Resumo Técnico: LOOM – Renderização Narrativa Controlável para Escrita Assistida Aperfeiçoada

Declaração do Problema

Apesar da proficiência dos Grandes Modelos de Linguagem (LLMs) na assistência básica à escrita (correção gramatical, melhoria de fluidez), sua aplicação à escrita criativa é dificultada por uma "falha binária". Os sistemas atuais oscilam entre dois extremos:

1. Polimento Remediador: Edição segura e superficial que falha em melhorar a experiência do leitor ou transformar a textura perceptual do texto.
2. Expansão Destrutiva: Expansão incontrolável do enredo onde os modelos, quando instigados pela expressividade, alucinam novos eventos ou alteram a estrutura causal da história.

Este dilema representa um compromisso crítico entre fidelidade narrativa (preservar os eventos originais da história) e intensidade descritiva (melhorar a atmosfera, o tom e o detalhe sensorial). Os frameworks existentes carecem da granularidade necessária para desacoplar a história (o que acontece) do discurso (como ela é contada), frequentemente confundindo o enriquecimento estilístico com a alteração do enredo.

Metodologia: O Framework LOOM

Os autores propõem o LOOM, um framework de escrita assistida fundamentado na teoria narratológica (especificamente a distinção entre história e discurso). O LOOM operacionaliza um pipeline de três camadas usando uma cadeia de pensamento semiótica baseada em role-play para impor controle preciso sobre a intenção narrativa e a densidade de renderização.

1. Camada de Quota de Percepção (Alocação Limitada)

Esta camada atua como um "orçamentador atuarial". Em vez de gerar conteúdo imediatamente, ela determina onde e quanto detalhe injetar.

• Entrada: Texto bruto $T$, intenção narrativa $I$ e um orçamento sensorial global $\Omega_{total}$.
• Mecanismo: O sistema extrai verbos portadores de eventos $V$ e atribui um vetor de cota $q_i$ para cada verbo através de sete dimensões sensoriais (Visual, Auditiva, Olfativa, Gustativa, Tátil, Interoceptiva, Cinestésica).
• Restrições: A alocação deve satisfazer uma restrição de orçamento global ($\sum \|q_i\|_1 = \Omega_{total}$) e um limite local ($\|q_i\|_1 \le \Omega_{max}$) para evitar que qualquer evento individual seja sobrecarregado. Verbos centrais recebem alocações maiores; verbos periféricos recebem zero.

2. Camada de Construção de Significado (Transformação Semiótica)

Esta camada funciona como um "semioticiano narrativo", transformando cotas numéricas abstratas em símbolos semânticos concretos e alinhados à intenção.

• Mecanismo: Para cada cota não nula, o modelo realiza um mapeamento semântico $\Phi$ impulsionado por uma cadeia de pensamento semiótica. Ele raciocina como uma sensação física incorpora a intenção abstrata.
• Saída: Ele gera átomos semânticos (unidades conceituais mínimas, ex: "ar estagnado" ou "baque distante") em vez de frases completas. Crucialmente, produz um traço de raciocínio $J_{i,j}$ que serve como a ponte cognitiva entre o portador concreto e a intenção abstrata, garantindo que o detalhe seja tematicamente relevante.

3. Camada de Renderização Narrativa (Injeção Microcirúrgica)

Esta camada executa a integração dos átomos semânticos no texto original.

• Mecanismo: Diferente da reescrita generativa padrão que remodela parágrafos inteiros, esta camada aplica um operador de injeção com restrição de intervalo $\Psi$. Ela identifica a lacuna narrativa precisa ao redor de um verbo específico e tece os átomos semânticos no contexto local.
• Restrições: O processo adere a uma instrução estrita de "Mostre, Não Conte" (Show, Don't Tell) e a uma restrição negativa contra a adição de novas ações causais. Isso garante que as modificações permaneçam estruturalmente subordinadas ao esqueleto do evento original.

Principais Contribuições

1. Framework LOOM: Um pipeline estruturado de três camadas que operacionaliza a cadeia de pensamento semiótica da narrativa. Ele permite o controle preciso tanto sobre a intenção narrativa quanto sobre a densidade de renderização, separando a geração de material perceptual da inserção sintática.
2. Protocolo de Avaliação Teoricamente Informado: Os autores projetam uma rubrica multidimensional (RPB, RMC, RSI) fundamentada na distinção história-discurso. Isso mede explicitamente a intensidade expressiva e a aderência aos eventos da fonte, abordando as limitações de métricas padrão que confundem o enriquecimento estilístico com a alteração do enredo.
3. Avaliação Abrangente: Através de métricas baseadas em LLM, avaliações humanas e estudos de ablação, o artigo demonstra que o LOOM resolve a tensão entre integridade factual e intensidade descritiva, superando baselines de estado da arte.

Resultados Experimentais

A avaliação utilizou o dataset ROCStories (narrativas de 5 frases com textura descritiva mínima) e comparou o LOOM com modelos padrão (série Qwen2.5) e modelos com raciocínio aprimorado (Qwen3, o4-mini, GPT-5-thinking).

• Equilíbrio de Proporção de Renderização (RPB): Modelos baseline pontuaram próximo a 1.0 (indicando expansão excessiva). O LOOM alcançou 2.83 (próximo ao ideal 3), demonstrando controle eficaz sobre a verbosidade.
• Conformidade do Método de Renderização (RMC): O LOOM alcançou 4.83, superando significativamente os baselines (ex: GPT-5-thinking com 4.29, Qwen2.5-7B com 2.45). Isso confirma a capacidade do LOOM de aprimorar o texto sem alucinar novos elementos do enredo.
• Integração Estilística (RSI): Embora o GPT-5-thinking tenha pontuado ligeiramente mais alto (4.33 vs. 3.93), isso foi atribuído a estratégias de reescrita de parágrafos que sacrificam a fidelidade. O LOOM manteve alta integração enquanto preservava a estrutura original.
• Desempenho Geral: O LOOM alcançou a maior pontuação geral (3.86) em avaliação automatizada e 3.77 em avaliação humana, superando significativamente o baseline GPT-5-thinking (2.77).
• Estudos de Ablação: Remover a camada de Construção de Significado causou uma queda na fidelidade (RMC), enquanto remover a camada de Renderização Narrativa (substituindo a injeção por reescrita) degradou a coerência (RSI).
• Precisão de Controle: O sistema demonstrou adesão perfeita (precisão de 1.00) tanto às restrições de cota total quanto ao limite por verbo, com a expansão de tokens escalando linearmente com o orçamento atribuído.

Significância e Alegações

O artigo afirma que o LOOM resolve com sucesso a tensão fundamental na escrita criativa assistida por IA: o compromisso entre integridade factual e intensidade descritiva. Ao desacoplar a geração de material perceptual da inserção sintática, o LOOM garante que o aprimoramento narrativo ocorra sem violar a estrutura do evento original.

Os autores afirmam que este trabalho fornece o primeiro framework computacional capaz de controlar precisamente o aprimoramento dentro da camada perceptual. Eles concluem que a integração de restrições estruturais (via o pipeline de três camadas) é viável para a coescrita humana-IA confiável, indo além do "polimento remediador" para a "renderização narrativa" ativa.

Limitações Reconhecidas: Os autores observam que a dependência do LOOM de estruturas lineares de história-discurso limita sua aplicabilidade imediata à poesia ou enredos não lineares, e trabalhos futuros investigarão a automação baseada em agentes e destilação para abordar essas restrições.