Del machine learning al aprendizaje de taller literario. Hacia una metodología de las relaciones entre ficción literaria y grandes modelos de lenguaje
From machine learning to literary workshop learning. Towards a methodology of the relationships between literary fiction and large language models
DOI:
https://doi.org/10.5944/signa.vol35.2026.44057Resumen
Este artículo propone una reflexión metodológica y epistemológica sobre el modo de concebir y evaluar la capacidad de escribir textos literarios ficcionales de los grandes modelos de lenguaje, o large language models, en inglés (LLM). Comenzamos describiendo algunas de las dificultades estructurales de esta relación, que se resumen en el antagonismo entre la naturaleza autorregresiva de los LLM —que los lleva a elegir unas palabras sobre otras por una cuestión de probabilidad estadística— y el carácter asistemático de la escritura literaria de ficción. Posteriormente justificamos que la mejor forma de comprobar el potencial de los LLM para esta tarea es una metodología de prompt múltiple expresada en términos literarios —es decir, subjetivos y asistemáticos—. Por último, se analizan los resultados de un experimento que siguió esta premisa, y en el que se apreció una clara mejoría entre la primera versión y la quinta del texto, entre las que mediaron cuatro rondas de prompts con veintinueve correcciones concretas.
Palabras clave: Grandes modelos de lenguaje. Aprendizaje automático. Inteligencia Artificial Generativa. Literatura.
Abstract: This article proposes a methodological and epistemological reflection on the conceptualization and evaluation of the capacity of Large Language Models (LLMs) to generate fictional literary texts. It, first, describes some structural difficulties of this relationship, summarized in the antagonism between the autoregressive nature of LLMs —which leads them to choose certain words over others due to a matter of statistical probability— and the unsystematic nature of fictional literary writing. Secondly, the article proposes that the best way to test the potential of LLMs for this task is a multiple-prompt methodology expressed in literary terms —that is, subjective and unsystematic. In an experiment following this premise, the results show a clear improvement between the first and the fifth version of the text, with four rounds of prompts and twenty-nine specific corrections.
Keywords: Large Language Models. Machine Learning. Generative Artificial Intelligence. Literature.
Descargas
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Miguel Amores Fúster
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la Creative Commons CC-BY-NC 4.0 Internacional, que permite a terceros citar el texto y usarlo sin alterarlo y sin beneficio económico, siempre que mencionen la autoría del trabajo y la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro), siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- SIGNA no se responsabiliza de los contenidos, juicios y opiniones expresados por autores y reseñistas. El/la firmante de un artículo se responsabiliza de las licencias de uso de las imágenes incluidas, cuando las haya.
