该研究提出了一个基于角色扮演游戏 Dungeons and Dragons 的新任务 G4C（Goal-driven Guidance Generation in Grounded Communication），通过满足学习者的目标来培养具有人类思维想象力的 DM（Dungeon Master），实现在基于语境的自然语言交互中 DM 对学生进行有效指导的训练方法。

Dec, 2022

本研究介绍了 FIREBALL 数据集，将真实 Dungeons & Dragons 游戏信息与自然语言生成相结合，并展示了该数据集可以提高自然语言生成的质量和可执行的命令。

May, 2023

本文介绍了一个大规模的众包文字冒险游戏作为研究平台，用于研究基于场景的对话。在其中，代理可以感知，表情和行动，同时与其他代理进行对话。我们介绍了在这种情况下训练最先进的生成模型和检索模型的结果。我们展示了除了过去的对话，这些模型还能够有效地使用潜在世界的状态来调整它们的预测，特别是使用本地环境的详细信息，包括位置描述和其中存在的对象（及其可用性）和角色（及其先前的行动），可以更好地预测代理行为和对话。我们分析了在这种设置中成功落地所需的要素，以及每个因素如何与能够成功说话和行动的代理相关。

Mar, 2019

本研究探讨了大型语言模型在 Dungeons & Dragons 游戏以及桌面游戏中的使用情况，并介绍了 CALYPSO 系统，该系统利用大型语言模型提供信息和灵感支持给 Dungeon Master，以帮助解决他们在游戏过程中的多项任务和创作需求。

Aug, 2023

这篇论文提出了两个任务，包括对话生成和对话说话者识别，并构建了一个新的数据集 DialStory 以进行评估，同时提出了学习显式角色表示以提高性能，并通过实验和案例研究表明，我们的方法可生成更连贯和信息量更大的对话，并实现了比强基线更高的说话者识别准确度。

Sep, 2022

使用大型语言模型（LLM）构建角色扮演对话数据集并评估性能的框架，并使用召回导向的 Rouge-L 指标支持 LLM 评估器的结果。

Jun, 2024

该研究提供了一个数据集，用于训练能够构建基于知识图谱的交互叙事世界模型的学习代理。数据集包含了 24198 个富自然语言观察和知识图谱之间的映射，以及多个流派的 27 个游戏中的训练数据和 9 个附加的游戏中包含的 7836 项测试集等内容。此外，研究还提供了基于规则、问答和序列学习方法的基线模型以及数据分析。

Jun, 2021

本文探讨以人物为驱动的故事延续，引入角色之间的第一人称和第二人称叙述以及对话，需要模型选择与角色个性和关系一致并推动故事发展的语言。我们假设在训练人物对话和关系信息的多任务模型的基础上，改进了基于 Transformer 的故事延续。为此，我们拓展了 Critical Role Dungeons and Dragons 数据集，并通过自动提取每对交互角色之间的关系和他们的个性。一系列实验为我们的假设提供了证据，表明我们使用人物关系的多任务模型相对于强基线能够提高故事延续的准确性。

May, 2021

通过设计 MORTISE 来改进角色扮演 LLMs 的性能，我们构建了具有高度角色相关性的攻击性查询，通过多个基于 LLM 的模块协同努力生成相应的回复，并形成对抗性训练数据集 RoleAD。结果表明，现有模型在角色对齐能力上存在普遍不足，而经过 RoleAD 改进的模型在改善这一不足方面表现出了一定的泛化性。

Feb, 2024

该论文介绍了 Forgotten Realms Wiki（FRW）数据集及其相关分析，包括采用 FRW 进行领域特定自然语言生成，并利用该数据集进行 Dungeons＆Dragons 领域特定的自然语言生成以及命名实体分类的评估。

Dec, 2022