一句话总结

本文提出了一种用于智能互动戏剧的新型模式，该模式利用 agent 同时担任戏剧管理与现场演员的角色，同时指出了实施挑战以及弥合当前文献空白的潜在方法。

核心贡献

• 本研究提出了一种面向现场戏剧的互动叙事模式，其中智能 agent 同时扮演角色并执行戏剧管理任务，以响应人类表演者，将观众定位为观察者而非主动参与者。
• 该方法结合了监督学习以捕捉人类表演模式，并运用生成模型生成多样化且符合原型特征的行为，同时探索了无监督的学徒学习以获取更广泛的叙事行为模式。
• 该方法将传统戏剧管理系统扩展至协调多名现场表演者，通过评估 Riedl 等人的多主体管理框架，识别在保持叙事连贯性的同时降低复杂性的途径。

引言

互动叙事系统长期以来旨在赋予用户对故事进程的实质性控制权，然而视频游戏和选择你自己的冒险等传统实现形式要求观众直接作为主角参与。这种参与性要求限制了该媒介在现场表演中的应用范围，而现有的戏剧管理研究主要关注单人交互和游戏化非玩家角色的可信度，而非戏剧角色原型。为弥合这些空白，作者提出了一种新型互动戏剧模式，其中 agent 同时充当戏剧管理与现场表演角色。该系统实时响应人类演员，同时为观看观众引导叙事，并利用监督学习与学徒学习来塑造可信且符合角色原型的表演。该方法能够生成更具动态性和不可预测性的剧情线，从而维持观众参与度并延长互动体验的生命周期。

方法

作者利用了一个旨在将人工智能整合至互动叙事（INs）中的框架，特别是在现场戏剧环境中，通过开发能够适应动态表演条件并保持叙事连贯性的 AI 演员来实现。该方法的核心在于使用戏剧管理模块，以在玩家能动性与作者意图之间进行调解，确保尽管玩家行为不可预测，叙事体验仍能保持引人入胜且一致。该系统基于《The Melete Effect》的叙事结构进行构建，该作品是一款基于选择的叙事游戏，作为探索多种叙事变体的基础脚本。此脚本用于训练戏剧管理模块以预测并响应各类玩家决策，使系统能够引导叙事沿着连贯且有意义的路径发展。

所提出的模型结合了玩家建模技术，以捕捉并表征个体玩家的偏好与行为，从而使戏剧管理模块能够据此定制叙事体验。这种个性化通过特定于角色的表征来实现，其中包含道德倾向、故事角色及情境限制等特征，使 AI agent 能够与其分配的角色保持一致的行为模式。这些角色模型被整合到更广泛的叙事框架中，确保响应在语境上恰当，并与故事的主题及结构限制保持一致。

该系统的一个关键组件是其对表演者未观测或未计划动作的适应能力。与传统文本游戏中未识别的命令会被直接拒绝不同，现场戏剧提供了一个更为复杂的环境，表演者可能会偏离预设剧本。为解决这一问题，AI 演员采用了一种多步骤策略：首先，从多样化的训练数据中学习以泛化至潜在场景；其次，利用目标、计划与动作识别将新事件映射至已知事件类型；最后，对于超出已学习范围的情况，则依赖预设行为。这种分层方法确保了叙事能够在动态演进的同时保持整体完整性。

该架构强调需要一个不仅能够保持角色设定、还能适应实时表演变化的 AI 演员。这种适应能力对于维持体验的沉浸感至关重要，尤其是在现场环境中，干扰不可避免。通过结合角色建模、玩家交互分析与自适应响应机制，该系统旨在实现 AI 在现场叙事中的无缝融合，从而催生一种新型互动叙事形式，能够实时响应玩家选择与即兴事件。