💰 quantitative finance

Modeling Story Expectations: A Generative Framework using LLMs

Questo articolo introduce un framework generativo che utilizza i grandi modelli linguistici per estrarre caratteristiche interpretabili dalle continuazioni immaginate di una storia, dimostrando che queste aspettative derivate dai LLM predicono efficacemente sia le credenze umane che gli esiti narrativi reali, correlando significativamente anche con il coinvolgimento del lettore.

Autori originali: Hortense Fong, George Gui, Bo Yang

Pubblicato 2026-07-15

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Hortense Fong, George Gui, Bo Yang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere seduto sul divano, incollato a uno show televisivo o a un libro, totalmente ipnotizzato. Non stai solo guardando ciò che accade proprio ora; stai costantemente indovinando cosa succederà dopo. Il protagonista sopravviverà? Il cattivo verrà catturato? La storia d'amore sboccerà? Quella sensazione di "e ora cosa succede?" è una parte enorme del motivo per cui continuiamo a leggere o a guardare. Ma per molto tempo, scienziati e narratori hanno avuto difficoltà a misurare questi tentativi di indovinare. Non puoi chiedere facilmente a un milione di persone di scrivere ogni singola possibilità che immaginano per il capitolo successivo. È come cercare di afferrare il fumo con le mani.

Entra in gioco questo articolo, che funge da sfera di cristallo digitale. Gli autori, Hortense Fong, George Gui e Bo Yang, hanno deciso di usare un cervello informatico super intelligente (chiamato Large Language Model, o LLM) per fare le ipotesi al posto nostro. Pensa all'LLM come a un lettore super appassionato che ha inghiottito il testo di oltre 125.000 libri. Poiché ha letto così tanto, sa come procedono di solito le storie.

Il Trucco Magico: Sognare il Futuro
Ecco come hanno fatto. Hanno preso una storia fino a un certo punto (per esempio, la fine del Capitolo 1) e hanno chiesto al computer: "Ok, immagina 50 modi diversi in cui questa storia potrebbe continuare nel Capitolo 2". Il computer non ha scritto solo un finale; ha scritto 50 versioni leggermente diverse, creando un'intera nuvola di possibilità.

Da questi 50 futuri immaginati, i ricercatori non si sono limitati a guardare le parole; hanno estratto "sapori" o caratteristiche specifiche. Hanno osservato elementi come:

Valenza: Il prossimo capitolo sarà felice o triste?
Arousal (Eccitazione): Sarà ad alta energia ed eccitante, o a bassa energia e calmo?
Velocità: Il trame si muoverà velocemente o lentamente?
Circolarità: La storia seguirà un percorso rettilineo o una strada tortuosa e sinuosa?

Hanno trattato questi 50 capitoli immaginati come una folla di persone che votano su ciò che pensano accadrà, e poi hanno fatto la media dei voti per ottenere una "previsione" di ciò che un tipico lettore si aspetta.

Il Computer Ci Ha Azzeccato?
La grande domanda è: questo gioco di indovinare al computer corrisponde davvero a ciò che pensano gli esseri umani reali? Gli autori hanno testato questo in due modi.

Per prima cosa, hanno condotto un esperimento controllato con 263 persone reali. Questi umani hanno letto brevi storie e sono stati interrogati con: "Cosa pensi che sarà l'atmosfera del prossimo capitolo?". I ricercatori hanno confrontato le risposte degli umani con i "50 capitoli immaginati" del computer.

Il Risultato: Il computer è stato sorprendentemente bravo. Quando gli umani dicevano di aspettarsi un capitolo ad alta energia, anche i capitoli immaginati dal computer erano ad alta energia. La connessione era forte, anche se non perfetta (le previsioni del computer erano un po' più "compresse" o meno estreme rispetto ai selvaggi tentativi degli umani).
Il Probleo: Il computer era bravo a indovinare la sensazione media, ma non era altrettanto bravo a indovinare quanto le persone fossero incerte. Gli umani hanno una vasta gamma di dubbi; i suggerimenti del computer erano un po' troppo sicuri di sé e concentrati.

In secondo luogo, hanno esaminato dati reali da una piattaforma di lettura online con 937 libri e 8.399 capitoli. Qui, non potevano chiedere ai lettori cosa pensassero, quindi hanno usato un trucco logico chiamato "aspettative razionali". Questo presuppone che, se sai come funzionano le storie, le tue supposizioni dovrebbero corrispondere a ciò che accade effettivamente alla fine. Hanno confrontato i capitoli immaginati dal computer con i capitoli che sono stati effettivamente scritti.

Il Risultato: Le previsioni del computer erano predittori informativi di ciò che è accaduto realmente. Se il computer immaginava un prossimo capitolo veloce, il vero capitolo successivo era spesso veloce. Questo era vero per le emozioni, la velocità e persino per cose complesse come la "tensione" o l' "intensità del cliffhanger".

Perché è Importante: Il Fattore "Prossimo Capitolo"
La parte più eccitante dell'articolo è ciò che hanno scoperto osservando quanto le persone si impegnano con le storie (come cliccare su "continua", votare o commentare).

Hanno scoperto che sapere cosa un lettore si aspetta che accada dopo è importante quanto sapere cosa ha appena letto.

Nel sondaggio sugli umani, se un letto si aspettava che il prossimo capitolo fosse eccitante (alta energia), era molto più propenso a dire che voleva continuare a leggere. Questo era vero anche se il capitolo appena terminato era calmo.
Nei dati del mondo reale, è successo la stessa cosa. Se il computer prevedeva un prossimo capitolo ad alta energia o veloce, i lettori erano più propensi a votare e commentare.

L'articolo esclude esplicitamente l'idea che ci interessi solo ciò che sta accadendo proprio ora. Suggerisce che le nostre "credenze orientate al futuro" (le nostre ipotesi sul futuro) guidano il nostro comportamento. Non si tratta solo della scena attuale; si tratta della promessa di quella successiva.

Cosa l'Articolo NON Dice
È importante sapere che questo non è. Gli autori sono molto attenti a non dire di aver risolto il mistero del comportamento umano o che il computer sia un perfetto lettore del pensiero.

NON affermano che le previsioni del computer siano identiche ai pensieri umani. I suggerimenti del computer sono "imperfetti ma informativi". Catturano la direzione e l'atmosfera generale, ma perdono parte della sfumatura e dell'incertezza che i veri umani provano.
NON dicono che questo dimostri che cambiare la fine di una storia causi un maggiore coinvolgimento. Hanno trovato un forte legame (associazione), ma poiché le storie sono complesse e cambiano molte cose contemporaneamente, non possono dire con certezza che un elemento specifico sia l'unica causa. Suggeriscono che questo metodo aiuti i ricercatori a porre domande migliori per esperimenti futuri.
NON affermano che questo funzioni per ogni tipo di media ancora. Il loro studio si è concentrato sul testo (libri e storie). Ammettono che i film e la musica hanno elementi visivi e sonori che il loro cervello informatico basato sul testo non può ancora vedere o sentire.

In Sintesi
Questo articolo suggerisce che possiamo usare un computer super-lettore per modellare ciò che noi, come pubblico, stiamo pensando riguardo al futuro di una storia. È un modo nuovo e scalabile per sbirciare nella zona del "e se..." dei nostri cervelli. Comprendendo cosa i lettori si aspettano che accada dopo, i creatori e le piattaforme potrebbero finalmente capire perché alcune storie sono avvincenti e altre vengono abbandonate a metà strada. Non è una bacchetta magica che risolve tutto, ma è un nuovo strumento potente per comprendere la storia che ci raccontiamo prima ancora di voltare pagina.

Sintesi Tecnica: Modellare le Aspettative Narrative con i Large Language Models

Definizione del Problema

L'impegno dei consumatori nei confronti dei media narrativi (libri, film, serie TV) è significativamente influenzato dalle loro aspettative proiettate sul futuro riguardo a ciò che accadrà dopo. Tuttavia, modellare queste aspettative su contenuti narrativi non strutturati è stato storicamente complesso. Gli approcci tradizionali affrontano due ostacoli principali:

Limitazioni dei Sondaggi: Elicitare una distribuzione completa delle possibili continuazioni di una storia da parte dei rispondenti umani è proibitivo in termini di costi, mentre intervistare solo uno o due parametri non riesce a catturare la complessità dello sviluppo narrativo.
Assunzioni di Modellazione: I modelli economici standard spesso assumono aspettative razionali su esiti a bassa dimensionalità (ad esempio, prezzi futuri). Applicare questo alle storie richiede la modellazione di come una distribuzione ad alta dimensionalità di possibili continuazioni dipenda da una storia ad alta dimensionalità, per la quale non esiste un punto di partenza ovvio.

Di conseguenza, vi è una mancanza di metodi scalabili per approssimare le credenze dei consumatori sul contenuto narrativo, limitando la capacità di creatori e piattaforme di comprendere come l'anticipazione del contenuto guidi l'engagement.

Metodologia

Gli autori propongono un framework generativo che utilizza i Large Language Models (LLM) per approssimare le credenze proiettate dei consumatori. Il framework si compone di quattro componenti:

1. Generazione di Continuazioni Narrative Immaginate

Il meccanismo centrale consiste nell'utilizzare un LLM pre-addestrato per generare diverse continuazioni plausibili di una storia dato il testo letto finora (ad esempio, i capitoli dall'1 al $t$ ).

Processo: L'LLM viene istruito per generare il capitolo successivo ( $t+1$ ). Per approssimare una distribuzione di credenze piuttosto che un singolo output deterministico, il modello genera $N$ continuazioni (tipicamente 50) per ogni capitolo.
Parametri: Gli autori utilizzano una temperatura di 1.0 per bilanciare diversità e coerenza.
Razionale: Gli LLM, addestrati su vasti corpora di testi narrativi, catturano complessi pattern di storytelling e possono generare una distribuzione di continuazioni che rispecchia le aspettative di un consumatore rappresentativo.

2. Estrazione delle Caratteristiche (Feature Extraction)

Il testo non strutturato delle continuazioni immaginate viene convertito in caratteristiche interpretabili e motivate dalla teoria.

Caratteristiche: Il framework estrae caratteristiche predefinite associate all'engagement, come l'emozione (valenza, arousal) e il percorso semantico (velocità, circuitarietà). Estrae inoltre dimensioni narrative "apprese" (ad esempio, tensione, curiosità, intensità del cliffhanger, ritmo).
Calcolo delle Aspettative: L'aspettativa per una caratteristica $z$ al capitolo $t$ è calcolata come la media dei valori delle caratteristiche estratti dalle $N$ continuazioni immaginate:
$E_t^n[e_{i,t+1}^n] = \frac{1}{N} \sum_{n=1}^N e_{i,t+1}^n$
Possono essere calcolati anche i momenti di ordine superiore (varianza, deviazione), sebbene il paper si concentri principalmente sul primo momento (l'aspettativa).

3. Validazione

Gli autori propongono due procedure di validazione complementari per valutare se le aspettative derivate dagli LLM siano proxy validi per le credenze umane:

Validazione tramite Sondaggio: Confronta le aspettative derivate dagli LLM con le credenze riportate dagli esseri umani raccolte tramite sondaggi. I rispondenti riportano distribuzioni di probabilità sugli esiti delle caratteristiche (ad esempio, bin di valenza) per il capitolo successivo.
Validazione delle Aspettative Razionali: Confronta le aspettative derivate dagli LLM con le continuazioni effettive realizzate della storia. Sotto l'assunto che i consumatori (e l'LLM) comprendano come le storie si sviluppano tipicamente, la distribuzione predetta dall'LLM dovrebbe allinearsi con la distribuzione oggettiva degli esiti reali della storia. Questo viene testato attraverso la regressione dei valori effettivi delle caratteristiche sui valori attesi derivati dall'LLM.

4. Analisi dell'Engagement

Il framework viene utilizzato per modellare l'engagement del lettore (interesse, decisione di continuare, votazione, commento) come funzione sia del contenuto realizzato (caratteristiche del capitolo appena letto) sia del contenuto atteso (caratteristiche del capitolo successivo immaginato). Gli autori impiegano un modello di utilità attesa lineare in cui l'engagement dipende dalle caratteristiche attuali e dall'aspettativa delle caratteristiche future.

Applicazioni Empiriche e Risultati

Il framework è stato testato in due contesti: un esperimento controllato tramite sondaggio e uno studio osservazionale di una piattaforma di lettura online.

1. Dati da Sondaggio (Setting Controllato)

Dati: 263 partecipanti hanno letto brevi storie in cinque generi diversi e hanno riportato credenze emotive (valenza/arousal) e intenzioni di engagement.
Validazione: Le aspettative derivate dagli LLM per valenza e arousal correlano significativamente con le aspettative riportate dagli esseri umani (pendenze di 0.57 e 0.56, rispettivamente), sebbene gli LLM tendano a comprimere l'intervallo delle credenze.
Risultati sull'Engagement:
- Interesse Dichiarato: L'arousal atteso predice significativamente l'interesse nel continuare la lettura, anche dopo aver controllato per la valenza e l'arousal del capitolo corrente. La valenza attesa non è significativa.
- Decisione di Continuare: L'arousal atteso è un predittore significativo della decisione binaria di leggere il capitolo successivo.
- Performance come Proxy: Sostituire le aspettative elicitate tramite sondaggio con quelle derivate dagli LLM nei modelli di regressione ha prodotto risultati comparabili, confermando gli LLM come un proxy scalabile.

2. Dati Osservazionali (Piattaforma Online)

Dati: 8.399 capitoli da 937 libri su una piattaforma online, con l'engagement misurato tramite i tassi di voto per la lettura (vote-to-read) e di commento per la lettura (comment-to-read).
Validazione (Aspettative Razionali): Le aspettative derivate dagli LLM per 15 caratteristiche (inclusi emozione, percorso semantico e dimensioni narrative) sono predittori positivi significativi delle caratteristiche effettive dei capitoli. I coefficienti sono positivi e significativi, sebbene attenuati (ad esempio, pendenza della valenza 0.69, arousal 0.62).
Risultati sull'Engagement:
- Le aspettative proiettate (valenza, arousal, velocità, circuitarietà) sono predittori significativi del voto e del commento, oltre alle caratteristiche del contenuto già consumato.
- Nello specifico, aspettative più negative/a bassa energia e aspettative di maggiore velocità/minore circuitarietà sono associate a un maggiore engagement.
- Analisi di Sensibilità: Gli autori hanno dimostrato che i coefficienti per le caratteristiche focali (ad esempio, l'arousal atteso) sono sensibili all'inclusione di altre dimensioni narrative (ad esempio, tensione, cliffhanger), evidenziando l'importanza del framework nel raffinare le questioni causali.

Contributi Chiave

Framework Scalabile per Aspettative Non Strutturate: Il paper introduce un metodo per modellare le credenze dei consumatori su contenuti narrativi ad alta dimensionalità e non strutturati, estendendo la letteratura sulle aspettative oltre gli spazi di stato strutturati.
Strategia di Validazione Duplice: Propone e implementa due approcci di validazione distinti (basati su sondaggi e sulle aspettative razionali), dimostrando che gli LLM possono fungere da proxy informativi per le credenze umane senza richiedere una raccolta dati costosa in ogni contesto.
Driver dell'Engagement Proiettati nel Futuro: Lo studio fornisce prove empiriche che ciò che i lettori si aspettano accada (specificamente le caratteristiche di arousal e di percorso semantico attese) guida l'engagement indipendentemente da ciò che hanno già letto.
Scoperta delle Caratteristiche e Raffinamento Causale: Generando continuazioni, il framework permette di estrarre una vasta gamma di dimensioni narrative e di testare come il controllo di tali dimensioni influenzi la stima dell'impatto delle caratteristiche focali, aiutando così a diagnosticare il bias da variabili omesse negli studi narrativi.

Significato e Affermazioni

Gli autori affermano che questo framework fornisce un metodo scalabile per modellare le credenze dei consumatori sul contenuto narrativo. Essi sostengono che:

Gli LLM addestrati su testi narrativi possono fungere da "punto di partenza ragionevole" per modellare l'anticipazione del lettore.
Le aspettative proiettate nel futuro sono un driver distinto e significativo dell'engagement, suggerendo che i creatori di contenuti e le piattaforme debbano considerare come le scelte narrative modellino le aspettative future, non solo le reazioni immediate.
Il metodo integra l'analisi dei contenuti esistente aggiungendo una dimensione proiettata nel futuro, fondamentale per comprendere il comportamento dinamico nei media narrativi.

Il paper rimane modesto riguardo alla causalità, notando che i loro risultati sono associazionali e che le aspettative derivate dagli LLM sono approssimazioni (introducendo un errore di misurazione). Gli autori riconoscono i limiti riguardanti l'eterogeneità dei lettori (trattando l'LLM come un lettore "medio") e la natura esclusivamente testuale della loro attuale implementazione, suggerendo che il lavoro futuro potrebbe esplorare input multimodali e segmenti di consumatori eterogenei.