使用大数据分析的方法，利用计算能力，自然语言处理和数字化文本处理，对文化演变进行研究，对一部分 Project Gutenberg 文本集中的 1327 个故事进行情感弧分类，发现六种情感弧，是构成复杂情感轨迹的基本构建模块之一，并可以通过矩阵分解、监督学习和无监督学习进行加强，发现有些情感弧在今天的出版物中更受欢迎，由下载数量衡量。

Jun, 2016

分析非言语传达情感的方法，发现人类写作的小说可以通过多种非言语渠道传递角色情感，建议自动故事讲述系统在生成角色情感描述时应考虑情感的可变性。

Jun, 2019

该文综述了情感分析在文学中的应用，包括追踪情节发展的变化、网络分析，以及理解文本的情感等。

Aug, 2018

本文旨在开发一个理论框架，用于分析视觉叙事的有效性，如电影和漫画。我们引入了一个名为 “moments” 的新叙事元素，并将其分为故事时刻和议论时刻两种类型。通过记录这些普遍的时刻，我们可以可视化角色在故事中的旅程，并提供情感附着的变化。

Oct, 2023

利用机器学习方法构建电影中的情感弧线，计算弧线系列，并展示了某些弧线预测观众参与度的能力。通过调查观众的反应，结果表明学习到的弧线成功地表示了影片故事的宏观方面，这进一步提高了我们作为讲故事人之间交流能力，以预测观众对视频故事的反应。

Dec, 2017

本研究使用神经叙事方法对情感轨迹进行了建模，包括情感监督和两个情感增强模型。经过自动化和手动评估，这些模型在生成故事的情感路线方面比基线方法具有显著优势，而且不会降低故事的质量。

Oct, 2020

通过计算基于文本长度的峰值波动，利用基于眼动数据的量化方法（ousiometrics）和经验模态分解（Empirical Mode Decomposition）技术，找到了故事结构中子故事的叙事时间尺度，该方法适用于不同长度的书籍的文本分析，并可以清晰地提取故事中的基本趋势和波动信息以及提取一些污染信息，对于文本分析全面了解了更多的故事信息和主题结构。

Aug, 2022

本文介绍了一个新的任务 - 将小说角色之间的情感关系分类，并针对该任务提出了两个子任务：角色识别和情感关系分类。通过多种不同的神经网络方法建立了情感关系分类模型，最终达到了 0.45 F1 指标。

Mar, 2019

此研究提出并介绍了拥有角色描述的文学作品摘要数据集 LiSCU，探索了文学角色理解中的新领域，并通过使用预训练语言模型进行的实验，表明需要更好的叙事理解模型。

Sep, 2021

本文探讨了情感分析如何与有效的可视化技术结合使用，定量和跟踪书籍中的情绪及其在大型文集中的表现。本文还介绍了情感词密度的概念，并以格林兄弟童话作为例子，展示了如何更好地组织搜索文本。最后，通过比较童话和小说中的情感词，本文表明童话中的情感词密度要比小说更广泛。

Sep, 2013