論文の概要: Attention Flows: Tracing LLM Conceptual Engagement via Story Summaries

• arxiv url: http://arxiv.org/abs/2604.06416v1
• Date: Tue, 07 Apr 2026 19:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.217185
• Title: Attention Flows: Tracing LLM Conceptual Engagement via Story Summaries
• Title（参考訳）: 注意の流れ:ストーリー・サマリーによるLLM概念エンゲージメントの追跡
• Authors: Rebecca M. M. Hicke, Sil Hamilton, David Mimno, Ross Deans Kristensen-McLachlan,
• Abstract要約: テキストを用いた概念的エンゲージメントのモデルが人間のパターンを反映するかどうかを評価する。 我々は、150の人文小説の文を、それらが参照する特定の章と整合させる。 テキスト間の文体的差異と、人間とLLMが物語全体を通して焦点を分散する方法の違いの両方を見いだす。
• 参考スコア（独自算出の注目度）: 4.320927217095906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although LLM context lengths have grown, there is evidence that their ability to integrate information across long-form texts has not kept pace. We evaluate one such understanding task: generating summaries of novels. When human authors of summaries compress a story, they reveal what they consider narratively important. Therefore, by comparing human and LLM-authored summaries, we can assess whether models mirror human patterns of conceptual engagement with texts. To measure conceptual engagement, we align sentences from 150 human-written novel summaries with the specific chapters they reference. We demonstrate the difficulty of this alignment task, which indicates the complexity of summarization as a task. We then generate and align additional summaries by nine state-of-the-art LLMs for each of the 150 reference texts. Comparing the human and model-authored summaries, we find both stylistic differences between the texts and differences in how humans and LLMs distribute their focus throughout a narrative, with models emphasizing the ends of texts. Comparing human narrative engagement with model attention mechanisms suggests explanations for degraded narrative comprehension and targets for future development. We release our dataset to support future research.
• Abstract（参考訳）: LLMの文脈長は増えてきたが、長文間で情報を統合する能力はペースを保っていないという証拠がある。 我々は、小説の要約を生成するという、そのような理解の課題を評価する。 要約の人間作家が物語を圧縮すると、物語的に重要であると考えるものを明らかにする。 したがって、人間とLLMによる要約を比較することで、モデルがテキストによる概念的エンゲージメントの人間のパターンを反映しているかどうかを評価することができる。 概念的エンゲージメントを測定するため,150の人文小説の文を,それらが参照する特定の章と整合させる。 本稿では,タスクとしての要約の複雑さを示すアライメントタスクの難しさを示す。 次に、150の参照テキストのそれぞれに対して、9つの最先端LCMによって追加の要約を生成し、調整する。 人間とモデルによる要約を比べると、文章の文体の違いと、人間とLLMが物語全体を通して焦点を分散する方法の違いの両方が、文章の終わりを強調するモデルであることが分かる。 人間の物語のエンゲージメントとモデル注意機構を比較することは、劣化した物語の理解と将来の発展の目標についての説明を示唆する。 将来の研究をサポートするためにデータセットをリリースします。

関連論文リスト

• Creative Convergence or Imitation? Genre-Specific Homogeneity in LLM-Generated Chinese Literature [17.985893852336865]
  本稿では,Proppian narratologyとナラトロジー関数を取り入れた分析のための新しい理論フレームワークを提案する。 我々はProppの物語理論を拡張し、現代のウェブ物語構造に適した34の物語機能を定義した。 実験の結果、生成したテキストにおける特異な物語論理と厳密な同質化の主な理由は、現在のLLMが物語関数の意味を正しく理解できないことであることがわかった。
  論文  参考訳（メタデータ） (2026-03-15T15:15:48Z)
• EvolvTrip: Enhancing Literary Character Understanding with Temporal Theory-of-Mind Graphs [23.86303464364475]
  EvolvTripは、物語を通して心理学的発達を追跡する視点対応の時間知識グラフである。 本研究は,物語理解における時間的性格的状態の明示的表現の重要性を強調した。
  論文  参考訳（メタデータ） (2025-06-16T16:05:17Z)
• The Essence of Contextual Understanding in Theory of Mind: A Study on Question Answering with Story Characters [67.61587661660852]
  理論・オブ・ミンド(ToM)は、人間が他者の精神状態を理解し解釈することを可能にする。 本稿では,ToMにおける個人的背景に関する包括的文脈理解の重要性を検証する。 本稿では,古典小説の登場人物をベースとした1,035ToM質問からなるCharToMベンチマークを紹介する。
  論文  参考訳（メタデータ） (2025-01-03T09:04:45Z)
• A Modular Approach for Multimodal Summarization of TV Shows [55.20132267309382]
  分離されたコンポーネントが特別なサブタスクを実行するモジュール方式を提案する。 我々のモジュールは、シーン境界の検出、異なるイベント間のカット回数の最小化、視覚情報をテキストに変換すること、各シーンの対話を要約すること、シーン要約をエピソード全体の最終要約に融合することを含む。 我々はまた、生成した要約の精度とリコールを計測し、原子事実に分解する新しい測度であるPRISMAを提示する。
  論文  参考訳（メタデータ） (2024-03-06T16:10:01Z)
• Reading Subtext: Evaluating Large Language Models on Short Story Summarization with Writers [25.268709339109893]
  我々は,最近のLarge Language Models (LLMs) について,短いストーリーを要約する難しい課題について評価する。 私たちは著者と直接協力して、ストーリーがオンラインで共有されていないことを保証しています(従ってモデルによって見つからないのです)。 GPT-4、Claude-2.1、LLama-2-70Bを比較し、全3モデルが50%以上の要約で忠実さの誤りを犯していることを発見した。
  論文  参考訳（メタデータ） (2024-03-02T01:52:14Z)
• Are NLP Models Good at Tracing Thoughts: An Overview of Narrative Understanding [21.900015612952146]
  物語的理解は、著者の認知過程を捉え、その知識、意図、信念、欲求に関する洞察を提供する。 大きな言語モデル(LLM)は文法的に一貫性のあるテキストを生成するのに優れているが、著者の思考を理解する能力は依然として不明である。 これは物語理解の実践的な応用を妨げる。
  論文  参考訳（メタデータ） (2023-10-28T18:47:57Z)
• Summarization is (Almost) Dead [49.360752383801305]
  我々は,大規模言語モデル(LLM)のゼロショット生成能力を評価するため,新しいデータセットを開発し,人間による評価実験を行う。 本研究は, 微調整モデルにより生成した要約や要約よりも, LLM生成要約に対する人間の評価において, 明らかな優位性を示した。
  論文  参考訳（メタデータ） (2023-09-18T08:13:01Z)
• Summarization with Graphical Elements [55.5913491389047]
  本稿では,グラフィカル要素による要約という新しい課題を提案する。 タスクの研究を支援するために,高品質なラベル付きデータセットを収集する。
  論文  参考訳（メタデータ） (2022-04-15T17:16:41Z)
• The Shmoop Corpus: A Dataset of Stories with Loosely Aligned Summaries [72.48439126769627]
  個々の章ごとに詳細なマルチパラグラフの要約と組み合わせた231ストーリーのデータセットであるShmoop Corpusを紹介します。 コーパスから、クローズ形式の質問応答や抽象的要約の簡易な形式を含む共通のNLPタスクのセットを構築する。 このコーパスのユニークな構造は、マシンストーリーの理解をより親しみやすいものにするための重要な基盤となると信じている。
  論文  参考訳（メタデータ） (2019-12-30T21:03:59Z)

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。