論文の概要: Why is AI-generated language so hard to understand?

• arxiv url: http://arxiv.org/abs/2610.29162v1
• Date: Wed, 21 Oct 2026 03:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.195395
• Title: Why is AI-generated language so hard to understand?
• Title（参考訳）: なぜAI生成言語は理解しづらいのか?
• Abstract要約: AIモデルは、ラウンドトリップ翻訳によって生成されるパラフレーズよりも、難しい特徴を使用することが多い。 我々は、なぜAI生成テキストが数学、コード、推論といった他の目標に最適化されているのかという仮説を提案し、テストする。
• 参考スコア（独自算出の注目度）: 10.556437572315096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is a widespread sense that AI-generated text has recently become harder to understand. In this study, we investigate a set of psycholinguistic features that are known to correlate with human processing difficulty (e.g., object relative clauses, long syntactic dependencies, low-frequency n-grams). Using a novel corpus of AI-generated text across diverse domains, we find that AI models use these difficult features more often than paraphrases generated by round-trip translation. Compared with human writing, all nine frontier and near-frontier models use more inanimate subjects with animate verbs and more low-frequency n-grams, and most also use longer dependencies, more stacked nouns, and more reduced object relatives in conversation; we also demonstrate substantial variation across model families. We propose and test a hypothesis as to why: while human language is optimized for successful communication, AI-generated text is increasingly optimized for other goals like math, code, and reasoning, in which there is a pressure for \textit{information density} rather than successful communication. We provide a proof-of-concept for this hypothesis by fine-tuning a language model under a length penalty, which leads to a divergence from human-like linguistic behavior. Our findings highlight the axes of misalignment between linguistic processing demands in humans and LLMs, and point toward possible remedies.
• Abstract（参考訳）: AI生成されたテキストは、最近理解しにくくなっているという広義の感覚がある。 本研究では,人間の処理困難度(例えば,対象相対節,長期構文依存,低周波n-gram)と相関することが知られている心理言語学的特徴の集合について検討した。 さまざまな領域にまたがるAI生成テキストの新しいコーパスを用いて、AIモデルは、ラウンドトリップ翻訳によって生成されたパラフレーズよりも、これらの難しい特徴を頻繁に使用する。 ヒトの文章と比較して、9つのフロンティアとニアフロンティアのモデルでは、アニメートな動詞と低周波なn-gramの被写体を使い、ほとんどのモデルでは、より長い依存関係、より積み重ねられた名詞、会話におけるオブジェクト親戚の減少も示しています。 人間の言語がコミュニケーションを成功させるために最適化されている一方で、AIが生成するテキストは、コミュニケーションを成功させるよりもむしろ‘textit{information density’をプレッシャーとする数学、コード、推論といった他の目標に対して、ますます最適化されている。 本研究では,言語モデルを長さのペナルティの下で微調整することにより,人間のような言語行動から逸脱することによる,この仮説に対する概念実証を行う。 本研究は, 言語処理要求と言語処理要求の相違点を浮き彫りにし, 治療の可能性を示唆するものである。

関連論文リスト

• Sentiment Reasoning for Healthcare [8.782973743060664]
  音声とテキストの両方のモダリティに対して、新しいタスク、Sentiment Reasoningを導入する。 感性推論は感情分析における補助的タスクであり、モデルが感情ラベルの両方を予測し、入力の書き起こしに基づいてその背景にある理性を生成する。 本研究は,人文文字と自動音声認識(ASR)文字の双方について検討した。
  論文  参考訳（メタデータ） (2024-07-24T12:07:54Z)
• Visual Grounding Helps Learn Word Meanings in Low-Data Regimes [47.7950860342515]
  現代のニューラル言語モデル(LM)は、人間の文の生成と理解をモデル化するための強力なツールである。 しかし、これらの結果を得るためには、LMは明らかに非人間的な方法で訓練されなければならない。 より自然主義的に訓練されたモデルは、より人間らしい言語学習を示すのか? 本稿では,言語習得における重要なサブタスクである単語学習の文脈において,この問題を考察する。
  論文  参考訳（メタデータ） (2023-10-20T03:33:36Z)
• Testing AI on language comprehension tasks reveals insensitivity to underlying meaning [3.335047764053173]
  LLM(Large Language Models)は、臨床支援や法的支援から、質問応答や教育まで幅広い分野で採用されている。 しかし、リバースエンジニアリングはモラベックのパラドックスによって拘束されており、簡単なスキルは難しい。 新たなベンチマークで7つの最先端モデルを体系的に評価する。
  論文  参考訳（メタデータ） (2023-02-23T20:18:52Z)
• Is This Abstract Generated by AI? A Research for the Gap between AI-generated Scientific Text and Human-written Scientific Text [13.438933219811188]
  本稿では,AIが生み出す科学内容と人間による文章とのギャップについて検討する。 我々は、AI生成科学テキストと人文科学テキストの間に、文章スタイルのギャップがあることを発見した。
  論文  参考訳（メタデータ） (2023-01-24T04:23:20Z)
• Structured, flexible, and robust: benchmarking and improving large language models towards more human-like behavior in out-of-distribution reasoning tasks [39.39138995087475]
  言語単独で統計的パターンを学習することで、どの程度の人間的な思考を捉えることができるのかを問う。 本ベンチマークは2つの問題解決領域(計画と説明生成)を含み,一般化を必要とするように設計されている。 このベンチマークでは、人間はLSMよりもはるかに堅牢であることが分かりました。
  論文  参考訳（メタデータ） (2022-05-11T18:14:33Z)
• On the probability-quality paradox in language generation [76.69397802617064]
  我々は情報理論レンズを用いて言語生成を分析する。 人間の言語は自然文字列上の分布のエントロピーに近い量の情報を含むべきであると仮定する。
  論文  参考訳（メタデータ） (2022-03-31T17:43:53Z)
• Locally Typical Sampling [84.62530743899025]
  我々は、今日の確率的言語ジェネレータが、一貫性と流動性のあるテキストを生成する際に不足していることを示します。 本稿では,確率モデルから生成する際の,この基準を強制するための簡易かつ効率的な手順を提案する。
  論文  参考訳（メタデータ） (2022-02-01T18:58:45Z)
• Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
  本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。 対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-14T14:54:58Z)
• 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)
• Information-Theoretic Probing for Linguistic Structure [74.04862204427944]
  本稿では,相互情報を推定するための情報理論による探索運用手法を提案する。 我々は,NLP研究でしばしば不足している10の型的多様言語について評価した。
  論文  参考訳（メタデータ） (2020-04-07T01:06:36Z)

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。