💬 NLP

Narrative Keyframing for Generative Creative Writing

Dit artikel introduceert "narratieve keyframing", een door AI ondersteunde creatieve schrijfvorm geïnspireerd door animatie die schrijvers in staat stelt om beperkingen met betrekking tot plot, personage en perspectief op specifieke verhaalmomenten op te geven om de tussenliggende proza te genereren, waardoor een meer controleerbare, transparante en boeiende workflow voor iteratief vertellen wordt geboden.

Oorspronkelijke auteurs: Chao Zhang, Abe Davis

Gepubliceerd 2026-08-12

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Chao Zhang, Abe Davis

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 je een robot probeert te leren hoe hij een verhaal moet vertellen. Je zou kunnen denken dat de beste manier is om de robot een enorme lijst met regels te geven: "De held moet dapper zijn," "De schurk moet sluw zijn," en "Het verhaal moet een gelukkig einde hebben." Maar hier is het probleem: robots zijn als overijverige stagiairs. Als je ze aan het begin alleen maar een lijst met regels geeft, vergeten ze vaak de details tegen de tijd dat ze in het midden van het verhaal zijn, of ze laten de held in het tweede hoofdstuk zich als een schurk gedragen. Dit is een groot puzzelstuk voor wetenschappers die bestuderen hoe mensen en computers samenwerken (een vakgebied dat Human-Computer Interaction wordt genoemd). Ze willen weten: Hoe kunnen we een computer helpen een verhaal te schrijven dat echt aanvoelt, waarbij personages daadwerkelijk groeien en veranderen, zonder dat de schrijver het elke keer helemaal opnieuw moet schrijven?

Om dit op te lossen, lenen de onderzoekers in dit artikel een truc uit de wereld van animatie. In tekenfilms tekenen animatoren niet elke afzonderlijke frame van de beweging van een personage. In plaats daarvan tekenen ze een paar "keyframes"—de belangrijkste momenten waarop de houding of emotie van een personage drastisch verandert. De computer vult vervolgens de vloeiende beweging tussen die sleutelmomenten in. Dit artikel vraagt: Kunnen we hetzelfde doen voor het schrijven? Kunnen we de AI een paar "sleutelmomenten" geven voor de plot en de gevoelens van personages, en de AI de rest laten invullen? De auteurs, Chao Zhang en Abe Davis van Cornell University, hebben een nieuwe tool gebouwd om dit idee te testen. Ze noemen het "Narrative Keyframing." Hun bevindingen suggereren dat wanneer schrijvers deze speciale "sleutelmomenten" gebruiken om de AI te sturen, de resulterende verhalen veel rijkere personages hebben en meer gecontroleerd aanvoelen dan wanneer schrijvers gewoon een eenvoudige prompt typen en op het beste hopen.

De Animatietruc voor Schrijvers

Denk aan het schrijven van een verhaal als het regisseren van een film. In de oude dagen, of bij het gebruik van standaard AI-tools, zou een schrijver kunnen zeggen: "Schrijf een verhaal over een meisje en een wolf." De AI probeert dan alles te raden: wat het meisje denkt, wat de wolf denkt, hoe zij veranderen, en hoe het verhaal eindigt. Het is alsof je een regisseur vraagt om een hele film te improviseren zonder script. Het resultaat kan oké zijn, maar de personages kunnen vlak of inconsistent aanvoelen.

De auteurs van dit artikel realiseerden zich dat professionele schrijvers vaak anders werken. Ze beginnen niet zomaar met schrijven; ze plannen de "sleutelmomenten." Ze beslissen precies wat er gebeurt aan het begin, in het midden en aan het einde. Ze beslissen ook hoe de personages zich op die specifieke punten voelen. Bijvoorbeeld, een personage kan aan het begin "hoopvol" zijn, in het midden "gespleten" en aan het einde "vastberaden."

De nieuwe tool, Narrative Keyframing, laat schrijvers dit doen met AI. In plaats van alleen een prompt te typen, gebruikt de schrijver drie speciale soorten "keyframes" om de computer te sturen:

Plot Keyframes: Dit zijn de grote gebeurtenissen. "Het meisje ontmoet de wolf in het bos." "Het meisje raakt verdwaald." Dit zijn de ankers van het verhaal.
Character Keyframes: Dit zijn snapshots van hoe een personage zich op die specifieke gebeurtenissen voelt of gedraagt. Bij de eerste ontmoeting kan het meisje "nieuwsgierig maar onervaren" zijn. Tegen het einde kan ze "bang maar dapper" zijn. De schrijver stelt deze snapshots in, en de AI bepaalt hoe het personage van de ene naar de andere staat beweegt.
Perspective Keyframes: Dit is het coolste deel. De tool vraagt de AI om het verhaal te schrijven door de ogen van het personage zelf (eerste persoon) voor elk sleutelmoment. Dus de AI schrijft een korte paragraaf alsof het het meisje is, zeggend: "Hij leek vriendelijk, dus ik antwoordde eerlijk." Vervolgens schrijft het een andere paragraaf alsof het de wolf is, zeggend: "Ze vertrouwde me snel, en ik merkte dat meteen op."

Hoe de Magie Gebeurt

Zodra de schrijver deze "eerste-persoons" snapshots heeft, fungeren deze als een filter. De schrijver kan kijken naar wat de AI vanuit het perspectief van het meisje heeft geschreven en vanuit het perspectief van de wolf, en kan dan zeggen: "Ik vind het goed hoe het meisje hier nieuwsgierig klonk, maar ik wil dat de wolf daar sluwerder klinkt." De tool markeert de specifieke woorden en gevoelens die de schrijver leuk vindt.

Dan vindt de magie plaats: de AI neemt die geselecteerde stukjes "eerste-persoons" gevoel en mengt deze samen om het uiteindelijke verhaal in de derde persoon te schrijven (zoals "Het meisje keek naar de wolf..."). Omdat de AI de specifieke "keyframes" gebruikt die de schrijver heeft gekozen, voelt het uiteindelijke verhaal veel consistenter aan. De personages veranderen niet zomaar van gedachten; ze evolueren precies zoals de schrijver het gepland heeft.

Wat de Tests Laten Zien

De onderzoekers hebben de tool niet alleen gebouwd; ze hebben het getest om te zien of het daadwerkelijk werkt. Ze voerden twee hoofdexperimenten uit.

Eerst lieten ze de computer verhalen schrijven met hun nieuwe "Keyframing"-methode en vergeleken ze deze met verhalen die dezelfde computer schreef met een standaard "geef me gewoon een prompt"-methode. Ze vroegen menselijke experts om beide sets verhalen te lezen. De experts gaven de voorkeur aan de verhalen die met de nieuwe tool waren gemaakt. Ze zeiden dat de personages echter aanvoelden, met specifieke details zoals "trillende vingers" of "jeukende knieën", in plaats van alleen maar als "bang" te worden beschreven. De nieuwe methode produceerde verhalen die hoger werden beoordeeld op zowel algemene kwaliteit als op de ontwikkeling van de personages.

Ten tweede nodigden ze 12 echte schrijvers uit (van beginners tot professionals) om de tool uit te proberen. Ze vroegen de schrijvers om verhalen te schrijven met de nieuwe tool en daarna met een standaard chatbot-tool. De resultaten waren duidelijk:

Meer Controle: De schrijvers hadden het gevoel dat ze veel meer controle hadden over het verhaal. In plaats van te gokken wat de AI zou doen, konden ze de stemming van het personage op specifieke punten instellen en het ook daadwerkelijk zien gebeuren.
Beter Begrip: De schrijvers hadden het gevoel dat ze het verhaal beter begrepen. Omdat de tool hen de "eerste-persoons" conceptversies liet zien en de delen markeerde die in het uiteindelijke verhaal werden gebruikt, konden ze precies zien hoe hun keuzes in de uiteindelijke tekst waren veranderd. Het was geen "black box" waar magie gebeurde; ze konden het pad volgen van hun idee naar de uiteindelijke zin.
Meer Plezier: De schrijvers gaven aan dat ze meer plezier hadden en zich meer ondergedompeld voelden in het creatieve proces. Ze hadden het gevoel dat ze de AI aan het regisseren waren in plaats van er alleen maar hulp bij te vragen.

De Conclusie

Het artikel suggereert dat de manier waarop we met AI praten om verhalen te schrijven moet veranderen. We moeten het niet alleen een grote, vage instructie aan het begin geven. In plaats daarvan moeten we het schrijven behandelen als animatie: stel de sleutelmomenten vast, definieer hoe de personages zich op die momenten voelen, en laat de AI de gaten opvullen. Door deze "keyframes" te gebruiken, kunnen schrijvers hun creatieve visie intact houden terwijl ze de computer toch het zware werk van het schrijven van de proza laten doen. De tool vervangt de schrijver niet; het geeft de schrijver een betere manier om het schip te sturen, zodat de personages groeien en veranderen precies zoals het verhaal dat nodig heeft.

Technische Samenvatting: Narratieve Keyframing voor Generatieve Creatieve Schrijfprocessen

Probleemstelling

Recente AI-schrijfsystemen maken gebruik van hoogwaardige verhaalbeschrijvingen, personagespecificaties of plotontwerpen om de generatie van narratieve proza te sturen. Echter, deze systemen behandelen dergelijke conditionering doorgaans als statische prompts of globale condities. Deze aanpak beperkt de fijmazige controle over individuele verhaalonderdelen en slaagt er niet in hoe personages en plotpunten gedurende een narratief dynamisch evolueren. Schrijvers worstelen vaak met het balanceren van automatisering met creatieve controle, met name bij het beheren van karakterbogen (hoe een personage in de loop van de tijd verandert) en focalisatie (hoe verschillende personages dezelfde gebeurtenis waarnemen) binnen een gegenereerd verhaal in de derde persoon.

Methodologie

De auteurs introduceren Narratieve Keyframing, een interactietechniek geïnspireerd door keyframing in animatie. In animatie specificeren kunstenaars beperkingen op schaarse sleutelmomenten, waarna het systeem de toestanden tussen deze momenten interpoleert. De auteurs passen dit principe aan voor generatieve creatieve schrijfprocessen door drie gekoppelde soorten narratieve keyframes te definiëren die de verhalende planning verbinden met de narratieve generatie:

Plot Keyframes: Deze vertegenwoordigen significante gebeurtenissen in een verhaalontwerp en dienen als structurele ankers voor de narratieve tijdlijn.
Character Keyframes: Deze leggen de staat van een specifiek personage vast op een bepaald plotpunt. Ze zijn georganiseerd in drie dimensies op basis van de "botstructuur" van Egri: fysiologie (uiterlijk), psychologie (persoonlijkheid, waarden) en sociologie (status, relaties). Het systeem kan automatisch de toestanden van personages interpoleren tussen gedefinieerde keyframes om transities voor te stellen.
Perspective Keyframes: Dit zijn eerste-persoons-narratieven gegenereerd voor specifieke personages op specifieke plotpunten. Ze dienen als een intermediaire representatie om abstracte karaktertrekken te externaliseren naar concrete tekstuele bewijslast (acties, dialoog, gedachten, zintuiglijke details) op basis van de typologie van personagekenmerken van Rimmon-Kenan.

Systeemworkflow

Het voorgestelde systeem ondersteunt een iteratieve workflow:

Planning: Schrijvers definiëren plot keyframes om de verhaalstructuur te schetsen.
Karakterontwikkeling: Schrijvers definiëren character keyframes op specifieke plots. Het systeem suggereert eigenschappen en interpoleert karakterbogen tussen deze punten.
Perspectiefverkenning: Het systeem genereert eerste-persoons perspectief keyframes voor elk personage op elk plot. Schrijvers kunnen deze narratieven inspecteren om te zien hoe eigenschappen zich manifesteren.
Bewijsvoering Selectie: Schrijvers selecteren specifieke tekstuele bewijslast uit de perspectief keyframes om te benadrukken in het uiteindelijke verhaal. Het systeem markeert deze selecties bidirectioneel, waardoor het mogelijk is om de perspectieftekst aan te passen om de character keyframes bij te werken en vice versa.
Narratieve Generatie: Een verhaal in de derde persoon wordt gegenereerd door de geselecteerde plotpunten en de gekozen tekstuele bewijslast uit de perspectief keyframes te synthetiseren. De output is kleurgecodeerd om de herkomst van specifieke karaktertrekken aan te tonen.

Het systeem is geïmplementeerd met behulp van Next.js, React Flow voor visualisatie, en GPT-4.1 voor generatieve taken (suggestie van eigenschappen, interpolatie, perspectiefgeneratie en uiteindelijke narratieve synthese).

Belangrijkste Bijdragen

Narratieve Keyframing Interactie: Een nieuw interactieparadigma waarmee schrijvers beperkingen kunnen specificeren op geselecteerde momenten in een verhaal, in plaats van uitsluitend te vertrouwen op globale prompts. Dit maakt fijne controle mogelijk over karakterbogen en narratieve progressie.
Perspectief Keyframes als Intermediaire Representatie: De introductie van eerste-persoons perspectieven als een ontwerpmateriaal om de brug te slaan tussen abstracte karakterdefinities en de uiteindelijke derde-persoons proza. Dit stelt schrijvers in staat om eigenschappen te concretiseren en bewijslast uit verschillende karakterperspectieven selectief te combineren.
Bidirectionele Traceerbaarheid: Het systeem koppelt karaktertrekken, perspectiefbewijs en de uiteindelijke narratieve tekst expliciet aan elkaar, waardoor schrijvers kunnen traceren hoe specifieke beslissingen over karakterisering voortvloeien in het gegenereerde verhaal.
Systeemimplementatie: Een functioneel prototype dat plot-, karakter- en perspectiefweergaven (Track, Table en Canvas) integreert om de keyframing-workflow te ondersteunen.

Resultaten

De auteurs evalueerden het systeem via twee studies:

Studie 1: Technische Evaluatie

Methode: Verhalen gegenereerd met het systeem van de auteurs versus een standaard LLM-baseline (GPT-4.1 met outline-naar-narrative prompting) over 20 schrijfprompts.
Metrieken: Automatische evaluatie met behulp van het WQRM-PRE model en menselijke evaluatie door drie deskundige schrijvers op 30 verhaalparen.
Bevindingen:
- De verhalen van het systeem werden in 72% van de gevallen geprefereerd door het automatische model.
- Voor karakterisering gaven menselijke beoordelaars de voorkeur aan de verhalen van het systeem in 96,7% van de paren (29 van de 30).
- Voor de algemene kwaliteit werd de voorkeur voor de verhalen van het systeem in 83,3% van de gevallen (25 van de 30) gegeven onder meerderheidsstemming; echter, wanneer alle individuele oordelen werden samengevoegd, was de voorkeur voor algemene kwaliteit 73,3%.
- Experts merkten op dat het systeem "specifieke, fysieke karakterisering" en "belichaamde" emotionele veranderingen produceerde in plaats van ze enkel samen te vatten. Sommige beoordelaars merkten echter op dat de toegevoegde details soms de pacing of beknoptheid beïnvloedden in vergelijking met de baseline.

Studie 2: Gebruikersstudie

Methode: Een binnen-onderwerp studie met 12 schrijvers (variërend van beginners tot professionals) die schrijftaken voltooiden met behulp van het voorgestelde systeem en een baseline (karakter-chatbots en outline-gebaseerde generatie).
Bevindingen:
- Controleerbaarheid: Gebruikers rapporteerden aanzienlijk hogere controle over de karakterontwikkeling en het vermogen om karakterportretten op specifieke plotpunten vorm te geven ( $p < .01$ ). De gefaseerde workflow maakte directe bewerking van karakterbogen mogelijk in plaats van te vertround op conversationele prompting.
- Manifestatie: Gebruikers vonden het systeem aanzienlijk beter in het vertalen van abstracte karakterideeën naar concrete verhaaldetails ( $p < .01$ ). Eerste-persoons perspectieven werden gewaardeerd als een "venster" om te inspecteren hoe de AI de karaktertrekken interpreteerde.
- Traceerbaarheid: Gebruikers beoordeelden het systeem aanzienlijk hoger op het gebied van het traceren van hoe specifieke eigenschappen in de uiteindelijke tekst werden weerspiegeld ( $p < .01$ ). Visuele kleurcodering en expliciete mapping verminderden de cognitieve belasting bij het verifiëren van karakterconsistentie.
- Ervaring: Het systeem scoorde significant hoger op de Creativity Support Index (CSI) voor exploratie, expressiviteit en immersie, en op de AI System Experience survey voor transparantie en controleerbaarheid.

Betekenis en Claims

Het artikel beweert dat narratieve keyframing een meer controleerbare, transparante en boeiende manier biedt om generatieve AI te gebruiken in creatief schrijven vergeleken met huidige statische promptingmethoden.

Verschuiving in Karakterisering: Het werk suggereert dat karakterisering niet moet worden gezien als een statisch profiel dat vooraf wordt gedefinieerd, maar als een evoluerend proces dat horizontaal over plots en verticaal over perspectieven ontwikkelt.
Perspectief als Materiaal: Het stelt dat eerste-persoons perspectieven kunnen fungeren als herbruikbare ontwerpmaterialen, waardoor schrijvers abstracte ideeën kunnen concretiseren voordat de uiteindelijke generatie plaatsvindt.
Traceerbaarheid: De auteurs betogen dat het expliciet maken van de verbinding tussen de input van de schrijver en de gegenereerde output cruciaal is voor generatief creatief schrijven, wat een meer reflectieve en doelbewuste vorm van auteurschap ondersteunt.

De auteurs blijven bescheiden over hun claims; zij erkennen dat hun systeem een gestructureerde workflow ondersteunt die voor improviserende schrijvers restrictief kan aanvoelen, en merken op dat hun evaluatie zich richtte op korte verhalen met drie bedrijven. Zij suggereren dat toekomstig werk niet-lineaire plots en andere narratieve eigenschappen zoals toon en pacing kan verkennen.