論文の概要: StoryScope: Investigating idiosyncrasies in AI fiction
- arxiv url: http://arxiv.org/abs/2604.03136v1
- Date: Fri, 03 Apr 2026 15:56:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.524377
- Title: StoryScope: Investigating idiosyncrasies in AI fiction
- Title（参考訳）: StoryScope:AIフィクションにおける慣用性の調査
- Abstract要約: AIによって生成されたストーリーは物語空間の共有領域に集まり、人間によるストーリーはより多様性を示す。
より広範に、これらの結果は、記述スタイルだけでなく、下層の物語構成の違いが、人間によるオリジナル作品とAI生成フィクションの区別に利用できることを示唆している。
- 参考スコア（独自算出の注目度）: 26.913725703912572
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: As AI-generated fiction becomes increasingly prevalent, questions of authorship and originality are becoming central to how written work is evaluated. While most existing work in this space focuses on identifying surface-level signatures of AI writing, we ask instead whether AI-generated stories can be distinguished from human ones without relying on stylistic signals, focusing on discourse-level narrative choices such as character agency and chronological discontinuity. We propose StoryScope, a pipeline that automatically induces a fine-grained, interpretable feature space of discourse-level narrative features across 10 dimensions. We apply StoryScope to a parallel corpus of 10,272 writing prompts, each written by a human author and five LLMs, yielding 61,608 stories, each ~5,000 words, and 304 extracted features per story. Narrative features alone achieve 93.2% macro-F1 for human vs. AI detection and 68.4% macro-F1 for six-way authorship attribution, retaining over 97% of the performance of models that include stylistic cues. A compact set of 30 core narrative features captures much of this signal: AI stories over-explain themes and favor tidy, single-track plots while human stories frame protagonist' choices as more morally ambiguous and have increased temporal complexity. Per-model fingerprint features enable six-way attribution: for example, Claude produces notably flat event escalation, GPT over-indexes on dream sequences, and Gemini defaults to external character description. We find that AI-generated stories cluster in a shared region of narrative space, while human-authored stories exhibit greater diversity. More broadly, these results suggest that differences in underlying narrative construction, not just writing style, can be used to separate human-written original works from AI-generated fiction.
- Abstract（参考訳）: AIが創作するフィクションがますます普及するにつれて、著者や独創性に関する疑問が、どのように著作物を評価するかという中心となってきている。
この分野における既存のほとんどの研究は、AI記述の表面レベルシグネチャの特定に重点を置いているが、代わりに私たちは、AI生成したストーリーが、スタイリスティックな信号に頼ることなく、人間と区別できるかどうかを尋ね、キャラクターエージェンシーや時間的不連続のような談話レベルの物語選択に焦点を当てている。
本研究では,10次元にまたがる談話レベルの特徴空間を,細粒度で解釈可能な特徴空間を自動生成するパイプラインであるStoryScopeを提案する。
我々はStoryScopeを10,272文字プロンプトの並列コーパスに適用し、それぞれが人間作家と5つのLLMによって書かれ、61,608ストーリー、それぞれ5,000ワード、304個の抽出された特徴を出力する。
物語的特徴だけでは、人間対AI検出で93.2%のマクロF1と6方向の著者帰属で68.4%のマクロF1を達成しており、スタイリスティックな手がかりを含むモデルの97%以上のパフォーマンスを維持している。
AIストーリーは過剰に説明され、単線プロットが好まれる一方で、人間のストーリーはより道徳的に曖昧で、時間的複雑さが増している。
例えば、Claudeは明らかにフラットなイベントエスカレーション、夢のシーケンス上のGPTオーバーインデックス、外部文字記述へのジェミニデフォルトなどである。
AIによって生成されたストーリーは物語空間の共有領域に集まり、人間によるストーリーはより多様性を示す。
より広範に、これらの結果は、記述スタイルだけでなく、下層の物語構成の違いが、人間によるオリジナル作品とAI生成フィクションの区別に利用できることを示唆している。
関連論文リスト
- AI Fiction in the Wild [6.35372413806886]
ChatGPTユーザー会話の3分の1以上が、ある種のフィクション生成を含んでいる。
これらのユーザの間で、一般的なフィクション生成パターンとプロファイルを識別する。
AI技術は、著者と読者の伝統的な関係の変化につながるかもしれないと我々は主張する。
論文 参考訳（メタデータ） (2026-06-22T01:29:16Z) - Narrative Flattening: How Post-Training Compresses Thematic, Affective, and Stylistic Variation in LLM Fiction [3.8920533503590007]
StoryStar、TMAS、The New Yorkerにまたがるマッチングされたストーリー継続パラダイムを構築します。
4つのOLMo 32Bチェックポイントからの継続を一致した人文と比較する。
これらのチェックポイントは、アーキテクチャ、スケール、トークン化、事前トレーニングを共有するため、設計はポストトレーニング効果を分離する。
論文 参考訳（メタデータ） (2026-05-27T02:55:34Z) - Living the Novel: A System for Generating Self-Training Timeline-Aware Conversational Agents from Novels [50.43968216132018]
文芸作品が没入的で多文字の会話体験に変換されるエンド・ツー・エンドシステムを提案する。
このシステムはLLM駆動文字の2つの基本的な課題を解決するために設計されている。
論文 参考訳（メタデータ） (2025-12-08T11:57:46Z) - OmniCharacter: Towards Immersive Role-Playing Agents with Seamless Speech-Language Personality Interaction [123.89581506075461]
OmniCharacter は,低レイテンシで没入型 RPA を実現するための対話型対話モデルである。
具体的には、OmniCharacterは、エージェントが相互作用を通して、ロール固有の性格特性と声質特性を一貫して表示できるようにする。
提案手法は,既存のRPAモデルや主流言語モデルと比較して,応答遅延を289msに抑えながら,内容とスタイルの両面で優れた応答が得られる。
論文 参考訳（メタデータ） (2025-05-26T17:55:06Z) - 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) - 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) - The GPT-WritingPrompts Dataset: A Comparative Analysis of Character Portrayal in Short Stories [17.184517720465404]
本研究では,人間と機械の両方の生成過程から,ストーリーテリングの感情的特徴と記述的特徴を6次元で定量化し比較する。
生成した物語は6次元すべてで人間ストーリーと大きく異なり、主主人公の物語的視点やジェンダーに応じてグループ化された場合、人間世代と機械世代は同様のバイアスを呈することがわかった。
論文 参考訳（メタデータ） (2024-06-24T16:24:18Z) - Experimental Narratives: A Comparison of Human Crowdsourced Storytelling and AI Storytelling [0.0]
この研究は、2019年6月にクラウドワーカーによって書かれた250のストーリーと、GPT-3.5とGPT-4によって生成された80のストーリーを分析した。
クラウドワーカーと大きな言語モデルの両方が、人工人間を創造し、恋に落ちるという同じプロンプトに反応した。
この分析により、GPT-3.5、特にGPT-4の物語は、人間によって書かれた物語よりも性役割やセクシュアリティの点で進歩的であることが明らかとなった。
論文 参考訳（メタデータ） (2023-10-19T16:54:38Z) - Inferring the Reader: Guiding Automated Story Generation with
Commonsense Reasoning [12.264880519328353]
生成プロセスにコモンセンス推論を導入するフレームワークであるCommonsense-inference Augmented Neural StoryTelling (CAST)を紹介する。
我々のCAST手法は,既存のモデルよりも,一文字と二文字の両方で,一貫性があり,オントピー的,楽しむことができる。
論文 参考訳（メタデータ） (2021-05-04T06:40:33Z) - 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。