Sciences humaines et sociales > Accueil > Modélisation et utilisation du contexte > Numéro 1 > Article
James Hollister
University of Central Florida
Avelino J. Gonzalez
University of Central Florida
Publié le 7 mars 2018 DOI : 10.21494/ISTE.OP.2018.0232
Cet article présente une évaluation d’une nouvelle approche contextuelle appelée la Méthode du Contexte de Coopération (CCM) qui sert à synthétiser des récits complets qui sont intéressant et qui ont du sens pour le lec-teur/écoutant. Les approches guidées par le contexte existantes sont généralement conçues pour faciliter une attention à la situation d’un agent tactique qui opère dans un environnement réel (physique ou virtuel) interactif. De tels agents sont généralement missionné pour prendre des décisions dans la poursuite de leurs objectifs et/ou en regard de l’environnement et des actions d’autres entités évoluant dans son environnement. En effet, vivent principalement dans le présent et/ou à un moindre degré, peuvent se rappeler des choses du passé ; ils se reposent seulement sur le en termes de planification pour réaliser leurs objectifs, s’il y en a. Ces approches centrées sur le contexte ne sont pas utiles pour la création d’un récit qui, par définition, n’est ni dans le passé ni dans le présent, mais plutôt dans un cadre temporel artifi-ciel qui couvre une période de temps arbitrairement longue. CCM a été conçu et construit pour surmonter les limitations trouvées dans d’autres approches contextuelles en ce qui concerne la génération narrative automatique. CCM com-mence à construire la narration en examinant la situation actuelle pour créer une liste de tâches qui sont pertinentes à la situation rencontrée par l’agent. Grâce à une série d’algorithmes, la liste des contextes capables de permettre d’effectuer ces tâches est réduite à deux listes de contextes, l’une de priorité élevée et l’autre de priorité basse, tout en supprimant les autres contextes jugés non pertinents par rapport aux besoins actuels. L’ensemble des contextes les mieux adaptés à la gestion des tâches est sélectionné et les connaissances contextuelles sont utilisées pour traiter les tâches pertinentes. Tout au long de ce processus, les contextes activés et les actions prises par tous les agents (c’est-à-dire les personnages de l’histoire) sont enregistrés et font partie du récit émergent. Les applications potentielles de CCM et sa capacité à cons-truire des récits complets comprennent la génération automatique d’histoires, la création de scénarios pour les jeux vidéo de tir à la première personne et la création de scénarios simulés pour l’entraînement tactique dans les opérations de premier répondant et dans les opérations militaires. L’application décrite dans cet article concerne la génération automa-tique d’histoires pour enfants. Des tests approfondis de CCM ont révélé que la méthode fonctionne comme prévue.
This article presents and evaluates a novel contextual approach called the Cooperating Context Method that can serve to synthesize complete narratives that are interesting and make sense to the human reader/listener. Exis-ting context-driven approaches are generally designed to facilitate the situational awareness of a tactical agent that ope-rates in an interactive world environment (whether physical or virtual). Such agents are generally tasked with making de-cisions in pursuit of their objectives and/or in light of the environment and the actions of other entities in the environment. In effect, these agents live mainly in the present and/or to a much lesser degree, can remember things from the past; they only relate to the future in terms of making plans to achieve their objectives, if any. These existing context-centric ap-proaches are not useful for the creation of a narrative which, by definition, is neither in the past nor the present, but rather in an artificial time frame that covers an arbitrarily long time period. CCM was designed and built to overcome the limita-tions found in other contextual approaches with respect to automated narrative generation. CCM begins to build the nar-rative by examining the current situation to create a list of tasks that are relevant to the situation being faced by the agent. Through a series of algorithms, the list of contexts that are able to perform these tasks is narrowed down to two lists of high priority and low priority contexts, while removing those other contexts deemed irrelevant to the current needs. The set of contexts best suited to manage the tasks are selected and the contextual knowledge is utilized to address the rele-vant tasks. All along this process, the contexts activated and actions taken by all agents (i.e., the characters in the story) are recorded and become part of the emerging narrative. Potential applications of CCM and its ability to build complete narratives include automated story generation, building scenarios for first person shooter video games, and creating si-mulated scenarios for tactical training in first-responder operations and in military operations. The application described in this paper is for automated generation of children’s stories. Extensive testing of CCM revealed that it performs as it was intended.
Méthode du Contexte de Coopération MCC Raisonnement Guidé par le Contexte Génération Narrative Storytelling
Cooperating Context Method CCM Context-driven reasoning Narrative Generation Storytelling