論文の概要: How LLMs Build Fictional Worlds: Setting and Narrative Space in AI-Generated Creative Storytelling

• arxiv url: http://arxiv.org/abs/2609.02482v1
• Date: Wed, 02 Sep 2026 11:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.268674
• Title: How LLMs Build Fictional Worlds: Setting and Narrative Space in AI-Generated Creative Storytelling
• Title（参考訳）: LLMはどのようにしてフィクション世界を構築するか:AIによって生成された創造的ストーリーテリングにおける空間の設定と物語的空間
• Authors: Katrin Rohrbacher, Björn Nieth, Emmanuelle Salin, Bjoern Eskofier, Michaela Mahlberg,
• Abstract要約: 私たちは、英語とドイツ語のモデル毎のAI生成ストーリーを、Project Gutenbergの人間によるフィクションと比較します。 我々は「行動」、「知覚」、「視覚」、「説明」、「空間なし」の5種類の物語空間を通して設定を運用する。 一方, LLMは, 環境や環境に配慮した「知覚空間」を体系的に過剰に生成し, 雰囲気や影響を強調している。
• 参考スコア（独自算出の注目度）: 0.47954782871066737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we analyze how Large Language Models (LLMs) employ worldbuilding strategies, focusing on setting as one measurable dimension of storyworld construction. We compare 1,000 AI-generated stories per model in English and German with human-authored fiction from Project Gutenberg. Building on prior work, we operationalize setting through five types of narrative space: "action", "perceived," "visual," "descriptive" and "no space", identified using fine-tuned BERT classifiers for German and English. We generate narratives using GPT 4.1, LlaMA 3.3, Mistral 3.2, and Gemma 3 and compare their spatial distributions to a human-authored baseline. We find that human-authored texts predominantly employ "action space," grounding narratives in embodied character-environment interaction, whereas LLMs systematically overproduce "perceived space," emphasizing atmosphere and affect. This divergence remains stable across narrative time. Overall, our findings show that LLMs exhibit worldbuilding patterns that differ consistently from human-authored fiction in ways that are both model-specific and language-sensitive.
• Abstract（参考訳）: 本稿では,Large Language Models (LLMs) がいかに世界構築戦略を採用するかを分析し,ストーリーワールド構築の1次元としての設定に焦点をあてる。 私たちは、英語とドイツ語のモデル毎のAI生成ストーリーを、Project Gutenbergの人間によるフィクションと比較します。 先行研究に基づいて,ドイツ語と英語の細調整BERT分類器を用いて,「アクション」「知覚」「視覚」「記述」「空間なし」の5種類の物語空間を操作した。 我々は、GPT 4.1, LlaMA 3.3, Mistral 3.2, Gemma 3 を用いて物語を生成し、それらの空間分布を人為的なベースラインと比較する。 一方, LLMは, 環境や環境に配慮した「知覚空間」を体系的に過剰に生成し, 雰囲気や影響を強調している。 この分岐は物語の時間を通じて安定している。 総じて、LLMは、モデル固有のものと言語に敏感な両方の方法で、人間によるフィクションとは一貫して異なる世界構築パターンを示す。

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)
• 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)
• StoryScope: Investigating idiosyncrasies in AI fiction [26.913725703912572]
  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。
  論文  参考訳（メタデータ） (2026-04-03T15:56:38Z)
• Beyond Profile: From Surface-Level Facts to Deep Persona Simulation in LLMs [50.0874045899661]
  本稿では,文字のテキストワークに現れる言語パターンと独特の思考パターンの両方を再現するモデルである characterBot を紹介する。 著名な中国の作家ル・ジュンをケーススタディとして、17冊のエッセイ集から派生した4つの訓練課題を提案する。 これには、外部の言語構造と知識を習得することに焦点を当てた事前訓練タスクと、3つの微調整タスクが含まれる。 言語的正確性と意見理解の3つのタスクにおいて、キャラクタボットを評価し、適応されたメトリクスのベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-02-18T16:11:54Z)
• Mapping News Narratives Using LLMs and Narrative-Structured Text Embeddings [0.0]
  構造主義言語理論に基づく数値的物語表現を導入する。 オープンソースLLMを用いてアクタントを抽出し,それをナラティブ構造化テキスト埋め込みに統合する。 本稿では,イスラエル・パレスチナ紛争に関するアル・ジャジーラとワシントン・ポストの新聞記事5000件を例に,本手法の分析的考察を紹介する。
  論文  参考訳（メタデータ） (2024-09-10T14:15:30Z)
• 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 Next Chapter: A Study of Large Language Models in Storytelling [51.338324023617034]
  大規模言語モデル(LLM)を用いたプロンプトベース学習の適用は,自然言語処理(NLP)タスクにおいて顕著な性能を示した。 本稿では,LLMのストーリー生成能力と最近のモデルを比較するために,自動評価と人的評価の両方を利用した総合的な調査を行う。 その結果、LLMは他のストーリー生成モデルと比較して、非常に高い品質のストーリーを生成することがわかった。
  論文  参考訳（メタデータ） (2023-01-24T02:44:02Z)

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。