想象故事与回忆故事：叙事流差异的量化

终身经历与习得知识带来关于常见情境如何展开的共享预期。这种对叙事事件流的知识使人能将故事编织在一起。然而，用于评估叙事中事件流的可比计算工具十分有限。我们通过引入sequentiality（一种叙事事件流度量），利用前沿大语言模型(GPT-3)进行概率推断，量化自传体故事与想象故事之间的差异。Sequentiality通过比较一个句子在有和没有其前文故事语境下的概率来捕捉叙事的流动。我们将该度量应用于研究数千篇日记式故事，这些故事由众包工作者提供，内容关于近期回忆的经历或同一主题的想象故事。结果显示，想象故事比自传体故事具有更高的sequentiality，且当自传体故事在数月后被复述时，其sequentiality升高。为深入理解sequentiality如何度量叙事流，我们探究了众包标注的故事句子中主要事件与次要事件的比例。我们发现较低的sequentiality与较高比例的主要事件相关。这些方法和结果凸显了在大规模匹配想象与自传体故事语料上使用sequentiality等前沿计算分析，以研究记忆与推理对语言生成过程影响的机遇。