Vonnegut是对的：您可以使用计算机学习故事

 
旧卡通似乎很公式化且可以预见。没有大的惊喜，没有曲折，没有悬崖。这些故事通常采用类似的模式，并且总会在剧集结束之前立即解决所有问题。系统的可预测性使它们成为理解电影故事情节的机器学习方法的理想测试对象。
认识由以色列本古里安大学的计算机科学家创建的打火石场景数据集(FSD)。这是从Flintstones的几集中拍摄的1500多个场景的集合，这些场景已经过仔细地描述和标记。
观看每个场景并标记故事元素的繁琐工作是由人类完成的，因为计算机尚无法处理屏幕上显示的内容。 (顺便说一句，这就是为什么在线模因“人们训练了AI来观看电视节目，这就是它编写的脚本”这样的说法从来都不是真实的。)
带注释的打火石场景数据集已将视觉卡通变成描述特定场景和情况的整齐的文本类别。这是计算机能够理解的信息类型，在最近的一篇论文中，研究人员描述了他们如何使用数据集来识别可识别的叙述结构。这与摩登原始人(Flintstones)之类的公式化漫画很好地配合，因为短剧集都具有明确的叙事结构，这与可追溯到亚里士多德作品的经典三幕式结构，对抗和解决方案不同。
如果对打火石数据集进行计算机分析能够确定叙事结构，则表明可能有可能对其他电视节目和电影做类似的事情，也许具有更复杂的叙事结构。例如，这类工作可以改善推荐服务，并可以根据叙述而不是现在构成这些建议一部分的模糊相似之处来预测人们喜欢什么样的故事。 (例如，Netflix一直建议我观看烘焙节目，因为我看过《钉子》节目，却没有意识到这可能是该节目的喜剧前提-不仅仅是蛋糕的存在-构成了吸引力的一部分。)
您可以使用计算机算法分析叙事的想法并不是什么新鲜事。作家库尔特·冯内古特(Kurt Vonnegut)著名地描述了一些不同的故事形式，他认为这些形式可以适应所有现有的故事。他甚至说：“没有理由不能将简单的故事形式输入计算机”，而这正是研究人员现在正在做的。
几年前，佛蒙特大学的研究人员分析了1700多本小说和其他小说作品的文本，并使用机器学习来衡量故事情节如何随着工作的进行而变化。他们能够确定与Vonnegut故事情节相对应的模式。
由于上述原因，这类研究对于电视或电影等视觉媒体而言要困难得多。为了使计算机能够分析故事情节或特定模式中的这些变化，首先需要将视频转换为文本-这远不只是提供脚本。电影和音乐也构成了故事的很大一部分，并且不容易转化为书面描述，但是像打火石场景数据集这样的标记数据集确实可以进行机器分析。
描述“打火石场景数据集”的论文发表在《 PLOS One》杂志上，该杂志还以主题为主题，收集了其他几篇有关故事科学的论文。这表明这是科学家越来越感兴趣的研究领域。