） (2025-05-30T13:26:23Z)
• Narrative Trails: A Method for Coherent Storyline Extraction via Maximum Capacity Path Optimization [1.652635412676345]
  大規模テキストコーパスにおけるコヒーレントなストーリーラインを抽出する,効率的かつ汎用的な手法であるNarrative Trailsを提案する。 具体的には、ディープラーニングモデルの潜在空間に埋め込まれた意味レベル情報を用いて、スパースコヒーレンスグラフを構築し、物語を抽出する。 提案手法を2つの異なる物語抽出タスクで定量的に評価することにより,複数の文脈におけるナラティブ・トレイルの一般化可能性と拡張性を示す。
  論文  参考訳（メタデータ） (2025-03-19T20:25:56Z)
• Aligning Multimodal LLM with Human Preference: A Survey [62.89722942008262]
  大規模言語モデル(LLM)は、タスク固有のトレーニングを必要とせずに、単純なプロンプトで幅広い汎用タスクを処理できる。 MLLM(Multimodal Large Language Models)は、視覚的、聴覚的、テキスト的データを含む複雑なタスクに対処する大きな可能性を実証している。 しかし、真理性、安全性、o1のような推論、および人間の嗜好との整合性に関する重要な問題は未解決のままである。
  論文  参考訳（メタデータ） (2025-03-18T17:59:56Z)
• Learning to Localize Actions in Instructional Videos with LLM-Based Multi-Pathway Text-Video Alignment [53.12952107996463]
  本研究は,訓練ビデオにおけるプロシージャステップの時間的境界をローカライズするための新しいトレーニングフレームワークを提案する。 手続き理解とテキスト要約におけるLLM(Large Language Models)の強みに感銘を受けて,まずLLMを適用し,課題関連情報を抽出し,課題関連手順をナレーションから要約する。 LLMステップとトレーニング用ビデオとの信頼性の高い擬似マッチングを生成するために,MPTVA(Multi-Pathway Text-Video Alignment)戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-22T18:40:55Z)
• Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
  大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。 我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
  論文  参考訳（メタデータ） (2024-05-31T20:15:10Z)
• GNAT: A General Narrative Alignment Tool [12.100007440638667]
  バイオインフォマティクスと現代のテキスト類似度指標を結合したSmith-Watermanアルゴリズムのナラティブアライメントに対する一般的なアプローチを開発する。 文書の相対長と絶対長の両方で大きく異なる4つの異なる問題領域に対して、一般的な物語アライメントツール(GNAT)を適用し、評価する。
  論文  参考訳（メタデータ） (2023-11-07T00:24:14Z)
• Learning to Ground Instructional Articles in Videos through Narrations [50.3463147014498]
  ナレーションされたハウツービデオにおける手続き的活動の段階をローカライズするためのアプローチを提案する。 本稿では,教科記事を含む言語知識ベース(wikiHow)からステップ記述を抽出する。 本モデルは,3つのモダリティをマッチングすることにより,プロシージャ記事のステップをハウツービデオに時間的に基礎付けることを学習する。
  論文  参考訳（メタデータ） (2023-06-06T15:45:53Z)
• Distant finetuning with discourse relations for stance classification [55.131676584455306]
  そこで本研究では,定位分類のモデルとして,原文から銀ラベルでデータを抽出し,微調整する手法を提案する。 また,様々な段階において微調整に用いるデータのノイズレベルが減少する3段階のトレーニングフレームワークを提案する。 NLPCC 2021共有タスクArgumentative Text Understanding for AI Debaterでは,26の競合チームの中で1位にランクインした。
  論文  参考訳（メタデータ） (2022-04-27T04:24:35Z)
• Focus on what matters: Applying Discourse Coherence Theory to Cross Document Coreference [22.497877069528087]
  ドキュメント間でのイベントとエンティティのコア参照の解決は、候補参照の数を大幅に増加させ、完全な$n2$ペアワイズ比較を行うことを難しくする。 既存のアプローチでは、ドキュメントクラスタ内でのコア参照のみを考慮することで単純化されているが、クラスタ間のコア参照を処理できない。 我々は、談話コヒーレンス理論の洞察に基づいて、潜在的コア推論は、読者の談話焦点によって制約される。 本手法は,ECB+,ガン・バイオレンス,フットボール・コアス,クロスドメイン・クロスドキュメント・コアス・コーパスにおけるイベントとエンティティの両面での最先端の成果を達成する。
  論文  参考訳（メタデータ） (2021-10-11T15:41:47Z)

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。