[论文解读] Computational Storytelling and Emotions: A Survey

Yusuke Mori, Hiroaki Yamane+2 more|arXiv (Cornell University)|May 23, 2022

Digital Storytelling and Education被引用 5

一句话总结

本综述探讨了情感在计算叙事中的整合，提出情感感知的故事生成与理解可增强人机在创意写作中的协作。通过综合自然语言处理、神经科学及专业叙事技巧的研究成果，本文表明情感弧线——尤其是唤醒度与效价——显著影响读者参与度，为人工智能支持的叙事创作提供了一个框架。

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.

研究动机与目标

• 探究情感如何影响计算叙事中的故事理解、生成与读者参与度。
• 通过融入专业叙事技巧，弥合计算语言学、叙事理论与人类创意实践之间的鸿沟。
• 研究情感动态（尤其是唤醒度与效价）在预测读者兴趣与故事质量中的作用。
• 提出一种协作框架，使人工智能支持人类创造力而非取代之，该框架基于情感科学与自然语言处理。
• 评估分类式与维度式情感表征（如 NRC AIL 与 VAD）在故事生成与理解任务中的有效性。

提出的方法

• 综述自然语言处理、数字人文与神经科学领域的现有文献，以识别叙事中关键的情感维度。
• 利用情感追踪与可视化技术分析情感弧线（如“人在坑中”模式），以建模叙事流程。
• 使用情感词典（如 NRC AIL（分类式：愤怒、恐惧、喜悦、悲伤、中性）与 NRC VAD（维度式：效价、唤醒度、支配度））进行情感表征。
• 整合基于实体的连贯性模型（如中心化理论）与叙事结构（如普罗普的民间故事功能），以维持叙事一致性。
• 应用结合情感上下文的神经文本生成模型，通过注意力机制与实体追踪实现情感引导。
• 构建并分析标注了角色、情感与事件的语料库（如 LitBank），以支持情感感知的叙事建模。

实验结果

研究问题

• RQ1 情感弧线（尤其是涉及唤醒度与效价的弧线）如何影响读者对故事的兴趣与参与度？
• RQ2 在计算叙事中，情感的最佳表征方式是什么：分类式（如 NRC AIL）还是维度式（如 VAD）模型？
• RQ3 如何计算建模涉及情感意识的专业叙事技巧，以支持创意写作？
• RQ4 在多大程度上，通过控制情感进展（基于情感维度）可增强人工智能生成的故事？
• RQ5 如何将神经科学在情感与认知方面的研究成果整合到计算叙事理解与生成模型中？

主要发现

• 情感弧线（如“人在坑中”模式）显著影响读者参与度，高唤醒度的情感转变可提升叙事吸引力。
• 效价与唤醒度维度（VAD）的结合，相比仅使用分类式情感模型，能实现更细腻的情感控制。
• 实验结果证实，愉悦度（效价）与唤醒度水平均独立影响人类对故事的满意度，验证了二维情感模型的有效性。
• 使用 COMET 中超过 500 种独特情感反应的尝试因训练样本不足而失败，表明零样本或少样本情感映射存在局限性。
• 分类式情感模型（如具有五种类别的 NRC AIL）在情感感知的故事生成中具有实际应用价值，尽管其表达力不及维度式模型。
• 通过实体追踪与结构化叙事框架（如源自普罗普理论与中心化理论的框架）可最好地维持叙事连贯性与情感进展。