Τα μοντέλα AI προτιμούν το ανθρώπινο γράψιμο από το AI-γεννημένο γράψιμο

Σύμφωνα με νέα έρευνα, το ChatGPT και παρόμοια μοντέλα δείχνουν σαφή προκατάληψη προς το κείμενο που πιστεύουν ότι γράφτηκε από ανθρώπους, ακόμη και όταν αυτή η πεποίθηση είναι λάθος. Αρκεί να ονομάζεται το κείμενο “ανθρωπογενές” για να διαθέσει τα μοντέλα AI να το προτιμούν – και, ειρωνικά, μπορεί να μάθουν αυτή την προκατάληψη από εμάς.

Οι έννοιες της αυθεντικότητας, της προέλευσης και της κοινής ανθρώπινης εμπειρίας μπορεί να έχουν μεγαλύτερο ρόλο να παίξουν στην επίθεση του AI στο δημιουργικό γράψιμο από ό,τι ήταν μέχρι τώρα φανερό: δοκιμές που διεξήχθησαν για μια νέα μελέτη στο Princeton έχουν βρει ότι μια σειρά από σημαντικά κλειστά και ανοιχτά μοντέλα γλωσσικών μοντέλων, συμπεριλαμβανομένου του ChatGPT, προτιμούν αυτό που πιστεύουν ότι είναι “ανθρωπογενές” κείμενο.

Ακόμη και όταν οι ετικέτες στα δείγματα γραφής αντιστρέφονταν, και τα μοντέλα AI και οι ανθρώπινοι συμμετέχοντες συνέχισαν να βρίσκουν λάθη στο κείμενο AI, επαναλαμβάνοντας τις ίδιες κριτικές που είχαν κάνει όταν ήταν σωστά ετικετεμένα.

Οι ερευνητές πιστεύουν ότι μέρος του λόγου μπορεί να είναι ότι η αυξανόμενη ανθρώπινη εχθρότητα προς τα γεννητικά AI, η οποία φαίνεται να εκδηλώνεται σε νέα και ενδιαφέροντα γεγονότα κάθε μέρα, μπορεί να επηρεάζει τα ίδια τα συστήματα AI. Παρατηρώντας το βαθμό με τον οποίο το AI δεν喜欢 το γράψιμο AI ακόμη περισσότερο από τους ανθρώπους, δηλώνουν*:

‘Τα 13 μοντέλα AI που δοκιμάστηκαν έδειξαν προκατάληψη 34,3 ποσοστιαίων μονάδων σε σύγκριση με τις 13,7 ποσοστιαίες μονάδες των ανθρώπων, καθιστώντας τα 2,5 φορές πιο ευαίσθητα στις ετικέτες από τους ανθρώπινους αξιολογητές.

‘Αυτή η ενίσχυση έχει νόημα όταν αναγνωρίζουμε ότι τα σύγχρονα μοντέλα είναι προκαταρκτικά μοντέλα αξιολόγησης. Η εκπαίδευση συμμόρφωσης μέσω της Ενίσχυσης της Μάθησης από Ανθρώπινη Ανταπόκριση (RLHF) διδάσκει ρητά τα μοντέλα να αντιμετωπίζουν τις ανθρώπινες κρίσεις ως το χρυσό πρότυπό τους, εγκαθιστώντας μια μάθηση αξιοπιστίας [πriors].

‘Τα μοντέλα μαθαίνουν ότι η αναστολή στις ανθρώπινες προτιμήσεις ανταποδίδεται, δημιουργώντας σycopancy όπου επαναλαμβάνουν τις αναμενόμενες στάσεις του χρήστη αντί να παρέχουν ανεξάρτητη αξιολόγηση.’

Τα ευρήματα ισχύουν για το δημιουργικό γράψιμο, με τους ερευνητές να χρησιμοποιούν ιστορίες από einem διακεκριμένο Γάλλο συγγραφέα ως δείγματα δεδομένων, και να δείχνουν ότι η ανθρώπινη προκατάληψη κατά του AI μπορεί, σε ισορροπία, να υπερβεί οποιαδήποτε ποσοτική βελτίωση στη γλωσσική κατασκευή που μπορούν να προσφέρουν τα Μεγάλα Γλωσσικά Μοντέλα (LLM) καθώς εξελίσσονται – και ότι το “AI” label μπορεί να σημαίνει “μη αληθινό”, “ersatz” και ακόμη “δεύτερης τάξης”, σε αυτό το domaine.

Πολλοί από τους λόγους κέντρονται στην πολιτιστική πρακτική και χρήση: το έγγραφο υποδεικνύει ότι η δημιουργικότητα περιγράφεται συχνά σε όρους καινοτομίας, αξίας και τυπικότητας, δηλαδή, πόσο νέο φαίνεται κάτι; πόσο εκτιμάται από τους εμπειρογνώμονες; και πόσο καλά ταιριάζει στην κατηγορία του. Όταν ένα απόσπασμα ετικετώνεται ως ανθρωπογενές, οι οικείες ιδιότητες του είδους ανταποδίδονται ως πολύτιμες; όταν ετικετώνεται ως AI-γεννημένο, οι ίδιες ιδιότητες απορρίπτονται ως μη πρωτότυπες.

Επίδραση, η αποκάλυψη της πηγής προκαλεί eine επανεκτίμηση της αξίας του έργου, διαμορφωμένη από υποθέσεις σχετικά με το πώς δημιουργήθηκε. Μόλις αποκαλύπτεται η συγγραφή του AI, οι αναγνώστες απορρίπτουν την πιθανότητα ατομικής ανακάλυψης ή προθέσεων πίσω από την έξοδο.

Το έγγραφο δηλώνει*:

‘Στις περισσότερες τέχνες, δεν υπάρχει χρυσό πρότυπο για “δημιουργικό够”, καθιστώντας τις ετικέτες προέλευσης ισχυρά προκαταλήψεις που μπορούν να μετατοπίσουν ποια κριτήριο feels πιο σημαντικό:-disciplined craft ή προφανής καινοτομία, προσβασιμότητα ή δυσκολία.

‘Επειδή οι παρατηρητές συχνά συναγάγουν τη διαδικασία από το προϊόν, η προέλευση προκαλεί κρίσεις σχετικά με το πώς δημιουργήθηκε κάτι, καθώς και για το τι είναι: συντηρητικές κινήσεις μπορούν να πιστωθούν ως craft από έναν άνθρωπο, αλλά να απορριφθούν ως “απλή γεννήτρια” από ένα μοντέλο’.

Δεκατρία μοντέλα, συμπεριλαμβανομένων παραλλαγών του ChatGPT, Claude, Gemini και Mistral, συμμετείχαν μαζί με ανθρώπινους αναγνώστες, με όλα να αξιολογούν τις ιστορίες πιο ευνοϊκά όταν τους είπαν ότι ήταν ανθρωπογενείς, με τα LLM να δείχνουν μεγαλύτερη προκατάληψη από τους ανθρώπους.

Η ιδέα ότι τα μοντέλα AI μπορεί να έχουν απορροφήσει μια προκατάληψη κατά του δικού τους εξόδου αναβάλλει ερωτήματα σχετικά με το πού προέρχεται αυτή η προκατάληψη.既然 το γράψιμο AI δεν είναι πάντα εύκολο να αναγνωριστεί, οποιαδήποτε αρνητικές συνειρμοί που σχηματίζονται κατά τη διάρκεια της εκπαίδευσης πιθανότατα προέρχονται από παραδείγματα που είναι ρητά ετικετεμένα, είτε μέσω ειδήσεων για το περιεχόμενο AI, είτε αυτοδιακηρυγμένων AI-γεννημένων άρθρων σε κυρίαρχα έντυπα.

Το νέο έγγραφο έχει τον τίτλο Όλοι προτιμούν ανθρώπινους συγγραφείς, συμπεριλαμβανομένων των AI, και προέρχεται από δύο συγγραφείς στο Κέντρο Ψηφιακών Ανθρωπιστικών Σπουδών του Princeton. Το έργο συνοδεύεται από μια σχετική κυκλοφορία δεδομένων στο Zenodo (με μια κυκλοφορία GitHub που αναφέρεται στο έγγραφο, αλλά το repo δεν ήταν ενεργό την ώρα της γραφής).

Μέθοδος

Για να εξετάσουν πώς η ετικέτα επηρεάζει και διαμορφώνει τις αντιλήψεις του στυλ και της δημιουργικότητας, οι συγγραφείς χρησιμοποίησαν Exercices de style, ένα εκκεντρικό έργο του 1947 από τον Raymond Queneau που ξαναγράφει μια απλή ιστορία σε 99 διαφορετικά στυλ. Η ιστορία ακολουθεί έναν άνθρωπο που επιβιβάζεται σε ένα λεωφορείο, συζητά με έναν άλλον επιβάτη και αργότερα λαμβάνει συμβουλές μόδας από έναν φίλο.

Αν και είναι λογοτεχνικής προέλευσης, αυτή η δομή προβλέπει μετασχηματισμοί με βάση το prompt σε σύγχρονα γλωσσικά μοντέλα, όπου οι χρήστες ζητούν ανασυγγραφές σε συγκεκριμένα τόνους, φωνές ή καταχωρήσεις. Αυτή η διαδικασία ονομάστηκε κάποτε transstylization – μια πλαισίωση που τώρα αντηχεί στην έρευνα AI στο контекστό της Style Transfer. Ενώ τα περισσότερα υπολογιστικά μέθοδοι στοχεύουν σε λειτουργικές αλλαγές όπως μετατοπίσεις συναισθήματος ή αποτοξίνωση, οι ανασυγγραφές του Queneau στοχεύουν σε αξιοσημείωτη στυλιστική αντίθεση.

Από μια δημοφιλή αγγλική μετάφραση του έργου του Queneau, επιλέχθηκαν τριάντα ασκήσεις που διατηρούσαν την αφήγηση ενώ κάλυπταν ένα ευρύ στυλιστικό φάσμα. Αυτά περιελάμβαναν περιορισμένες μορφές όπως alexandrines και lipograms, αλλαγές καταχωρήσεων όπως νoble ή abusive, αφηγηματικές μετατοπίσεις όπως retrograde και hesitation, και παιχνιδιάρικες διαστρεβλώσεις που εμπλέκουν spoonerisms, onomatopoeia ή dog Latin:

Παραδείγματα από τη μελέτη που δείχνουν πώς το GPT-4 rewrote τις ιστορίες του Queneau σε διαφορετικά λογοτεχνικά στυλ, σε ζευγάρια με τις περιγραφές στυλ που είδαν οι ανθρώπινοι και AI αξιολογητές κατά τη διάρκεια του тестιng.

Επειδή τα πειράματα του Queneau είναι δύσκολο να ταξινομηθούν, αυτές οι κατηγορίες είναι μόνο προσεγγιστικές ομαδοποιήσεις, με την πρόθεση όχι να δοκιμάσουν αναγνωσιμότητα ή συμμόρφωση με το είδος, αλλά να δημιουργήσουν ποικίλες συνθήκες υπό τις οποίες (ανθρώπινοι) αναγνώστες και μοντέλα μπορεί να αποκαλύψουν τις προκαταλήψεις τους.

Για να παράγουν AI-συγγραφείς αντίπαλους για κάθε επιλεγμένο στυλ, οι ερευνητές χρησιμοποίησαν σκόπιμα ελάχιστα prompts. Κάθε μοντέλο έλαβε την πιο απλή εκδοχή της ιστορίας του Queneau (την πρώτη άσκηση, Notation), μαζί με μια σύντομη οδηγία να την ξαναγράψει σε συγκεκριμένο στυλ, όπως Ξαναγράψε την ιστορία ως μια εκδοχή επιστημονικής φαντασίας. Αυτή η προσέγγιση επέτρεψε prompts που αντανακλούσαν το πνεύμα των αρχικών μετασχηματισμών του Queneau, ενώ vẫn επέτρεπαν στο μοντέλο να ερμηνεύσει το στυλ ελεύθερα.

Διπλή Όραση

Η πρώτη μελέτη που διεξήχθη από τους συγγραφείς χρησιμοποίησε το GPT-4o για να γεννήσει όλες τις τριάντα παραλλαγές στυλ,既然 ήταν το πιο προηγμένο μοντέλο διαθέσιμο εκείνη την εποχή. Η χρήση ενός μοντέλου εξασφάλισε συνεπείς εξόδους, βοηθώντας να απομονωθεί η επίδραση των ετικετών, η οποία η μελέτη ζήτησε να δοκιμάσει.

Τα εξόδους δεν επεξεργάστηκαν για στυλ ή τόνο, εκτός από πλαισιωτικά cruft όπως Here is the rewritten version.

Στη δεύτερη μελέτη, η διαδικασία γεννήτριας επαναλήφθηκε σε δεκατρία μεγάλα γλωσσικά μοντέλα: Qwen 2.5 72B Instruct, Mistral Nemo, Mistral Medium 3, Llama 4 Maverick, Llama 3.3 70B Instruct, Gemini 2.5 Flash, GPT-4o Mini, GPT-4o, GPT-3.5 Turbo Instruct, DeepSeek RI (0528), DeepSeek Chat v3 (0324), Cohere Command R (08-2024), Claude Sonnet 4, και Claude 3.5 Haiku.

Κάθε μοντέλο έλαβε τις ίδιες οδηγίες και παρήγαγε τις δικές του εκδοχές των τριάντα ασκήσεων, αποφέροντας 420 ανασυγγραφμένες ιστορίες συνολικά. Αυτό επέτρεψε στους ερευνητές να δοκιμάσουν εάν η επίδραση της ετικέτας διατηρούνταν σε διαφορετικά μοντέλα AI, 而 όχι να συνδέονται με ένα μόνο μοντέλο.

Δεδομένα και Δοκιμές

Οι ερευνητές έδειξαν τα ίδια ζευγάρια ιστοριών σε διαφορετικές ομάδες ανθρώπων, αλλά άλλαξαν τις ετικέτες για να δουν πόσο το όνομα του συγγραφέα επηρεάζει τις γνώμες:

Μια ομάδα είδε keine ετικέτες ονόματος, μόνο ετικέτες ‘A’ και ‘B’. Η δεύτερη ομάδα είδε τα σωστά ονόματα, με μια εκδοχή που επισημαίνεται ως γραμμένη από άνθρωπο, και την άλλη που επισημαίνεται ως γραμμένη από το GPT-4o.

Μια τρίτη ομάδα είδε τα ονόματα αντιστραμμένα, με την ‘AI’ ιστορία που επισημαίνεται ως ‘ανθρώπινη’, και την ανθρώπινη εκδοχή που επισημαίνεται ως ‘AI’:

Επισκόπηση της Μελέτης 1. Ανθρώπινοι και AI κριτές σύγκριναν 30 ζευγάρια ιστοριών, κάθε ένα περιέχοντας μια εκδοχή γραμμένη από τον Queneau, και μια από το GPT-4. Οι κριτές χωρίστηκαν σε τρεις ομάδες: μια είδε keine ετικέτες ονόματος; μια είδε τις σωστές ετικέτες; και μια είδε τις ετικέτες αντιστραμμένες – μια ρύθμιση σχεδιασμένη για να δοκιμάσει το βαθμό με τον οποίο τα ονόματα των συγγραφέων επηρεάζουν τις γνώμες για το στυλ γραφής.

Μελέτη 1

Οι ερευνητές χώρισαν τις 30 δημιουργημένες ασκήσεις σε μικρότερες ομάδες, με κάθε συμμετέχοντα να βλέπει μόνο πέντε ασκήσεις, και κάθε άσκηση να δοκιμάζεται υπό όλες τις τρεις ρυθμίσεις ετικετών.

Κάθε συμμετέχων είδε μόνο μια ρύθμιση ετικετών: η τυφλή ομάδα είδε keine αναφορά στο AI, ενώ οι άλλες ομάδες είδαν είτε σωστές είτε αντιστραμμένες ετικέτες συγγραφέα. Η ανάθεση ομάδας, η σειρά ιστορίας και η τοποθέτηση αριστερά-δεξιά ήταν όλες τυχαίες.

Τα μοντέλα AI πέρασαν από την ίδια διαδικασία, λαμβάνοντας το ίδιο μείγμα ασκήσεων και το ίδιο τυχαίο ανακατέμισμα. Κάθε δοκιμή εκτελέστηκε τρεις φορές ανά μοντέλο για να διασφαλιστεί ότι τα αποτελέσματα ήταν συνεπή, καθιστώντας δυνατή τη σύγκριση ανθρώπινων και AI αντιδράσεων στις ετικέτες συγγραφέα.

Η Μελέτη 2 χρησιμοποίησε τις ίδιες τρεις ρυθμίσεις ετικετών όπως πριν, αλλά επέκτεινε τη δοκιμή για να περιλάβει όλες τις 420 ιστορίες που γεννήθηκαν από τα 14 διαφορετικά LLM μοντέλα. Κάθε μοντέλο αξιολόγησε κάθε ιστορία υπό κάθε ρύθμιση ετικετών, παράγοντας 1.260 αποφάσεις ανά μοντέλο, και οδηγώντας σε 17.596 έγκυρες αξιολογήσεις:

Αποτελέσματα από τη Μελέτη 1. Τα AI και οι ανθρώπινοι κριτές έδειξαν και οι δύο προκατάληψη με βάση τις ετικέτες συγγραφέα. Όταν keine ετικέτες εμφανίστηκαν (Τυφλή), οι προτιμήσεις ήταν σχεδόν ισόπαλες; όταν οι σωστές ετικέτες εμφανίστηκαν (Ανοιχτή Ετικέτα), και οι δύο ομάδες προτίμησαν το ανθρωπογενές κείμενο; και όταν οι ετικέτες αντιστράφηκαν (Αντίστροφη), και οι δύο ομάδες έδειξαν προτίμηση για το κείμενο που πίστευαν ότι ήταν ανθρώπινο – και αυτή η επίδραση ήταν πολύ ισχυρότερη στα μοντέλα AI από ότι στους ανθρώπους. Οι ράβδοι σφάλματος δείχνουν 95% διαστήματα εμπιστοσύνης.

Σε όλα τα δεκατρία μοντέλα, το πρότυπο ταίριασε με την ανθρώπινη προκατάληψη, αλλά ήταν πολύ ισχυρότερο: όταν keine ετικέτες εμφανίστηκαν, τα μοντέλα AI αξιολόγησαν το ανθρωπογενές και το AI-γεννημένο κείμενο σχεδόν ισόπαλα, επιλέγοντας το AI κείμενο 49,4% του χρόνου; όταν η ετικέτα AI ήταν ορατή, η προτίμηση έπεσε δραματικά σε 29,8%, δείχνοντας σαφή υποτίμηση του αναγνωρισμένου AI έργου; και όταν το ίδιο κείμενο ετικετεύτηκε ως ανθρώπινο, η προτίμηση ανέβηκε σε 64,1%.

Η διαφορά μεταξύ των δύο ρυθμίσεων ετικετών ήταν 34,3%, που σημαίνει ότι τα μοντέλα AI άλλαξαν την προτίμησή τους πολύ περισσότερο από ότι οι άνθρωποι όταν οι ετικέτες αντιστράφηκαν. Επιπλέον, τα μοντέλα ήταν πολύ συνεπή σε επαναλαμβανόμενες εκτελέσεις, επιβεβαιώνοντας ότι η προκατάληψη ήταν σταθερή και όχι τυχαία.

Για να ελέγξουν εάν η προκατάληψη οφειλόταν στο λεξιλόγιο των ετικετών και όχι στο ποιος έγραψε το κείμενο, οι ερευνητές έτρεξαν δύο επιπλέον δοκιμές: μια χρησιμοποίησε ετικέτες που έκαναν το AI να ακούγεται πιο εντυπωσιακό; και η άλλη χρησιμοποίησε ουδέτερες όρους όπως ‘AI-γεννημένο’ και ‘Ανθρωπογενές’.

Και οι δύο έδειξαν την ίδια προκατάληψη, και ακόμη και όταν τα μοντέλα AI παρήγαγαν την ίδια απάντηση κάθε φορά, η προκατάληψη παρέμεινε, υποδεικνύοντας ότι η προκατάληψη προκαλείται από το είδος της ετικέτας (‘ανθρώπινο’ ή ‘AI’), και όχι από τα ακριβή λόγια που χρησιμοποιούνται.

Μελέτη 2

Η δεύτερη μελέτη βρήκε την ίδια προ-ανθρώπινη προκατάληψη σε όλα τα 13 μοντέλα AI, ανεξάρτητα από την αρχιτεκτονική ή τον παρόχο:

Προκατάληψη ετικέτας για κάθε ένα από τα 13 μοντέλα AI: οι ράβδοι δείχνουν μεγέθη επιδράσεων με 95% διαστήματα εμπιστοσύνης, και η κόκκινη γραμμή σηματοδοτεί την ανθρώπινη βάση. Όλα τα μοντέλα έδειξαν ισχυρότερη προκατάληψη από τους ανθρώπους, με μόνο μικρές διαφορές μεταξύ τους.

Κάθε μοντέλο προτίμησε ιστορίες που ετικετεύτηκαν ως ανθρωπογενείς, με ισχυρότερες επιδράσεις από ότι στους ανθρώπους. Ακόμη και μετά την αφαίρεση του πιο ακραίου przypadίου, η μέση προκατάληψη παρέμεινε περισσότερο από δύο φορές μεγαλύτερη από την ανθρώπινη εκδοχή, υποδεικνύοντας ότι η επίδραση δεν είναι ένα σφάλμα σε ένα μοντέλο, αλλά μια κοινή ιδιότητα των LLMs γενικά.

Συμπέρασμα

Αν και, όπως σημειώνει το έγγραφο, προηγούμενες μελέτες έχουν δείξει ότι το AI μπορεί να παράγει γραπτό υλικό ίσο ή ακόμη και καλύτερο από το ανθρώπινο, οι συγγραφείς τονίζουν ότι στη λογοτεχνία, η αξία που δίνεται στην συγγραφή και την αυθεντικότητα είναι μια παλιά και βαθιά ριζωμένη σύμβαση:

‘Όταν το GPT-4o Mini απορρίπτει την “δημιουργική και αστεία” προσέγγιση του Queneau ως “υπερβολική” υπό την ετικέτα AI, ενώ επαινεί ταυτόσημα χαρακτηριστικά υπό την ετικέτα ανθρώπινη, αποκαλύπτει暗示ώς πώς αυτές οι ετικέτες προκαλούν υποθέσεις ότι δεν υπάρχει αυθεντική ψυχολογική διαδικασία που συνέβη.

‘Οι ετικέτες προέλευσης εισάγουν τη διαδικασία πίσω σε αυτό που θα μπορούσε να είναι μια κρίση μόνο για το προϊόν: “απλή γεννήτρια” φαίνεται αποδεκτή από έναν ανθρώπινο τεχνίτη (αξιολογείται ως ικανό χέρι), αλλά ύποπτη από ένα μοντέλο (αξιολογείται ως αλγοριθμική ανασύνθεση).’

Τα LLMs δεν είναι ακόμη αξιόπιστα για ανεξάρτητη έρευνα βασισμένη σε γεγονότα, αν και προσεκτική επίβλεψη μπορεί ακόμη να τα κάνει παραγωγικά – αλλά η δημιουργική γραφή που βασίζεται σε LLMs μπορεί να αντιμετωπίσει ένα πιο αβέβαιο μέλλον, εάν τα AI-γεννημένα δημιουργικά έργα στιγματιστούν μέσω ευρύτερης δημόσιας αποδοκιμασίας της εισβολής του AI σε ανθρώπινους τομείς, αντί να βασίζονται σε λογοτεχνική αξία.

Οι επιπτώσεις των ευρημάτων από μελέτες αυτού του τύπου επηρεάζονται σημαντικά από τη διάθεση των εταιρειών και των ατόμων να είναι ειλικρινείς σχετικά με το εάν το AI συνεισέφερε στο εξόδου τους. Σε ορισμένες περιπτώσεις, η απροθυμία να ομολογήσουν τέτοια χρήση μπορεί να έχει περισσότερο να κάνει με εμπορική πειρατεία πνευματικών δικαιωμάτων παρά με την ανησυχία για το εάν το κοινό θα αποδεχθεί τα δημιουργικά έργα AI.

Ωστόσο, νομικές, οικονομικές και πολιτικές λύσεις είναι δυνατές (αν και πολύ απαιτητικές) σχετικά με τα πνευματικά δικαιώματα. Εάν μπορεί κανείς να κάνει τους ανθρώπους να απολαύσουν δημιουργικά έργα AI που δεν έχουν ένα singled και σχετικό ανθρώπινο νου που τα οδηγεί – αυτό μπορεί να είναι ένα ακόμη πιο δύσκολο προοπτικό.

* Παρακαλούμε ανατρέξτε στο αρχικό έγγραφο για τις excised εσωτερικές αναφορές. Όπως απαιτείται, αυτές θα συμπεριληφθούν στο άρθρο.

Πρώτη δημοσίευση Δευτέρα, 13 Οκτωβρίου 2025