[论文解读] Towards a Formal Model of Narratives

Louis Castricato, Stella Biderman+2 more|arXiv (Cornell University)|Mar 23, 2021

Artificial Intelligence in Games参考文献 27被引用 4

一句话总结

本文提出了一种模型论框架，用于形式化叙事结构，通过逻辑语义和熵来建模从说书人到读者的信息流、信念演化以及不确定性。该框架提出了新颖且可实验验证的度量指标——世界一致性的熵（Entropy of World Coherence）与过渡一致性的熵（Entropy of Transitional Coherence），用于衡量计算叙事学中的故事连贯性与信息准确性。

ABSTRACT

In this paper, we propose the beginnings of a formal framework for modeling narrative extit{qua} narrative. Our framework affords the ability to discuss key qualities of stories and their communication, including the flow of information from a Narrator to a Reader, the evolution of a Reader's story model over time, and Reader uncertainty. We demonstrate its applicability to computational narratology by giving explicit algorithms for measuring the accuracy with which information was conveyed to the Reader and two novel measurements of story coherence.

研究动机与目标

• 建立一个正式的、基于模型论的叙事基础，以调和计算叙事学中多样化的研究方法。
• 使用逻辑语义形式化核心叙事学概念，如情节（fabula）、故事世界与叙事传播。
• 通过信念更新，形式化读者心理故事模型（情境模型）随时间的动态演化过程。
• 使用基于熵的度量方法，量化读者的不确定性与信息传递的准确性。
• 开发基于形式逻辑与模型论的、可实验验证的叙事连贯性与情节相关性度量指标。

提出的方法

• 将叙事形式化为模型论结构，其中情节（fabula）被表示为布尔格上的可能世界与命题的集合。
• 通过可能世界的过滤建模信息流，将读者的信念集限制为与时间上先前列一致的状态。
• 将世界一致性的熵（ETC）定义为读者信念集中命题相对于过滤后真实状态的平均概率。
• 将过渡一致性的熵（ETC）定义为在情节关键点之间信念转换的忠实度度量，使用前后信念之间的蕴含关系（A ⇒ B）。
• 使用模型论与模态逻辑形式化叙事框架中的必然性与可能性，确保信念演化在时间上的一致性。
• 应用逆像操作，将读者模型与早期时间点的真实状态对齐，从而实现对连贯性与准确性的测量。

实验结果

研究问题

• RQ1 如何利用模型论正式建模叙事结构，以捕捉从说书人到读者的信息流？
• RQ2 读者的心理故事模型如何通过信念更新随时间演化，以及这种演化如何被形式化？
• RQ3 如何在逻辑框架内使用熵来量化并测量读者的不确定性？
• RQ4 情节关键点（内核）在塑造信念转换中起什么作用，其连贯性如何评估？
• RQ5 如何将叙事连贯性作为故事世界模型与信念转换一致性的一致性函数来衡量？

主要发现

• 该框架能够通过基于信念转换的严格情节相关性概念，精确形式化巴特（Barthes）的内核与卫星概念。
• 世界一致性的熵（ETC）提供了一个可度量的指标，用于衡量读者的故事世界模型与真实状态的一致性，熵值越高表示连贯性越强。
• 过渡一致性的熵（ETC）量化了情节关键点之间信念转换的忠实度，值越高表示推理模式越连贯。
• 该模型支持关于读者如何响应信息不完整的叙事世界的可实验验证假设，尤其体现在信念修正与不确定性方面。
• 该框架可将理论性的叙事概念转化为实际可计算的度量指标，用于评估故事的一致性与连贯性。
• 通过使用过滤与逆像操作，即使读者缺乏完整信息，也能通过将信念集限制在时间一致状态，实现对信息传递的准确测量。