💬 NLP

Computational Representations of Character Significance in Novels

本文提出了一种包含其他角色讨论的新颖六成分人物结构模型，并通过对19世纪英国现实主义小说的计算分析，证明了该方法为关于人物中心性和性别动态的文学理论提供了新的见解。

原作者： Haaris Mian, Melanie Subbiah, Sharon Marcus, Nora Shaalan, Kathleen McKeown

发布于 2026-01-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Haaris Mian, Melanie Subbiah, Sharon Marcus, Nora Shaalan, Kathleen McKeown

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

请不要仅仅将小说视为一个故事，而要将其想象成一座繁忙的城市。长期以来，文学评论家和计算机科学家试图通过计算一个人在街上走过多少次（出现在场景中）或与他人握手多少次（进行对话）来弄清楚谁是这座城市里的“重要人物”。

本文认为，这种方法就像仅凭一个人在公共场合出现的频率来评判其在城市中的重要性一样。它忽略了一个事实：即使某人整天待在家里，也可能是镇上最受议论的人物。

以下是研究人员所做工作的拆解，使用了简单的类比：

1. 新的“六分制”评分卡

研究团队（由计算机科学家和文学专家组成）没有仅仅计算“街头出现次数”，而是创建了一套新的六部分评分卡，用以衡量角色的“空间”感。这可以看作是角色存在感的成绩单：

姓名 (N)： 名字被写下的次数有多少？（就像看到他们的名字出现在信箱上）。
交流 (C)： 他们说话或写作的量有多少？（就像他们在城镇广场上的声音分贝）。
内心活动 (I)： 我们进入他们的内心世界去倾听他们的想法和感受的程度有多少？（就像阅读他们的私人日记）。
行动 (A)： 他们做了哪些具体的物理动作？（例如盖房子或赛跑）。
他人的讨论 (DC)： 其他角色谈论他们的次数有多少？（这是新的重点。这就像在派对上，人们如何议论一个甚至不在现场的人）。
叙述者描述 (DN)： 讲述者对他们进行了多少描述？（就像叙述者停顿一下说：“看他那忧郁的双眼”）。

2. “流言地图”（新的网络）

研究人员根据评分卡中的**“讨论”**部分构建了一种特殊的地图（图谱）：

旧地图： 以前的地图显示谁与谁同时出现（共现）或谁与谁交谈（对话）。这些是双向街。
新地图： 这张地图显示谁在谈论谁。这是一条单行街。
- 类比： 想象一个爱丽丝从不开口说话，但其他人一直在谈论她的城镇。在旧地图中，她看起来可能微不足道；但在这种新的“流言地图”中，她是宇宙的中心，因为所有人都在指向她。

3. 实验：教计算机像评论家一样阅读

团队测试了两种方法，让计算机为 19 世纪英国小说（如《傲慢与偏见》和《简·爱》）填写这份六部分评分卡：

方法 A（“BookNLP”流水线）： 一种专门为文学设计的基于规则的工具。它像是一位经验丰富的图书管理员，准确知道在哪里寻找特定类型的句子。
方法 B（“LLM”方法）： 使用强大的 AI 聊天机器人（如 GPT-4）来阅读文本并猜测计数。

结果： 专门的“图书管理员”工具（BookNLP）比 AI 聊天机器人更准确且更具一致性。聊天机器人经常会产生混乱，尤其是在处理次要角色或是在第一人称视角（即叙述者本身也是一个角色）的故事时。研究人员决定在大型研究中使用“图书管理员”工具。

4. 他们的发现

利用这种新的评分卡和“流言地图”，他们分析了 64 部经典小说，并发现了一些令人惊讶的事实：

“一与多”理论： 有一个著名理论认为，小说是围绕着一个主角和一群争夺空间的配角构建的。研究人员发现这在很大程度上是正确的，但这个“一”通常实际上是 2 到 3 人的小集群，他们共同分享着聚光灯，而非仅仅是一个单一的英雄。
被谈论 vs. 谈论他人： 在《傲慢与偏见》中，达西先生是最“被谈论”的角色（他在流言地图上的“入度/In-Degree”最高）。然而，伊丽莎白·班内特是谈论他人最多的那个人（“出度/Out-Degree”最高）。这表明，成为谈话的话题与说话者本身是两回事。
性别与流言： 他们根据性别观察了谁在谈论谁。他们发现，这些小说中的女性谈论其他女性的频率比男性谈论其他男性的频率更高。 此外，女性更有可能成为那些讨论他人的人，而男性则往往是那些被讨论的人。这揭示了一个旧有的“谁站在谁身边”地图完全无法捕捉到的隐藏社会层面。

总结

本文介绍了一种衡量角色重要性的新方法，它超越了单纯的“谁出现了”。通过计算角色思考、行动以及——至关重要的——被他人谈论的程度，研究人员创建了一张更细致的小说社会关系图。他们证明了计算机可以做到这一点，但它们需要正确的工具（专门的软件而非仅仅是通用 AI）才能掌握细节。这使我们能够看到，在这些经典故事中，“主角”往往是一个复杂的相互关系网，而不仅仅是一个单一的英雄。

技术摘要：小说中角色重要性的计算表征

问题陈述

传统的文学角色分析计算方法主要依赖于基于角色在场景中物理存在的建模，即通过共现（co-occurrence）或对话交换。这些方法往往将“存在”与“重要性”混为一谈，从而隐含地优先考虑出现频率最高的中心人物。然而，这种以交互为中心的观点与亚历克斯·沃洛克（Alex Woloch）的“一与多”（the one vs. the many）等文学理论相抵触，该理论认为叙事是围绕一个核心个体和一群竞争有限叙事空间的次要人物构建的。此外，现有方法往往忽略了叙述者（narrator）与角色之间的区别，并且未能考虑到角色如何被他人讨论——这一组成部分揭示了兴趣和社交定位，而无需物理上的现场参与。

作者旨在解决需要一个更细致、多维度的框架来量化角色重要性的问题，该框架应符合当代文学理论，并能捕捉超越简单交互的关系动态。

方法论

六成分结构模型

该方法的核心是一个由作者与文学学者（Marcus, 2025）合作开发的角色重要性结构模型。该模型将角色的存在分解为六个不同的组成部分：

姓名 (N)： 角色专有名词出现的实例（不包括代词）。
交流 (C)： 角色引语或书面表达的句子。
内心活动 (I)： 表达角色思想、感受、意图或感知的动词短语。
行动 (A)： 传达物理动作的动词短语（不包括言语或内心活动）。
他人的讨论 (DC)： 其他角色在交流中讨论目标角色的句子。
叙述者的描述 (DN)： 叙事声音描述角色的外貌、举止或穿着的句子。

数据与标注

作者通过手动标注《傲慢与偏见》（简·奥斯汀）和《简·爱》（夏洛特·勃朗特）的所有章节，构建了一个数据集，以建立这六个组成部分在章节层面的基准计数（ground truth counts）。作者指出，《简·爱》由于其第一人称叙述者带来了特定挑战，即叙述者与主角是同一人，这使得区分内心活动与叙述者描述变得复杂。

为了实现规模化分析，作者整理了一个包含 64 部 19 世纪英国现实主义小说（1800–1900）的语料库，并排除了叙述者即角色的第一人称叙事作品，因为初步结果显示此类文本的表现较差。

计算方法

论文评估了两种用于使该模型操作化的主要流水线：

基于 BookNLP 的流水线： 一个基于 Transformer 的流水线，包含实体、引用、超义词（supersense）、事件和共指消解包。它解析文本以识别符合组件标准的跨度（例如，使用 VerbNet 类来识别动作和内心活动）。
基于大语言模型（LLM）的方法：
- 章节级计数： 提示 LLM（gpt-4o-mini）生成每个角色在每个章节中的各组件 JSON 计数。
- 跨度级标注： 提示 LLM 识别单个组件的具体文本跨度（例如，通过解析对话中的代词来确定“他人的讨论”）。

网络构建

作者构建了三种类型的角色网络：

共现网络： 基于段落级共同存在的无向边。
（Co-occurrence Network）
对话网络： 基于说话轮次（Component C）的无向边。
（Dialogue Network）
讨论网络： 一种新型的有向图，其中边 $u \to v$ 表示角色 $u$ 正在讨论角色 $v$ （Component DC）。这使得区分“被讨论”（入度）与“讨论他人”（出度）成为可能。

核心贡献

理论框架与数据集： 论文引入了一个用于计算文学研究的六成分模型，并发布了配套的专家标注组件得分数据集（涵盖《傲慢与偏见》和《简·爱》）。
计算流水线： 作者开发并发布了一个能够对 19 世纪小说进行此类组件标记的流水线。他们证明了虽然可以使用 LLM 进行标记，但基于 BookNLP 的流水线在处理大规模语料库分析时具有更高的可靠性和更低的错误率，尤其是在处理动作（Action）和内心活动（Interiority）等组件时。
新的网络表示： 论文提出了“讨论网络”（DC），这是一个捕捉角色如何通过话语相对于彼此进行定位的有向图，为理解角色中心性提供了一个不同于共现或对话的全新视角。
语料库级分析： 作者将这些表示应用于 64 部小说的语料库，以回答有关角色中心性和性别动态的特定文学问题。

结果

标注准确性

BookNLP vs. LLM： 基于 BookNLP 的流水线在《傲犯与偏见》的基准计数上实现了 1.7 的平均绝对误差（MAE）和 0.75 的皮尔逊相关系数。相比之下，即使使用精细提示，LLM 方法也表现出较高的 MAE 且性能不稳定，特别是在处理次要角色以及动作（A）和内心活动（I）等组件时。
第一人称叙事： 由于叙述者与主角之间的共指消解问题，该流水线在处理《简·爱》时表现挣扎。在没有人工修正的情况下，MAE 为 4.35；经过修正后，MAE 降至 3.00。因此，第一人称叙事被排除在主要语料库分析之外。

网络分析与文学洞察

中心性差异： 研究发现，不同的网络构建方式会产生不同的角色显著性排名。例如，在《傲慢与偏见》中，达西先生在“入强度”（被讨论）方面排名第一，而伊丽莎白在“出强度”（讨论他人）方面排名第一。这突显了“被讨论”和“进行讨论”是社会显著性的不同维度。

沃洛克的“一与多”： 对整个语料库进行不平等指标（基尼系数）分析显示，叙事注意力高度集中但并非单一。所谓的“一”并不是一个单一的个体，而是由几个角色组成的中心化集群，并伴随有多个程度的“多”构成的边缘。

性别动态： 讨论网络揭示了在无向网络中无法看到的显著性别结构：
- 女性角色在最核心的讨论者（出度）和被讨论者（入度）中比例过高。
- 存在不对称的跨性别关注模式：女性对男性的讨论边比男性对女性的讨论边频繁得多（ $F \to M / M \to F = 1.26$ ）。

重要性与主张

本文声称提供了一种新的计算视角来进行文学分析，从而超越了简单的交互指标。通过将基于组件的角色理论与网络分析相结合，作者证明了：

角色重要性是多维度的： 理解一个角色的全面视图需要考虑内心活动、描述和讨论，而不不仅仅是物理存在或对话。
有向图揭示了新的社会层面： 讨论网络揭示了通过话语进行的相互关系（谁在讨论谁），这在传统的无向共现或对话网络中是不可见的。
性别塑造了叙事空间： 计算分析为性别动态提供了经验证据，显示女性更有可能是讨论的主题和讨论他人的人，这是以往网络研究所忽略的细微差别。

作者总结道，尽管由于标注成本和第一人称叙事中的共指消解挑战，其方法目前仅限于第三人称 19 世纪英语小说，但该框架为将文学理论扩展到大规模语料库提供了坚实的基础。他们明确表示，其目标是促进未来的研究，而非提供一个针对所有叙事形式的确定性的、无误差的解决方案。