Gayeon Kim김가연
Notes

연구 노트Research notes

논문 리뷰 · 읽은 책 · 배운 것들 Paper reviews · Book notes · Things learned

논문 리뷰Paper reviews

Charting mobility patterns in the scientific knowledge landscape

2026.06
Science of Science Human Mobility Gravity Model arXiv tSNE

Singh, C. K., Tupikina, L., Lécuyer, F., Starnini, M., & Santolini, M. (2024). Charting mobility patterns in the scientific knowledge landscape. EPJ Data Science, 13:12. https://doi.org/10.1140/epjds/s13688-024-00451-8

Abstract

과학 지식 지형(지식 공간)에서의 이동 패턴을 체계적으로 연구하여, 과학적 발견 과정을 공간 이동에 비유하던 은유적 아이디어를 공식적이고 과학적인 용어로 구체화한 연구다. 저차원 임베딩 기법으로 물리학·컴퓨터과학·수학 분야의 논문 150만 편으로 이루어진 knowledge space를 구축했고, 그 결과 과학적 이동 패턴이 실제 사람들의 물리적 공간 이동과 매우 유사하다는 것을 발견했다.

새로운 연구로의 도약은 논문 밀도가 높은 영역에서 일어날 확률이 높고, 기존 연구와 거리가 먼 영역으로 이동할 확률은 낮아진다. 연구자는 두 유형으로 나뉜다.

  • explorers — 학문을 넘나들며 새로운 분야를 개척하는 유형
  • exploiters — 특정 전문 분야에 머무르며 지식을 파고드는 유형

A systematic study of mobility patterns across the landscape of scientific knowledge, turning the long-standing metaphor of discovery-as-travel into formal, measurable terms. Using low-dimensional embedding techniques, the authors build a knowledge space out of 1.5 million papers in physics, computer science and mathematics — and find that scientific mobility closely resembles the physical mobility of people in real space.

Jumps into new research are more likely to land in densely populated regions, and less likely the farther they fall from a researcher’s existing work. Researchers divide into two types:

  • explorers — those who cross disciplines and open up new territory
  • exploiters — those who stay within a specialism and dig deeper
Figure 1 — Construction of the knowledge space
Fig 1. 지식 공간의 구축 — (a) 150만 편 논문의 tSNE 2차원 임베딩, (b) kNN 분류 혼동 행렬 Fig 1. Constructing the knowledge space — (a) a 2-D tSNE embedding of 1.5M papers, (b) the kNN classification confusion matrix

Introduction

연구자들의 논문 발표 궤적을 살피는 일은 과학 발전의 근간을 이루는 복잡한 과정을 파악하는 데 도움이 된다.

Tracing researchers’ publication trajectories helps us grasp the complex processes that underlie the advance of science.

참고할 만한 논문 — Tuninetti, M., Aleta, A., Paolotti, D., Moreno, Y., & Starnini, M. (2021). Prediction of new scientific collaborations through multiplex networks. EPJ Data Sci 10(1):25. 연구자 간 과학적 신뢰도와 상호 관심도(각각 인용 횟수와 키워드로 정량화)를 결합해 새로운 협력 가능성을 더 정확히 예측한다.

Worth reading alongside — Tuninetti, M., Aleta, A., Paolotti, D., Moreno, Y., & Starnini, M. (2021). Prediction of new scientific collaborations through multiplex networks. EPJ Data Sci 10(1):25. It combines scientific credibility and mutual interest between researchers (quantified by citation counts and keywords respectively) to predict new collaborations more accurately.

중력 모델The gravity model

물리학에서 두 물체 사이의 중력이 질량이 클수록·거리가 가까울수록 강해지듯, 같은 원리가 연구자들의 주제 이동 패턴에서도 나타난다.

  • 분야의 인구수와 밀도(질량) — 이미 많은 연구자가 방문해 논문을 출판한 분야일수록 질량이 큰 행성처럼 강하게 끌어당긴다. 연구자들은 논문 밀도가 높은 영역으로 이동할 확률이 높다.
  • 주제 간 인지적 거리 — 거리가 멀수록 중력이 약해지듯, 연구자들이 기존 연구에서 너무 멀리 떨어진 생소한 분야로 한 번에 건너뛸 확률은 낮다.

Just as gravity between two bodies grows with mass and weakens with distance, the same principle appears in how researchers move between topics.

  • Population and density of a field (its mass) — the more researchers have already visited a topic and published there, the more strongly it pulls, like a heavier planet. Movement is most likely toward dense, well-populated regions.
  • Cognitive distance between topics — as gravity weakens with distance, researchers rarely leap in one step into an unfamiliar field far from their existing work.

연구 방법Method

arXiv 프리프린트의 출판 메타데이터(1992–2018년 게재된 1,456,403편)에 임베딩 기법을 적용해, 서로 다른 주제와 분야 사이의 관계를 정량화하고 과학적 지형의 본질을 포착하는 저차원 지식 공간을 구축했다. 이렇게 얻은 임베딩 위에서, 저자 식별(disambiguation)을 거친 연구자들의 출판 기록으로 그들의 이동을 추적했다.

The authors apply embedding techniques to the publication metadata of arXiv preprints (1,456,403 papers posted between 1992 and 2018), quantifying the relationships between topics and fields to build a low-dimensional knowledge space that captures the shape of the scientific landscape. On that embedding, they track researchers’ movement using disambiguated author publication records.

참고할 만한 논문 — Clement, C. B., Bierbaum, M., O’Keeffe, K. P., & Alemi, A. A. (2019). On the use of arXiv as a dataset. arXiv:1905.00075

Worth reading alongside — Clement, C. B., Bierbaum, M., O’Keeffe, K. P., & Alemi, A. A. (2019). On the use of arXiv as a dataset. arXiv:1905.00075

결과Results

tSNE로 초기 공간을 2차원에 임베딩해 차원을 축소했고, 관찰된 클러스터링을 정량적으로 검증하기 위해 데이터의 70%로 k-최근접 이웃 분류를 수행했다.

The initial space is reduced to two dimensions with tSNE, and the observed clustering is validated quantitatively by k-nearest-neighbour classification on 70% of the data.

Figure 2 — Scientific mobility in the knowledge space
Fig 2. 지식 공간에서의 과학적 이동 — 점프 거리 분포가 거듭제곱 법칙을 따른다 Fig 2. Scientific mobility in the knowledge space — the jump-distance distribution follows a power law

연구자들의 이동은 무작위가 아니다. 거듭제곱 법칙을 따른다는 것은 대부분의 점프가 아주 짧고(원래 관심사 가까이에서 맴돌고), 극히 일부만이 지식 공간을 가로지르는 먼 이동(long jump)이라는 뜻이다. 또한 실제로 더 많은 연구가 이루어진 밀집 지역이 존재한다.

Movement is not random. A power law means most jumps are very short — researchers circle close to their original interests — and only a few are long jumps across the knowledge space. Dense, heavily worked regions genuinely exist.

Figure 3 — A gravity model for scientific mobility
Fig 3. 과학적 이동의 중력 모델 — (a) 격자 분할, (b) 해상도별 적합 지수, (c) 예측 대 관측 흐름 Fig 3. A gravity model of scientific mobility — (a) grid partitioning, (b) goodness of fit by resolution, (c) predicted vs observed flows

Ng는 해상도 수준을 정량화하는 매개변수이며, 인구 수는 격자 수준에서 집계된다.

  • 격자 셀이 클수록 장거리 도약이나 토픽 전환을 주로 포착하고, 셀이 작을수록 인접 토픽으로의 국소적 도약을 더 많이 포착한다. (저자의 연속된 두 논문이 적어도 하나의 필드 태그를 공유하면 동일 주제로 간주)

Ng is the parameter that quantifies the resolution level; population is aggregated at the grid level.

  • Larger cells mainly capture long jumps and topic switches; smaller cells capture more local hops to adjacent topics. (Two consecutive papers by an author are treated as the same topic if they share at least one field tag.)
Figure 4 — Explorers and exploiters in the knowledge space
Fig 4. 탐험가와 활용자 — (a) 회전 반경 비교, (b) S₂ 분포의 이봉성, (c) 연차별 MSD 성장 Fig 4. Explorers vs exploiters — (a) radius of gyration, (b) bimodality of the S₂ distribution, (c) MSD growth by career age

탐험가들은 커리어 중반(5–15년 차)에 지식 공간을 훨씬 넓게 개척하지만, 20년 차 이상 시니어가 되면 두 집단 모두 기존 연구를 활용하는 쪽으로 안주하는 경향을 보인다. 한편 생산성이나 논문의 단순 최대 인용 수는 두 집단 사이에 큰 차이가 없었다.

Explorers cover far more ground mid-career (years 5–15), but past twenty years both groups settle toward exploiting what they already have. Productivity and simple maximum citation counts, meanwhile, differ little between the two.

Figure 5 — Characteristics of explorers
Fig 5. 탐험가의 특성 — 로지스틱 회귀 표준화 계수 (오른쪽=explorers, 왼쪽=exploiters) Fig 5. What characterises explorers — standardised logistic-regression coefficients (right = explorers, left = exploiters)

Discussion

  • 혁신과, 기존 성과를 깊이 파고드는 전통 사이에서 과학계가 겪는 필수적 긴장 관계(essential tension)를 실증적으로 보여주는 결과다.
  • 여러 학문을 가로지르는 연구자들이 장기적으로는 연구비 확보 등에서 더 큰 성공을 거두는 경향이 있다.
  • 이 연구는 개별 연구자의 궤적에 초점을 맞추었지만, 현대 과학의 혁신은 대부분 팀 단위로 이루어진다. 개별 연구자의 상호작용과 팀 궤적을 묶어 분석하는 후속 연구가 필요하다.
  • 피인용 수, 분야의 연차, 배정된 연구비 같은 외부 속성을 더해 이른바 딥 중력 모델을 구축한다면, 연구 지원 기관이 정책을 세우고 연구의 질을 평가하는 데 유용한 도구가 될 수 있다.

Disruptive Index (DI) — 논문의 혁신성을 수치화하기 위해, 후속 논문들이 이 논문만 인용하는지(혁신적) 아니면 이 논문이 참고한 과거 문헌까지 함께 인용하는지(기존 연구의 연장)의 비율을 계산한다.

  • The findings give empirical form to the essential tension science lives with — between innovation and the tradition of digging deeper into established work.
  • Researchers who cross disciplines tend, over the long run, to be more successful at securing funding.
  • The study follows individual trajectories, but modern scientific innovation is mostly done in teams; follow-up work should analyse interactions between researchers and team-level trajectories together.
  • Adding external attributes — citation counts, the age of a field, allocated funding — would yield a “deep gravity model” that funding agencies could use to shape policy and assess research quality.

Disruptive Index (DI) — to quantify a paper’s novelty, it measures the ratio of later papers that cite the paper alone (disruptive) against those that also cite its own references (a continuation of existing work).

Fiction Flows: A Replication and Reinterpretation of Narrative Sequentiality

2026.07
Narrative Flow Sequentiality LLM Replication NLP

Piper, A., Hamilton, S., Zhou, H., & Pianzola, F. (2026). Fiction Flows: A Replication and Reinterpretation of Narrative Sequentiality. Proceedings of ACL 2026 (Long Papers), 34158–34174. (원 연구: Sap et al., 2022, PNAS) (replicating Sap et al., 2022, PNAS)

Abstract

서사적 흐름(narrative flow)은 기억과 기대의 상호작용에서 생겨나며, 이야기가 만들어지는 방식과 이해되는 방식 양쪽을 규정한다. 즉 flow는 ① 인지적 과정에 뿌리를 두고, ② 생산자와 수용자 양면에 걸쳐 있다.

이 추상적 구성 개념을 조작화하기 위해 Sap et al.(2022)은 sequentiality를 제안했다 — 추상적인 narrative flow를 “문장 예측 가능성 계산”이라는 측정 가능한 절차로 바꾼 것이다. 이들에게 “흐름이 좋다”는 앞 문장을 읽고 나면 다음 문장이 예측하기 쉬워진다는 뜻이고, 그래서 상상한 이야기가 회상한 이야기보다 flow가 좋다고 보고했다. 전형적인 이야기 틀·스키마는 따라갈 수 있어 예측이 쉬워지는 반면, 실제 회상은 우연적·개별적 디테일이 흐름을 끊기 때문이다.

본 논문은 ① 여러 언어모델에 걸친 대규모 재현, ② 모델링 선택이 원 결과를 어떻게 좌우하는지 분석, ③ 출판된 픽션·서사적 논픽션 지문을 써서 일반화를 검증한다. 핵심 결론은 그 효과가 대상(narrative flow)이 아니라 측정 도구(setup)에서 나왔다는 것이며, imagined 대 recalled가 아니라 fiction 대 non-fiction에서 픽션적 서술이 sequentiality의 진짜 담지자로 드러난다.

Narrative flow arises from the interaction of memory and expectation, and shapes both how stories are made and how they are understood. Flow is therefore ① rooted in cognitive process and ② spread across producer and receiver alike.

To operationalise this abstract construct, Sap et al. (2022) proposed sequentiality — turning narrative flow into a measurable procedure: computing sentence predictability. For them “good flow” means having read the preceding sentences, the next one becomes easier to predict; on that basis they reported that imagined stories flow better than recalled ones. Conventional story schemas can be followed and so are easy to predict, whereas real recollection is broken up by contingent, particular detail.

This paper ① replicates at scale across many language models, ② analyses how modelling choices drive the original result, and ③ tests generalisation on published fiction and narrative non-fiction. The central conclusion: the effect came from the measurement setup, not from the object (narrative flow) — and the real carrier of sequentiality turns out to be fictional narration, i.e. fiction vs non-fiction rather than imagined vs recalled.

Figure 1 — Sap et al. generative framework
Fig 1. Sap et al.(2022)의 생성 프레임워크 — 경험 → 회상(recalled) → 요약(topic) → 재화(retold)·상상(imagined) Fig 1. The generative framework of Sap et al. (2022) — experience → recalled → summary (topic) → retold / imagined

Introduction

Sap et al.은 “narrative flow”(한 사건이 다음 사건으로 얼마나 자연스럽게 이어지는가)를 계량화하기 위해 sequentiality라는 계산적 측정치를 도입했다. GPT-3로 문장 수준 likelihood를 추정했고, 상상 이야기 > 자서전 이야기로 sequentiality가 더 높게 나왔다.

  • flow — 넓고 주관적인 심리 현상(몰입·경험)
  • sequentiality — 그 현상이 텍스트로 드러나는 부분만 떼어낸 것

결국 sequentiality를 쟀다고 flow를 잰 것은 아니다로 수렴한다. LLM은 이 문제에 새로운 렌즈를 제공하는데, 서사에서 무엇이 전형적으로 뒤따르는지에 대한 인간의 기대를 뒷받침하는 분포적 단서를 상당 부분 내재화하기 때문이다. LLM의 역할은 ① measurement tool(LLM으로 flow를 잰다), ② computational hypothesis(LLM 자체가 저자·독자의 예측 방식에 대한 가설)로 볼 수 있다.

Sap et al. introduced sequentiality as a computational measure of “narrative flow” — how naturally one event leads into the next. Sentence-level likelihoods were estimated with GPT-3, and sequentiality came out higher for imagined stories than for autobiographical ones.

  • flow — a broad, subjective psychological phenomenon (absorption, experience)
  • sequentiality — only the part of that phenomenon that surfaces in the text

Which converges on: measuring sequentiality is not the same as measuring flow. LLMs offer a new lens here, since they internalise much of the distributional evidence behind human expectations about what typically follows in a narrative. Their role can be read two ways: ① as a measurement tool (use the LLM to measure flow), and ② as a computational hypothesis (the LLM itself is a hypothesis about how authors and readers predict).

Sap et al.(2022)의 미해결 문제 넷Four unresolved problems in Sap et al. (2022)

  • narrow operationalization — flow 자체를 “모델의 예측 용이성”과 동일시해 버린다. flow는 넓고 주관적인데, sequentiality는 고작 모델이 예측하기 쉬운 정도로만 잡는다.
  • single proprietary model — GPT-3 하나로만 했으니, 그 발견이 모델 구조·규모·훈련 데이터로부터 얼마나 독립적인지 알 수 없다.
  • idiosyncrasies in the formula — plot summary(topic)를 포함하기 때문에 어느 구성 요소가 차이를 만드는지 분리하기 어렵다. 원 효과가 거의 전적으로 topic 항의 포함에 매달려 있어, 문맥 흐름이 아니라 story–summary mismatch에 대한 민감성을 가리킨다.
  • 특정 데이터셋(HippoCorpus)에 국한 — 크라우드워커의 일기형 서사와 요약 프롬프트라는 특수한 조건에 묶여 있다.

⇒ sequentiality는 상상 그 자체의 속성이라기보다 픽션적 서술의 속성으로 이해하는 편이 낫다. 즉 sequentiality는 flow가 아니라, 조건(모델·데이터)에 따라 흔들리는 부분적 지표다.

  • Narrow operationalisation — flow is equated with a model’s ease of prediction. Flow is broad and subjective; sequentiality captures only how easily a model predicts.
  • A single proprietary model — with GPT-3 alone, there is no way to know how independent the finding is of architecture, scale and training data.
  • Idiosyncrasies in the formula — because the plot summary (topic) is included, it is hard to isolate which component produces the difference. The original effect hangs almost entirely on the topic term, which points to sensitivity to story–summary mismatch rather than to contextual flow.
  • Confined to one dataset (HippoCorpus) — bound to the peculiar conditions of crowdworker diary-style narratives and summary prompts.

⇒ Sequentiality is better understood as a property of fictional narration than of imagination per se. It is not flow, but a partial indicator that shifts with the model and data used.

Method

공식은 SEQ = NLL(topic-only) − NLL(topic+context) — 문맥이 진짜 도움이 됐는지(진짜 flow), 아니면 문장이 요약과 맞지 않아 topic-only NLL이 애초에 컸는지를 구분하지 못한다.

  • Model effects — 7개 모델(GPT-2/3, LLaMA 3.1, Qwen 3 8B·0.6B, SmolLM 3, Mistral 3)을 세대·크기·구조 전반에 흩뜨려 사용하고, base 모델 위주로 간다.
  • Formula effects — (A) Exact replication(“With Topic”): 원 공식을 최대한 그대로 재현. (B) Context-only(“No Topic”): topic을 빈 문자열로 대체해 국소 문맥의 기여만 분리.
  • Data effects — HippoCorpus를 넘어 CONLIT 데이터셋의 출판 픽션 대 매칭된 논픽션(자서전·전기·비서사)을 시점(POV)을 통제하며 비교.
  • 타당성 검증 — 표준 담화 응집성 지표(어휘·의미 중첩, 담화 연결어·RST·시제·행위자 연속성, 문장 난이도)와 직접 대조. context-only sequentiality를 H1·H3 창에서 계산해 위계적 혼합효과 회귀로 예측.

The formula is SEQ = NLL(topic-only) − NLL(topic+context), which cannot distinguish between context genuinely helping (real flow) and the topic-only NLL simply being large because the sentence does not match the summary.

  • Model effects — seven models (GPT-2/3, LLaMA 3.1, Qwen 3 8B and 0.6B, SmolLM 3, Mistral 3) spread across generations, sizes and architectures, working mainly with base models.
  • Formula effects — (A) exact replication (“With Topic”), reproducing the original formula as closely as possible; (B) context-only (“No Topic”), replacing the topic with an empty string to isolate the contribution of local context.
  • Data effects — moving beyond HippoCorpus to the CONLIT dataset, comparing published fiction against matched non-fiction (memoir, biography, non-narrative) with point of view controlled.
  • Validity checks — direct comparison against standard discourse-coherence measures (lexical and semantic overlap, discourse connectives, RST, tense and entity continuity, sentence difficulty), predicting context-only sequentiality in the H1 and H3 windows with hierarchical mixed-effects regression.
Figure 2 — Model- and formulation-level effects
Fig 2. 모델·공식별 효과 — (좌) 평균 sequentiality, (우) imagined 대 recalled 효과크기(Hedges’ g). With Topic에서는 크지만 No Topic에서는 0 근처로 붕괴한다 Fig 2. Model- and formulation-level effects — (left) mean sequentiality, (right) imagined vs recalled effect size (Hedges’ g). Large under With Topic, collapsing to near zero under No Topic

Results

  • 직접 재현은 성공 — 원 공식(With Topic)에서 imagined > recalled가 모든 모델에서 중~대 효과크기로 재현됐다(평균 g ≈ 0.58).
  • 그런데 전부 topic 항에 달려 있다 — topic을 빼고 문맥만 조건으로 주면(No Topic) 효과크기가 사실상 0으로 붕괴한다(평균 g ≈ 0.07). 즉 원 측정은 문맥적 flow가 아니라 “요약과의 불일치”를 보상하고 있었다. 상상 이야기가 높게 나온 것은 더 sequential해서가 아니라, 남이 쓴 요약과 덜 비슷했기 때문이다.
  • 픽션은 실제로 더 흐른다 — 장르 기반 조작화(CONLIT)에서는 context-only 공식으로도 픽션이 논픽션 장르보다 일관되게 높은 sequentiality를 보였다(중~대 효과). 반면 자서전과 전기 사이에는 의미 있는 차이가 없어, 효과가 “실재 사건”이 아니라 “비실재 사건의 구성”에서 온다는 점을 시사한다.
  • 표준 응집성 지표는 sequentiality를 예측하지 못한다 — 문장 난이도를 통제하면 어휘 중첩, 의미 유사도, 개체·시제 연속성, 담화 관계 어느 것도 문맥적 예측 이득과 신뢰할 만하게 연관되지 않았다(모두 p > .20).
  • Instruction-tuned 모델은 불안정하다 — 분해하면 baseline과 contextual 성분이 각각 recalled를 선호하는데도 그 차이는 imagined 쪽 양수로 나타나, 지시 튜닝이 유발한 왜곡의 상호작용임을 드러낸다.
  • The direct replication succeeds — under the original formula (With Topic), imagined > recalled reproduces across every model at medium-to-large effect sizes (mean g ≈ 0.58).
  • But it all hangs on the topic term — condition on context alone (No Topic) and the effect collapses to essentially zero (mean g ≈ 0.07). The original measure was rewarding mismatch with the summary, not contextual flow. Imagined stories scored higher not because they were more sequential, but because they resembled someone else’s summary less.
  • Fiction really does flow more — under a genre-based operationalisation (CONLIT), fiction shows consistently higher sequentiality than non-fiction genres even with the context-only formula (medium-to-large effects). Memoir and biography, by contrast, do not differ meaningfully — suggesting the effect comes from constructing non-actual events rather than from actual ones.
  • Standard coherence measures do not predict sequentiality — controlling for sentence difficulty, neither lexical overlap, semantic similarity, entity and tense continuity, nor discourse relations is reliably associated with the contextual prediction gain (all p > .20).
  • Instruction-tuned models are unstable — decomposed, the baseline and contextual components each favour recalled, yet their difference comes out positive for imagined: an interaction produced by distortions from instruction tuning.
Figure 3 — Fiction vs non-fiction sequentiality
Fig 3. 픽션(FIC, 빨강) 대 논픽션(NON, 파랑) — 6개 모델·9개 문맥창 전반에서 픽션이 일관되게 높다 Fig 3. Fiction (FIC, red) vs non-fiction (NON, blue) — fiction is consistently higher across six models and nine context windows
Table 2 — Mean effect sizes (Hedges' g)
Table 2. 평균 효과크기(Hedges’ g) — 픽션은 자서전·전기·비서사 대비 우위(.40–.69), 자서전 대 전기는 −.06으로 차이 없음 Table 2. Mean effect sizes (Hedges’ g) — fiction leads memoir, biography and non-narrative (.40–.69); memoir vs biography is −.06, i.e. no difference

Conclusion

  • imagined > recalled 효과는 오직 원 With-Topic 공식에서만 재현되며, topic을 빼면 붕괴하고 불안정해진다. Topic 공식은 참가자가 쓴 요약으로부터의 이탈을 보상하므로, narrative sequentiality가 아니라 story–summary mismatch를 잡는다.
  • 이 실패는 HippoCorpus의 특수한 데이터 생성 방식에 국한된다. 출판 장르로 넘어가면 픽션이 일관되게 높아, sequentiality는 “실재 기반 상상(전기)”이나 “기억 기반 인지”보다 픽션적 서술의 속성으로 보는 편이 타당하다.
  • NLL 기반 문맥 이득은 전통적 담화 응집성 지표와 정합하지 않는다. 따라서 sequentiality는 flow의 직접 측정이 아니라, 서사적 기대의 구별되는 한 차원을 포착하는 것으로 재해석해야 한다.
  • The imagined > recalled effect replicates only under the original With-Topic formula; remove the topic and it collapses and destabilises. Because the topic formula rewards departure from a participant-written summary, it captures story–summary mismatch rather than narrative sequentiality.
  • This failure is specific to how HippoCorpus was generated. Move to published genres and fiction is consistently higher, which makes sequentiality better read as a property of fictional narration than of reality-grounded imagination (biography) or memory-based cognition.
  • NLL-based contextual gain does not align with traditional discourse-coherence measures. Sequentiality should therefore be reinterpreted not as a direct measure of flow, but as capturing a distinct dimension of narrative expectation.

읽은 책Book notes

아직 정리 중입니다. Nothing here yet.

배운 것들Things learned

아직 정리 중입니다. Nothing here yet.

홈으로Home 이력 보기Career