Computational Approaches to Understanding Narrative

Narrative sind mehr als nur Erzählstrukturen in fiktionalen Texten. Sie spiegeln gesellschaftliche Werte und kulturelles Erbe wider. Narrative können helfen, Themen und Standpunkte leichter zu vermitteln und aufzunehmen, was gleichzeitig zu Manipulation und Desinformation führen kann. Die Forschungsgruppe von Professor Mark A. Finlayson beschäftigt sich mit dem automatischen Erkennen und Verarbeiten narrativer Bestandteile mit Natural Language Processing (NLP) Methoden. In seinem Vortrag am 16.11.2022 im Rahmen des Colloquiums in Digital Cultural Heritage an der Universität zu Köln erklärt Finlayson zudem, warum das (automatische) Verstehen von Narrativen wichtig und nützlich ist – für die Digital Humanities und andere Bereiche.

Was Narrative ausmacht und warum sie so interessant sind

Zu definieren, was genau ein Narrativ oder eine Geschichte ausmacht, ist intuitiv gar nicht so offensichtlich. Denkt man an literarische Texte, fallen einem möglicherweise zuerst prototypische Charaktere wie Held und Bösewicht ein oder typische Elemente des Geschichtenerzählens wie zum Beispiel das Happy End. Denkt man an Filme, gibt es ähnliche zeitliche Abläufe und typische Figuren. Aber Narrative sind nicht nur Geschichten, die jemand zu Papier oder auf die Leinwand gebracht hat. Es gibt Erzählungen, die innerhalb eines Kulturkreises, oder sogar darüber hinaus, immer wieder auftauchen. So eine Erzählung ist zum Beispiel in den Vereinigten Staaten Vom Tellerwäscher zum Milllionär oder im europäischen und nordamerikanischen Raum Der Weihnachtsmann. Demnach sind Narrative oder Geschichten ein gängiger Bestandteil gesellschaftlichen Diskurses und enthalten sogenanntes shared knowledge, also gemeinsames Wissen einer bestimmten Gruppe. Sie sind Ausdruck kultureller Werte und Bestandteil des Commonsense.

Um Geschichten maschinell verarbeiten zu können, sind formale Kriterien notwendig. Finlayson nennt in seinem Vortrag folgende notwendige Eigenschaften eines Narrativs:

  • Ein Narrativ ist Diskurs, der eine kohärente Abfolge von Ereignissen darstellt
  • Die Ereignisse stehen in kausalem und zweckmäßigem Zusammenhang zueinander
  • Die Ereignisse beziehen sich auf bestimmte Figuren und Zeiten
  • Die Abfolge der Ereignisse weist eine gewisse Organisationsstruktur auf, die über die Kohärenz der Ereignisse in sich selbst hinausgeht

Diese Eingrenzung bietet die Möglichkeit, einzelne Aspekte und Bestandteile von Narrativen zu annotieren und automatisch zu erkennen. Dazu werden NLP-Methoden verwendet, also Algorithmen zur Verarbeitung natürlicher Sprache.

Narrative NLP beschäftigt sich mit bestimmten Teilaspekten von Geschichten, beispielsweise mit dem Identifizieren von Charakteren und deren Zielen und Motivation. Diese Tasks sind hochkomplex, da sie Kenntnisse der echten Welt und sozialer Mechanismen, Commonsense und Pragmatik erfordern. Aber warum ist es notwendig, Methoden für das automatische Verarbeiten von Geschichten zu entwickeln? Eine wichtige Motivation ist das Erkennen von Fake News. Da Narrative es erleichtern, Themen und Standpunkte zu vermitteln und zu verstehen, werden sie auch häufig für gezielte Desinformationskampagnen missbraucht. Besonders das Internet und Social Media machen es möglich, eine große Anzahl Personen mit bestimmten Informationen und Erzählungen zu erreichen und so gezielt für Unsicherheit, gesellschaftliche Spaltung und Kontroverse zu sorgen. Dies machen sich politische Strömungen, terroristische Organisationen und Unrechtsstaaten wie Russland zunutze. Technologien, die Narrative verstehen und verarbeiten können, spielen daher eine wichtige Rolle in der Bekämpfung von Fehlinformationen und Manipulationsversuchen.

Finlaysons Forschungsgruppe Cognition, Narrative & Culture Laboratory (CogNaC Lab) beschäftigt sich damit, verschiedene Bestandteile von Narrativen automatisch zu verstehen und zu verarbeiten. Einige der Forschungsprojekte werden im Nachfolgenden vorgestellt. Das übergeordnete Ziel ist es, Master Narrative, Ideologien, Narrativsysteme und moralische Systeme zu identifizieren und zu verstehen. Während Erkenntnisse zu diesen Themen in den Digital Humanities vor allem für digitale Literaturwissenschaften interessant sind, können auch andere Bereiche wie Bildung, Politik und Militär davon profitieren.

Forschungsprojekt: Timeline Extraction

Die sogenannte Timeline Extraction, die Extraktion der Zeitachse, befasst sich mit der zeitlichen Anordnung von Ereignissen in Geschichten. Viele wissenschaftliche Arbeiten in dem Bereich basieren auf einer Graphstruktur namens TimeML (Pustejovsky et al, 2003). Der Beispieltext unten verdeutlicht, dass zeitliche Zusammenhänge in Texten nicht immer linear verlaufen und es alternative und hypothetische Teilachsen gibt. Im Beispiel sieht man das an der Konditionalphrase, die die Ereignisse 7 und 8 enthält, welche nicht tatsächlich stattgefunden haben. Die TimeML Graphstruktur (Figure 1), stellt Ereignisse als Knotenpunkte dar, die mit verschiedenen Arten von Kanten verbunden sind. Die Konditionalphrase wird hier als Abzweigung mit dem Label CONDITIONAL dargestellt.

Beispieltext aus der Präsentation von Mark A. Finlayson:

John’s phone rang1, and he answered2 it. As soon as he picked up3, Mary started complaining4. He was quickly bored5, but realized6 that if he hung up7, Mary would be mad8. So he continued9 to listen10.

Figure 1: TimeML Graphstruktur des Beispieltextes.
Quelle: Präsentation von Mark A. Finlayson

Dennoch weisen solche TimeML Graphstrukturen einige Schwachstellen und Grenzen auf. Beispielsweise sind die dargestellten Zeitachsen unvollständig, da sie immer nur eine lokale und partielle Reihenfolge von Ereignissen darstellen, was zu einer fehlerhaften Gesamtordnung führen kann. Zudem sind sie schwer lesbar und ihre maschinelle Verarbeitung ist kompliziert (Ocal & Finlayson, 2020). Als Lösungsansatz entwickelte Finlaysons Forschungsgruppe TLEX, eine Methode, die mittels eines Algorithmus aus TimeML Graphen exakte und vollständige Zeitachsen erstellt. Die TLEX– Darstellung des Beispieltextes ist zu sehen in Figure 2. Die Minus- und Pluszeichen symbolisieren hier Anfang und Ende eines Ereignisses. Das hypothetische Ereignis, die Konditionalphrase, wird als parallel verlaufende Teilachse dargestellt. Zusätzlich bietet diese Darstellung die Möglichkeit, alternative Abschnitte der Zeitachse darzustellen, was TLEX non-deterministisch macht. Im Bezug auf den Beispieltext sind das die Ereignisse 3 und 6, die alternativ und zeitgleich zu den Ereignissen 2 und 4 verlaufen.

Figure 2: TLEX Darstellung des Beispieltextes. Quelle: Präsentation von Mark A. Finlayson

Forschungsprojekt: Animacy/ Character Detection

Ein essenzieller Bestandteil von Narrativen sind Figuren (characters). Um diese zu identifizieren, spielt die Unterscheidung zwischen belebten (animate) und unbelebten (inanimate) Objekten eine zentrale Rolle. Eine handelnde Figur in einer Geschichte ist notwendigerweise belebt, dies muss aber nicht unbedingt ihre Beschaffenheit in der echten Welt widerspiegeln. In Geschichten kann es Figuren wie sprechende Bäume und laufende Öfen geben, welche dann auch handelnde und belebte Figuren sind. Gleichzeitig können Dinge, die normalerweise belebt sind, in einem bestimmten Kontext nicht belebt sein, beispielsweise ein totes Pferd. Diese ungewöhnlichen Figuren erschweren die Identifikation von belebten Objekten, da bestimmte Wörter wie ‚Pferd‘ oder ‚Ofen‘ kein Prädiktor für oder gegen Animacy sind.

Um belebte Objekte in Texten automatisch zu erkennen, nutzt Finlaysons Team Coreference Chains. Für die Annotation von Coreference Chains werden Nominalphrasen und Pronomen im Text markiert und diejenigen Einheiten miteinander verknüpft, die sich auf dasselbe Objekt beziehen. Bei einer Animate Chain beziehen sich die verknüpften Wörter auf eine belebte Figur, bei einer Inanimate Chain auf ein unbelebtes Objekt. Neben Chains gibt es auch Singletons, wenn es nur eine Referenz auf ein bestimmtes Objekt im Text gibt. Figure 3 zeigt ein Beispiel eines annotierten Textes. Hier bilden beispielsweise ‘me‘, ‘the girl‘, ‘she‘ und ‘her‘ eine Animate Chain, während ‘branches’ ein Inanimate Singleton ist.

Finlaysons Forschungsgruppe entwickelte ein Regelwerk für die Feststellung der Animacy eines Wortes, welches dann mit einem Support Vector Machine (SVM) basierten Classifier kombiniert wurde (Jahan et al, 2018). Dieser hybride Ansatz lieferte mit einem F1-Score von 94% sehr gute Ergebnisse für ungewöhnliche Figuren wie ein ‚laufender Ofen‘ oder ein ‚totes Pferd‘. Um die Animacy einer gesamten Coreference Chain zu bewerten, wird gezählt, ob die Mehrheit der Bestandteile als animate oder inanimate klassifiziert wurden.

Figure 3: Beispieltext annotiert mit Animate/ Inanimate Coreference Chains.
Quelle: Präsentation von Mark A. Finlayson

Forschungsprojekt: Learning Character, Plot & Narrative Arc

Ein weiteres Forschungsprojekt von Finlaysons CogNaC Lab basiert auf den Theorien des russischen Folklorist Wladimir Propp (1895-1970). Dieser entwickelte ein Modell der Erzählstruktur von russischen Volksmärchen, welches narrative Einheiten als Funktionen bezeichnet. Dieses Modell wurde von Literaturwissenschaftler*innen auf viele weitere Arten von Geschichten übertragen. Propp unterschied zwischen der Gross Structure, der Intermediate Structure und der Fine Structure (siehe Figure 4). Die Intermediate Structure enthält narrative Einheiten wie das ‚Verlieren der Familie‘ (β) oder die ‚List gegen den Protagonisten durch den Antagonisten‘ (η). Die Fine Structure beinhaltet konkrete dazu passende Ereignisse. Die Gross Structure, auch moves oder arc genannt, beschreibt einen übergeordneten, groben Ablauf der Geschichte. Zusätzlich definierte Propp stereotype Figuren in Geschichten, die sogenannten Dramatis Personae.

Figure 4: Ebenen der Erzählstruktur und stereotype Figuren nach Wladimir Propp. Quelle: Präsentation von Mark A. Finlayson

In einer wissenschaftlichen Arbeit beschäftigte sich Finlayson (2016) mit dem automatischen Erfassen von Propps Funktionen (Intermediate Structure). Basierend auf semantisch annotiertem Text und regulären Grammatiken werden mehrere Formalisierungsschritte angewandt, um die narrativen Einheiten mehrerer Geschichten zu eine Gesamtstruktur zusammenzuführen. Am leichtesten verstehen lässt sich das anhand eines Beispiels. 1) und 2) sind kurze Geschichten, die sich gut für die Demonstration der Idee eignen. Dass es zwischen diesen beiden Geschichten gewisse Parallelen gibt, fällt intuitiv schnell auf. Wie sich diese Ähnlichkeiten formal darstellen oder mittels eines Algorithmus ableiten lassen, ist weitaus weniger offensichtlich.

Beispielgeschichten aus der Präsentation von Mark A. Finlayson:

  1. The boy and the girl were playing. He chased her, but she ran away. She thought he was gross.
  2. The man stalked the woman and scared her. She fled town. She decided he was crazy.

Dazu nutzte Finlayson (2016) semantische Annotationen von narrativen Texten. Basierend darauf werden die erzählerischen Ereignisse als kleine Graphen dargestellt (siehe Figure 5), optimalerweise beinhalten diese jeweils einen Agenten und einen Patienten. Im Satz ‘The man stalked the woman‘ ist ‘man’ Agent, die handelnde Figur, und ‘woman’ Patient, die Figur, der etwas passiert. Zusätzlich werden semantische Informationen über die einzelnen Wörter in Betracht gezogen. Basierend auf diesen Informationen, werden die parallelen erzählerischen Ereignisse der beiden Geschichten nach und nach zu sogenannten merge nodes zusammengeführt. Daraus resultiert ein finales Modell mit einer gemeinsamen Gesamtstruktur der beiden Erzählungen (siehe Figure 6). Für dieses Beispiel lassen sich die drei verbleibenden erzählerischen Ereignisse mit den Überbegriffen Verfolgung, Flucht und Urteil zusammenfassen. Das algorithmische Modell für das automatische Zusammenführen der erzählerischen Ereignisse, beruht auf semantischen und strukturellen Regeln, den sogenannten Merge Rules. Finlayson (2016) leitete diese Regeln direkt aus Propps theoretischem Werk ab und stellte damit den ersten Ansatz zum computerbasierten Lernen narratologischer Theorien vor.

Figure 5: Graphdarstellung der Ereignisse von Beispiel 1) und 2)
Quelle: Präsentation von Mark A. Finlayson

Figure 6: Finales Modell der zusammengefügten Erzählstruktur von Beispiel 1) und 2) Quelle: Präsentation von Mark A. Finlayson

Fazit

In seinem Vortrag verdeutlichte Mark A. Finlayson, dass es im Zusammenhang mit Narrativen eine Vielzahl von Tasks und Fragestellungen gibt, die sich in ihrer Struktur und Komplexität stark unterscheiden. Projekte seines Teams beschäftigen sich unter anderem mit Timeline Extraction, Animacy Detection und dem Erkennen von gesamten Erzählstrukturen und konnten hier bereits einige Erfolge verzeichnen. Das Feld bietet noch viele Möglichkeiten für weitere Forschung, beispielsweise zum Identifizieren von Tropes, Genres oder Moral. Als heiligen Gral der Narrative NLP bezeichnet Finlayson das computerbasierte Verstehen von Master Narrativen wie Der Amerikanische Traum oder Der Pharaoh. Verschiedene Bereiche profitieren von Fortschritten im Bereich Narrative NLP. Für die Digital Humanities ist besonders das maschinelle Verstehen und Anwenden literaturwissenschaftlicher Theorien relevant, aber auch Politik und Militär haben großes Interesse an dem Feld. Narrative haben die Macht, Ideologien und moralische Werte geschickt zu verpacken und für ein Publikum leichter zugänglich zu machen. Diese Eigenschaft kann gezielt zur Überzeugung und Beeinflussung genutzt, aber auch missbraucht werden. Ein besseres Verstehen von Narrativen spielt demnach auch für das Zerschlagen von Fake News und Desinformationskampagnen eine wichtige Rolle.

Quellen

Finlayson, Mark Alan. “Inferring Propp’s functions from semantically annotated text.” Journal of American Folklore 129.511 (2016): 55-77.

Jahan, Labiba, Geeticka Chauhan, and Mark A. Finlayson. “A new approach to animacy detection.” Proceedings of the 27th International Conference on Computational Linguistics. 2018.

Ocal, Mustafa, and Mark Finlayson. “Evaluating Information Loss in Temporal Dependency Trees.” Proceedings of the 12th Language Resources and Evaluation Conference. 2020.

Pustejovsky, James, et al. “The timebank corpus.” Corpus linguistics. Vol. 2003. 2003.

Zum Vortragenden: Mark A. Finlayson ist Professor für Computer Science an der Knight Foundation School of Computing and Information Sciences der Florida International University. Seine Forschungsgruppe Cognition, Narrative & Culture Laboratory beschäftigt sich mit der Interaktion zwischen Kognition und Kultur, Narrativen und Sprache aus computerbasierter Perspektive. Finlayson studierte Elektrotechnik und promovierte 2012 in Computer Science am Massachusetts Institute of Technology (MIT).

Zur Autorin: Lea Grüner studiert nach ihrem Bachelorabschluss in Computerlinguistik an der Eberhard-Karls-Universität Tübingen nun Informationsverarbeitung im Master an der Universität zu Köln. Derzeit arbeitet sie als Werkstudentin bei einer Softwarefirma.


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.