Modélisation cognitive de la pertinence narrative en vue de l'évaluation et de la génération de récits

Cognitive modeling of narrative relevance : towards the evaluation and the generation of stories

• Auteur / Autrice : Antoine Saillenfest
• Direction : Jean-Louis Dessalles
• Type : Thèse de doctorat
• Discipline(s) : Informatique et réseaux
• Date : Soutenance le 25/11/2015
• Etablissement(s) : Paris, ENST
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire Traitement et communication de l'information (Paris ; 2003-....)
• Jury : Président / Présidente : Catherine Pelachaud
• Jury : Examinateurs / Examinatrices : Jean-Gabriel Ganascia, Sylvie Catellin
• Jury : Rapporteurs / Rapporteuses : Nicolas Sabouret, Nicolas Szilas

Mots clés

Mots clés contrôlés

Abduction (logique)

Suspense (narration)

Analyse du discours narratif

Mots clés libres

Pertinence narrative

Complexité de Kolmogorov

Complexité cognitive

Inattendu

Intérêt

Crédibilité

Postdictibilité

Conflit cognitif

Suspense

Jugement moral

Génération automatique de récits

Probabilité subjective

Abduction

Narrative relevance

Kolmogorov complexity

Cognitive complexity

Unexpectedness

Interest

Believability

Postdictability

Cognitive conflict

Suspense

Moral judgment

Automatic story generation

Subjective probability

Abduction

Résumé

Une part importante de l’activité de communication humaine est dédiée au récit d’événements (fictifs ou non). Ces récits doivent être cohérents et intéressants pour être pertinents. Dans le domaine de la génération automatique de récits, la question de l’intérêt a souvent été négligée, ou traitée via l’utilisation de méthodes ad hoc, au profit de la cohérence des structures narratives produites. Nous proposons d’aborder le processus de création des récits sous l’angle de la modélisation quantitative de critères de pertinence narrative via l’application d’un modèle cognitif de l’intérêt événementiel. Nous montrerons que cet effort de modélisation peut servir de guide pour concevoir un modèle cognitivement plausible de génération de narrations.

Humans devote a considerable amount of time to producing narratives. Whatever a story is used for (whether to entertain or to teach), it must be relevant. Relevant stories must be believable and interesting. The field of computational generation of narratives has explored many ways of generating narratives, especially well-formed and understandable ones. The question of what makes a story interesting has however been largely ignored or barely addressed. Only some specific aspects of narrative interest have been considered. No general theoretical framework that would serve as guidance for the generation of interesting and believable narratives has been provided. The aim of this thesis is to introduce a cognitive model of situational interest and use it to offer formal criteria to decide to what extent a story is relevant. Such criteria could guide the development of a cognitively plausible model of story generation.