Technische Samenvatting: LOOM – Controleerbare Narratieve Rendering voor Verbeterde Ondersteunde Schrijfprocessen

Probleemstelling

Ondanks de bekwaamheid van Large Language Models (LLM's) in basismatige schrijfhulp (grammaticale correctie, verbetering van vloeiendheid), wordt hun toepassing op creatief schrijven belemmerd door een "binaire mislukking". Huidige systemen oscilleren tussen twee extremen:

1. Remediële Polijsting: Veilige, oppervlakkige bewerking die er niet in slaagt de leeservaring te verbeteren of de perceptuele textuur van de tekst te transformeren.
2. Destructieve Expansie: Ongecontroleerde plotexpansie waarbij modellen, wanneer ze worden gevraagd om expressiviteit, nieuwe gebeurtenissen hallucineren of de causale structuur van het verhaal veranderen.

Dit dilemma vertegenwoordigt een kritieke afruil tussen narratieve getrouwheid (het behoud van de oorspronkelijke verhaalgebeurtenissen) en beschrijvende intensiteit (het versterken van atmosfeer, stemming en zintuiglijke details). Bestaande kaders missen de granulariteit om het verhaal (wat er gebeurt) te ontkoppelen van de discursus (hoe het verteld wordt), waarbij ze stilistische verrijking vaak verwarren met plotwijziging.

Methodologie: Het LOOM-kader

De auteurs stellen LOOM voor, een kader voor ondersteund schrijven dat geworteld is in de narratologische theorie (specifiek het onderscheid tussen verhaal en discursus). LOOM operationaliseert een drielaagse pijplijn met behulp van een op rollenspel gebaseerde semiotische keten van gedachten (chain-of-thought) om precieze controle uit te oefenen op de narratieve intentie en de dichtheid van de rendering.

1. Perceptie-quota Laag (Begrensde Allocatie)

Deze laag fungeert als een "actuariële budgetbeheerder". In plaats van direct inhoud te genereren, bepaalt deze laag waar en hoeveel detail moet worden geïnjecteerd.

• Input: Ruwe tekst $T$, narratieve intentie $I$, en een globaal zintuiglijk budget $\Omega_{total}$.
• Mechanisme: Het systeem extraheert gebeurtenisdragende werkwoorden $V$ en wijst een quotavector $q_i$ toe aan elk werkwoord over zeven zintuiglijke dimensies (Visueel, Auditief, Olfactorisch, Gustatorisch, Tactiel, Interoceptief, Kinesthetisch).
• Restricties: De allocatie moet voldoen aan een globaal budgetplafond ($\sum \|q_i\|_1 = \Omega_{total}$) en een lokale limiet ($\|q_i\|_1 \le \Omega_{max}$) om te voorkomen dat een enkele gebeurtenis wordt overstemd. Centrale werkwoorden ontvangen hogere allocaties; perifere werkwoorden ontvangen nul.

2. Betekenisgeving Laag (Semiotische Transformatie)

Deze laag functioneert als een "narratieve semioticus", die abstracte numerieke quota transformeert in concrete, met de intentie in overeenstemstige semantische symbolen.

• Mechanisme: Voor elk niet-nul quota voert het model een semantische mapping $\Phi$ uit, gestuurd door een semiotische keten van gedachten. Het redeneert hoe een fysieke sensatie de abstracte intentie belichaamt.
• Output: Het genereert semantische atomen (minimale conceptuele eenheden, bijv. "muffe lucht" of "ver weg gedempte klap") in plaats van volledige zinnen. Cruciaal is dat het een redeneerspoor $J_{i,j}$ produceert dat dient als de cognitieve brug tussen de concrete drager en de abstracte intentie, wat ervoor zorgt dat het detail thematisch relevant is.

3. Narratieve Rendering Laag (Microchirurgische Injectie)

Deze laag voert de integratie van semantische atomen in de oorspronkelijke tekst uit.

• Mechanisme: In tegenstelling tot standaard generatieve herschrijving die hele paragrafen hervormt, past deze laag een span-beperkte injectie-operator $\Psi$ toe. Het identificeert de precieze narratieve kloof rond een specifelijk werkwoord en weeft de semantische atomen in de lokale context.
• Restricties: Het proces houdt zich strikt aan een "Show, Don't Tell"-instructie en een negatieve restrictie tegen het toevoegen van nieuwe causale acties. Dit zorgt ervoor dat modificaties structureel ondergeschikt blijven aan de oorspronkelijke gebeurtenis-backbone.

Belangrijkste Bijdragen

1. LOOM-kader: Een gestructureerde, drielaagse pijplijn die de narratologische semiotische keten van gedachten operationaliseert. Het maakt precieze controle mogelijk over zowel de narratieve intentie als de renderingdichtheid, door de generatie van perceptueel materiaal te scheiden van syntactische insertie.
2. Theoretisch Onderbouwd Evaluatieprotocol: De auteurs ontwerpen een multidimensionale rubric (RPB, RMC, RSI) die geworteld is in het onderscheid tussen verhaal en discursus. Dit meet expliciet de expressieve intensiteit en de naleving van de brongebeurtenissen, waarmee de beperkingen van standaard metrieken worden geadresseerd die stilistische verrijking verwarren met plotwijziging.
3. Uitgebreide Evaluatie: Door middel van LLM-gebaseerde metrieken, menselijke beoordelingen en ablatie-studies demonstreert het artikel dat LOOM de spanning tussen feitelijke integriteit en beschrijvende intensiteit oplost, waarbij het superieur is aan de huidige state-of-the-art baselines.

Experimentele Resultaten

De evaluatie maakte gebruik van de ROCStories dataset (5-zins narratieven met minimale beschrijvende textuur) en vergeleek LOOM met standaardmodellen (Qwen2.5-serie) en redeneringsversterkte modellen (Qwen3, o4-mini, GPT-5-thinking).

• Rendering Proportion Balance (RPB): Baselines scoorden nabij 1.0 (wat duidt op overweldigende expansie). LOOM bereikte 2.83 (nabij het ideale 3), wat effectieve controle over verbositeit aantoont.
• Rendering Method Compliance (RMC): LOOM behaalde 4.83, waarmee het significant beter presteerde dan baselines (bijv. GPT-5-thinking met 4.29, Qwen2.5-7B met 2.45). Dit bevestigt het vermogen van LOOM om tekst te verbeteren zonder nieuwe plotelementen te hallucineren.
• Stylistic Integration (RSI): Hoewel GPT-5-thinking iets hoger scoorde (4.33 vs. 3.93), werd dit toegeschreven aan paragraaf-herschrijvingsstrategieën die ten koste gingen van de getrouwheid. LOOM behield een hoge integratie terwijl de oorspronkelijke structuur werd bewaard.
• Algemene Prestaties: LOOM behaalde de hoogste algemene score (3.86) in automatische evaluatie en 3.77 in menselijke evaluatie, waarmee het de GPT-5-thinking baseline (2.77) aanzienlijk versloeg.
• Ablatie-studies: Het verwijderen van de Meaning Making-laag veroorzaakte een daling in getrouwheid (RMC), terwijl het verwijderen van de Narrative Rendering-laag (het vervangen van injectie door herschrijving) de coherentie (RSI) verslechterde.
• Controle Nauwkeurigheid: Het systeem demonstreerde perfecte naleving (1.00 nauwkeurigheid) van zowel de totale quota als de per-werkwoord ingestelde limieten, waarbij de token-expansie lineair schaalde met het toegewezen budget.

Betekenis en Claims

Het artikel claimt dat LOOM succesvol de fundamentele spanning in AI-ondersteund creatief schrijven oplost: de afruil tussen feitelijke integriteit en beschrijvende intensiteit. Door de generatie van perceptueel materiaal te ontkoppelen van syntactische insertie, zorgt LOOM ervoor dat narratieve verbetering plaatsvindt zonder de oorspronkelijke gebeurtenisstructuur te schenden.

De auteurs stellen dat dit werk het eerste computationele kader is dat in staat is tot precieze controle over de versterking binnen de perceptuele laag. Ze concluderen dat het integreren van structurele restricties (via de drielaagse pijplijn) levensvatbaar is voor betrouwbaar, creatief mens-AI co-schrijven, waarbij men beweegt van "remediële polijsting" naar actieve "narratieve rendering".

Erkende Beperkingen: De auteurs merken op dat de afhankelijkheid van LOOM van lineaire verhaal-discursusstructuren de directe toepasbaarheid op poëzie of niet-lineaire plots beperkt, en toekomstig werk zal agent-gebaseerde automatisering en distillatie onderzoeken om deze beperkingen aan te pakken.