Het Afleiden van Karakterlogica uit Verhaallijnen als Gecodificeerde Beslissingsbomen

Deriving Character Logic from Storyline as Codified Decision Trees

January 15, 2026

Auteurs: Letian Peng, Kun Zhou, Longfei Yun, Yupeng Hou, Jingbo Shang

cs.AI

Samenvatting

Role-playing (RP)-agenten vertrouwen op gedragsprofielen om consistent te handelen in uiteenlopende narratieve contexten. Toch zijn bestaande profielem grotendeels ongestructureerd, niet-uitvoerbaar en zwak gevalideerd, wat leidt tot broos agentgedrag. Wij stellen Gecodificeerde Beslissingsbomen (Codified Decision Trees, CDT) voor, een data-gedreven raamwerk dat een uitvoerbare en interpreteerbare beslissingsstructuur induceert uit grootschalige narratieve data. CDT representeert gedragsprofielen als een boom van conditionele regels, waarbij interne knopen overeenkomen met gevalideerde scènevoorwaarden en bladeren gegronde gedragsverklaringen coderen. Dit maakt deterministische retrieval van contextgeschikte regels tijdens uitvoering mogelijk. De boom wordt geleerd door iteratief kandidaat-scène-actieregels te induceren, deze tegen data te valideren en ze te verfijnen door hiërarchische specialisatie. Dit levert profielen op die transparante inspectie en principiële updates ondersteunen. Op meerdere benchmarks presteert CDT aanzienlijk beter dan door mensen geschreven profielen en eerdere methoden voor profielinductie voor 85 personages uit 16 artefacten. Dit geeft aan dat gecodificeerde en gevalideerde gedragsrepresentaties leiden tot betrouwbaardere gronding van agenten.

English

Role-playing (RP) agents rely on behavioral profiles to act consistently across diverse narrative contexts, yet existing profiles are largely unstructured, non-executable, and weakly validated, leading to brittle agent behavior. We propose Codified Decision Trees (CDT), a data-driven framework that induces an executable and interpretable decision structure from large-scale narrative data. CDT represents behavioral profiles as a tree of conditional rules, where internal nodes correspond to validated scene conditions and leaves encode grounded behavioral statements, enabling deterministic retrieval of context-appropriate rules at execution time. The tree is learned by iteratively inducing candidate scene-action rules, validating them against data, and refining them through hierarchical specialization, yielding profiles that support transparent inspection and principled updates. Across multiple benchmarks, CDT substantially outperforms human-written profiles and prior profile induction methods on 85 characters across 16 artifacts, indicating that codified and validated behavioral representations lead to more reliable agent grounding.