技術要約：LOOM – 高度な支援執筆のための制御可能な物語レンダリング

問題提起

大規模言語モデル（LLM）は、基本的な執筆支援（文法修正、流暢さの向上）において高い習熟度を示しているものの、その創造的な執筆への応用は、「二項対立的な失敗」によって阻害されている。現在のシステムは、以下の2つの極端な状態の間で揺れ動いている：

1. 修復的ポリッシング（Remedial Polishing）： 安全だが表面的な編集にとどまり、読者の体験を強化したり、テキストの知覚的な質感を変容させたりすることには失敗する。
2. 破壊的拡張（Destructive Expansion）： モデルが表現力を求めてプロンプトを与えられた際、制御不能なプロットの拡張を引き起こし、新たな出来事を幻覚（ハルシネーション）として生成したり、物語の因果構造を改変したりしてしまう。

このジレンマは、物語の忠実性（元の物語の出来事を保持すること）と描写の強度（雰囲気、ムード、感覚的詳細を強化すること）の間の決定的なトレードオフを象徴している。既存のフレームワークは、物語（何が起こるか）とディスクール（それがどのように語られるか）を分離する粒度が不足しており、様式的な豊穣化とプロットの改変をしばしば混同している。

手法：LOOMフレームワーク

著者らは、物語論的理論（特に物語とディスクールの区別）に基づいた支援執筆フレームワークであるLOOMを提案する。LOOMは、物語の意図とレンダリング密度を精密に制御するために、ロールプレイに基づいたセミオティック・チェーン・オブ・ソート（記号論的な思考の連鎖）を用いた3層のパイプラインを具現化する。

1. 知覚クォータ層（限定的配分）

この層は「保険数理的な予算管理者」として機能する。即座にコンテンツを生成するのではなく、どこに、どの程度の詳細を注入するかを決定する。

• 入力： 生のテキスト $T$、物語の意図 $I$、およびグローバルな感覚予算 $\Omega_{total}$。
• メカニズム： システムは出来事を運ぶ動詞 $V$ を抽出し、7つの感覚次元（視覚、聴覚、嗅覚、味覚、触覚、内受感覚、運動感覚）にわたって各動詞に対してクォータ・ベクトル $q_i$ を割り当てる。
• 制約： 配分はグローバルな予算制約（$\sum \|q_i\|_1 = \Omega_{total}$）およびローカルな上限（$\|q_i\|_1 \le \Omega_{max}$）を満たさなければならない。これにより、単一の出来事が圧倒されるのを防ぐ。中心的な動詞には高い配分が行われ、周辺的な動詞にはゼロが割り当てられる。

2. 意味生成層（記号論的変換）

この層は「物語の記号論者」として機能し、抽象的な数値クォータを、意図に沿った具体的な意味的シンボルへと変換する。

• メカニズム： 非ゼロのクォータごとに、モデルはセミオティック・チェーン・オブ・ソートを用いて、意味写像 $\Phi$ を実行する。モデルは、物理的な感覚がいかにして抽象的な意図を具現化するかを推論する。
• 出力： 完全な文章ではなく、意味的原子（最小の概念単位、例：「淀んだ空気」や「遠くのドスンという音」）を生成する。決定的なのは、具体的な担体と抽象的な意図の間の認知的架け橋として機能する推論の痕跡 $J_{i,j}$ を生成することであり、これにより詳細がテーマに関連することを保証する。

3. 物語レンダリング層（微細外科的注入）

この層は、意味的原子を元のテキストへと統合するプロセスを実行する。

• メカニズム： テキスト全体を書き換える標準的な生成的書き換えとは異なり、この層はスパン制約付き注入演算子 $\Psi$ を適用する。これは、特定の動詞の周囲にある正確な物語の隙間を特定し、意味的原子をローカルな文脈へと織り込む。
• 制約： プロセスは「語らずに示せ（Show, Don't Tell）」という指示と、新たな因果的アクションを追加しないという負の制約を遵守する。これにより、修正が元の出来事のバックボーンに対して構造的に従属した状態に留まることを保証する。

主な貢献

1. LOOMフレームワーク： 物語論的なセミオティック・チェーン・オブ・ソートを具現化した、構造化された3層のパイプライン。これは、知覚的素材の生成と構文的挿入を分離することで、物語の意図とレンダリング密度の両方に対する精密な制御を可能にする。
2. 理論に基づいた評価プロトコル： 著者らは、物語とディスクールの区別に根ざした多次元ルーブリック（RPB, RMC, RSI）を設計した。これは、様式的な豊穣化とプロットの改変を混同してしまう標準的な指標の限界に対処し、表現の強度とソースイベントへの遵守を明示的に測定する。
3. 包括的な評価： LLMベースの指標、人間による評価、およびアブレーション研究を通じて、LOOMが事実の完全性と描写の強度の間の緊張関係を解消し、最先端のベースラインを凌駕することを実証している。

実験結果

評価には ROCStories データセット（記述的なテクスチャが最小限である5文の物語）を用い、LOOMを標準的なモデル（Qwen2.5シリーズ）および推論強化モデル（Qwen3, o4-mini, GPT-5-thinking）と比較した。

• レンダリング比率のバランス (RPB)： ベースラインモデルは1.0に近いスコア（過剰な拡張を示唆）となった。対してLOOMは 2.83（理想的な3に近い値）を達成し、冗長性の効果的な制御を実証した。
• レンダリング手法の遵守 (RMC)： LOOMは 4.83 を記録し、ベースライン（例：GPT-5-thinkingの4.29、Qwen2.5-7Bの2.45）を大幅に上回った。これは、LOOMが新たなプロット要素を幻覚させることなく、テキストを強化できることを裏付けている。
• 様式的統合 (RSI)： GPT-5-thinkingはわずかに高いスコア（4.33 vs 3.93）を記録したが、これは忠実度を犠牲にしたパラグラフ書き換え戦略によるものである。LOOMは高い統合性を維持しながら、元の構造を保持した。
• 総合的なパフォーマンス： LOOMは自動評価において最高のスコア（3.86）を獲得し、人間による評価においても 3.77 を記録し、GPT-5-thinkingのベースライン（2.77）を大幅に上回った。
• アブレーション研究： 意味生成 層を取り除くと忠実度（RMC）が低下し、物語レンダリング 層を取り除いて（注入を書き換えに置き換えて）整合性（RSI）が低下した。
• 制御精度： システムは、総クォータおよび動詞ごとの上限制約の両方に対して完璧な遵守（精度1.00）を示し、トークンの拡張は割り当てられた予算に応じて線形にスケールした。

意義と主張

本論文は、LOOMが創造的な執筆における根本的な緊張関係、すなわち事実の完全性と描写の強度の間のトレードオフを解決することに成功したと主張している。知覚的素材の生成を構文的挿入から切り離すことで、LOOMは元のイベント構造を侵害することなく物語の強化を実現する。

著者らは、本研究が、知覚レイヤー内での強化を精密に制御できる最初の計算論的フレームワークを提供すると断言している。彼らは、構造的制約（3層パイプラインによる）を統合することが、信頼性の高い創造的な人間とAIの共同執筆にとって実行可能であることを結論づけており、単なる「修復的ポリッシング」を超えた、能動的な「物語のレンダリング」へと移行させている。

認められた限界： 著者らは、LOOMの線形な物語・ディスクール構造への依存が、詩や非線形なプロットへの即時的な適用を制限していることを指摘しており、今後の課題として、これらの制約に対処するためのエージェントベースの自動化および蒸留について調査するとしている。