Använd AI för att kontrollera kontinuiteten hos romanfigurer

En platt lista som ”Mara är försiktig, vänsterhänt och samlar på vykort” blandar olika typer av information. ”Vänsterhänt” kan vara ett stabilt faktum; ”försiktig” är en tolkning som kan variera beroende på situationen; och hennes vykortssamling kan förändras under berättelsens gång. Om listan inte anger när och hur varje påstående gäller kan en AI-granskare missta en meningsfull karaktärsutveckling för ett misstag – eller missa ett verkligt kontinuitetsproblem.

Bygg referensen kring påståenden som går att kontrollera. Ange för varje påstående vilken karaktär det gäller, själva påståendet, dess tidsmässiga eller scenmässiga omfattning och var det kommer ifrån. Lägg till en status, till exempel bekräftat, planerat, osäkert eller ersatt. Skilj mellan vad som är sant i berättelsen och vad en karaktär tror, säger, minns eller berättar för någon annan. De kategorierna kan inte bytas ut mot varandra.

Håll uppgifterna atomära: ett påstående per rad. ”Mara är 32 år, vänsterhänt, försiktig och äger en blå cykel” är svårt att kontrollera eller uppdatera på ett säkert sätt. Separata påståenden innebär att en ändring av hennes ålder inte av misstag skriver över hennes handdominans eller en obesvarad fråga om vem som äger cykeln.

1. Lås utkastavsnittet och hämta relevanta kanonuppgifter.

Bestäm vilken manusversion du ska kontrollera innan du ber om en granskning. Hämta de karaktärsuppgifter som är relevanta för avsnittet: fysiska detaljer som används i scenen, aktuella ägodelar, relationer, kunskap, plats och tidslinje. Ta bara med tidigare fakta om scenen bygger på dem. Skicka inte in en hel roman som en osorterad prompt och utgå från att modellen har uppmärksammat alla begränsningar.

Den här försiktighetsåtgärden har forskningsstöd, men det är viktigt att förstå dess begränsningar. Liu med flera rapporterar i sin artikel från 2023, ”Lost in the Middle: How Language Models Use Long Contexts”, experiment där testade modeller ofta använde relevant information mindre tillförlitligt när den förekom mitt i långa indata än när den fanns nära början eller slutet. Resultatet är inte ett direkt test av kontinuitet i romaner och visar inte hur någon viss aktuell modell kommer att bete sig. Det stöder däremot ett försiktigt, praktiskt val: hämta och upprepa relevanta fakta nära frågan i stället för att enbart förlita dig på ett stort kontextfönster.

2. Be om jämförelser, inte allmän korrekturläsning.

Ge modellen ett utdrag ur scenen och de relevanta kanonuppgifterna. Be den identifiera enbart direkta konflikter, citera de exakta raderna på båda ställena och förklara om avvikelsen i stället kan bero på en avsiktlig förändring, en uppfattning i berättelsens värld eller en tidsskillnad. Kräv svaret ”ingen konflikt hittad” när modellen inte kan hänvisa till konkreta belägg. En användbar prompt är:

”Jämför utdraget med kanonuppgifterna nedan. Returnera en tabell med: kanonpåstående och källa, formulering i utdraget, typ av konflikt, säkerhetsgrad och en fråga till författaren. Flagga bara oförenliga påståenden som gäller samma tid och perspektiv. Skilj direkta motsägelser från tvetydigheter och möjlig karaktärsutveckling. Skriv inte om scenen och hitta inte på saknade fakta. Säg ’osäkert’ om beläggen inte räcker.”

Det här är en föreslagen redaktionell arbetsmetod, inte en garanti för att en modell följer instruktionerna korrekt. OpenAI:s guide till promptteknik rekommenderar att uppgiften anges tydligt och indata struktureras. Dokumentationen beskriver råd om promptar, inte en garanti för att svaren blir fullständiga eller korrekta. Behandla jämförelsen som tips att kontrollera mot manuskriptet.

3. Bedöm flaggningar innan du redigerar.

Granska de citerade scenerna och klassificera varje flaggning. En praktisk fyrdelad indelning är:

Godta inte en AI-genererad lösning utan att kontrollera scenen runt omkring. Ett förslag som ändrar ett faktum kan skapa en ny motsägelse – till exempel kan en ändring av en rekvisita i en scen förstöra tidslinjen någon annanstans. När du har valt en ändring uppdaterar du manuskriptet och referensen tillsammans och kontrollerar sedan berörda senare scener igen.

Anta att den bekräftade referensen säger: ”Mara bär på en indigo blå anteckningsbok i fickformat i kapitel 2 till 12.” I ett utkast till kapitel 13 tar hon en grön anteckningsbok ur väskan och läser en anteckning från föregående vecka. En granskare bör citera båda avsnitten och fråga om det är samma anteckningsbok, en ersättare eller en avsiktlig skillnad i vad en annan karaktär lägger märke till. Den bör inte slå fast att det finns en motsägelse bara för att två färger nämns.

Författaren kontrollerar manuskriptet. Om kapitel 12 visar att Mara köper ett grönt omslag till den indigoblå anteckningsboken finns det en förklaring till den skenbara skillnaden, men läsaren kan behöva en liten ledtråd i kapitel 13. Om omslaget inte byts och den äldre anteckningen inte kan finnas i en annan bok kan utkastet innehålla ett verkligt kontinuitetsfel. Författaren kan ändra ”grön” till ”indigo”, lägga till en underbyggd scen där hon byter bok eller bestämma att karaktären tog en annan anteckningsbok. Varje val påverkar närliggande avsnitt.

Det användbara testet är om påståendena gäller samma föremål, vid samma tidpunkt och ur samma perspektiv. Om någon del är oklar ska den flaggas som en fråga. En modell kan peka ut de två meningarna, men det är författaren som bestämmer vilken anteckningsbok som finns i berättelsen och uppdaterar referensen först efter beslutet.

När du har löst en flaggning dokumenterar du redaktionens beslut vid den berörda uppgiften: vad som ändrades, vilket kapitel som stöder det och om äldre referenser har ersatts. Behåll en tidigare version eller en daterad anteckning om det hjälper dig att förstå varför andra scener fortfarande kan innehålla den gamla detaljen. Sök sedan i manuskriptet efter karaktärens namn och den berörda detaljen – till exempel anteckningsbok, omslag, indigo eller grön – och granska varje träff i sitt sammanhang. En textsökning kan hitta formuleringar som AI:n missade, men den kan inte avgöra om varje förekomst fungerar berättarmässigt.

Kör kontrollen igen på det reviderade utdraget och alla scener som påverkas av ändringen. Be inte modellen att i tysthet redigera kanonbladet: granska först den föreslagna ändringen och tillämpa den sedan själv eller genom en kontrollerad dokumentrevision. Om du använder en projektarbetsyta eller dokumentfunktion ska du kontrollera de aktuella officiella instruktionerna innan du förlitar dig på något särskilt beteende för lagring eller hämtning. Kontinuitetsmetoden fungerar med ett vanligt dokument och är inte beroende av en viss plattform.

En modell kan jämföra text du tillhandahåller, föreslå ställen att granska och hjälpa till att formatera en konsekvensrapport. Den kan inte avgöra vilken kanon du avser utifrån motstridiga utkast om du inte själv löser konflikten. Den kan missa en detalj, misstolka tidslinjen, förväxla undertext med fakta eller ta fram en trovärdig men obevisad förklaring. Forskning om långa kontextfönster är ett skäl till att inte ta ”jag inkluderade hela boken” som bevis för att varje relevant mening har beaktats; det visar inte att alla system misslyckas med långa manuskript.

Författaren ansvarar fortfarande för kanon, röst och innebörd. Använd AI-resultatet som ett granskningsspår: varje föreslagen motsägelse bör hänvisa till avsnitt; varje godkänd ändring bör ha en tydlig motivering; och olösta frågor bör förbli synligt olösta. För en lång roman är den enkla disciplinen mer tillförlitlig än att be modellen komma ihåg karaktärsfakta mellan kapitlen utan uttryckliga anteckningar.