以创作者为中心的大语言模型辅助交互式故事叙述方法探索

文献标题

Exploring Creator-Centric Methods for LLM-Assisted Interactive Storytelling

出版信息

• 主题领域: 人工智能辅助的交互式叙事
• 关键词: 大型语言模型, 交互式叙事, 创作者中心设计, 叙事工具, 节点图编辑, 道德复杂性, 用户模拟, 共创, 涟漪效应分析, 人机协作

背景与问题

• 问题/挑战: 现有的交互式叙事工具未能充分满足创作者在管理复杂叙事结构、保持主题一致性以及平衡人工智能辅助与作者控制方面的需求。目前基于LLM的系统通常优先考虑生成效率，而忽视了创作者的工作流程，从而与创作过程不匹配。
• 意义: 解决这些问题对于帮助创作者制作沉浸式、多层次的叙事，同时保持其创作主权至关重要。改进的工具可以减轻认知负担，提高叙事质量，并支持具有道德复杂性的叙事。
• 动机与相关工作: 先前的研究主要关注系统导向的视角，强调技术能力和用户行为建模，但缺乏对创作者工作流程和痛点的实证验证。现有工具通常未能将结构性推理、主题发展和用户反馈整合到统一的工作流程中。本文基于共创性和人机协作理论设计并评估了一个以创作者为中心的系统。

解决方案

• 提出的方法: CoNoder，一个用于LLM辅助交互式叙事的原型系统，集成了可视化节点图编辑器、双模式AI生成、涟漪效应自动分析和模拟用户反馈，强调作者控制。
• 创新点:
  1. 开发了一个以创作者为中心的交互式叙事工具框架。
  2. 将多层次叙事编辑与动态角色档案相结合。
  3. 引入涟漪效应分析以跟踪结构变化及其下游影响。
  4. 实现模拟用户反馈以使叙事与目标受众对齐。
• 过程与关键技术:
  • 通过对16位创作者的形成性访谈，识别挑战和期望。
  • 基于访谈洞察定义了五个设计目标（DG1–DG5）。
  • 开发了CoNoder，其功能包括节点图编辑、双模式AI辅助（文本/功能模式，标准/显式风格）、涟漪效应分析和用户模拟。
  • 使用14名参与者进行系统评估，采用组内平衡设计，将CoNoder与基线系统进行比较。

结果

• 具体发现:
  • CoNoder显著提高了创作效率、叙事清晰度，并支持具有道德复杂性的叙事。
  • 在多层次故事编辑（中位数=7 vs. 4.5, p=0.007）和涟漪效应分析（中位数=7 vs. 2.5, p=0.002）方面评分更高。
  • 根据NASA-TLX评分，降低了心理负担（中位数=2 vs. 4, p=0.026）和时间压力（中位数=2 vs. 4.5, p=0.003）。
• 相较基线系统的优势:
  • 集成的节点图编辑和AI辅助减少了手动工作量并改善了结构一致性。
  • 模拟用户反馈提供了叙事与目标受众对齐的实时洞察。
  • 显式模式支持探索具有道德复杂性和非传统的叙事创意。
• 实验/评估:
  • 参与者（N=14）使用CoNoder和基线系统创作交互式故事。
  • 混合方法评估包括问卷调查、屏幕活动日志和半结构化访谈。
  • 任务包括创建多分支叙事、编辑节点以及整合AI生成的建议。
• 局限性与未来工作:
  • 对于首次使用者的入门和指导机制需要改进。
  • 模拟用户反馈缺乏文化和人口统计特异性。
  • 未来版本应探索自适应提示结构、视觉增强以及纵向研究以评估长期创作轨迹。

总结

本研究介绍了CoNoder，一个以创作者为中心的LLM辅助交互式叙事系统，解决了叙事结构、主题一致性和创作控制方面的挑战。该系统集成了节点图编辑、双模式AI辅助、涟漪效应分析和模拟用户反馈，与基线系统相比显著提高了创作效率和叙事清晰度。尽管在用户入门和模拟用户反馈方面仍存在局限性，但研究结果突显了LLM作为复杂叙事设计协作工具的潜力，为未来人机共创系统提供了可操作的见解。