論文の概要: Controllable Narrative Rendering for Enhanced Assisted Writing
- arxiv url: http://arxiv.org/abs/2607.00009v1
- Date: Tue, 05 May 2026 00:35:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.965844
- Title: Controllable Narrative Rendering for Enhanced Assisted Writing
- Title（参考訳）: 筆記機能強化のための制御可能なナラティブレンダリング
- Abstract要約: 本稿では,物語と談話のナラトロジー的区別を基盤とした筆記フレームワークであるLoomを提案する。
ロームは全体的な品質スコアを最高に達成し、事実の完全性と説明力において実質的な利得を得る。
- 参考スコア（独自算出の注目度）: 12.310927788766852
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the remarkable proficiency of large language models (LLMs) in basic writing assistance, their utility in creative writing is fundamentally hindered by a persistent binary failure. This issue manifests as an oscillation between safe, surface-level editing, referred to as remedial polishing, and destructive, uncontrolled plot expansion. This dilemma defines a critical trade-off between narrative fidelity and descriptive intensity. We propose Loom, an assisted writing framework grounded in the narratological distinction between story and discourse. Loom employs a three-layer pipeline that operationalizes an intent-centered semiotic chain-of-thought to enforce precise control over narrative intent and rendering density. This architecture separates the generation of perceptual material from syntactic insertion, ensuring that enhancement occurs without violating the original event structure. Our comprehensive evaluation, which includes LLM-based metrics and human assessment, demonstrates that Loom successfully resolves this fundamental tension. Loom achieves the highest overall quality score, yielding substantial gains in factual integrity and descriptive intensity compared to state-of-the-art baselines.
- Abstract（参考訳）: 大きな言語モデル (LLM) の基本的な記述支援における卓越した能力にもかかわらず、創造的記述におけるそれらの実用性は、基本的に永続的なバイナリ失敗によって妨げられている。
この問題は、修復研磨(remedial polishing)と呼ばれる安全な表面レベルの編集と、破壊的で制御されていないプロット展開の間の振動として現れている。
このジレンマは、物語の忠実さと記述力の間に重要なトレードオフを定義する。
本稿では,物語と談話のナラトロジー的区別を基盤とした筆記フレームワークであるLoomを提案する。
ルームは3層パイプラインを採用しており、物語の意図とレンダリング密度を正確に制御するために、意図中心のセミオティック・チェーンを運用している。
このアーキテクチャは、知覚材料の生成を統語的挿入から切り離し、元のイベント構造に違反することなく、拡張が発生することを保証する。
LLMに基づく計測と人的評価を含む包括的評価は、Loomがこの基本的な緊張をうまく解決することを示す。
織機は全体的な品質スコアを最高に達成し、最先端のベースラインと比較して、事実の完全性や記述的な強度が大幅に向上する。
関連論文リスト
- MUSE: A Theory-Harnessed Story Engine for Vibe Narrativizing [14.61147082072489]
我々は、自然言語の書き込み要求を完成したストーリーに変換するタスクとして、Vibe Narrativizingを定式化する。
MUSEは理論調和型ストーリーエンジンである。
MUSEは、ロバート・マッキーのストーリー理論からルールの原子化、セマンティック・コンソリデーション、メカニズムの抽象化を通じて再利用可能なガイダンスを導き出した。
論文 参考訳（メタデータ） (2026-09-14T08:09:44Z) - Constrained Semantic Decompression in LLMs through Persian Proverb-Conditioned Story Generation [5.105644262054024]
Proverb Aligned Narrative dataset (PAND)を導入する。
現状の言語モデルでは, 根底にある道徳的・因果的構造を忠実にインスタンス化できない。
提案課題は自然に他の圧縮文化知識にも及んでいる。
論文 参考訳（メタデータ） (2026-06-10T18:54:07Z) - Towards a Linguistic Evaluation of Narratives: A Quantitative Stylistic Framework [51.56484100374058]
本研究は, 品質の指標としての言語的次元に着目し, ナラティブアセスメントに対する定量的アプローチを提案する。
本稿では,33種類の定量的言語的特徴を包括的に抽出し,物語の自動評価手法を提案する。
論文 参考訳（メタデータ） (2026-04-21T09:21:40Z) - NarraScore: Bridging Visual Narrative and Musical Dynamics via Hierarchical Affective Control [59.6128550986024]
ナラスコア(NarraScore)は、感情が物語論理の高密度圧縮として働くという中心的な洞察に基づく階層的なフレームワークである。
NarraScoreは、グローバルな構造とローカルなダイナミズムを調和させるために、Dual-Branch Injection戦略を採用している。
NarraScoreは、無視可能な計算オーバーヘッドを伴う最先端の一貫性と物語のアライメントを実現している。
論文 参考訳（メタデータ） (2026-02-09T09:39:42Z) - Codified Foreshadowing-Payoff Text Generation [67.01182739162142]
前処理と支払いは、著者が物語の初期にコミットメントを導入し、具体的で観察可能な結果を通じてそれらを解決するユビキタスな物語装置である。
既存の評価は、物語のセットアップの論理的充足よりも表面レベルのコヒーレンスに焦点をあてて、この構造的失敗を概ね見落としている。
我々は,報奨実現のレンズを通して物語の質を再構築する新しいフレームワークであるCodified Foreshadowing-Payoff Generationを紹介した。
論文 参考訳（メタデータ） (2026-01-11T19:05:37Z) - AWARE, Beyond Sentence Boundaries: A Contextual Transformer Framework for Identifying Cultural Capital in STEM Narratives [0.5514573274011145]
AWAREは、この微妙なタスクに対するトランスフォーマーモデルの認識を改善するためのフレームワークである。
入力の特性を明示的に認識させることにより、AWAREはマクロF1において2.1ポイントの強いベースラインを上回ります。
この研究は、物語の文脈に依存するあらゆるテキスト分類タスクに対して、堅牢で一般化可能な方法論を提供する。
論文 参考訳（メタデータ） (2025-10-06T16:19:57Z) - Enhancing Argument Structure Extraction with Efficient Leverage of
Contextual Information [79.06082391992545]
本稿では,コンテキスト情報を完全に活用する効率的なコンテキスト認識モデル(ECASE)を提案する。
文脈情報や議論情報を集約するために,シーケンスアテンションモジュールと距離重み付き類似度損失を導入する。
各種ドメインの5つのデータセットに対する実験により,我々のモデルが最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2023-10-08T08:47:10Z) - Factually Consistent Summarization via Reinforcement Learning with
Textual Entailment Feedback [57.816210168909286]
我々は,この問題を抽象的な要約システムで解くために,テキストエンテーメントモデルの最近の進歩を活用している。
我々は、事実整合性を最適化するために、レファレンスフリーのテキストエンターメント報酬を用いた強化学習を用いる。
自動測定と人的評価の両結果から,提案手法は生成した要約の忠実さ,サリエンス,簡潔さを著しく向上させることが示された。
論文 参考訳（メタデータ） (2023-05-31T21:04:04Z) - Counterfactual Debiasing for Generating Factually Consistent Text
Summaries [46.88138136539263]
我々は,抽象的なテキスト要約のための因果グラフを構築し,事実的矛盾の本質的な原因を同定する。
本稿では,これらのバイアスの因果的影響を,非現実的推定によって緩和する,CoFactSumという脱バイアスフレームワークを提案する。
広く使われている2つの要約データセットの実験は、CoFactSumの有効性を実証している。
論文 参考訳（メタデータ） (2023-05-18T06:15:45Z) - Enhancing Contrastive Learning with Noise-Guided Attack: Towards
Continual Relation Extraction in the Wild [57.468184469589744]
我々はtextbfContrative textbfLearning(NaCL) における textbfNoise-guided textbf attack という名前の耐雑音性コントラストフレームワークを開発する。
直接雑音除去や到達不能雑音回避と比較して,攻撃により与えられた雑音ラベルに一致するように特徴空間を変更する。
論文 参考訳（メタデータ） (2023-05-11T18:48:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。