論文の概要: CASPER in the Machine: Insights into Character Variety in LLM-Generated Stories

• arxiv url: http://arxiv.org/abs/2606.22454v1
• Date: Sun, 21 Jun 2026 11:57:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 18:10:00.283828
• Title: CASPER in the Machine: Insights into Character Variety in LLM-Generated Stories
• Title（参考訳）: CASPER in the Machine: Insights into character Variety in LLM-Generated Stories
• Authors: Anneliese Brei, Abhisheik Sharma, Nicholas Sanaie, Lu Wang, Snigdha Chaturvedi,
• Abstract要約: 我々は、スタイリゼーションや全体性といった8つの複雑なキャラクタの次元を解析する。 1) LLMとヒューマンストーリーは類似した文字を持つのか、(2) LLMは様々な文字で物語を生成するのか。
• 参考スコア（独自算出の注目度）: 19.095001272609277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As LLM-generated text is increasingly used, especially in fictional domains, we explore how much LLM-generated stories differ from human-written stories. In this work, we focus on characters. We borrow definitions from narratology to analyze eight intricate dimensions of character, such as stylization and wholeness. These dimensions consider more than just basic characteristics. They assess how characters are portrayed within their stories. After automatically inferring categories of characters within both LLM and human-written stories, we compare and contrast these two sets of stories. We consider the following overarching questions: (1) Do LLMs and human-written stories have similar characters? and (2) Do LLMs generate stories with a variety of characters? Our analysis includes research questions that focus on stories generated by popular LLMs and recently published human-written stories. We describe a number of interesting similarities, differences and key takeaways.
• Abstract（参考訳）: LLM生成のテキストが、特にフィクションの領域で使われるようになるにつれて、LLM生成のストーリーと人間が書いたストーリーとがどのように異なるかを探る。 本研究では、登場人物に焦点を当てる。 ナラトロジーから定義を借りて、スタイリゼーションや全体性といった8つの複雑なキャラクタの次元を分析する。 これらの次元は単なる基本的な特徴以上のものを考える。 登場人物が物語の中でどのように描かれているかを評価する。 LLMとヒューマンストーリーの両方で文字のカテゴリを自動的に推論した後、これらの2つのストーリーを比較し、対比する。 1) LLMとヒューマンストーリーは類似の文字を持つか? そして 2) LLM は様々な文字でストーリーを生成するのか? 我々の分析には、人気のあるLLMが生み出した物語と、最近出版された人間による物語に焦点をあてた研究質問が含まれている。 いくつかの興味深い類似点、相違点、重要な点について説明する。

関連論文リスト

• Do Large Language Models Always Tell The Same Stories? [2.4779770815686444]
  物語類似性の枠組みを用いて,大規模言語モデルが生成する物語の多様性について検討する。 LLM生成の物語は、人間が書いた物語よりも一貫して似ています。 我々は、負のプロンプトや温度スケーリングを含む一般的な緩和戦略が、この均一性に有意に対処できないことを示す。
  論文  参考訳（メタデータ） (2026-06-15T22:52:02Z)
• Collaborative Storytelling and LLM: A Linguistic Analysis of Automatically-Generated Role-Playing Game Sessions [55.2480439325792]
  RPG(ロールプレイングゲーム)とは、プレイヤーが互いに対話して物語を作るゲームである。 この共有物語の新たな形態は、主に口頭で注目されている。 本稿では,大言語モデル(LLM)の言語がRPGセッションの生成を依頼した場合に,どの程度に口頭や書面の機能を示すかを明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2025-03-26T15:10:47Z)
• Towards Enhanced Immersion and Agency for LLM-based Interactive Drama [55.770617779283064]
  本論文は,対話型ドラマを2つの側面から理解することから始まる:没入感,プレイヤーの物語への参加感,エージェンシーである。 これら2つの側面を強化するために,我々はまず,LLMが劇的なストーリーを製作し,構造と物語の質を大幅に向上させる新しい手法であるPlaywriting-Guided Generationを提案する。
  論文  参考訳（メタデータ） (2025-02-25T06:06:16Z)
• 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)
• 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 Unlikely Duel: Evaluating Creative Writing in LLMs through a Unique Scenario [12.852843553759744]
  我々は,最近の言語モデル(LLM)を,英語の創造的記述タスクに基づいて評価した。 Ignatius J. Reilly と pterodactyl のエピックな戦いに基づく)特殊に調整されたプロンプトを使用して、データの漏洩をトレーニングするリスクを最小限にする。 評価は、流派、スタイル、独創性、ユーモアといった様々な側面を含む詳細なルーリックを使用して人間によって行われる。
  論文  参考訳（メタデータ） (2024-06-22T17:01:59Z)
• LFED: A Literary Fiction Evaluation Dataset for Large Language Models [58.85989777743013]
  元々は中国語で書かれたか、中国語に翻訳された95の文学小説を収集し、数世紀にわたって幅広い話題を扱っている。 質問分類を8つのカテゴリーで定義し,1,304の質問の作成を導く。 我々は、小説の特定の属性(小説の種類、文字番号、出版年など)がLLMのパフォーマンスに与える影響を詳細に分析する。
  論文  参考訳（メタデータ） (2024-05-16T15:02:24Z)
• "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)

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。