Сучасні великі мовні моделі вже здатні створювати оповідання, сценарні сцени й довгі тексти, які на рівні окремих абзаців можуть звучати цілком переконливо. Але переконлива мова ще не означає переконливу літературу. Нове дослідження команди з University of North Carolina at Chapel Hill показало систематичну різницю між тим, як персонажів конструюють люди і як це роблять великі мовні моделі. Робота CASPER in the Machine: Insights into Character Variety in LLM-Generated Stories представлена в матеріалах ACL 2026; окрема версія також доступна як препринт.
Одразу варто відкинути гучніше твердження з вихідної новини: дослідження не доводить, що нейромережі «ніколи не замінять Шекспіра» або будь-якого іншого великого автора. Воно вивчає значно конкретніше питання — наскільки персонажі в історіях, створених LLM, подібні до персонажів у людській прозі та наскільки різноманітними є ці машинні герої. Саме тут дослідники знайшли відмінності, які багато говорять про нинішні межі генеративного ШІ.
Порівнювати художні тексти складніше, ніж точність відповідей у тесті. Не існує простого числа, яке покаже, наскільки персонаж «живий», суперечливий або загадковий. Тому автори звернулися до наратології — дисципліни, що досліджує структуру оповіді, — і створили систему CAspER для автоматизованого аналізу персонажів.
У роботі використано вісім пар категорій, запозичених із теорії оповіді. Серед них — стилізація, цілісність, складність, прозорість, динамічність і завершеність. Це принципово важлива деталь: система не просто шукає, чи є герой «добрим», «злим» або «сміливим». Вона намагається визначити, як саме персонаж існує всередині історії — наскільки він зводиться до впізнаваного типажу, чи змінюється, чи залишається внутрішньо непрозорим і чи отримує наприкінці остаточне пояснення.
Дослідники сформулювали два основні питання:
Для цього CAspER застосували до машинно згенерованих історій і нещодавно опублікованої людської прози. Автори також перевіряли саму методику за різних налаштувань і зіставляли автоматичні оцінки з людською розміткою, оскільки літературні категорії неминуче містять суб’єктивний компонент.
Тут вихідна новина спрощує результати. Дослідження не показало, що всі характеристики машинних персонажів гірші за людські. Навпаки, за частиною вимірів між корпусами є подібність, а деякі характеристики високі і в машинних, і в людських текстах. Найпомітніші відмінності стосуються того, як моделі стилізують персонажів, проводять їх через зміни та закривають їхні сюжетні арки.
LLM частіше тяжіють до легко впізнаваних типажів. Герой отримує зрозумілу функцію, проходить читабельну трансформацію, а наприкінці його внутрішній конфлікт часто виявляється розв’язаним. Для читача це зручно: історія не залишає багато роботи після останнього абзацу. Але саме ця зручність може робити прозу передбачуваною.
Людські автори частіше дозволяють персонажам залишатися незавершеними. Мотив може бути не до кінця зрозумілим, зміна — непослідовною, а суперечність — нерозв’язаною. Читач не завжди отримує остаточну відповідь, ким насправді була ця людина і чому вона вчинила саме так. За повідомленням університету про роботу, саме різниця в збереженні такої «таємниці» стала одним із помітних результатів аналізу.
У функціональному тексті завершеність майже завжди корисна. Інструкція повинна привести до результату, пояснення — відповісти на запитання, а звіт — сформулювати висновок. У художній літературі діють інші правила. Невизначеність іноді є не дефектом, а самим механізмом впливу.
Сильний персонаж може одночасно любити й ненавидіти, прагнути змін і саботувати їх, пояснювати власні дії однією причиною, тоді як читач бачить іншу. Автор не зобов’язаний розплутувати цей вузол у фіналі. Саме тому деякі герої продовжують існувати в культурі після завершення книги: вони не зводяться до одного правильного тлумачення.
Мовна модель, навпаки, часто тяжіє до статистично правдоподібного продовження. Якщо персонаж отримав травму, текст підштовхує його до усвідомлення; якщо виник конфлікт, з’являється спокуса його розв’язати; якщо герой почав змінюватися, фінал закріплює цю трансформацію. Окремо від CAspER інше дослідження 2026 року, що аналізувало 28 мовних моделей, також повідомило про нижчу невизначеність у машинному творчому письмі порівняно з людським. Це не доказ єдиного універсального механізму, але результати вказують у схожому напрямку.
Ще один важливий результат стосується масштабування. Автори перевіряли, чи стають персонажі різноманітнішими зі збільшенням моделей. Простого правила «більше параметрів — краща література» вони не виявили: масштаб моделі сам по собі не гарантував більшого різноманіття персонажів.
Це суттєвіше, ніж здається. У багатьох задачах розвиток ШІ роками спирався на масштабування: більше даних, більше обчислень, складніші моделі. Але художня неоднозначність може вимагати не лише потужнішого передбачення наступного фрагмента тексту. Якщо система стабільно тяжіє до впізнаваних архетипів і завершених арок, саме збільшення масштабу не обов’язково прибере цю тенденцію.
Водночас тут не можна робити висновок, ніби вчені довели нездатність алгоритмів «розуміти людську душу». У науковій роботі такого експерименту немає. Дослідники порівнювали властивості згенерованих текстів, а не вимірювали свідомість, емпатію чи справжнє психологічне розуміння моделей.
Проблема виходить за межі романів. Персонажі дедалі частіше генеруються для відеоігор, інтерактивних історій, рольових систем і персоналізованих розваг. Якщо різні моделі систематично відтворюють схожі типи героїв і тяжіють до безпечних сюжетних рішень, масове використання таких систем може не розширити, а звузити культурне різноманіття.
На це вказують і суміжні роботи. Наприклад, дослідження 2025 року на корпусі з 11 800 машинно створених історій для 236 країн виявило сильну структурну однорідність: попри поверхневі культурні маркери, сюжети часто сходилися до подібних схем примирення, повернення до традиції та стабільності. Це інше дослідження з іншою методикою, тому змішувати його висновки з CAspER не можна, але разом вони порушують серйозне питання про стандартизацію машинної оповіді.
Результати не означають, що ШІ не здатний написати сильну сцену, придумати незвичайний образ або допомогти автору з чернеткою. Вони також не доводять, що люди завжди пишуть краще: людська література переповнена шаблонними героями, передбачуваними арками й поганими фіналами.
Висновок точніший і тому цікавіший. За використаною авторами методикою сучасні LLM демонструють систематичні відмінності від людської прози в тому, як вони конструюють персонажів. Особливо помітне тяжіння до стилізації та завершеності, тоді як людські тексти частіше зберігають невизначеність. І збільшення масштабу моделі саме по собі не гарантує, що ця різниця зникне.
Тож питання не в тому, чи може нейромережа скласти роман із граматично правильних речень. Може. Значно складніше інше: створити героя, якого неможливо остаточно пояснити навіть після останньої сторінки. Саме тут сучасні моделі, за даними нового дослідження, поки що помітно відрізняються від людських авторів.
The post Чому ШІ поки що не замінить великих письменників: дослідження виявило проблему з персонажами НОВЕ first appeared on ScientistMan.
Дослідники порівняли персонажів у текстах людей і великих мовних моделей. ШІ частіше створює стилізованих героїв і надто завершені сюжетні арки, тоді як людська проза залишає більше невизначеності.
The post Чому ШІ поки що не замінить великих письменників: дослідження виявило проблему з персонажами НОВЕ first appeared on ScientistMan.
Науковий проєкт створений справжніми ентузіастами, які захоплюються відкриттями та дослідженнями. Ми допомагаємо нашим читачам розбиратися в складних наукових темах простою і зрозумілою мовою, без нудних формул і заплутаних пояснень.
