[논문 리뷰] Computational Storytelling and Emotions: A Survey

Yusuke Mori, Hiroaki Yamane외 2명|arXiv (Cornell University)|2022. 05. 23.

Digital Storytelling and Education인용 수 5

한 줄 요약

이 종합 검토는 감정을 고려한 계산적 내러티브 생성에 대해 다루며, 감정 인식 기반 내러티브 생성 및 이해가 창작적 글쓰기에서 인간과 컴퓨터의 협업을 향상시킬 수 있음을 제안한다. 자연어 처리(NLP), 신경과학, 전문가 수준의 내러티브 기법의 통합을 통해, 특히 각성도와 평가도를 포함한 감정의 흐름이 독자 참여도에 크게 영향을 미친다는 점을 입증하며, 인공지능 기반 내러티브 창작을 위한 프레임워크를 제시한다.

ABSTRACT

Storytelling has always been vital for human nature. From ancient times, humans have used stories for several objectives including entertainment, advertisement, and education. Various analyses have been conducted by researchers and creators to determine the way of producing good stories. The deep relationship between stories and emotions is a prime example. With the advancement in deep learning technology, computers are expected to understand and generate stories. This survey paper is intended to summarize and further contribute to the development of research being conducted on the relationship between stories and emotions. We believe creativity research is not to replace humans with computers, but to find a way of collaboration between humans and computers to enhance the creativity. With the intention of creating a new intersection between computational storytelling research and human creative writing, we introduced creative techniques used by professional storytellers.

연구 동기 및 목표

• 감정이 계산적 내러티브에서 이야기 이해, 생성, 독자 참여도에 어떻게 영향을 미치는지 탐구하는 것.
• 전문가 수준의 내러티브 기법을 통합함으로써 계산언어학, 내러티브 이론, 인간 창작 실천 간 격차를 메우는 것.
• 특히 각성도와 평가도를 포함한 감정 역학이 독자 관심도와 이야기 품질 예측에 어떻게 기여하는지 분석하는 것.
• 감정 과학과 NLP에 기반한 인공지능이 인간 창의성 지원을 위한 협업 프레임워크를 제안하는 것.
• 내용적 감정 표현(예: NRC AIL)과 차원적 감정 표현(예: VAD) 간의 효과성을 평가하는 것 — 이야기 생성 및 이해 작업에서의 성능 비교.

제안 방법

• 자연어 처리(NLP), 디지털 인문학, 신경과학 분야의 기존 문헌을 조사하여 내러티브에서 핵심적인 감정 차원을 규명하는 것.
• 감정의 흐름(예: 'Man in Hole')을 감성 추적 및 시각화 기법을 통해 분석하여 내러티브 흐름을 모델링하는 것.
• 감정 표현을 위해 NRC AIL(내용적: 분노, 두려움, 기쁨, 슬픔, 중립) 및 NRC VAD(차원적: 평가도, 각성도, 지배도)와 같은 감정 어휘를 활용하는 것.
• 엔티티 기반의 일관성 모델(예: 센터링 이론)과 내러티브 구조(예: 프롭의 민속동화 기능)를 통합하여 내러티브 일관성을 유지하는 것.
• 주의 메커니즘과 엔티티 추적을 통해 감정적 맥락을 통합한 신경 기반 텍스트 생성 모델을 적용하는 것.
• 등장인물, 감정, 사건이 주어진 데이터셋(예: LitBank)을 구축하고 분석하여 감정 인식 기반 내러티브 모델링을 지원하는 것.

실험 결과

연구 질문

• RQ1 특히 각성도와 평가도를 포함한 감정의 흐름이 이야기의 독자 관심도와 참여도에 어떻게 영향을 미치는가?
• RQ2 계산적 내러티브에서 감정의 최적 표현 방식은 무엇인가? 내용적(예: NRC AIL)인지, 차원적(예: VAD)인지?
• RQ3 감정 인식을 포함한 전문가 수준의 내러티브 기법을 어떻게 계산적으로 모델링하여 창작적 글쓰기 지원에 활용할 수 있는가?
• RQ4 감정의 흐름을 감정 차원을 통해 제어함으로써 인공지능이 생성한 이야기가 얼마나 향상될 수 있는가?
• RQ5 감정과 인지에 관한 신경과학 연구 결과를 어떻게 계산적 내러티브 이해 및 생성 모델에 통합할 수 있는가?

주요 결과

• 예를 들어 'Man in Hole' 패턴과 같은 감정의 흐름은 독자 참여도에 크게 영향을 미치며, 높은 각성도를 보이는 감정 변화가 내러티브 흥미를 증가시킨다.
• 평가도와 각성도를 동시에 고려한 VAD 모델은 단순한 내용적 감정 모델보다 더 정교한 감정 제어를 가능하게 하여 내러티브 생성에서 더 나은 성능을 보인다.
• 실험 결과, 긍정성(평가도)과 각성도 수준이 독자 만족도에 독립적으로 영향을 미치며, 이는 이차원 감정 모델의 타당성을 입증한다.
• COMET에서 수집한 500개 이상의 고유 감정 반응을 사용한 실험은 훈련 예제가 부족하여 실패했으며, 이는 제로샷 또는 피처샷 감정 매핑의 한계를 시사한다.
• 내용적 감정 모델(예: 5개 카테고리로 구성된 NRC AIL)은 감정 인식 기반 내러티브 생성에 실용적인 유용성을 보였지만, 차원적 모델에 비해 표현력이 떨어진다.
• 엔티티 추적과 프롭 이론, 센터링 이론에서 유도된 체계적인 내러티브 프레임워크를 통해 내러티브 일관성과 감정의 흐름을 가장 효과적으로 유지할 수 있다.