A „Local Voices Network” különféle közösségeket hoz össze személyes beszélgetésekhez. A történetmesélés nagy része ezeknek a beszélgetéseknek – a forgatókönyv, amelyet a facilitátorok követnek, kifejezetten arra kéri a résztvevőket, hogy osszák meg személyes történeteiket, a változás elmélete alapján, amely szerint a történetek jobban megérthetik a különbözőségeket, mint a vélemények.

A Corticóval való kapcsolatom részeként az érdekelt, hogyan néznek ki a történetek és a történetmesélés az LVN környezetében. Hol jelennek meg a történetek ezekben a beszélgetésekben? Milyen feltételek teszik alkalmassá a beszélgetést a történetmesélésre? A feladatomat néhány lépésre bontottam:

  • Határozza meg, mit értünk „történet” alatt
  • Határozza meg, hol találhatók a történetek az LVN-ben
  • Értsd meg a történeteket előidéző ​​körülményeket

Mi az a történet?

Ahhoz, hogy nagyarányú történeteket találhassak több száz beszélgetésen és több órányi átiraton keresztül, konkrét definícióra volt szükségem annak, hogy mi a történet. Milyen vonatkozásaiban különbözik egy történet, mint egy vélemény vagy egy anekdota?

Amikor valaki elmesél egy történetet, azt érzed – a szoba elcsendesedik, jobban koncentrálsz, követed a narrátort az útja során. De hogyan tudjuk ezt szisztematikusan számszerűsíteni?

Maggie, a „Laboratory for Social Machines” diákja kölcsönadta nekem a „Narratology: Introduction to the Theory of Narrative” című könyvet, Mieke Baltól. Bal narratíva taxonómiáját az LVN-hez igazítva a következő szabályokat hoztam létre, hogy meghatározzam a személyes történet egy konkrét típusát, amelyre a munkám során összpontosítani fogok. E szabályok szerint a történeteknek:

  • Írja le az összefüggő események sorozatát, pl. „Öt éves koromban láttam az Oroszlánkirályt apámmal. Aztán megebédeltünk.”
  • Megtörtént a hangszóróval (azaz az „én/én” szót használja, és első személyben)
  • A múltban játszódik

Osztályozási modell felépítése

Most, hogy van elképzelésünk arról, hogy mit keresünk, itt az ideje, hogy megtaláljuk az összes LVN-történetet! Ezt a feladatot statisztikai osztályozási feladatként fogalmaztam meg: egy új beszélgetésrészletet adva próbálja meg kitalálni, hogy történetről van-e szó, valamilyen képzési adathalmaz alapján, ahol a történeteket már felcímkézték.

Amikor elkezdtem, nem voltam benne biztos, hogy ez mennyire lesz könnyű vagy nehéz – kutatásaim során találtam néhány cikket, amelyek a történetek osztályozását és a kapcsolódó feladatokat írták le ("Gordon, Cao és Swanson (2007)", "Gordon és Swanson ( 2009)», Li és Nenkova (2015)). E kutatás és más beszélgetések alapján a következő jellemzőket alkottam meg minden egyes beszélőfordulatról:

  • A hangszóró fordulatának hossza a tokenek számával mérve
  • Milyen gyakran használt egy beszélő múlt idejű igéket
  • Névmások: milyen gyakran használt egy beszélő egyes szám első személyű (én, én), többes szám első személyű (mi, mi) és második személyű névmást (te)
  • Milyen gyakran hivatkozott egy előadó megnevezett entitásokra, valós világbeli objektumokra, például egy személy nevére vagy egy város nevére
  • Stopword arány: a stopszavak száma (a nyelv leggyakoribb szavai, például „a”, „a”, „és”), a beszélőfordulatban lévő szavak teljes számával normalizálva. Li és Nenkova használja ezt a funkciót a mondat-specifikusság előrejelzésére, azzal az intuícióval, hogy „az adott mondatok több részlettel rendelkeznek, amelyeket az elöljárószókat és meghatározókat tartalmazó prepozíciós kifejezésekbe vezetnek be”.
  • A tokenek átlagos száma mondatonként

Ezekkel a jellemzőkkel egy logisztikus regressziót és egy véletlenszerű erdőosztályozót építettem fel, hogy megjósoljam, hogy egy részlet tartalmaz-e történetet. Ezek a modellek hasonló teljesítményt nyújtottak:

A modell által kikövetkeztetett funkciók fontossága megerősítette azt, amit a történetekről igaznak gondoltunk, és új betekintést is nyújtottak.

Már tudtuk, hogy azok a történetek, amelyeket megvizsgáltunk, a múltban történtek, és a beszélővel is megtörténtek, így a múlt idejű és egyes szám első személyű névmásának pozitív jelentősége van. Ez a gyakorlat is megerősítette néhány megérzésemet a történetekkel kapcsolatban, amelyek jellemzően konkrétabb nyelvezetet tartalmaznak, pozitív súllyal a megnevezett entitásokra. Meglepődtem, amikor ilyen nagy súlyt láttam a tokenszámban – kiderül, hogy az LVN-en a történetek hosszúak!

Íme az összes történet – most mi van?

Kicsit kicsinyítve – kezdetben az érdekelt minket, hogy történeteket találjunk, hogy megtudjuk, milyen körülmények teszik alkalmassá a beszélgetést a történetmesélésre. Remélhetőleg ez segíthet nekünk megtudni valamit arról, hogyan lehet több történetmesélést előmozdítani az LVN-ben.

Ezt hasonló módszerrel közelítettem meg, mint a történet-azonosítási feladatot, de más keretek között. Ismét azt szerettem volna megjósolni, hogy a beszélgetés egy részlete történet-e, de ahelyett, hogy magával a részlettel kapcsolatos funkciókat használtam volna, a előtti időablak attribútumait akartam megadni. Más szóval, van-e valami abban, ami a felszólalóforduláshoz vezet, ami segíthet megmagyarázni, hogy az adott fordulat miért tartalmazott vagy nem tartalmazott történetet.

Az ilyen típusú feladatokkal kapcsolatban lényegesen kevesebb kutatás állt rendelkezésre. Inkább az intuíciómra hagyatkoztam, amikor egy részlethez vezető ablakkal kapcsolatos funkciókat hoztam létre, amelyek a következőket tartalmazták:

  • A segítő fordulatok száma: milyen gyakran szólalt meg a segítő
  • A jelek fordulónkénti átlagos száma: mennyi ideig beszéltek az egyes beszélők
  • történetek száma: hány történetet osztottak meg
  • Különböző beszélők száma: hány különböző ember beszélt

Beépítettem egy „audio kezdési időpont” funkciót is, egy 0 és 1 közötti érték, amely a beszélgetés relatív idejét jelzi, amikor a fordulat bekövetkezett.

Ennél a modellnél kevésbé érdekelt az előrejelzés pontossága, és jobban érdekelt, hogy megtudhatunk-e valamit a történethez vezető ablakról. Ez a modell nem volt olyan erős, mint a prediktív modell, de mégis segített rávilágítani azokra a feltételekre, amelyek lehetővé teszik a történetmesélést.

Mit tanulhatunk ebből a modellből? A logisztikus regresszióban a magas pozitív tulajdonságok fontossági súlyai ​​az adott tulajdonság nagyobb jelentőségét jelzik a pozitív osztály előrejelzésében. A nagy negatív értékek nagyobb jelentőséget jelentenek a negatív osztály előrejelzésében.

  • Facilitátor jelenléte: ez a modell megtanulta, hogy azok a részletek, amelyek egy olyan időszak után történnek, amikor a facilitátor gyakran beszél (pl. a beszélgetés legelején, miközben a facilitátor bemutatja a projektet), nem megfelelőek. valószínűleg történeteket tartalmaz.
  • # történetek: ez a modell megtanulta, hogy a történetek jelenléte valószínűleg azt jelenti, hogy a következő részlet is egy történet – a történetmesélés több történetmesélést eredményez.
  • Hang kezdési időpontja: a modell megtanulta, hogy a történetek nagyobb valószínűséggel történnek a beszélgetés elején. Ennek van értelme, mert a facilitátorok gyakran arra kérik a résztvevőket, hogy egy történettel kezdjék a beszélgetést.

Jövőbeli munka

Természetesen még sok mindent meg kell tenni, mielőtt bármit is megtennénk ezekkel a megállapításokkal kapcsolatban. Ez a modell korántsem tökéletes, és a jövőbeni munka megpróbálhat több prediktív funkciót találni. A jövőbeli modellek lexikai vagy szintaktikai jellemzőket is hozzáadhatnak, amelyek információt adhatnak arról, hogy maga a beszélgetés tartalma hogyan befolyásolhatja a történetmesélést. Még egy továbbfejlesztett modell esetén is több munkára lenne szükség annak bizonyítására, hogy ok-okozati összefüggés van ezen jellemzők és a történetek LVN-ben való jelenléte között.

A történetmesélés nagyon fontos része az LVN-nek, és izgatott vagyok, hogy lehetőségem nyílt történetekkel dolgozni a közösségem részeként. Az LVN-beszélgetések résztvevői által elmondott történetek gazdagok és élettel teliek. A történetek automatikus azonosításával dönthetünk úgy, hogy megjelenítjük őket a keresési eredmények között, vagy más módon kiemeljük őket. Remélem, hogy a jövőbeni munka többet tud tenni e történetek felemelésére és megértésére.