[论文解读] Computational Narrative Intelligence: A Human-Centered Goal for Artificial Intelligence

Mark Riedl|arXiv (Cornell University)|Feb 21, 2016

Topic Modeling参考文献 36被引用 47

一句话总结

本文提出计算叙事智能（CNI）作为人工智能的人本目标，使机器能够以情感和文化意识创造、理解并回应故事。通过从叙事语料库（包括小说、新闻和文化故事）中学习，CNI旨在推进机器的文化浸入，改善人机沟通，并支持教育、娱乐和可解释人工智能等应用。

ABSTRACT

Narrative intelligence is the ability to craft, tell, understand, and respond affectively to stories. We argue that instilling artificial intelligences with computational narrative intelligence affords a number of applications beneficial to humans. We lay out some of the machine learning challenges necessary to solve to achieve computational narrative intelligence. Finally, we argue that computational narrative is a practical step towards machine enculturation, the teaching of sociocultural values to machines.

研究动机与目标

• 开发能够以情感方式创作、理解并回应叙事的人工智能，以增强人机沟通和共情能力。
• 解决使人工智能理解复杂叙事结构（包括隐含的因果和时间关系）的挑战。
• 探索叙事智能作为机器文化浸入的路径——通过故事而非手动规则编码来教授人工智能社会文化价值观。
• 使人工智能系统能够生成合理且符合情境的虚构和现实世界叙事，用于培训、新闻报道和个人化娱乐等应用。
• 通过将人工智能决策和行为表述为叙事，提升人工智能的可解释性，使其更易被人类理解并建立信任。

提出的方法

• 利用大规模叙事语料库（包括小说、新闻文章、寓言和电影、漫画等媒体）进行监督和自监督机器学习。
• 整合多模态处理（自然语言处理与计算机视觉），分析跨文本、音频和视觉媒体的叙事内容，尤其针对图文或电影化格式。
• 使用叙事问答作为评估基准，以检验对隐含因果和时间事件结构的推理能力。
• 开发故事生成模型，生成新颖、连贯且个性化的故事，以匹配用户偏好和上下文。
• 应用“从故事中学习”（LfS）技术，从众包或具有文化代表性的叙事中提取社会文化适宜的行为和价值观。
• 使用结构化语义模型表示叙事知识，编码事件、主体、目标和情感状态，以支持推理与规划。

实验结果

研究问题

• RQ1 人工智能系统如何被训练以理解自然语言叙事中的因果和时间关系，尤其是当这些关系是隐含的？
• RQ2 需要何种机器学习架构和训练范式，才能生成连贯、新颖且个性化的虚构或现实世界叙事？
• RQ3 叙事在何种方式下可作为教授人工智能社会文化价值观和规范的可行媒介，从而绕过手动规则编码的不可行性？
• RQ4 叙事智能如何提升人工智能系统在以人为本应用中的可解释性和可信度？
• RQ5 多模态叙事（如电影、图像小说）在训练人工智能理解文本之外的叙事语境方面发挥什么作用？

主要发现

• 计算叙事智能使人工智能能够以情感和文化细微差别生成和理解故事，从而改善人机关系与沟通。
• 基于叙事的学习为手动编码价值观提供了可扩展的替代方案，使人工智能能够从多样化、具有文化代表性的故事语料库中学习社会文化规范。
• 用于训练模拟的故事生成可产生无限且情境相关的场景，支持医疗和国防等领域中的技能掌握。
• 叙事问答任务表明，当前系统在隐含因果关系和时间推理方面仍存在困难，凸显了关键的研究挑战。
• 从故事中学习（LfS）已被证明是机器文化浸入的可行概念验证，表明人工智能能够从叙事数据中模仿人类行为。
• 将人工智能决策以叙事方式呈现可增强透明度和用户信任，使人工智能行为更易理解，减少对人类用户的疏离感。