Player-Driven Emergence in LLM-Driven Game Narrative

我们探讨了与大型语言模型（LLMs）的交互如何引发新兴行为，使玩家参与游戏叙事的演变。我们的测试床是一个文本冒险游戏，玩家试图在固定的叙事前提下解决一个谜题，但可以自由地与由GPT-4生成的非玩家角色进行交互。我们招募了28名玩家来玩游戏，并使用GPT-4自动将游戏日志转换成代表玩家游戏叙事的节点图。我们发现，通过与LLM的非确定性行为的交互，玩家能够发现有趣的新兴节点，这些节点不是原始叙事的一部分，但具有潜力成为有趣和吸引人的内容。创造最多新兴节点的玩家往往是那些喜欢促进发现、探索和实验的游戏的玩家。

研究使用大型语言模型（LLMs）与玩家互动，如何产生新的游戏故事情节。

通过与大型语言模型的交互，玩家可以发现原本不存在但具有潜力的有趣新节点，从而创造新的游戏故事情节。

使用28名玩家玩游戏并将游戏日志转换为节点图，展示大型语言模型如何帮助玩家创造新的游戏故事情节。研究发现那些经常喜欢探索、探究和实验的玩家创造的新节点最多。

最近的相关研究包括使用大型语言模型来生成故事的研究，如《GPT-2生成的故事》和《GPT-3生成的故事》。