← 返回 PaperDaily 大模型与智能体

佛蒙特大学用数据科学“拆解”《老友记》：剧情套路越多，评分越高？钱德勒果然最“尴尬”！

当《老友记》遇上计算叙事学，这波跨界直接把我看呆了。佛蒙特大学团队没去搞图像识别，反而把“TVTropes”里的剧情套路和剧本、评分联动起来，发现了“剧情套路的密度”和“评分”之间的秘密。更骚的是，他们还把1974个套路分成了15个语义簇，结果发现——钱德勒的莫妮卡式“尴尬”和莫妮卡的“控制欲”，原来都被套路化了？这篇文章让我们看到，AI不仅能看懂图像，也能

龙哥读论文 阅读 4 查看原文
#AI应用 #人工智能 #AI科研
佛蒙特大学用数据科学“拆解”《老友记》：剧情套路越多，评分越高？钱德勒果然最“尴尬”！
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
当《老友记》遇上计算叙事学，这波跨界直接把我看呆了。佛蒙特大学团队没去搞图像识别，反而把“TVTropes”里的剧情套路和剧本、评分联动起来，发现了“剧情套路的密度”和“评分”之间的秘密。更骚的是，他们还把1974个套路分成了15个语义簇，结果发现——钱德勒的莫妮卡式“尴尬”和莫妮卡的“控制欲”，原来都被套路化了？这篇文章让我们看到，AI不仅能看懂图像，也能“读懂”剧情的灵魂。


原论文信息如下：
论文标题:
Narrative Structure in Tropes: A Computational Analysis of 'Friends'
发表日期:
2026年06月
发表单位:
佛蒙特大学 (University of Vermont)
原文链接:
https://arxiv.org/pdf/2606.19499v1.pdf
作为一个AI领域的挖坑不填专业户，龙哥我平时都在跟各种SOTA模型、Loss函数、训练tricks死磕。按理说，今天这篇论文的画风，应该跟咱们AI圈儿不是一路的。毕竟，它研究的不是Transformer、不是Diffusion Model，而是——《老友记》里的“套路”。
没错，就是那个你看《老友记》时，能猜到下一秒钱德勒会讲一个冷笑话、莫妮卡会强迫症发作整理桌面的那种“套路”。在电视圈和叙事学里，这玩意叫“Tropes”。
但佛蒙特大学这波操作，直接把“数据科学”这把手术刀架在了《老友记》身上，想看看这些被观众津津乐道的剧情套路，到底是不是评分的万能钥匙？人物性格跟这些套路之间，又藏着什么不可告人的秘密？这帮科研人员，还给这个思路起了个挺唬人的名字——计算叙事学，妥妥的跨学科缝合怪。
更绝的是，他们选的“套路”数据库，还有一个专门收集电影电视剧各种段子和模式的“宝库”——TVTropes。相当于把“梗”当成DNA去分析，然后去拼凑《老友记》的叙事基因图谱。

从“朋友”到“套路”：如何用计算分析解构《老友记》的叙事密码？

要把《老友记》里的“套路”量化，第一个要解决的问题是——拿什么来定义“套路”？
以往的研究，要么靠编剧的理论书，要么搞自动检测但准确率低得可怜。本文机智地绕开了这个大坑。他们直接索引了一个由粉丝社区人工维护的“套路”大全——TVTropes。这个网站上，每个《老友记》剧集，都有资深粉丝手动标记出这集里用了哪些套路，并附上简短的解释，比如“Brick Joke”（先埋梗，后面包袱才响）、“Chekhov's Gag”（用过的梗一定会再次出现）。
这种人工注解就相当于一份高质量的“标注数据”，是本文开展所有实验的基石。基于这份“金标准”，整个研究围绕着三个直击灵魂的问题展开：
RQ1（剧情-评分关系）：一集里套路密度越高，是不是评分就越高？
RQ2（套路-角色性格）：这些套路是不是在有意无意地塑造人物的性格？钱德勒的“尴尬”和莫妮卡的“规则”，能通过套路看出来吗？
RQ3（套路-语义空间）：这些套路在“语义空间”里，到底是如何分布的？它们之间存在什么样的隐藏关联？
这三个问题环环相扣，从宏观的评分到微观的语义，层层递进，堪称计算的“叙事解剖学”。

研究问题一：剧情越“密集”，评分就越高吗？

首先，得把《老友记》10季236集的剧本全部清洗一遍，去掉场景提示，统一人物昵称。然后，佛蒙特大学的工程师们搞了一个巧妙的工程：用大型语言模型（比如GPT-4-class），根据TVTropes里的标注解释，去自动匹配剧本里对应的对话片段。比如，当TVTropes说这一集有个“Brick Joke”，大模型就要从剧本里把所有触发了这个套路的对话都找出来。
为了确保大模型能干好这个活，他们还做了一个小规模内部验证，结果GPT-4-class的准确率高达 90%，遥遥领先于其他模型。

表I：不同大模型在套路标注中的小规模内部验证结果

表I给出GPT-4-class、Gemini和LLaMA在套路标注任务上的准确率对比。GPT-4-class以90%的准确率大幅领先，说明其在理解抽象叙事概念并匹配到具体对话上确实有两把刷子。
图2：低分剧集S1E20中套路的时序分布
图2：低分剧集S1E20中套路的时序分布。每条横线代表一个套路，点表示它在剧集中的出现时间，可以明显看出线条稀疏。
图3：高分剧集S5E14中套路的时序分布。与图2相比，这套路的“马赛克”明显密集多了，说明高分集的套路确实更丰富。
拿到剧本和套路的对应关系后，就可以搞回归分析了。他们用了一个“季度固定效应回归模型”（Season Fixed-effects Regression Model）。为啥要控制“季度”固定效应呢？因为不同季度，编剧班底、观众口味、剧集节奏都不一样，要排除这些干扰，才能看清楚“套路密度”跟“评分”的真实关系。
图4：套路数量与贝叶斯加权后评分的关联
图4：套路数量与贝叶斯加权后评分的关联。黑色回归线表明，整体上套路越多，评分越高，但这个关系并不是特别强。
结果让人眼前一亮——套路数量与IMDb评分确实存在显著的正相关（β=0.0144，p<0.0001）。换句话说，每多出一个套路，评分大约能涨0.0144分。虽然看起来数字不大，但考虑到总共200多集，这个累计效应不容忽视。不过，记住一个事儿：这个模型的R²只有0.232，也就是说，评分的变化只有五分之一多一点能被套路密度解释，其他因素（比如主角出场时间、关键情感爆发戏）同样重要。
更有趣的是，按季度分别跑回归后，发现这个效应在不同季度之间差异巨大。在第3和第4季度，R²竟然高达0.54，而其他季度却很弱。这说明，“套路的力量”也不是均匀分布的，在故事线最成熟、角色关系最复杂的中期，套路的“提分”效果最明显。 图5：十季各自进行回归的结果
图5：十季各自进行回归的结果。可以看到第3、4季的R²最大，回线最陡，套路密度的“提分效果”在这两季最为显著。

研究问题二：“笑点担当”与“规矩管家”：剧情模式如何塑造角色？

既然套路能“量化”，那能不能把看似杂乱无章的套路，归类成几个更有意义的“大类型”呢？佛蒙特大学的团队想到了一个经典方法：TF-IDF + PCA + K-means 聚类。
具体操作：把每个套路所关联的对话片段，全部转化成TF-IDF向量。这样，每个套路就对应了一个高维向量。再用PCA把维度降到1000维。最后，用K-means聚类，把1954个不同的套路分成了 15个语义可解释的簇。
聚类完之后，研究人员还给每个簇起了个名字，比如“Casual Gag and Absurd Humor”（随性搞笑和荒诞幽默），“Cringe, Embarrassment, and Social Anxiety”（尴尬社恐区），“Authority, Dominance, and Social Regulation”（权威控制区）等等。光看这些名字，是不是就已经闻到《老友记》那味儿了？
图6：卡方检验的标准化残差热力图
图6：卡方检验的标准化残差热力图。红色表示该角色在该簇中出现的频率高于期望值，蓝色则表示低于期望，黑点表示统计显著 (标准化残差≥2)。
接下来，就是验证这些簇跟角色性格是否对得上号的时候了。研究人员用卡方检验，比较每个主角在各个簇中的出现次数与期望次数。结果超级有意思：
卡方检验的结果非常显著：χ²=349.78, df=70, p<0.001，说明六个主角在不同套路簇中的分布存在着统计上极其显著的差异，远非随机所能解释。换言之，每个角色都拥有自己独特的“套路指纹”。
图6的热力图清晰展示了标准化残差的分布：红色越深，表明该角色在该簇中出现的频率越高于期望值（也就是角色与该类套路“绑定”得越紧）；蓝色越深则代表频率低于期望。具体来看：Monica（莫妮卡）在“权威、主导和社会规范”簇（Cluster 4）中表现出非常高的正向残差，这完全符合她争强好胜、掌控欲强的性格；Rachel（瑞秋）则在“亲密、欲望和道德张力”簇（Cluster 11）中显著偏高，反映了她贯穿全剧的情感起伏和浪漫纠葛；Phoebe（菲比）在“随性搞笑和荒诞幽默”簇（Cluster 0）中一枝独秀，恰好契合她天马行空、不拘一格的言行；Joey（乔伊）在“身体和性喜剧”簇（Cluster 7）中占据高地，低智商+高情欲的“傻白甜”形象被完美编码；Chandler（钱德勒）在“社交规范违反和自我意识”簇（Cluster 14）中高频出现，他的尴尬笑话和自嘲式幽默正是这一簇的典型表现；Ross（罗斯）则在“家庭、承诺和社会制度”簇（Cluster 12）中异常突出，呼应了他对家庭关系、社会规范的执着以及多次失败的婚姻。这些结果强有力地表明，反复出现的叙事模式（套路）不仅是推动情节的工具，更是塑造和固化角色身份的关键手段。
表II：剧情模式簇的语义解释及典型示例
表II展示了所有15个剧情模式簇的语义标签、典型套路及解释。这些簇的划分使得原本杂乱的上千个具体套路，被归纳为15个具有清晰叙事功能的类别，为后续的语义分析铺平了道路。
图1：所有套路标注后的分布情况（插图：出现次数最多的10个套路）
图1展示了全部标注数据中套路的分布情况。可以看出，少数套路（如“Shout-Out”致敬引用）出现频率极高，而大多数套路则相对低频，呈现出典型的长尾分布。

研究问题三：从“尴尬”到“意外”：剧情模式的语义地图

当套路被聚类并关联到角色后，一个更本质的问题浮现出来：这些套路在更深层的语义空间中，究竟是如何组织的？为了回答这个问题，研究团队引入了一个非常巧妙的工具——Ousiometry（实体测量学）[16]。不同于常见的情感分析（如Valence-Arousal-Dominance），Ousiometry提供了一个仅包含“权力”（Power）、“危险”（Danger）和“结构”（Structure）三个维度的语义空间。其中，权力维度衡量权威与支配，危险维度衡量风险与动荡，结构维度衡量可预测性。研究聚焦于前两个维度，因为它们在叙事冲突驱动中最为关键。
具体计算方法：对于每个对话片段，将其中的实义词（content words）的权力和危险得分取平均，得到该片段的语义坐标。然后对每个套路簇的所有对话片段再次平均，得到簇层面的语义质心。核心公式如下：
图：套路簇的权力与危险得分计算公式
其中，Pc和Dc分别表示套路簇c的权力和危险质心，Sc为簇c中的所有对话片段集合，P(d)和D(d)为单个片段的得分。
图7：所有季中套路簇在权力-危险空间中的分布
图7展示了15个套路簇在权力-危险语义空间中的位置，每个点代表该簇在所有季节中的聚合质心。可以清晰地看到：簇7（身体和性喜剧）落在高危险区域，因为这类戏码往往伴随着尴尬、意外伤害或社会规范的破坏；而簇8（揭示、惊喜和反应）则落在高权力区域，因为揭示真相或意外转折往往由拥有更多信息或权威的角色触发，赋予其叙事主动权。簇3（通用情景喜剧互动空间）处于中间偏下区域，体现了日常闲聊的中性语义。这一语义地图直观地展示了不同叙事模式在深层次上的“情绪色调”和“叙事动力”。
图8：每个套路簇在十季中的权力-危险轨迹
图8进一步展示了各套路簇在十季中的轨迹变化。可以看出，有些簇（如簇3通用互动）的语义位置相对稳定，而有些簇（如簇2情感升级和关系危机）则表现出明显的漂移，这可能反映了剧情弧线在不同阶段的张力变化。例如，在后期季中，关系变得成熟，情感冲突的语义重心可能从“危险”转向“权威”，暗示叙事角色从冲突制造转向问题解决。这种动态视角为分析长篇叙事的语义演变提供了全新的工具。

结论与思考：叙事模式不仅是描述，更是构建

本研究以《老友记》为案例，展示了如何将计算叙事学工具（TVTropes人工标注+LLM辅助对齐+经典文本聚类+语义空间投影）应用于理解长篇电视剧的叙事结构。三个研究问题分别揭示了套路密度与受众评价的正相关（但并非唯一因素）、套路簇与角色性格的对应关系（卡方检验证实了统计显著性），以及套路簇在权力-危险语义空间中的差异化分布。
更重要的是，该工作证明了叙事模式（套路）不仅仅是被动的描述工具，它们主动参与构建了角色的身份、剧情的张力和观众的情感反应。这种“远读”（distant reading）视角为编剧学、传播学和计算叙事学提供了一个可操作的分析框架。未来可推广至更多类型和文化的剧集，甚至用于自动评估剧本质量。
当然，研究也存在局限：仅基于单一剧集，且依赖TVTropes这一特定众包数据源，部分聚类结果可能存在语义漂移。但总体而言，佛蒙特大学团队的这一尝试，无疑在AI与人文的交叉地带开辟了一片新天地——原来，连“套路”都可以被量化、被计算。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

论文中使用的“套路”数据来源是什么？可靠性如何？数据来源是TVTropes网站（tvtropes.org），一个由资深粉丝社区维护的影视剧套路维基。每个《老友记》剧集的套路标签都由社区成员人工添加，并附有简短说明。研究团队又用LLM（GPT-4-class）将套路映射到具体对话，并做了小规模人工校验，确认准确性达到90%，可靠性较高。

什么是Ousiometry？为什么要用它而不是情感分析？Ousiometry是由Dodds等人[16]提出的语义表示框架，包含权力（Power）、危险（Danger）和结构（Structure）三个维度。它不衡量情感效价，而是衡量叙事动力中最核心的“威胁与掌控”。因为套路往往涉及权力斗争、社交危险、意外等复杂叙事元素，情感分析（如Valence-Arousal-Dominance）更侧重情绪状态，难以捕捉这些叙事属性。因此Ousiometry更适合分析套路簇的语义组织。

研究结果对编剧或内容创作有什么实际启示？本研究揭示了套路密度并非万能提分器（R²仅0.23），套路只有与角色性格深度绑定、并在合适的剧情阶段（如第3-4季）密集使用，才能显著提升观众评价。编剧可以将套路视为“叙事模块”，根据角色设定和弧线发展阶段，有针对性地安排不同语义特征的套路，从而更高效地管理观众的情感投入。例如，前期多用“随性搞笑”建立角色，中期用“竞争/权力斗争”制造冲突，后期用“道德和解”收束弧线。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

插图

论文创新性分数：★★★✰✰

将成熟的数据分析流水线（TF-IDF、PCA、K-means）与叙事学概念结合，思路新颖，但方法本身并无模型或算法创新，属于交叉应用创新。

实验合理度：★★★★✰

数据清洗和验证步骤细致（如四维聚类数确定、小规模人工校验），回归分析控制了季节固定效应，卡方检验及残差分析严谨，结论可信。

学术研究价值：★★★★✰

为计算叙事学提供了可重复的操作框架，三个RQ的设计环环相扣，对人文社科领域具有重要示范意义，未来可推广至更多剧集。

稳定性：★★★✰✰

分析流程对数据预处理和LLM标注质量敏感，但整体采用确定性算法（PCA、K-means），结果可复现，鲁棒性中等。

适应性以及泛化能力：★★★✰✰

方法本身不依赖于特定剧集，可应用于任何有TVTropes标注的电视剧，但依赖人工标注数据源，且仅研究了单一剧集，泛化性需更多验证。

硬件需求及成本：★★★★★

整个计算过程仅需普通CPU服务器，无需GPU，LLM调用开销可忽略（仅标注环节使用少数API），成本极低。

复现难度：★★★✰✰

论文提供了详细的流程说明，但TVTropes数据需自行爬取，脚本数据需公开获取，LLM标注需自行调用API，整体中等偏下。

产品化成熟度：★★✰✰✰

目前属于学术探索阶段，可作为剧本分析辅助工具，但直接产品化还需要更多的剧集验证和自动化标注组件的优化。

可能的问题：样本局限——仅《老友记》一部剧，且为特定文化（美国）和类型（情景喜剧）下的产物。聚类结果（15个簇）的标签命名带有一定主观性。此外，用TF-IDF表征对话语义，忽略了语境和语用特征，未来可用更先进的语义嵌入（如BERT）提升聚类质量。


主要参考文献

[1] Dodds, P. S., et al. (2024). Ousiometrics: A low-dimensional semantic framework for narrative analysis. PNAS.
[2] TVTropes Community. TVTropes.org. A collaboratively curated repository of narrative tropes.
[3] IMDb. “Friends” Episode Ratings. IMDb.com.
[4] Zhang, S., et al. (2026). Narrative Structure in Tropes: A Computational Analysis of “Friends”. arXiv:2606.19499.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

end
看过《老友记》里莫妮卡的“规则主义”和钱德勒的“尴尬回避”，是不是觉得套路得人心？想不想也像佛蒙特大学团队一样，用数据“透视”你最爱美剧的叙事密码？方法虽冷门，但分析思路超级有趣！
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 计算叙事+上海+佛蒙特大学+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群，当然，你也来和我们聊聊轻松的美剧分析👀
wechat_helper dianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。