Planning Beyond Text: Graph-based Reasoning for Complex Narrative Generation

1. Il Problema

Sebbene i Large Language Models (LLM) dimostrino un'eccezionale fluidità linguistica nella generazione narrativa, le metodologie esistenti faticano a mantenere:

• Coerenza narrativa globale: La storia tende a perdere il filo logico su lunghe distanze.
• Consistenza logica contestuale: Gli eventi spesso non seguono una catena causale rigorosa.
• Sviluppo fluido dei personaggi: I personaggi mostrano motivazioni deboli, cambiamenti di atteggiamento improvvisi (senza buildup psicologico) o archi narrativi piatti.

Le cause principali risiedono nel fatto che la pianificazione narrativa avviene direttamente su rappresentazioni testuali sequenziali. Senza una modellazione esplicita delle dipendenze tra trama e personaggi, i sistemi non riescono a ragionare efficacemente sulla rete di cause-effetti sottostante, portando a script monotoni con fratture strutturali.

2. Metodologia: Il Framework PLOTTER

Gli autori introducono PLOTTER (PLanning BeyOnd Text: Graph-based Reasoning for Complex NarraTive GenERation), un framework che sposta la pianificazione narrativa dalle sequenze di testo a rappresentazioni strutturali a grafo. Il processo è suddiviso in tre fasi principali:

A. Fase 1: Pianificazione Narrativa Basata su Grafi

Invece di generare testo direttamente, il sistema costruisce due grafi interagenti a partire da una premessa:

1. Grafo degli Eventi ($G_e$): Rappresenta lo scheletro causale della trama. I nodi sono eventi con attributi (ID, descrizione, fase narrativa, indice temporale) e gli archi codificano relazioni narrative (Causale, Foreshadowing, Suspense).
2. Grafo dei Personaggi ($G_c$): Modella le dinamiche sociali. I nodi contengono profili multidimensionali (tratti di personalità, conflitti interni, obiettivi, segreti) e gli archi rappresentano relazioni in evoluzione (conflitto, cooperazione, emotiva, nascosta).

B. Fase 2: Raffinamento Iterativo del Grafo (Evaluate-Plan-Revise)

Questa è la fase centrale che simula il processo cognitivo di uno scrittore esperto. Un ciclo iterativo coinvolge:

• Modulo di Critica Multi-Agente ($C$): Tre agenti specializzati analizzano il grafo:
  • Theme Critic: Verifica la coerenza tematica e l'evitamento di temi espliciti tramite semplice esposizione.
  • Character Critic: Diagnostica la mancanza di profondità, motivazioni deboli o cambi di atteggiamento improvvisi.
  • Plot Critic: Controlla l'integrità strutturale, rilevando discontinuità causali, mancanza di colpi di scena o suspense.
• Constrained Graph Editor ($R$): Riceve la lista dei problemi identificati e applica operazioni di editing atomiche (es. Add-Plot-Bridge, Revise-Event, Insert-Twist).
  • Vincoli Simbolici Rigidi: Ogni modifica deve soddisfare due assiomi deterministici per garantire la validità topologica:
    1. Razionalità Causale ($K_C$): Il sottografo causale deve rimanere un Grafo Aciclico Diretto (DAG), prevenendo loop logici.
    2. Completezza Narrativa ($K_N$): Ogni nodo deve essere raggiungibile dall'inizio e avere un percorso verso la fine, evitando nodi isolati.

C. Fase 3: Sintesi dello Script Basata su Grafo

Una volta ottimizzato il grafo ($G^*$), viene convertito in testo:

1. Serializzazione: Il grafo viene trasformato in una sequenza testuale logica che preserva le dipendenze topologiche.
2. Generazione Consapevole dello Stato: Un generatore produce lo script scena per scena, condizionato non solo dal contenuto locale, ma anche da uno stato narrativo dinamico ($M_i$) che traccia la storia evolutiva, garantendo coerenza referenziale e continuità emotiva.

3. Contributi Chiave

1. PLOTTER: Il primo framework che esegue la pianificazione narrativa su rappresentazioni a grafo strutturali invece che su testo sequenziale, migliorando il ragionamento causale a lungo termine.
2. Sistema di Agenti LLM per il Raffinamento Strutturale: Un sistema multi-agente che coordina la diagnosi e la riparazione di grafi di eventi e personaggi, raggiungendo una precisione strutturale inaccessibile ai pianificatori basati su testo.
3. Validazione Sperimentale: Dimostrazione che elevare la pianificazione da rappresentazioni testuali a rappresentazioni grafiche esplicite è cruciale per la generazione di narrazioni complesse.

4. Risultati Sperimentali

Il framework è stato valutato su un dataset diversificato (50 premesse, 9 generi) utilizzando tre backbone LLM principali (GPT-4.1, DeepSeek-R1, Qwen3) e confrontato con metodi SOTA (LLM-Plan-Write, Dramatron, DOC).

• Performance Quantitativa: PLOTTER supera significativamente i baselines in tutte le dimensioni di valutazione (Narrativa, Espressione Tematica, Caratterizzazione, Coinvolgimento Drammatico, Fedeltà alla Premessa). In particolare, mostra guadagni dominanti nella Caratterizzazione e nel Coinvolgimento Drammatico, confermando che la pianificazione su grafo risolve meglio le incoerenze dei personaggi e i momenti di noia narrativa.
• Metriche Oggettive: PLOTTER ottiene i punteggi più alti in Distinct-2 (diversità lessicale) e MATTR, e il più basso Self-BLEU (ridondanza), indicando che i miglioramenti derivano da una diversità di contenuto sostanziale e non da una semplice inflazione della lunghezza.
• Valutazione Umana: Gli studi umani confermano un'alta concordanza con le valutazioni automatizzate (Cohen's $\kappa = 0.834$), validando la superiorità dei script generati da PLOTTER.
• Analisi di Ablazione: Rimuovere qualsiasi modulo (Tema, Personaggio, Trama) causa un crollo delle prestazioni, dimostrando che la sinergia tra questi agenti è essenziale ("1+1 > 2").

5. Significato e Implicazioni

Il lavoro di PLOTTER segna un cambio di paradigma nella generazione narrativa automatica:

• Superamento dei limiti del testo sequenziale: Dimostra che ragionare direttamente sul testo è inefficiente per la coerenza a lungo termine. La rappresentazione grafica esplicita permette di "vedere" e correggere le fratture logiche prima della generazione del testo.
• Controllo Strutturale Rigoroso: L'uso di vincoli simbolici deterministici (DAG, raggiungibilità) garantisce che le narrazioni siano logicamente valide, riducendo le allucinazioni e le contraddizioni tipiche degli LLM.
• Scalabilità e Applicabilità: Il framework è stato testato con successo su diversi generi e modelli, suggerendo che l'approccio basato su grafi è una soluzione robusta per la generazione di contenuti creativi complessi, come sceneggiature cinematografiche o romanzi lunghi.

In sintesi, PLOTTER dimostra che per ottenere narrazioni complesse e coerenti, è necessario separare la pianificazione strutturale (gestita su grafi) dalla realizzazione testuale (gestita dagli LLM), permettendo un controllo fine sulla logica causale e sullo sviluppo dei personaggi.