💬 NLP

Modeling Narrative Structure in Latin Epic Poetry with Automatically Generated Story Grammars

Dieser Beitrag stellt eine interpretierbare, auf LLMs basierende Methode vor, die Few-Shot-Learning nutzt, um automatisch Story-Grammatik-Tags für lateinische Epik zu generieren und so computergestützte Analyse und geisteswissenschaftliche Forschung zu verbinden, um das Verständnis narrativer Strukturen und die Stilanalyse zu verbessern.

Ursprüngliche Autoren: Abigail Swenor, John James, Neil Coffee, Walter Scheirer

Veröffentlicht 2026-05-13

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Abigail Swenor, John James, Neil Coffee, Walter Scheirer

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, zwei sehr unterschiedliche alte römische Geschichten zu verstehen: die eine ist eine lange, verschlungene Reise (Virgils Aeneis), die andere ein chaotischer Bürgerkrieg (Lucans Bellum Civile).

Normalerweise verwandeln Computer, wenn sie diese Geschichten analysieren, die Wörter in unsichtbare Zahlen (wie das Umwandeln eines Gemäldes in eine Tabelle von Farben). Dies hilft dem Computer, Mathematik zu betreiben, erschwert es Menschen jedoch zu erkennen, warum sich die Geschichten unterschiedlich anfühlen. Es ist, als würde man versuchen, ein Lied zu verstehen, indem man die Lautstärke der Schallwellen betrachtet, anstatt die Melodie zu hören.

Dieser Artikel schlägt eine neue Art vor, der Musik zu lauschen. Anstatt den Text in Zahlen zu verwandeln, bringen die Autoren einer hochintelligenten KI bei, den Text mit Geschichten-Tags zu versehen, ähnlich wie eine Bibliothekarin ein Buch mit „Abenteuer", „Traurigkeit" oder „Schlacht" taggen könnte.

Hier ist, wie sie es taten und was sie herausfanden, einfach erklärt:

1. Das „Geschichts-Grammatik"-Rezept

Die Autoren erstellten einen speziellen Satz von Regeln, den sie eine „Geschichts-Grammatik" nennen. Betrachten Sie dies wie ein Rezept für eine Geschichte. Jede Geschichte, egal wie komplex, besteht aus grundlegenden Zutaten:

Wer tut etwas? (Die Figur)
Was tut sie? (Die Handlung)
Wem/Was? (Das Objekt)
Wo, wann und warum? (Die Umstände)

Anstatt nur die lateinischen Wörter zu betrachten, zerlegt die KI jeden Satz in diese Zutaten. Anstatt beispielsweise den lateinischen Satz „Aeneas floh aus der Stadt" zu sehen, erkennt die KI einen Tag, der besagt: [Figur: Aeneas] + [Handlung: Floh] + [Ort: Stadt].

2. Die KI unterrichten (Der „Few-Shot"-Trick)

Die KI, die sie verwendeten (ein sehr fortschrittliches Sprachmodell), kannte dieses spezielle „Geschichts-Rezept" zuvor nicht. Daher versuchten die Autoren nicht, die gesamte KI von Grund auf neu zu trainieren. Stattdessen nutzten sie einen Trick namens „Few-Shot Learning".

Stellen Sie sich vor, Sie bringen einem Kind bei, Blöcke zu sortieren. Sie schreiben kein Handbuch für es; Sie zeigen ihm einfach drei Beispiele: „Dieser rote Block kommt in den roten Haufen. Dieser blaue Block kommt in den blauen Haufen." Dann sagen Sie: „Sortieren Sie nun den Rest."

Die Autoren zeigten der KI 30 Beispiele lateinischer Texte mit bereits korrekt angewendeten Geschichts-Tags. Die KI erkannte schnell das Muster und wendete dieselben Tags auf Tausende von Verszeilen an.

3. Was sie entdeckten

Sobald die KI die beiden Gedichte markiert hatte, konnten die Autoren die „Tag-Zählungen" vergleichen, um die Stile der Autoren zu erkennen. Es ist wie der Vergleich zweier Köche durch Zählen, wie oft sie Salz versus Pfeffer verwendeten.

Der Reisende vs. Der Kämpfer: Sie fanden heraus, dass Virgils Aeneis viele Passagen beginnt, indem sie Orte erwähnt (wie „Am Ufer..."). Dies passt zur Geschichte eines Helden, der von Ort zu Ort reist.
Der Namensnieder: Lucans Bellum Civile beginnt Passagen viel häufiger, indem er spezifische Namen von Personen oder Gruppen erwähnt. Dies passt zu einer Geschichte, die sich auf das Chaos des Krieges und spezifische Generäle konzentriert.
Die Verneinungen: Lucan verwendete Wörter für „nein" oder „nicht" viel häufiger als Virgil, was den düsteren, negativen Ton eines Bürgerkriegs widerspiegelt.

4. Der „Magischer Spiegel"-Test (Semantisches Matching)

Um zu beweisen, dass ihre Methode funktioniert, versuchten sie, verborgene Verbindungen zwischen den beiden Gedichten zu finden. Normalerweise suchen Computer nach Wörtern, die ähnlich klingen. Doch diese beiden Dichter verwendeten oft unterschiedliche Wörter, um dieselbe Idee zu beschreiben.

Die Autoren nutzten ihre Geschichts-Tags, um Übereinstimmungen zu finden. Sie fanden eine Zeile im Kriegsgedicht und eine Zeile im Reisegedicht, die sehr unterschiedliche Wörter hatten, aber die exakt gleiche Geschichtsstruktur aufwiesen (z. B. „Ufer gegen Ufer" vs. „Standarten gegen Standarten"). Die KI vergab ihnen eine hohe Punktzahl und bewies, dass sich die Geschichten widerspiegelten, obwohl die Wörter unterschiedlich waren. Dies ist wie das Erkennen, dass zwei Lieder gleich sind, weil sie denselben Rhythmus haben, auch wenn das eine auf einem Klavier und das andere auf einer Gitarre gespielt wird.

5. Warum dies wichtig ist

Der Hauptpunkt dieses Artikels ist Klarheit.

Alter Weg: Computer geben Ihnen eine Liste von Zahlen, die nur andere Computer verstehen.
Neuer Weg: Computer geben Ihnen eine Liste von Geschichts-Tags (wie „Figur", „Handlung", „Ort"), die Menschen sofort lesen und verstehen können.

Dies ermöglicht es Gelehrten (Humanisten) und Informatikern, besser zusammenzuarbeiten. Der Computer leistet die schwere Arbeit des Lesens von Tausenden von Zeilen, aber das Ergebnis ist eine klare Karte der Struktur der Geschichte, die jeder interpretieren kann. Es hilft uns, das „Skelett" der Geschichte zu sehen, anstatt nur die „Haut" (die spezifischen Wörter).

Kurz gesagt: Sie lehrten einen Computer, antike Gedichte nicht durch Zählen von Wörtern zu lesen, sondern durch Identifizieren der Bausteine der Geschichte, wodurch der einzigartige „Fingerabdruck" des Stils jedes Autors auf eine Weise enthüllt wird, die für Menschen leicht verständlich ist.

Technisches Fazit: Modellierung der Erzählstruktur in lateinischer Epik mit automatisch generierten Erzählgrammatiken

Problemstellung
Gängige rechnerische Ansätze zum „distant reading" in den Literaturwissenschaften stützen sich häufig auf die Transformation von Texten in Vektorraum-Einbettungen. Obwohl diese für spezifische Machine-Learning-Aufgaben effektiv sind, verschleiern diese abstrakten Darstellungen kontextreiche literarische Details und bieten den Geisteswissenschaftlern keine Interpretierbarkeit. Traditionelle Methoden sind oft auf spezifische Domänen oder Aufgaben zugeschnitten, was ihre Generalisierbarkeit einschränkt. Darüber hinaus erfordern bestehende rechnerische Analysen klassischer Texte häufig spezialisierte Datensätze oder Modelle, die sich nicht leicht auf verschiedene literarische Domänen oder Sprachen übertragen lassen. Die Autoren identifizieren die Notwendigkeit eines Merkmalsatzes, der sowohl rechnerisch robust als auch für Menschen lesbar ist und in der Lage ist, die Erzählstruktur zu erfassen, ohne sich auf undurchsichtige statistische Muster zu verlassen.

Methodik
Der Artikel schlägt eine Methode vor, um mittels einer Pipeline mit einem Large Language Model (LLM) automatisch „Erzählgrammatik"-Labels für Eingabetexte zu generieren. Der Ansatz ist von der Psychologie des Lesens inspiriert, die nahelegt, dass Menschen Narrative durch implizite Erzählgrammatiken verstehen.

Definition der Erzählgrammatik: Die Autoren definieren eine modifizierte Erzählgrammatik basierend auf Transformationalgrammatiken (Chomsky 1956). Im Gegensatz zu standardmäßigen syntaktischen Parsern, die sich auf formale Beziehungen (z. B. Subjekt, Verb, Objekt) konzentrieren, bildet diese Grammatik Text auf narrative Funktionen ab. Die Grundeinheit ist das „semantische Triplett" (Subjekt, Handlung, Objekt), umgeben von Umständen (Zeit, Ort, Grund, Instrument, Ergebnis). Die Grammatik umfasst eine Hierarchie von etwa 28 Labels über fünf Ebenen, die von strukturellen Klammern (z. B. <narrative>, <event>, <trip>) bis zu terminalen Labels reichen, die spezifische narrative Rollen beschreiben (z. B. ind-name, circum-place, act-neg).
Modell und Training: Die Studie nutzt GPT-5 (OpenAI 2025) zur Generierung dieser Labels. Aufgrund des Fehlens bestehender Ground-Truth-Daten für dieses spezifische Labelschema setzen die Autoren auf Few-Shot-Learning. Sie haben manuell 30 Zeilen aus Vergils Eklogen gelabelt, um als Trainingsset zu dienen. Diese Beispiele wurden zusammen mit der Grammatikdefinition und der Aufgabenbeschreibung dem Modell über Prompts bereitgestellt.
Datenverarbeitung: Die Methode wurde auf zwei lateinische Epen angewendet: Vergils Aeneis und Lucans Bellum Civile. Die Texte wurden vorverarbeitet, indem sie in einzelne poetische Zeilen (Passagen) unterteilt wurden. Das Modell generierte für jedes Wort in einer Passage eine Sequenz von Erzählgrammatik-Labels und schuf so effektiv eine Baumstruktur, die die narrative Funktion des Textes repräsentiert.
Analyseverfahren: Die Autoren wandten zwei primäre Analysemethoden an:
1. Häufigkeitsanalyse: Zählen des Auftretens spezifischer Labels und Teilsequenzen zur Identifizierung stilistischer Muster.
2. Semantisches Matching: Verwendung der generierten Labelsequenzen als Feature-Vektoren für eine gewichtete Kosinus-Ähnlichkeitsmetrik. Diese Metrik berechnet die Ähnlichkeit basierend auf Knoten (Labels), Kanten (Eltern-Kind-Beziehungen) und Pfaden (Sequenzen der Länge $n=3$ ), um intertextuelle Parallelen zu identifizieren, ohne sich auf lexikalische Überlappungen zu stützen.

Wichtige Ergebnisse
Die Studie wandte diese Pipeline auf die Aeneis (9.897 Zeilen) und das Bellum Civile (8.060 Zeilen) sowie auf einen Prosatext, Livius' Ab urbe condita (Buch 1), an.

Stylometrische Unterschiede: Die Labelhäufigkeiten enthüllten unterschiedliche Erzählstrategien. Das Bellum Civile zeigte eine höhere Frequenz von ind-name (1,047 pro Zeile) im Vergleich zur Aeneis (0,641), was mit wissenschaftlichen Beobachtungen über Lucans Katalogisierung von Eigennamen übereinstimmt. Umgekehrt nutzte die Aeneis circum-place häufiger am Anfang von Passagen (0,500 vs. 0,470), was Vergils itinerare Struktur und räumliche Rahmung widerspiegelt.
Teilsequenz-Muster: Häufige Teilsequenzen, wie event, trip, subj, subj-ind, ind-name, waren in beiden Texten vorherrschend und deuten auf gemeinsame epische Konventionen hin. Allerdings war event, trip, act, act-circum, circum-place in der Aeneis signifikant häufiger, was die Erkenntnis untermauert, dass Vergil der Handlungsumgebung vor der Handlung den Vorzug gibt.
Prosa vs. Dichtung: Bei der Anwendung auf Livius' Prosa hatte das Modell Schwierigkeiten mit den längeren, komplexeren Satzstrukturen und nutzte das Label obj-subj übermäßig. Dies unterstrich die Notwendigkeit von stilistisch angepassten Few-Shot-Beispielen für eine optimale Leistung.
Semantisches Matching: In einer Fallstudie zum Vergleich von Aeneis und Bellum Civile konnte das auf Erzählgrammatiken basierende semantische Matching 501 von 3.410 bekannten Intertexten (aus dem Tesserae-Benchmark) innerhalb der Top 10 % der Ergebnisse wiederfinden. Bemerkenswert ist, dass es hochbewertete Treffer (z. B. Score 0,975) zwischen Passagen mit geringer lexikalischer Ähnlichkeit, aber ähnlicher Erzählstruktur identifizierte, was die Fähigkeit der Methode demonstriert, Parallelen basierend auf Funktion statt Wortschatz zu erkennen.

Bedeutung und Behauptungen
Die Autoren behaupten, dass diese Methode einen „für Menschen lesbaren und generalisierbaren Merkmalsatz" bietet, der die Lücke zwischen rechnerischer Analyse und traditioneller literaturwissenschaftlicher Forschung schließt.

Interpretierbarkeit: Im Gegensatz zu einbettungsbasierten Methoden besteht die Ausgabe aus expliziten narrativen Labels (z. B. „namhafte Person", „Abfahrtsaktion", „Ort"), die Wissenschaftler direkt interpretieren können. Dies ermöglicht die Entdeckung von Mustern, die „sowohl für Geisteswissenschaftler als auch für Techniker zugänglich" sind.
Generalisierbarkeit: Durch die Vermeidung fester Vokabelzuordnungen und die reliance auf eine strukturelle Grammatik kann die Methode auf verschiedene literarische Domänen und Sprachen angepasst werden, sofern geeignete Few-Shot-Beispiele verfügbar sind.
Komplementarität: Die Autoren positionieren diesen Ansatz nicht als Ersatz für bestehende NLP-Aufgaben, sondern als ergänzenden Merkmalsatz. Er kann in Ensemble-Learning-Pipelines für Aufgaben wie Stilistik, Autorschaftszuweisung, Allusionsdetektion und semantisches Matching integriert werden.
Validierung: Die Methode konnte etablierte literarische Einsichten erfolgreich wiederfinden (z. B. Vergils räumliche Orientierung gegenüber Lucans handlungsgetriebenen Eröffnungen) und neue strukturelle Muster identifizieren, was die Nützlichkeit von Erzählgrammatiken als Werkzeug für die rechnerische Literaturanalyse validiert.

Der Artikel schließt mit der Feststellung, dass dieser Ansatz eine reichhaltigere Zusammenarbeit zwischen Geisteswissenschaftlern und Technikern fördert, indem er die Erzählstruktur im großen Maßstab lesbar macht, gleichzeitig aber in geisteswissenschaftlichen Kategorien verankert bleibt.