論文の概要: Artificial Epanorthosis: Why large language models overuse a classical rhetorical figure, and how to mitigate it

• arxiv url: http://arxiv.org/abs/2607.21498v1
• Date: Thu, 23 Jul 2026 16:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.486419
• Title: Artificial Epanorthosis: Why large language models overuse a classical rhetorical figure, and how to mitigate it
• Title（参考訳）: 人工失語症:なぜ大きな言語モデルが古典的修辞学的な数字を過大に用い、それを緩和するか
• Abstract要約: CiceroとQuintilianが2000年前にカタログ化した修辞学的な人物が、大規模言語モデルのテキストで体系的に再登場した。 このエッセイは、過剰使用は訓練された処分であり、主にプロモーションの散文に富んだ訓練分布によって引き起こされていると論じている。 モデルが人間の修辞的スタイルから分岐する証拠に基づいて、ジャンル固有の人間のベースラインに対してその図をスコアするプログラムをセットする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A rhetorical figure that Cicero and Quintilian catalogued two thousand years ago reappears, systematically, in the text of large language models: epanorthosis, the self-correction of the specimen «This is not a course. It is a journey of transformation». This essay argues that the overuse is a trained disposition, driven mainly by a training distribution rich in promotional prose and by preference tuning (RLHF) that rewards confident, emphatic phrasing; the left-to-right nature of generation is an amplifier rather than the root cause. Building on evidence that models diverge from human rhetorical style, and on Fontanier's classification of epanorthosis as a figure of thought, it sets out a programme that scores the figure against genre-specific human baselines through an Epanorthosis Index (density relative to the human rate). A first measurement, on three sizes of one instruction-tuned model family, finds mis-calibration by register in both directions: the models overshoot in oratory (about twofold, near threefold in Italian, concentrated in the larger tiers) and undershoot in informal question-and-answer writing, while matching humans in argument, journalism, and encyclopedic prose. Three constructive contributions follow: a survey of mitigation techniques centred on lightweight LoRA adapters; a demonstration, in Italian, that a one-line instruction cuts the figure by half to nearly three-quarters and that a supervised-fine-tuning adapter removes it almost entirely, with a scaling coefficient that dials the reduction back onto the human rate; and the argument that the target is calibration to the human rate for each genre, not elimination. It closes on the stakes: the real risk is that we begin to write like the machines.
• Abstract（参考訳）: Cicero と Quintilian が2000年前に分類した修辞学的な人物像は、大規模な言語モデルのテキストで体系的に再出現した: エパノラトシス、標本の自己補正。これはコースではない。これは変換の旅である。 このエッセイは、過剰使用は訓練された配置であり、主にプロモーションの散文に富んだ訓練分布と、自信と強調的な表現に報酬を与える選好チューニング(RLHF)によって駆動される。 モデルが人間の修辞的スタイルから分岐する証拠に基づいており、フォンタニエのエパノラトシスを思考の指標として分類し、エパノラトシス指数(人間率に対する密度)を通じて、ジャンル固有の人間のベースラインに対する数字をスコアするプログラムを定めている。 最初の測定は、1つの命令調整されたモデルファミリーの3つのサイズで、口頭語でオーバーシュートされたモデル(約2倍、イタリア語で3倍近く、より大きな階層に集中している)と非公式な質問と回答の文章で下シュートし、議論、ジャーナリズム、百科事典の散文で人間と一致するという、両方の方向の登録による誤校正を見つける。 3つの構成的貢献は以下のとおりである: 軽量のLoRAアダプタを中心とした緩和技術の調査、イタリア語でのデモンストレーションでは、1行の命令で像を4分の1近くに減らし、教師付き微調整アダプターでほぼ完全に取り除くこと。 本当のリスクは、マシンのように書き始めることです。

関連論文リスト

• Automatic Thematic Indexing of Large Literary Corpora: A Machine Learning Approach to Voltaire's Complete Works [0.33985395340995606]
  主題の索引付けは、大規模な文学や歴史の版に学術的にアクセスするために不可欠である。 本稿では,機械学習のセマンティックインデクシングへの応用について検討する。
  論文  参考訳（メタデータ） (2026-07-10T11:54:02Z)
• The Cost of Perfect English: Pragmatic Flattening and the Erasure of Authorial Voice in L2 Writing Supported by GenAI [1.8115445236898322]
  我々は、文化的に好まれる丁寧さと権威的スタンスを体系的に消去する「実用的平坦化」について検討する。 発見は、セマンティック保存パラドックス内のニュアンスな「次元のばらつき」を明らかにする。 我々は、多言語作家が言語強化にGenAIを使用することを許可するために、将来の指導は誤り訂正を超えて進めなければならないと論じている。
  論文  参考訳（メタデータ） (2026-05-13T06:26:18Z)
• Dissecting Subjectivity and the "Ground Truth" Illusion in Data Annotation [23.545262620377887]
  機械学習において、「基底真理」とは、モデルの訓練と評価に使用される正しいラベルを指す。 この体系的な文献レビューは、2020年から2025年の間に発行された研究を7つの主要な会場で分析する。
  論文  参考訳（メタデータ） (2026-02-11T19:45:17Z)
• Do GPT Language Models Suffer From Split Personality Disorder? The Advent Of Substrate-Free Psychometrics [1.1172147007388977]
  我々は,9言語で同一のパーソナリティ質問票を用いたアート言語モデルの現状について述べる。 本研究は,言語間不安定性と言語内不安定性の両方を示唆し,現在の言語モデルが一貫した中核的性格を発達しないことを示す。 これは、これらの基礎モデルに基づく人工知能システムの安全でない振る舞いにつながる可能性がある。
  論文  参考訳（メタデータ） (2024-08-14T08:53:00Z)
• Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation [52.72682366640554]
  著者検証(英語: Authorship Verification, AV)とは、ある特定の著者によって書かれたか、別の人物によって書かれたのかを推測するテキスト分類タスクである。 多くのAVシステムは敵の攻撃に弱いことが示されており、悪意のある著者は、その書体スタイルを隠蔽するか、あるいは他の著者の書体を模倣することによって、積極的に分類者を騙そうとしている。
  論文  参考訳（メタデータ） (2024-03-17T16:36:26Z)
• Detecting Mode Collapse in Language Models via Narration [0.0]
  3つのOpenAI言語モデルからサンプリングした4,374のストーリーについて検討した。 我々は、GPT-3の連続バージョンが「モード崩壊」の度合いの上昇に悩まされていることを示す。 社会学シミュレーションに言語モデルを用いたい研究者にとって,本手法と結果が重要である。
  論文  参考訳（メタデータ） (2024-02-06T23:52:58Z)
• Fine-tuning Language Models for Factuality [96.5203774943198]
  大規模な事前訓練型言語モデル(LLM)は、しばしば伝統的な検索エンジンの代替として、広く使われるようになった。 しかし、言語モデルは説得力のあるが事実的に不正確な主張をしがちである(しばしば「幻覚」と呼ばれる)。 本研究では,人間のラベル付けなしに,より現実的な言語モデルを微調整する。
  論文  参考訳（メタデータ） (2023-11-14T18:59:15Z)
• RLCD: Reinforcement Learning from Contrastive Distillation for Language Model Alignment [121.45689748315125]
  Reinforcement Learning from Contrastive Distillation (RLCD) は、人間のフィードバックを使わずに言語モデルを調整する方法である。 RLCDは2つの対照的なモデル出力から選好ペアを生成し、1つは、与えられた原則に従うように設計された正のプロンプトを使用し、もう1つは、それらに違反するように設計された負のプロンプトを使用する。 次に、選好ペアを用いて選好モデルを訓練し、強化学習によりベース非整合言語モデルを改善する。
  論文  参考訳（メタデータ） (2023-07-24T17:23:22Z)
• How Should Pre-Trained Language Models Be Fine-Tuned Towards Adversarial Robustness? [121.57551065856164]
  本稿では,情報理論の観点から,新しい対角的微調整法としてロバスト・インフォーマティブ・ファインチューニング(RIFT)を提案する。 RIFTは、微調整プロセス全体を通して、事前訓練されたモデルから学んだ特徴を維持するために客観的モデルを奨励する。 実験の結果, RIFTは2つのNLPタスクにおいて, 最先端のタスクを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-12-22T05:04:41Z)
• Avoiding Inference Heuristics in Few-shot Prompt-based Finetuning [57.4036085386653]
  文ペア分類タスクのプロンプトベースモデルでは,語彙重なりに基づく推論の一般的な落とし穴が依然として残っていることを示す。 そこで,プレトレーニングウェイトを保存する正規化を加えることは,この破壊的な微調整の傾向を緩和するのに有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-09T10:10:29Z)
• Mechanisms for Handling Nested Dependencies in Neural-Network Language Models and Humans [75.15855405318855]
  我々は,「深層学習」手法で訓練された現代人工ニューラルネットワークが,人間の文処理の中心的な側面を模倣するかどうかを検討した。 ネットワークは、大きなコーパスで次の単語を予測するためにのみ訓練されたが、分析の結果、局所的および長距離の構文合意をうまく処理する特別なユニットが出現した。 我々は,複数の名詞の単数/複数状態における体系的な変化を伴う文中の数一致の違反を人間が検出する行動実験において,モデルの予測を検証した。
  論文  参考訳（メタデータ） (2020-06-19T12:00:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。