Simple Science

La science de pointe expliquée simplement

# Statistiques # Calcul et langage # Intelligence artificielle # Économie générale # Économie # Méthodologie

Le secret des histoires captivantes

Apprends comment les attentes des lecteurs influencent la narration et l'engagement.

Hortense Fong, George Gui

― 6 min lire


Comment les attentes des Comment les attentes des lecteurs façonnent les histoires succès des histoires. Démêle le lien entre les attentes et le
Table des matières

Les histoires sont partout. Des livres aux films en passant par les séries, elles attirent notre attention et influencent souvent nos pensées et nos émotions. Que ce soit une aventure palpitante ou une histoire d'amour, la façon dont une histoire est racontée peut faire toute la différence pour le public. Mais pourquoi certaines histoires tiennent-elles les gens en haleine tandis que d'autres non ? Savoir ce qui capte l'attention des gens peut aider les écrivains et les marketeurs à créer un meilleur contenu.

Qu'est-ce qui rend une histoire captivante ?

Des chercheurs se sont penchés sur ce qui fait que les gens s'engagent avec des histoires. Bien que beaucoup se soient concentrés sur le contenu même des histoires, ils oublient souvent ce que les lecteurs s'attendent à ce qui se passe ensuite. Ce n'est pas juste une question de ce qui se passe dans l'histoire ; c'est aussi une question de ce que les lecteurs croient qui va arriver dans le futur. Cette croyance peut influencer significativement leur envie de continuer à lire ou de partager leurs pensées.

Les méthodes d'analyse traditionnelles ont du mal à capter ces Attentes futures, car les données sont souvent désordonnées et compliquées. Au lieu de s'appuyer uniquement sur ce qui est écrit, comprendre les croyances des lecteurs sur la direction que prend l'histoire pourrait fournir des informations précieuses.

Une Nouvelle Approche

Une nouvelle idée émerge, utilisant une technologie avancée pour comprendre ce que les lecteurs pourraient attendre des histoires. En utilisant de grands modèles de langage, les chercheurs développent une méthode qui peut créer différents fins ou continuations possibles pour une histoire. Cela leur permet de voir comment les gens pourraient réagir en fonction de divers résultats potentiels. C'est comme traiter un récit comme un livre "choisis ta propre aventure", mais au lieu que les lecteurs choisissent, la tech le fait pour eux.

Comment ça marche

  1. Saisie de l'histoire : Le processus commence avec un morceau de texte, comme le premier chapitre d'un livre. Puisque beaucoup d'histoires sont longues et complexes, un bref résumé des chapitres précédents est créé pour aider le modèle. Comme ça, il ne se perd pas dans trop de texte à la fois.

  2. Génération d'impressions : Le modèle écrit différentes continuations possibles de l'histoire, prédisant ce qui pourrait se passer ensuite. Pense à ça comme demander à un pote : "Tu penses qu'il va se passer quoi si le héros va à gauche au lieu de droite ?"

  3. Extraction de caractéristiques : Après avoir généré ces possibilités, les chercheurs analysent le texte pour en extraire des caractéristiques significatives. Ils cherchent des émotions, des thèmes et un rythme pour mieux comprendre l'histoire.

  4. Analyse de l'Engagement : Enfin, en comparant les caractéristiques extraites des continuations générées et du texte réel de l'histoire, ils peuvent évaluer comment ces facteurs influencent l'engagement des lecteurs.

Résultats de l'étude

En appliquant cette méthode à plus de 30 000 chapitres d'une plateforme d'écriture en ligne populaire, les chercheurs ont constaté que leur approche fournissait des informations significatives sur la manière dont les attentes impactent l'engagement. L'étude a révélé que les gens sont plus enclins à commenter ou à "voter" sur les histoires en fonction de ce qu'ils pensent qui va se passer ensuite.

Cette nouvelle façon d'examiner les histoires a conduit aux découvertes suivantes :

  • Les attentes comptent : Les lecteurs sont motivés par ce qu'ils estiment probable dans l'histoire. Quand ils s'attendent à un rebondissement palpitant ou à une scène émotive, ils sont plus susceptibles de vouloir continuer.

  • Voyage émotionnel : Le ton émotionnel de ce qui a déjà été lu et de ce qui est attendu influence si les lecteurs restent engagés. Par exemple, les histoires qui amènent les lecteurs à anticiper à la fois des moments réjouissants et durement éprouvants captivent souvent leur attention plus longtemps.

  • L'incertitude crée de l'intérêt : Quand les lecteurs ne sont pas sûrs de ce qui va se passer ensuite, ça peut les rendre plus curieux, les maintenant collés à la page.

Métriques courantes d'engagement

Pour évaluer l'engagement dans les histoires, les chercheurs se sont concentrés sur trois mesures clés :

  1. Taux de lecture continue : Combien de lecteurs ont progressé au chapitre suivant ? Si une histoire les accroche, ils continueront.

  2. Taux de commentaires : Cela mesure combien de lecteurs laissent des commentaires après lecture. Un nombre élevé de commentaires suggère que l'histoire a suscité de fortes émotions ou pensées.

  3. Taux de vote : Les votes indiquent l'approbation ou le plaisir de l'histoire. Si les lecteurs aiment ce qu'ils voient, ils sont susceptibles de "voter" pour ça.

Défis de la mesure de l'engagement

Bien que cette nouvelle méthode offre des aperçus fascinants, il y a aussi des défis. D'une part, les histoires sont diverses et viennent dans de nombreuses saveurs. Ce qui fonctionne pour une histoire d'horreur ne fonctionnera pas forcément pour une comédie romantique. En plus, la technologie repose sur du contenu existant, qui peut ne pas représenter parfaitement chaque type d'histoire.

Les goûts des lecteurs varient aussi. Quelqu'un qui adore les intrigues pleines d'action peut ne pas accrocher à une narration lente axée sur le caractère. Ça veut dire que même si la technologie peut aider, il est important de se rappeler que raconter des histoires est un art, et l'art peut être subjectif.

Regarder vers l'avenir

Cette approche évolutive ouvre de nombreuses possibilités pour les écrivains et les marketeurs. En comprenant ce que les lecteurs attendent, les créateurs de contenu peuvent façonner des histoires qui résonnent plus profondément. Que ce soit une fin à couper le souffle ou un rebondissement léger, savoir comment engager les lecteurs pourrait mener à des récits plus riches.

À mesure que la technologie continue de s'améliorer, le potentiel de modéliser les attentes des lecteurs ne fera que croître. Ça nous rappelle que les histoires ne sont pas seulement des mots sur une page ; elles sont aussi les connexions que les lecteurs établissent dans leur tête, basées sur ce qu'ils ont lu et ce qu'ils espèrent voir ensuite.

Conclusion

En fin de compte, les histoires sont un tissage complexe d'émotions, d'attentes et de surprises. Comprendre comment ces aspects se combinent pour créer de l'engagement peut aider les écrivains et les marketeurs à créer du contenu qui résonne avec leur public. Avec de nouveaux outils et méthodes à notre disposition, on peut s'attendre à des histoires qui non seulement divertissent mais aussi connectent les lecteurs à des niveaux plus profonds.

Alors, la prochaine fois que tu plonges dans une histoire, pense à ce que tu t'attends à ce qui va se passer ensuite. Ça pourrait bien changer ta façon de l'expérimenter ! Bonne lecture !

Source originale

Titre: Modeling Story Expectations to Understand Engagement: A Generative Framework Using LLMs

Résumé: Understanding when and why consumers engage with stories is crucial for content creators and platforms. While existing theories suggest that audience beliefs of what is going to happen should play an important role in engagement decisions, empirical work has mostly focused on developing techniques to directly extract features from actual content, rather than capturing forward-looking beliefs, due to the lack of a principled way to model such beliefs in unstructured narrative data. To complement existing feature extraction techniques, this paper introduces a novel framework that leverages large language models to model audience forward-looking beliefs about how stories might unfold. Our method generates multiple potential continuations for each story and extracts features related to expectations, uncertainty, and surprise using established content analysis techniques. Applying our method to over 30,000 book chapters from Wattpad, we demonstrate that our framework complements existing feature engineering techniques by amplifying their marginal explanatory power on average by 31%. The results reveal that different types of engagement-continuing to read, commenting, and voting-are driven by distinct combinations of current and anticipated content features. Our framework provides a novel way to study and explore how audience forward-looking beliefs shape their engagement with narrative media, with implications for marketing strategy in content-focused industries.

Auteurs: Hortense Fong, George Gui

Dernière mise à jour: 2024-12-12 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2412.15239

Source PDF: https://arxiv.org/pdf/2412.15239

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Articles similaires