Verstehen von Charakterpersönlichkeiten in der Literatur

Die Persönlichkeit von Charakteren zu verstehen, ist super wichtig, wenn man Geschichten liest. Während die Leser durch die Handlung gehen, merken sie, wie sich die Persönlichkeit eines Charakters mit den sich entwickelnden Ereignissen verändert. Verschiedene Eigenschaften und Seiten eines Charakters kommen zum Vorschein, je weiter die Geschichte voranschreitet. Das wirft die Frage auf, wie man diese Persönlichkeiten im Kontext besser verstehen kann.

Das Problem ist, dass frühere Studien das im Bereich der natürlichen Sprachverarbeitung (NLP) nicht wirklich angepackt haben. Ein Grund dafür ist der Mangel an geeigneten Daten, die das Leseerlebnis widerspiegeln. Um diese Lücke zu schliessen, wurde ein neues, gekennzeichnetes Datenset erstellt. Dieses Datenset ermöglicht es Forschern zu untersuchen, wie Menschen die Persönlichkeiten von Charakteren interpretieren, während sie sich mit einer Erzählung beschäftigen.

Das Erstellen dieses Datensatzes basiert auf Benutzeranmerkungen aus Online-Lese-Apps. Nutzer machen manchmal Notizen beim Lesen und teilen ihre Gedanken über die Charaktere und die Handlung. Durch das Analysieren dieser Notizen können Forscher herausfinden, welche Charaktereigenschaften basierend auf verschiedenen Teilen der Geschichte genau die Charaktere repräsentieren. Tests zeigen, dass die Art und Weise, wie dieses Datenset erstellt wurde, sowohl effektiv als auch präzise ist. Es hebt auch die Notwendigkeit hervor, den langfristigen Kontext zu berücksichtigen, wenn man Vorhersagen über Charaktereigenschaften trifft.

Charaktere in Geschichten treiben oft die Handlung und die Entwicklung der Plot voran. Autoren geben diesen Charakteren unterschiedliche Persönlichkeitstypen, die sie auszeichnen und ihre Motivationen und Handlungen erklären. Während die Leser lesen, begreifen sie allmählich diese Persönlichkeiten, was ihnen hilft, der Logik der Geschichte zu folgen und vorherzusehen, was als Nächstes passieren könnte.

Die NLP-Community beginnt, die Bedeutung von Studien zu Charakterpersönlichkeiten zu erkennen, was zu neuen Forschungsansätzen führt. Die bestehenden Aufgaben in diesem Bereich betrachten in der Regel ein ganzes Buch als Eingabe und konzentrieren sich auf breite Persönlichkeitsimpressionen. Das schränkt die Analyse oft auf verallgemeinerte Persönlichkeitstypen ein, wie sie im MBTI-Framework zu finden sind.

Um die Aufgabe der Persönlichkeitsvorhersage zu verbessern, wurden zwei Aspekte identifiziert, die das reale Verständnis von Charakteren widerspiegeln. Zum einen besteht die Notwendigkeit, feinere Persönlichkeitsmerkmale mit einer umfassenden Liste charakteristischer Wörter vorherzusagen. Zum anderen ist das Lesen ein fortlaufender Prozess, und Menschen bauen ihr Verständnis für die Persönlichkeit eines Charakters dynamisch auf, während sie lesen. Dieses kontinuierliche Verständnis erfordert, dass man verfolgt, wie ein Charakter auf Situationen während der gesamten Geschichte reagiert.

Wenn es darum geht, Persönlichkeiten zu verstehen, kann ein Charakter an verschiedenen Punkten in der Erzählung unterschiedliche Eigenschaften zeigen. Die Leser nutzen ihr Wissen über frühere Ereignisse, um die Handlungen eines Charakters im jetzigen Moment zu interpretieren. Das macht deutlich, dass wir eine Methode zur Vorhersage von Persönlichkeiten brauchen, die den Kontext berücksichtigt, anstatt nur statische Merkmale.

Um ein Datenset zu erstellen, das das menschliche Leseerlebnis widerspiegelt, tauchten neue Herausforderungen in der Datensammlung auf, besonders wenn man die dynamische Natur des Lesens betrachtet. Annotatoren müssten ganze Bücher lesen, um genaue Anmerkungen zu machen, was praktisch nicht möglich ist wegen des Zeitaufwands. Daher wurde ein grossangelegtes Datenset entwickelt, um Persönlichkeiten während des Lesens vorherzusagen.

Der Ansatz basiert darauf, Benutzeranmerkungen aus Lese-Apps als eine Form der Repräsentation des Leseprozesses selbst zu verwenden. Diese Apps ermöglichen es Lesern, an ihrem aktuellen Standort im Text Notizen hinzuzufügen, die ihre Gedanken direkt mit bestimmten Teilen des Buches verknüpfen. Dadurch können die Notizen die Eindrücke eines Lesers genau wiedergeben.

Bei der Erstellung dieses Datensatzes wurden zwei wichtige Aufgaben identifiziert. Die erste besteht darin, festzustellen, ob eine Benutzeranmerkung über eine Charaktereigenschaft spricht. Die zweite besteht darin, dieser Eigenschaft in Bezug auf den hervorgehobenen Text ein spezifisches Label zuzuweisen. Die Bewertung von Benutzeranmerkungen erfordert in der Regel, dass sie sowohl den Namen eines Charakters als auch eine relevante Charaktereigenschaft enthalten. Menschliche Annotatoren bestätigen dann, ob die in der Notiz beschriebene Eigenschaft den Charakter im gegebenen Kontext genau verändert.

Durch diese Strategie wurde eine grosse Menge an gekennzeichneten Daten gesammelt, die weniger Leseaufwand als volle Bücher erforderten. Durch den Fokus auf kurze Benutzeranmerkungen wurde die Effizienz des Datensammelprozesses gesteigert. Das resultierende Datenset umfasst eine beträchtliche Anzahl von Beispielen aus klassischer Literatur und ist somit eine wertvolle Ressource für zukünftige Forschungen.

Das Datenset deckt nicht nur Englisch ab, sondern enthält auch eine zweisprachige Komponente mit entsprechenden chinesischen Übersetzungen. Das fügt eine zusätzliche Komplexitätsebene hinzu, erhöht jedoch die Anwendbarkeit für verschiedene Zielgruppen. Experimente mit diesem Datensatz zeigen, dass die Aufgabe der Persönlichkeitsvorhersage ziemlich herausfordernd ist. Zum Beispiel schnitten menschliche Leser mit Kenntnissen über die Geschichte eines Buches deutlich besser ab als Modelle, die keinen historischen Kontext nutzen.

Die wichtigsten Beiträge dieser Arbeit umfassen die Einführung eines Datensatzes, der die Persönlichkeitsvorhersage basierend auf situativem Leseverständnis benchmarkt. Die Gültigkeit dieses Datensatzes zur Bewertung des Verständnisses langfristiger Kontexte bei Menschen und Maschinen wurde festgestellt. Darüber hinaus hat eine neue Methode zur Erstellung von Datensätzen mithilfe von Benutzeranmerkungen vielversprechende Ergebnisse hinsichtlich Effizienz und Genauigkeit gezeigt.

Verwandte Forschung zeigt, dass das Verstehen von Geschichten ein komplexes Unterfangen ist. Viele Benchmarks wurden entwickelt, die verschiedene Aspekte des narrativen Verständnisses ansprechen. Dazu gehören Plot-Struktur, Fragenbeantwortung, Zusammenfassung und Charakteridentifikation. Ein grosser Teil dieser vorherigen Arbeiten stützt sich auf den gesamten Text einer Geschichte, was den gleichen situativen Leseprozess, der hier erkundet wird, nicht berücksichtigt.

Traditionelle Methoden zur Erstellung von Datensätzen stossen oft auf Einschränkungen. Diese Methoden könnten darin bestehen, dass Annotatoren ganze Geschichten lesen, Zusammenfassungen sammeln oder auf von Fans erstellte Inhalte zurückgreifen. Die genannten Strategien greifen jedoch oft zu kurz, wenn es darum geht, das detaillierte Verständnis von Charakterpersönlichkeiten in spezifischen Kontexten zu erfassen.

Die grösste Herausforderung bleibt, dass unsere Aufgabe die erste ist, die sich auf die Vorhersage von Charaktereigenschaften basierend auf lokalisierten Buchsegmenten konzentriert. Im Wesentlichen zielt die Aufgabe darauf ab, welche Eigenschaften durch einen Textausschnitt angegeben werden, während der gesamte vorherige Inhalt des Buches als Kontext berücksichtigt wird.

Das Problem kann formal definiert werden mit einem lokalen Textausschnitt, der aus einer grösseren Geschichte hervorgeht. Jeder Ausschnitt bezieht sich auf einen Charakter und ist mit einer spezifischen Persönlichkeitseigenschaft verbunden. Das Ziel ist, die Eigenschaft basierend auf dem Kontext vorherzusagen, der durch alles, was in der Geschichte vor diesem Ausschnitt passiert ist, bereitgestellt wird.

Der Datensatz selbst wurde aus 100 öffentlichen Büchern erstellt, die auch ihre übersetzten Versionen auf Chinesisch beinhalteten. Benutzeranmerkungen, die mit spezifischen Texten verknüpft sind, wurden gesammelt und gefiltert, um nur die zu wählen, die sich auf Eigenschaften und Charakternamen beziehen. Die Notizen wurden basierend auf ihren Textpositionen gruppiert, um Duplikate zu vermeiden und während des Annotationprozesses Konsistenz zu gewährleisten.

Darüber hinaus wurde eine Technik verwendet, um den Kontext der unterstrichenen Textausschnitte zu erweitern. Dieses erweiterte Fenster ermöglicht einen umfassenderen Blick auf die Szenarien und Handlungen von Charakteren, was die Relevanz der Notizen erhöht.

Der Prozess der Erstellung des Datensatzes beinhaltete das gründliche Lesen von Benutzeranmerkungen und die Bewertung, ob sie die Persönlichkeit eines Charakters genau darstellten. Annotatoren bestätigten ihre Ergebnisse, und es wurden Richtlinien festgelegt, um die Konsistenz bei der Kennzeichnung sicherzustellen. Die Ergebnisse zeigten ein hohes Mass an Genauigkeit in den Annotationen.

Die gesammelten Daten zeigten eine breite Verteilung von Persönlichkeitseigenschaften über verschiedene Charaktere hinweg, was die Komplexität der Charakterentwicklung in der Literatur verdeutlicht. Der Datensatz zeigt auch, dass Leser oft den Notizen über Charaktere, zu denen sie starke Gefühle haben, sei es positiv oder negativ, mehr Bedeutung beimessen.

Um die Vorhersagekraft innerhalb dieses Datensatzes zu testen, wurden verschiedene Modelle entwickelt, die auf vortrainierten Sprachmodellen wie BERT und Longformer basieren. Diese Modelle wurden hinsichtlich ihrer Fähigkeit bewertet, Kandidatenmerkmale erfolgreich zu bewerten und dabei die Geschichten aus früheren Ereignissen zu berücksichtigen.

Die Ergebnisse deuteten auf eine erhebliche Verbesserung der Modellleistung hin, indem der Charakterverlauf integriert wurde. Ausserdem wurden unüberwachte Lerntechniken gezeigt, um die Fähigkeiten der Modelle noch weiter zu verbessern.

Es ist wichtig zu beachten, dass menschliche Annotatoren, die an dieser Studie beteiligt waren, in vielen Fällen besser abschnitten als die Modelle, da sie ein tieferes Verständnis der Erzählungen hatten. Das betont die Herausforderungen bei der automatisierten Vorhersage von Persönlichkeiten innerhalb komplexer Geschichten.

Forschungen haben ergeben, dass bestimmte Arten von Eigenschaften schwieriger zu klassifizieren sind. Eigenschaften wie "selbstbewusst" oder "humorvoll" stellten Herausforderungen dar, da sie oft nicht explizit im Text genannt werden. Stattdessen erfordern sie ein tieferes Nachdenken über das Verhalten von Charakteren und den Kontext, in dem diese Verhaltensweisen auftreten.

Insgesamt hebt die Arbeit das Potenzial für zukünftige Forschung zur Vorhersage von Charakterpersönlichkeiten und zum Verständnis von Geschichten hervor. Die innovative Annotationstrategie mit Benutzeranmerkungen bahnt den Weg für weitere Erkundungen in verschiedenen Aufgaben des narrativen Verständnisses über Persönlichkeitsmerkmale hinaus.

Trotz der Fortschritte erkennt die Studie potenzielle Verzerrungen an, die sich aus der Verwendung klassischer Literatur als Analysebasis ergeben können. Zukünftige Entwicklungen könnten von der Anwendung dieser Methode auf ein breiteres Spektrum von Texten profitieren, was zu einem reichhaltigeren Verständnis der Charakterpersönlichkeit in verschiedenen Genres führt.

Zusammenfassend hat diese Forschung neue Wege eröffnet, um zu verstehen, wie Leser Charaktere in der Literatur wahrnehmen. Durch den Fokus auf den situativen Leseprozess bietet sie einen frischen Ansatz zur Charakteranalyse, der sowohl Maschinenlernmodelle als auch das menschliche Verständnis im Bereich des narrativen Verständnisses erheblich verbessern kann.