論文の概要: Steering Readerly Dynamics: Trajectory-Guided Story Generation with Large Language Models

• arxiv url: http://arxiv.org/abs/2611.00469v1
• Date: Fri, 30 Oct 2026 23:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.407732
• Title: Steering Readerly Dynamics: Trajectory-Guided Story Generation with Large Language Models
• Title（参考訳）: Steering Readerly Dynamics: 大規模言語モデルを用いた軌道案内型ストーリー生成
• Abstract要約: 大規模言語モデル(LLM)は、ストーリーを生成するためにますます使われていますが、これらのストーリーは読みやすいダイナミクスを再現するのに苦労しています。 高品質な人書きストーリーから読みやすいダイナミックスを学習し,それを用いてストーリー生成をガイドするフレームワークを提案する。 本フレームワークは,物語コヒーレンスを保ちながら,人文記事への軌道に基づく忠実度を12%～35%向上させる。
• 参考スコア（独自算出の注目度）: 16.285294361871735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used to generate stories, but these stories struggle to reproduce engaging readerly dynamics, the evolving reader responses that shape narrative experience. To address this challenge, we propose a framework that learns readerly dynamics from high-quality human-written stories and uses them to guide story generation. Instead of directly modeling high-dimensional story content, we train a small LLM to predict future reader responses as low-dimensional trajectories. We then leverage the strong instruction-following capability of a larger, off-the-shelf writer LLM to generate story segments that follow these predicted trajectories within a given story setting. Our framework improves trajectory-based fidelity to human-written stories by 12%-35% while largely preserving story coherence.
• Abstract（参考訳）: 大規模言語モデル(LLM)は物語を生成するためにますます使われるが、これらのストーリーは物語の体験を形作る読者反応であるエンゲージメントな読者ダイナミクスの再現に苦慮している。 この課題に対処するために,高品質な人書きストーリーから読みやすいダイナミックスを学習し,それを用いてストーリー生成をガイドするフレームワークを提案する。 高次元のストーリーコンテンツを直接モデル化する代わりに、我々は低次元のトラジェクトリとして将来の読者反応を予測するために小さなLCMを訓練する。 次に,大規模で既成の書体 LLM の強い指示追従能力を活用して,所定のストーリー設定内でこれらの予測された軌跡に従うストーリーセグメントを生成する。 本フレームワークは,物語コヒーレンスを保ちながら,人文記事への軌道に基づく忠実度を12%～35%向上させる。

関連論文リスト

• Scaling Long-Form Story Generation via Narrative State Tracking [8.01992082372127]
  既存のストーリージェネレーション手法は最大1万語までの物語に焦点を合わせ、未調査の長編小説にスケールする能力を残している。 NstAgent(Narrative State Tracking Agent、NstAgent)は、LLMが構造化された物語状態を追跡することができる訓練不要なエージェントフレームワークである。 NstAgentはストーリーが長くなるにつれて物語の一貫性と文章の質が向上することを示す。
  論文  参考訳（メタデータ） (2026-09-28T17:59:09Z)
• From Personas to Plot: Character-Grounded Multi-Agent Story Generation for Long-Form Narratives [3.0130431031064613]
  長文の物語生成と検証のための統一的な枠組みを導入する。 本稿では,本フレームワークが単一モデルプロンプトやIBSENと比較してコヒーレントな物語を生成することを示す。 これらの結果から, 長期の物語は, 明示的な世界状態追跡と目標駆動型マルチエージェント生成から生まれる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-01T13:23:07Z)
• StoryWriter: A Multi-Agent Framework for Long Story Generation [53.80343104003837]
  長いストーリー生成は、既存の大きな言語モデルにとって依然として課題である。 本稿では,3つの主要モジュールから構成されるマルチエージェント・ストーリー生成フレームワークであるStoryWriterを提案する。 StoryWriterは、ストーリーの品質と長さの両方において、既存のストーリー生成ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2025-06-19T16:26:58Z)
• Story3D-Agent: Exploring 3D Storytelling Visualization with Large Language Models [57.30913211264333]
  提案するStory3D-Agentは、提供された物語を3Dレンダリングの可視化に変換する先駆的なアプローチである。 プロシージャモデリングを統合することで,複数文字の動作や動きを正確に制御できるだけでなく,多様な装飾的要素も利用できる。 我々は,ストーリー3D-Agentを徹底的に評価し,その有効性を検証し,3Dストーリー表現を前進させるための基本的な枠組みを提供した。
  論文  参考訳（メタデータ） (2024-08-21T17:43:15Z)
• 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)
• Creating Suspenseful Stories: Iterative Planning with Large Language Models [2.6923151107804055]
  本稿では,ストーリー・サスペンスの2つの理論的基礎に根ざした,反復型提案型計画手法を提案する。 本論文は,我々の知る限りでは,大規模言語モデルを用いたサスペンスな物語生成の試みである。
  論文  参考訳（メタデータ） (2024-02-27T01:25:52Z)
• 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)
• Guiding Neural Story Generation with Reader Models [5.935317028008691]
  本稿では、読者モデルを用いてストーリーを推論するフレームワークであるReader Models(StoRM)によるストーリー生成について紹介する。 実験により、我々のモデルは、プロットの可視性やトピックの継続など、次元のベースラインをはるかに上回り、コヒーレントでオントピー的なストーリーを生み出すことが示された。
  論文  参考訳（メタデータ） (2021-12-16T03:44:01Z)

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。