Użyj AI, aby sprawdzać spójność postaci w powieści

Prosta lista, taka jak „Mara jest ostrożna, leworęczna i kolekcjonuje pocztówki”, łączy różne rodzaje informacji. „Leworęczna” może być stałym faktem, „ostrożna” to interpretacja, która może się zmieniać w zależności od sytuacji, a jej kolekcja pocztówek może się zmienić w trakcie opowieści. Jeśli lista nie określa, kiedy i w jaki sposób obowiązuje każde stwierdzenie, AI może uznać znaczący rozwój postaci za błąd albo przeoczyć rzeczywisty problem z ciągłością.

Oprzyj zestawienie na twierdzeniach, które można zweryfikować. Przy każdym z nich zapisz, jakiej postaci dotyczy, na czym polega, jaki ma zakres czasowy lub sceniczny i skąd pochodzi. Dodaj status, taki jak potwierdzone, zaplanowane, niepewne lub nieaktualne. Rozróżniaj to, co jest prawdą w opowieści, od tego, w co postać wierzy, co mówi, pamięta lub opowiada innej osobie. Tych kategorii nie można stosować zamiennie.

Zapisuj atomowe wpisy: jedno twierdzenie w każdym wierszu. „Mara ma 32 lata, jest leworęczna, ostrożna i ma niebieski rower” trudno bezpiecznie zweryfikować lub zaktualizować. Oddzielne twierdzenia sprawiają, że zmiana jej wieku nie nadpisze przypadkiem informacji o tym, którą ręką się posługuje, ani nierozstrzygniętej kwestii własności roweru.

1. Zablokuj fragment wersji roboczej i znajdź odpowiednie informacje z kanonu.

Zanim poprosisz o sprawdzenie, ustal, którą wersję rękopisu weryfikujesz. Wybierz wpisy dotyczące postaci, które mają znaczenie dla fragmentu: szczegóły wyglądu użyte w scenie, obecne przedmioty, relacje, wiedzę, miejsce i chronologię. Uwzględnij wcześniejsze fakty tylko wtedy, gdy scena od nich zależy. Nie przesyłaj całej powieści jako nieuporządkowanego promptu i nie zakładaj, że model zauważył każde ograniczenie.

Ta przestroga ma podstawy badawcze, ale trzeba pamiętać o ich ograniczeniach. Artykuł Liu i współautorów z 2023 roku, „Lost in the Middle: How Language Models Use Long Contexts”, przedstawia eksperymenty, w których testowane modele często mniej niezawodnie wykorzystywały istotne informacje umieszczone w środku długich danych wejściowych niż te podane na początku lub na końcu. Wynik ten nie dotyczy bezpośrednio ciągłości powieści ani nie pozwala ustalić, jak zachowa się dowolny obecny model. Uzasadnia jednak prosty wybór w praktyce: wyszukuj i powtarzaj istotne fakty blisko pytania, zamiast polegać wyłącznie na obszernym kontekście.

2. Proś o porównanie, a nie ogólną korektę.

Przekaż modelowi fragment sceny i odpowiednie wpisy z kanonu. Poproś o wskazanie wyłącznie bezpośrednich konfliktów, zacytowanie dokładnych wersów po obu stronach i wyjaśnienie, czy rozbieżność może wynikać z celowej zmiany, przekonania istniejącego w świecie przedstawionym albo różnicy czasowej. Wymagaj odpowiedzi „nie znaleziono konfliktu”, jeśli model nie potrafi wskazać konkretnych dowodów. Przydatny prompt:

„Porównaj fragment z poniższymi wpisami kanonu. Zwróć tabelę zawierającą: twierdzenie z kanonu i jego źródło, sformułowanie z fragmentu, typ konfliktu, poziom pewności i pytanie do autora. Oznaczaj tylko niezgodne twierdzenia dotyczące tego samego czasu i punktu widzenia. Oddzielaj bezpośrednią sprzeczność od niejednoznaczności i możliwego rozwoju postaci. Nie przerabiaj sceny ani nie wymyślaj brakujących faktów. Jeśli dowody są niewystarczające, napisz «niepewne».”

To proponowana procedura redakcyjna, a nie gwarancja, że model dokładnie zastosuje się do instrukcji. Przewodnik OpenAI dotyczący inżynierii promptów zaleca jasne określanie zadania i porządkowanie danych wejściowych; dokumentacja ta zawiera wskazówki dotyczące promptów, a nie gwarancję, że odpowiedzi będą kompletne lub poprawne. Traktuj porównanie jako listę tropów do sprawdzenia w rękopisie.

3. Oceń zgłoszone rozbieżności przed wprowadzeniem poprawek.

Sprawdź wskazane sceny dla każdej rozbieżności i ją sklasyfikuj. Praktyczny podział obejmuje cztery kategorie:

Nie akceptuj poprawki wygenerowanej przez AI bez sprawdzenia całej otaczającej sceny. Sugestia zmieniająca fakt może wprowadzić drugą sprzeczność — na przykład zmiana szczegółu rekwizytu w jednej scenie może zaburzyć chronologię w innym miejscu. Po wybraniu poprawki zaktualizuj jednocześnie rękopis i zestawienie, a następnie ponownie sprawdź sceny, na które zmiana ma wpływ.

Załóżmy, że potwierdzone zestawienie mówi: „Mara nosi przy sobie indygo notes kieszonkowy w rozdziałach od 2 do 12”. W wersji roboczej rozdziału 13 wyjmuje z torby zielony notes i czyta wpis z poprzedniego tygodnia. System sprawdzający powinien zacytować oba fragmenty i zapytać, czy chodzi o ten sam notes, nowy egzemplarz, czy celową rozbieżność w tym, co zauważa inna postać. Nie powinien ogłaszać sprzeczności tylko dlatego, że pojawiają się dwa kolory.

Autor sprawdza rękopis. Jeśli w rozdziale 12 Mara kupuje zieloną okładkę na indygo notes, pozorna rozbieżność ma wyjaśnienie, ale czytelnik może potrzebować krótkiej wskazówki w rozdziale 13. Jeśli nie ma informacji o zmianie okładki, a starszy wpis nie mógł znaleźć się w drugim notesie, wersja robocza może zawierać rzeczywisty błąd ciągłości. Autor może zmienić „zielony” na „indygo”, dodać popartą innymi wydarzeniami scenę przekazania notesu albo uznać, że postać wzięła inny notes. Każda z tych decyzji wpływa na sąsiednie fragmenty.

Przydatne pytanie brzmi: czy twierdzenia odnoszą się do tego samego przedmiotu, w tym samym momencie i z tej samej perspektywy? Jeśli cokolwiek pozostaje nierozstrzygnięte, oznacz to jako pytanie. Model może wskazać dwa zdania, ale to autor decyduje, który notes istnieje w opowieści, i aktualizuje zestawienie dopiero po podjęciu tej decyzji.

Po rozstrzygnięciu rozbieżności zapisz decyzję redakcyjną przy danym twierdzeniu: co się zmieniło, który rozdział to potwierdza i czy wcześniejsze wzmianki są już nieaktualne. Zachowaj wcześniejszą wersję lub datowaną notatkę, jeśli pomaga wyjaśnić, dlaczego inne sceny nadal mogą zawierać poprzedni szczegół. Następnie wyszukaj w rękopisie imię postaci i odpowiedni szczegół — na przykład notes, okładkę, indygo lub zieleń — i sprawdź każde wystąpienie w kontekście. Zwykłe wyszukiwanie tekstu może znaleźć sformułowania przeoczone przez AI, ale samo nie rozstrzygnie, czy każde z nich jest spójne z narracją.

Ponownie sprawdź poprawiony fragment oraz wszystkie sceny, na które zmiana ma wpływ. Nie proś modelu o ciche edytowanie zestawienia kanonu: najpierw przeanalizuj proponowaną zmianę, a potem wprowadź ją samodzielnie lub za pomocą kontrolowanej edycji dokumentu. Jeśli korzystasz z przestrzeni roboczej projektu lub funkcji dokumentów, przed poleganiem na konkretnych sposobach przechowywania lub wyszukiwania sprawdź aktualne oficjalne instrukcje. Metoda kontroli ciągłości działa również w zwykłym dokumencie i nie zależy od konkretnej platformy.

Model może porównać dostarczony tekst, zasugerować miejsca do sprawdzenia i pomóc sformatować raport spójności. Nie może ustalić, jaki kanon zamierzał autor, gdy robocze wersje są sprzeczne i konflikt nie został rozstrzygnięty. Może przeoczyć szczegół, błędnie odczytać chronologię, pomylić podtekst z faktem albo podać wiarygodne, lecz niepoparte wyjaśnienie. Badania nad długim kontekstem to jeden z powodów, by nie uznawać, że samo dołączenie całej książki dowodzi, iż uwzględniono każde istotne zdanie. Nie świadczy to o tym, że wszystkie systemy zawodzą przy długich rękopisach.

Autor odpowiada za kanon, głos i znaczenie. Traktuj wyniki AI jak ślad kontroli: każda proponowana sprzeczność powinna wskazywać fragmenty, każda zaakceptowana poprawka powinna mieć wyraźne uzasadnienie, a nierozstrzygnięte kwestie powinny pozostać jawnie nierozstrzygnięte. W przypadku długiej powieści taka prosta dyscyplina jest bardziej niezawodna niż proszenie modelu, by niejawnie pamiętał fakty o postaciach z rozdziału na rozdział.