Revisiting Northrop Frye's Four Myths Theory with Large Language Models
Dit paper introduceert een nieuw kader voor karaktfuncties dat Northrop Frye's vier mythen theorie combineert met Jungiaanse archetypen, en valideert dat Large Language Models deze genre-specifieke rollen met hoge nauwkeurigheid kunnen herkennen, wat een nieuwe richting opent voor computationele narratologie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat verhalen als een groot, eeuwigdurend toneelstuk zijn. In de jaren 50 bedacht een literatuurprofessor, Northrop Frye, dat alle verhalen eigenlijk in vier grote categorieën vallen, net zoals het jaar in vier seizoenen verdeeld is:
- Lente (Komedie): Een jongen probeert een meisje te winnen, er is een ouwe, stijve man die in de weg zit, maar aan het einde wint de liefde en is iedereen blij.
- Zomer (Romance): Een held gaat op avontuur, krijgt hulp van een wijze oude man, vecht tegen een monster en wint de liefde van een prinses.
- Herfst (Tragedie): Een held maakt een grote fout door trots, de wereld stort in, en aan het einde is er verdriet maar ook een soort van orde die hersteld wordt.
- Winter (Satire): De wereld is een nachtmerrie, de held is machteloos, en alles wat hij probeert te doen, wordt door een boze macht gestopt.
Het probleem:
De auteurs van dit paper dachten: "Oké, we weten hoe het verhaal gaat, maar wat doen de personages precies?" Ze wilden een soort handleiding maken voor personages, gebaseerd op de theorieën van de psycholoog Carl Jung.
De oplossing: Het 'Verhaal-Persoonlijkheid'-systeem
Stel je voor dat een verhaal een mens is. Een mens heeft een ego, een schaduw, een masker en een ziel. De auteurs zeiden: "Laten we die delen van de menselijke ziel splitsen in vier aparte personages in een verhaal:"
- De Held (Ego): De hoofdpersoon die de actie start.
- De Mentor (Wijze Oude Man): Iemand die helpt, adviseert of een gave geeft.
- De Schurk (Schaduw): Iemand die de held tegenwerkt.
- De Metgezel (Ziel): Iemand die de held motiveert of verliefd op hem/haar wordt.
Maar hier komt het slimme deel: deze vier rollen gedragen zich anders in elk seizoen (genre).
- In een Komedie is de mentor misschien een slimme bediende die de problemen oplost.
- In een Tragedie is de mentor misschien een waarzegster die een voorspelling doet die tot ondergang leidt.
- In een Satire is de mentor misschien een inquisiteur die de held manipuleert in plaats van helpt.
De auteurs maakten dus een lijst van 16 specifieke rollen (4 rollen x 4 seizoenen) en vroegen zich af: "Werkt dit systeem echt? Kunnen we dit op elk verhaal toepassen?"
De test: De 'Robot-Boekrecensenten'
Om dit te testen, gebruikten ze geen mensen, maar zes super-slimme kunstmatige intelligenties (LLMs, zoals de technologie achter ChatGPT). Ze gaven de robots 40 verschillende verhalen (van oude epische gedichten tot moderne films) en vroegen: "Is dit personage echt de 'slimme bediende' of is het gewoon een bijrol?"
Ze gaven de robots ook 'valstrikken': ze vertelden hen dat een bijrol de hoofdpersoon was, om te zien of de robots de fout zouden zien.
Wat kwam er uit?
De robots waren verrassend goed!
- Ze hadden ongeveer 82,5% kans om de juiste rol te herkennen en de fouten te zien.
- Ze waren het vaak eens met elkaar. Als één robot dacht dat een personage een 'held' was, dachten de andere vijf dat ook. Dit betekent dat het systeem niet willekeurig is, maar echt een diep patroon in verhalen raakt.
De verrassende bevindingen
- Tragedie en Komedie waren het makkelijkst voor de robots. De rollen zijn daar heel duidelijk (de held is de held, de schurk is de schurk).
- Satire en Romance waren lastiger. In satire zijn de rollen vaak verward (de 'mentor' is eigenlijk de boze baas), en in romance kan de 'hulp' soms uit een magisch zwaard komen in plaats van een persoon. De robots twijfelden hier meer, wat eigenlijk een goed teken is: het betekent dat ze de nuance van het verhaal snappen.
Waarom is dit belangrijk?
Dit is als het vinden van de 'bouwplaat' voor verhalen.
- Voor schrijvers en AI: Als je een computer wilt leren een goed verhaal schrijven, kun je nu zeggen: "Maak een held, maar zorg dat hij in een 'winter-verhaal' (satire) machteloos is en dat zijn 'mentor' eigenlijk een dictator is."
- Voor onderzoek: Het bewijst dat oude literaire theorieën (van mensen) en nieuwe technologie (robots) samen kunnen werken. De robots hebben niet alleen de theorie getoetst, maar hebben ook laten zien waar de theorie precies werkt en waar verhalen juist creatief gaan spelen met de regels.
Kortom:
De auteurs hebben een soort 'DNA-test' voor personages bedacht. Ze hebben laten zien dat je personages kunt indelen in vier basisrollen die in elk verhaal een andere 'kleur' krijgen, afhankelijk van het genre. En met de hulp van slimme computers hebben ze bewezen dat dit systeem werkt, zelfs als je het op honderden verschillende verhalen toepast. Het is alsof ze een universele vertaler hebben gevonden die vertaalt van 'menselijke gevoelens' naar 'verhaalregels'.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.