Résumé Technique : LOOM – Rendu Narratif Contrôlable pour une Aide à l'Écriture Améliorée

Énoncé du Problème

Malgré la compétence des grands modèles de langage (LLM) dans l'assistance de base à l'écriture (correction grammaticale, amélioration de la fluidité), leur application à l'écriture créative est entravée par un « échec binaire ». Les systèmes actuels oscillent entre deux extrêmes :

1. Polissage Rémédiatif : Une édition de surface, sécuritaire et superficielle, qui échoue à enrichir l'expérience du lecteur ou à transformer la texture perceptuelle du texte.
2. Expansion Destructive : Une expansion incontrôlée de l'intrigue où les modèles, lorsqu'ils sont sollicités pour de l'expressivité, hallucinent de nouveaux événements ou altèrent la structure causale de l'histoire.

Ce dilemme représente un compromis critique entre la fidélité narrative (préserver les événements originaux de l'histoire) et l'intensité descriptive (améliorer l'atmosphère, l'humeur et les détails sensoriels). Les cadres existants manquent de la granularité nécessaire pour découpler l'histoire (ce qui arrive) du discours (comment c'est raconté), confondant souvent l'enrichissement stylistique avec l'altération de l'intrigue.

Méthodologie : Le Cadre LOOM

Les auteurs proposent LOOM, un cadre d'assistance à l'écriture fondé sur la théorie de la narratologie (spécifiquement la distinction entre histoire et discours). LOOM opérationnalise un pipeline à trois couches utilisant une chaîne de pensée sémiotique basée sur le jeu de rôle pour imposer un contrôle précis sur l'intention narrative et la densité de rendu.

1. Couche de Quota de Perception (Allocation Bornée)

Cette couche agit comme un « budgétiseur actuariel ». Au lieu de générer du contenu immédiatement, elle détermine où et combien de détails injecter.

• Entrée : Texte brut $T$, intention narrative $I$, et un budget sensoriel global $\Omega_{total}$.
• Mécanisme : Le système extrait les verbes porteurs d'événements $V$ et assigne un vecteur de quota $q_i$ pour chaque verbe à travers sept dimensions sensorielles (Visuelle, Auditive, Olfactive, Gustative, Tactile, Intéroceptive, Cinesthésique).
• Contraintes : L'allocation doit satisfaire une contrainte de budget global ($\sum \|q_i\|_1 = \Omega_{total}$) et une limite locale ($\|q_i\|_1 \le \Omega_{max}$) pour éviter qu'un seul événement ne soit submergé. Les verbes centraux reçoivent des allocations plus élevées ; les verbes périphériques reçoivent zéro.

2. Couche de Création de Sens (Transformation Sémiotique)

Cette couche fonctionne comme un « sémioticien narratif », transformant les quotas numériques abstraits en symboles sémantiques concrets et alignés sur l'intention.

• Mécanisme : Pour chaque quota non nul, le modèle effectue une cartographie sémantique $\Phi$ pilotée par une chaîne de pensée sémiotique. Il raisonne sur la manière dont une sensation physique incarne l'intention abstraite.
• Sortie : Il génère des atomes sémantiques (unités conceptuelles minimales, ex: « air rance » ou « choc sourd lointain ») plutôt que des phrases complètes. Crucialement, il produit une trace de raisonnement $J_{i,j}$ qui sert de pont cognitif entre le support concret et l'intention abstraite, garantissant que le détail est thématiquement pertinent.

3. Couche de Rendu Narratif (Injection Microsurgicale)

Cette couche exécute l'intégration des atomes sémantiques dans le texte original.

• Mécanisme : Contrairement à la réécriture générative standard qui remodèle des paragraphes entiers, cette couche applique un opérateur d'injection contraint par l'étendue $\Psi$. Elle identifie l'écart narratif précis entourant un verbe spécifique et tisse les atomes sémantiques dans le contexte local.
• Contraintes : Le processus respecte une instruction stricte de « Montrer, ne pas dire » (Show, Don't Tell) et une contrainte négative contre l'ajout de nouvelles actions causales. Cela garantit que les modifications restent structurellement subordonnées à l'ossature de l'événement original.

Principales Contributions

1. Cadre LOOM : Un pipeline structuré à trois couches qui opérationnalise la chaîne de pensée sémiotique de la narratologie. Il permet un contrôle précis à la fois sur l'intention narrative et la densité de rendu, séparant la génération de matériel perceptuel de l'insertion syntaxique.
2. Protocole d'Évaluation Fondé sur la Théorie : Les auteurs conçoivent une rubrique multidimensionnelle (RPB, RMC, RSI) ancrée dans la distinction histoire-discours. Elle mesure explicitement l'intensité expressive et l'adhérence aux événements sources, répondant aux limites des métriques standards qui confondent l'enrichissement stylistique et l'altération de l'intrigue.
3. Évaluation Complète : À travers des métriques basées sur les LLM, des évaluations humaines et des études d'ablation, l'article démontre que LOOM résout la tension entre l'intégrité factuelle et l'intensité descriptive, surpassant les bases de référence de l'état de l'art.

Résultats Expérimentaux

L'évaluation a utilisé le jeu de données ROCStories (récits de 5 phrases avec une texture descriptive minimale) et a comparé LOOM à des modèles standards (série Qwen2.5) et des modèles enrichis par le raisonnement (Qwen3, o4-mini, GPT-5-thinking).

• Équilibre de la Proportion de Rendu (RPB) : Les modèles de base ont obtenu un score proche de 1,0 (indiquant une expansion excessive). LOOM a atteint 2,83 (proche de l'idéal de 3), démontrant un contrôle efficace de la verbosité.
• Conformité de la Méthode de Rendu (RMC) : LOOM a obtenu 4,83, surpassant nettement les bases de référence (ex: GPT-5-thinking à 4,29, Qwen2.5-7B à 2,45). Cela confirme la capacité de LOOM à enrichir le texte sans halluciner de nouveaux éléments d'intrigue.
• Intégration Stylistique (RSI) : Bien que GPT-5-thinking ait obtenu un score légèrement supérieur (4,33 contre 3,93), cela était dû à des stratégies de réécriture de paragraphes qui sacrifiaient la fidélité. LOOM a maintenu une intégration élevée tout en préservant la structure originale.
• Performance Globale : LOOM a obtenu le score global le plus élevé (3,86) en évaluation automatisée et 3,77 en évaluation humaine, surpassant significativement la base de référence GPT-5-thinking (2,77).
• Études d'Ablation : La suppression de la couche Création de Sens a provoqué une chute de la fidélité (RMC), tandis que la suppression de la couche Rendu Narratif (remplaçant l'injection par la réécriture) a dégradé la cohérence (RSI).
• Précision du Contrôle : Le système a démontré une adhérence parfaite (précision de 1,00) tant pour le quota total que pour la limite par verbe, l'expansion des tokens augmentant linéairement avec le budget assigné.

Signification et Revendications

L'article affirme que LOOM résout avec succès la tension fondamentale de l'aide à l'écriture créative par IA : le compromis entre l'intégrité factuelle et l'intensité descriptive. En découplant la génération de matériel perceptuel de l'insertion syntaxique, LOOM garantit que l'amélioration narrative se produit sans violer la structure de l'événement original.

Les auteurs soutiennent que ce travail fournit le premier cadre computationnel capable de contrôler précisément l'amélioration au sein de la couche perceptuelle. Ils concluent que l'intégration de contraintes structurelles (via le pipeline à trois couches) est viable pour une co-écriture humain-IA fiable et créative, passant du simple « polissage rémédiatif » au « rendu narratif » actif.

Limites Reconnues : Les auteurs notent que la dépendance de LOOM aux structures histoire-discours linéaires limite son applicabilité immédiate à la poésie ou aux intrigues non linéaires, et que les travaux futurs étudieront l'automatisation par agents et la distillation pour répondre à ces contraintes.