論文の概要: CraftAlign: Feature-Grounded Evaluation and Revision Guidance for AI Stories
- arxiv url: http://arxiv.org/abs/2608.01377v1
- Date: Sun, 02 Aug 2026 16:57:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.188795
- Title: CraftAlign: Feature-Grounded Evaluation and Revision Guidance for AI Stories
- Title（参考訳）: CraftAlign: AIストーリーのための機能中心の評価と修正ガイダンス
- Abstract要約: 私たちは、AIストーリーを人間のストーリーテリングの工芸品と整合させるフレームワークであるCraftAlignを紹介します。
Qwen3.5-9B上に構築された特徴推定器は、スタイルと物語にまたがる304の明示的な記述機能を予測する。
推論時、CraftAlignはスキーマ無効な構造化摂動を適用し、特徴設定をヒューマン書き込みパターンに移行する変更を選択する。
- 参考スコア（独自算出の注目度）: 7.837987786613499
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models can now generate fluent and complete stories, yet many outputs still feel formulaic and unnatural because of cliches, over-explanation, linear causal progression, and stereotyped endings, an immediately recognizable AI flavor. Existing detection and evaluation methods often stop at source labels or holistic scores, while revision methods typically target predefined issues through localized edits, limiting their ability to support multiple plausible revision strategies or guide story-wide changes in information release, causal organization, and ending treatment. We introduce CraftAlign, a framework that aligns AI stories with the craft of human storytelling by both assessing Human/AI writing patterns and providing revision guidance. CraftAlign comprises two learned modules and an inference-time guidance pipeline. A feature estimator built on Qwen3.5-9B predicts 304 explicit writing features spanning style and narrative. A class-conditional energy model scores the resulting feature configuration against Human and AI writing patterns, conditioning on the original writing prompt when available. At inference time, CraftAlign applies schema-valid structured perturbations, selects changes that move the feature configuration toward the Human writing pattern, and converts them into natural-language guidance for a separate editor to rewrite the full story. Experiments show that CraftAlign accurately distinguishes Human and AI writing patterns and that its guidance outperforms revision baselines across editors and in a human study.
- Abstract（参考訳）: 大規模な言語モデルでは、流動的で完全なストーリーを生成できるようになったが、多くのアウトプットはいまだに定式的で不自然であると感じている。
既存の検出および評価手法は、しばしばソースラベルや全体的スコアで停止するが、リビジョン手法は典型的には、局所的な編集を通じて事前定義された問題をターゲットにしており、複数の妥当な修正戦略をサポートし、情報公開、因果組織、治療の終了に関するストーリーワイドな変更をガイドする能力を制限する。
CraftAlignは、ヒューマン/AI記述パターンを評価し、リビジョンガイダンスを提供することにより、AIストーリーをヒューマンストーリーテリングの工芸品と整合させるフレームワークである。
CraftAlignは、2つの学習モジュールと推論時のガイダンスパイプラインで構成されている。
Qwen3.5-9B上に構築された特徴推定器は、スタイルと物語にまたがる304の明示的な記述機能を予測する。
クラス条件エネルギモデルでは、人間とAIの書き込みパターンに対する機能構成をスコア付けし、利用可能なときに元の書き込みプロンプトを条件付けする。
推論時に、CraftAlignはスキーマ値の構造的摂動を適用し、特徴設定をヒューマン書き込みパターンに移動させる変更を選択し、それらを独立したエディタの自然言語ガイダンスに変換して、完全なストーリーを書き直す。
実験によると、CraftAlignは人間とAIの書き込みパターンを正確に区別し、そのガイダンスは編集者や人間の研究において、リビジョンベースラインを上回っている。
関連論文リスト
- SciDiagramEdit: Learning to Edit Scientific Diagrams from Paper Revisions [66.46898035008782]
SciDiagramEditは、自然論文の改訂から学習する、ベンチマークおよびスキル進化フレームワークである。
エージェント提案者は、複数のエポック上の実行トレースからエージェントのスキル仕様を継続的に洗練する。
得られたスキルは、保持された検証セットの編集精度を段階的に引き上げる。
論文 参考訳（メタデータ） (2026-07-16T17:58:36Z) - Operation-Guided Progressive Human-to-AI Text Transformation Benchmark for Multi-Granularity AI-Text Detection [49.41415417307568]
OpAI-Benchは、プログレッシブな人間とAIのテキスト変換を研究するためのオペレーションガイド付きベンチマークである。
我々は、AIテキスト検出能力は、AI編集コンテンツの割合だけでなく、編集操作、ドメイン、累積修正履歴によっても支配されていることを示す。
論文 参考訳（メタデータ） (2026-06-04T17:58:05Z) - Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI [70.05655131235999]
EAVAE(Explainable Authorship Variational Autoencoder)は、コンテンツからスタイルを明示的に切り離す新しいフレームワークである。
ディスタングルメントは、新規な差別者を通じて実施される。
EAVAEは、AI生成テキスト検出のためのM4データセットよりも、数ショットの学習に優れています。
論文 参考訳（メタデータ） (2026-04-23T05:34:20Z) - Generation, Evaluation, and Explanation of Novelists' Styles with Single-Token Prompts [3.7189423451031356]
本稿では,19世紀の小説家のスタイルによる文の生成と評価のための枠組みを提案する。
大規模な言語モデルは、ディケンズ、オーステン、トウェイン、アルコット、メルヴィルといった作家の声でテキストを作成するために、最小限の単一音のプロンプトで微調整されている。
論文 参考訳（メタデータ） (2025-11-25T16:25:44Z) - Learning to Reason for Long-Form Story Generation [84.09733333295338]
一般的なストーリー生成タスク(Next-Chapter Prediction)と報酬定式化(Completion Likelihood Improvementによる検証リワード)を提案する。
私たちは、物語の凝縮した情報を推論し、次の章の詳細な計画を作成することを学びます。
私たちの推論は、ストーリージェネレータ作成を支援する章を通じて評価され、トレーニングされていない、教師なしの微調整(SFT)ベースラインと比較されます。
論文 参考訳（メタデータ） (2025-03-28T18:48:26Z) - To Revise or Not to Revise: Learning to Detect Improvable Claims for
Argumentative Writing Support [20.905660642919052]
特定の修正が必要な議論的クレームを特定するための主な課題について検討する。
本稿では,リビジョン距離に基づく新しいサンプリング戦略を提案する。
文脈情報とドメイン知識を用いることで、予測結果をさらに改善できることを示す。
論文 参考訳（メタデータ） (2023-05-26T10:19:54Z) - EditEval: An Instruction-Based Benchmark for Text Improvements [73.5918084416016]
編集機能の自動評価のためのインストラクションベース、ベンチマーク、評価スイートであるEditEvalを提示する。
InstructGPTとPEERが最良であることを示す事前学習モデルをいくつか評価するが,ほとんどのベースラインは教師付きSOTA以下である。
我々の分析は、タスクの編集によく使われるメトリクスが必ずしも相関しているとは限らないことを示し、最高の性能を持つプロンプトに対する最適化は、必ずしも異なるモデルに対して強い堅牢性を持つとは限らないことを示唆している。
論文 参考訳（メタデータ） (2022-09-27T12:26:05Z) - PEER: A Collaborative Language Model [70.11876901409906]
PEER(コラボレーティブ言語モデル)は,記述プロセス全体を模倣した言語モデルである。
PEERは、ドラフトの作成、提案の追加、編集の提案、アクションの説明を提供することができる。
PEERは様々な領域にまたがって高い性能を示し,編集作業を行う。
論文 参考訳（メタデータ） (2022-08-24T16:56:47Z) - Read, Revise, Repeat: A System Demonstration for Human-in-the-loop
Iterative Text Revision [11.495407637511878]
本稿では,リピート・リバイス・リピート・リピート・リピート (R3) によるヒューマン・イン・ザ・ループ・イテレーティブ・テキスト・リフレクションシステムを提案する。
R3は、モデル生成のリビジョンとユーザからのフィードバックを読み、文書を改訂し、人間と機械の相互作用を繰り返すことで、人間の最小限の努力で高品質なテキストリビジョンを実現することを目的としている。
論文 参考訳（メタデータ） (2022-04-07T18:33:10Z) - Understanding Iterative Revision from Human-Written Text [10.714872525208385]
IteraTeRは、反復的に修正されたテキストの最初の大規模、複数ドメイン、編集意図の注釈付きコーパスである。
テキストのリビジョンプロセスをよりよく理解し、編集意図と執筆品質の間に重要なつながりを築き上げます。
論文 参考訳（メタデータ） (2022-03-08T01:47:42Z)
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。