論文の概要: Think Before you Write: QA-Guided Reasoning for Character Descriptions in Books

• arxiv url: http://arxiv.org/abs/2604.11435v1
• Date: Mon, 13 Apr 2026 13:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.555891
• Title: Think Before you Write: QA-Guided Reasoning for Character Descriptions in Books
• Title（参考訳）: QA-Guided Reasoning for Character Descriptions in Books
• Authors: Argyrios Papoudakis, Mirella Lapata, Frank Keller,
• Abstract要約: 我々は、推論を世代から切り離す訓練フレームワークを提案する。 提案手法は,構造化QA推論トレースを生成する推論モデルと,このトレースに基づいて最終文字記述を生成する生成モデルとから構成される。
• 参考スコア（独自算出の注目度）: 52.08691427871138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Character description generation is an important capability for narrative-focused applications such as summarization, story analysis, and character-driven simulations. However, generating accurate character descriptions from long-form narratives (e.g., novels) is challenging: models must track evolving attributes (e.g., relationships and events), integrate evidence scattered across the text, and infer implicit details. Despite the success of reasoning-enabled LLMs on many benchmarks, we find that for character description generation their performance improves when built-in reasoning is disabled (i.e., an empty reasoning trace). Motivated by this, we propose a training framework that decouples reasoning from generation. Our approach, which can be applied on top of long-context LLMs or chunk-based methods, consists of a reasoning model that produces a structured QA reasoning trace and a generation model that conditions on this trace to produce the final character description. Experiments on two datasets (BookWorm and CroSS) show that QA-guided reasoning improves faithfulness, informativeness, and grounding over strong long-context baselines.
• Abstract（参考訳）: キャラクタ記述生成は、要約、ストーリー分析、キャラクタ駆動シミュレーションといった物語中心のアプリケーションにとって重要な機能である。 しかし、長文の物語(例:小説)から正確な文字記述を生成することは困難であり、モデルは進化する属性(例:関係や出来事)を追跡し、テキストに散在する証拠を統合し、暗黙的な詳細を推測しなければならない。 多くのベンチマークで推論可能なLLMが成功したにも拘わらず、文字記述生成の性能はビルトイン推論を無効にすると向上する(つまり、空の推論トレース)。 これを受けて、我々は推論を世代から切り離す訓練フレームワークを提案する。 長文LLMやチャンクベースの手法に応用可能なアプローチは、構造化QA推論トレースを生成する推論モデルと、このトレースを条件に最終文字記述を生成する生成モデルとから構成される。 2つのデータセット(BookWormとCroSS)の実験では、QA誘導推論は忠実さ、情報性、強い長文ベースラインの基盤となることが示されている。

関連論文リスト

• Learning to Reason for Long-Form Story Generation [84.09733333295338]
  一般的なストーリー生成タスク(Next-Chapter Prediction)と報酬定式化(Completion Likelihood Improvementによる検証リワード)を提案する。 私たちは、物語の凝縮した情報を推論し、次の章の詳細な計画を作成することを学びます。 私たちの推論は、ストーリージェネレータ作成を支援する章を通じて評価され、トレーニングされていない、教師なしの微調整(SFT)ベースラインと比較されます。
  論文  参考訳（メタデータ） (2025-03-28T18:48:26Z)
• 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)
• CHIRON: Rich Character Representations in Long-Form Narratives [98.273323001781]
  文字のテキスト情報を整理・フィルタリングする新しい文字シートの表現であるCHIRONを提案する。 実験の結果,CHIRONは類似の要約に基づくベースラインよりも優れ,柔軟であることが判明した。 CHIRONから派生したメトリクスは、ストーリーのキャラクター中心性を自動的に推測するために使用することができ、これらのメトリクスは人間の判断と一致している。
  論文  参考訳（メタデータ） (2024-06-14T17:23:57Z)
• StoryGPT-V: Large Language Models as Consistent Story Visualizers [33.68157535461168]
  生成モデルは、テキストのプロンプトに基づいて、現実的で視覚的に喜ばしい画像を生成する素晴らしい能力を示しています。 しかし、新興のLarge Language Model(LLM)はあいまいな参照をナビゲートする堅牢な推論能力を示している。 本稿では,LDMとLDMの利点を生かしたemphStoryGPT-Vを提案する。
  論文  参考訳（メタデータ） (2023-12-04T18:14:29Z)

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。