Tekoälymallit suosivat ihmisten kirjoittamaa tekstiä tekoälyllä generoituun tekstiin

jonka uskovat olevan kirjoitettu ihmisten toimesta, vaikka usko olisikin väärä. Pelkästään kutsuvan tekstin “ihmisten tekemäksi” saa tekoälymallit suosimaan sitä – ja ironisesti, ne saattavat oppia tämän ennakkoluulon meiltä. Käsitykset autenttisuudesta, alkuperästä ja jaetusta inhimillisestä kokemuksesta saattavat

Uuden tutkimuksen mukaan ChatGPT ja muut vastaavat mallit osoittavat selvää puolueellisuutta tekstiä kohtaan, olla tärkeämmässä roolissa tekoälyn hyökkäyksessä luovan kirjoittamisen alalle kuin mitä on aiemmin ollut ilmeistä: Princetonin yliopistossa tehdyn uuden tutkimuksen testit osoittivat, että useat suuret suljetut ja avoimet kielen mallit, mukaan lukien ChatGPT, suosivat niitä tekstejä, jotka ne uskoivat olevan “ihmisten kirjoittamia”. Jopa kun tekstin tunnisteet oli käännetyt toisin, sekä tekoälymallit että ihmiset jatkoivat moittimista tekoälyllä kirjoitettua tekstiä, toistamalla samat kritiikit, jotka he olivat aiemmin esittäneet, kun teksti oli oikein merkitty. Tutkijat uskovat, että osasyynä tähän saattaa olla kasvava inhimillinen vihamielisyys generatiivista tekoälyä kohtaan, joka näyttää ilmenevän uusina ja mielenkiintoisina tapahtumina joka päivä. He toteavat*: ‘Testasimme 13 tekoälymallia, ja

ne osoittivat 34,3 prosenttiyksikön puolueellisuuden verrattuna ihmisten 13,7 prosenttiyksikköön, mikä tekee niistä 2,5 kertaa herkempiä attribuuttimerkintöjä kuin ihmiset. ‘Tämä vahvistus on järkevää, kun tunnustamme, että nykyiset

mallit ovat preferenssitestattuja arvioijoita. Vahvistusoppiminen ihmisten palautteen kautta (RLHF) opettaa mallien kohdella ihmisten arvosteluita kulttimallisina, asentamalla oppimisen luotettavuuden (prioriteetin). Tutkimuksen tulokset koskevat luovan kirjoittamisen alaa, ja tutkijat käyttivät ranskalaisen

arvon ja tyypillisen luonteen kautta, eli kuinka jokin on; kuinka paljon sitä uusi ; ja kuinka hyvin

kirjailijan tarinoita data-esimerkkeinä; ja ne osoittavat, että inhimillinen ennakkoluulo tekoälyä kohtaan saattaa olla suurempi kuin mitä Large Language Modelien (LLM) kielen rakenteen parantuminen voi tuottaa – ja että “tekoäly”-merkintä saattaa tulla merkitsemään “epäaidosti”, “ersatz”, ja jopa “toissijainen” tässä alalla. ‘Mallit oppivat, että ihmisten preferenssien noudattaminen palkitaan, luoden sycophancyyn, jossa ne toistavat odotettuja käyttäjän asenteita eikä tarjoa riippumattomia arvioita.’ Monet syystä liittyvät kulttuuriseen käytäntöön ja käyttöön: tutkimus osoittaa, että luovuutta usein kuvaillaan uutuuden, teksti se sopii luokkaansa. Kun on merkitty“ihmisten kirjoittamaksi”, tuttu genre-ominaisuus palkitaan arvokkaana; kun se on merkitty asiantuntijoiden toimesta“tekoälyllä generoituksi”, samat ominaisuudet hylätään alkuperättöminä. arvostetaan Teossa,kun lähde paljastetaan, työn arvon uudelleenarviointi muotoillaan oletuksilla siitä, miten se tehtiin. Kun tekoälyn kirjoittajuus paljastetaan, lukijat Tutkimus toteaa*: hylkäävät vaistonvaraisesti yksilöllisen löytämisen tai aikomusten mahdollisuuden tuloksesta. ‘Useimmissa taiteissa ei ole kulttimallista “tarpeeksi luovalle”, joten alkuperämerkit ovat

voimakkaita primeseja, jotka voivat siirtää, mikä kriteeri tuntuu tärkeimmältä: kurinalainen käsityö tai ilmiselvä uutuus, saavutettavuus vai vaikeus. Kolmetoista mallia, mukaan lukien ChatGPT:n variantit, osallistuivat

siitä, mistä tämä puolueellisuus saattaa olla peräisin. Koska tekoälyteksti ei aina ole helppo tunnistaa, negatiiviset assosiaatiot, jotka muodostuvat koulutuksen aikana, saattavat johtua esimerkkeistä, jotka on nimenomaisesti merkitty, joko Uusi

ihmisten lukijoiden rinnalla, ja kaikki arvioivat tarinoita myönteisemmin, kun heille kerrottiin, että ne olivat kirjoitettu ihmisten toimesta, ja LLM:t osoittivat enemmän puolueellisuutta kuin ihmiset. ‘Havainnoitsijat usein johtavat prosessia tuotteesta sekä siitä, mitä se on: konservatiiviset liikkeet voidaan kreditoa käsityönä ihmiseltä (arvioiden taitavaksi käsityöksi), mutta hylätä “pelkkänä generoinnina” mallilta.’ Ajatus siitä, että tekoälymallit saattavat olla omaksuneet ennakkoluulon omaa tuotostaan, herättää kysymyksiä uutisoinnista tekoälysisällöstä tai itseilmoitettujen tekoälyllä generoituista artikkeleista valtavirtamediaissa. tutkimus on nimeltään , ja se Jokainen suosii ihmisten kirjailijoita, myöson tehty kahden kirjailijan toimesta Princetonin digitaalisten humanistien keskuksessa. Tutkimuksen kanssa on liitetty myös liittyvä datajulkaisu tekoäly Zenodossa (ja GitHub-julkaisu, joka mainitaan tutkimuksessa, mutta repo ei ollut aktiivinen kirjoittamisen aikana).

Menetelmä

Tutkijat käyttivät -teosta, joka on Raymond Queneaun omituinen teos vuodelta 1947, Tätä prosessiajoka uudelleenkirjoittaa yksinkertaisen anekdootin 99 eri tyylissä. Tarina seuraa miestä, joka nousee bussiin, riitaantuu toisen matkustajan kanssa ja myöhemmin saa muotineuvontaa ystävältään. Exercices de style Vaikka se on kirjallista alkuperää, tämä rakenne ennakoi modernien kielen mallien prompt-pohjaisia muodonmuutoksia, joissa käyttäjät pyytävät uudelleenkirjoituksia tietyn tyylin, äänen tai rekisterin mukaan. on tyylin kutsuttu transstylizationiksi – kehys, jota nyt toistetaan tekoälytutkimuksessa siirtämisen yhteydessä.Vaikka useimmat laskennalliset menetelmät kohdistuvat toiminnallisiin muutoksiin, kuten mielentilaan tai detoxifikaatioon, Queneaun uudelleenkirjoitukset pyrkivät merkittäviin tyyllisiin kontrasteihin. Queneaun teoksesta valittiin 30 harjoitusta, jotka säilyttivät kertomuksen ja kattoivat laajan tyyllisen valikoiman. Niihin kuului rajoitettuja muotoja, kuten ja alexandrines , rekisterin muutoksia, kuten lipograms noble tai kuten, kertomuksen siirtymiä, abusive sisälsivätja retrograde , sekä leikkisiä vääristymiä, jotka

spoonerismin, onomatopoeettisen kielen tai dog Latinin: hesitation Tutkimuksesta esimerkkejä, jotka osoittavat, miten GPT-4 uudelleenkirjoitti Queneaun tarinoita eri kirjallisissa tyylissä, parittain humanistisen ja tekoälyarvioijoiden näkemien tyylien kuvausten kanssa. Lähde: https://arxiv.org/pdf/2510.08831 Queneaun kokeet ovat vaikeita luokitella, ja nämä luokat ovat vain likimääräisiä ryhmittelyjä, joiden tarkoituksena ei ole testata tunnistettavuutta tai genre-yhdenmukaisuutta, vaan luoda erilaisia olosuhteita, joissa (ihmis-)lukijat ja mallit voivat paljastaa omat puolueellisuutensa. Tutkijat käyttivät tarkoituksella minimi-promptteja luomaan tekoälyllä kirjoitetut vastineet kullekin valitulle tyylille. Jokainen malli sai Queneaun yksinkertaisimman anekdootin (avausharjoitus, ) sekä lyhyen ohjeen uudelleenkirjoittaa se tietyn tyylin mukaan, tulkita tyyliä vapaasti. Uudelleenkirjoita tarina tieteisversionakuten Notation . Tämä lähestymistapa mahdollisti promppteja, jotka heijastivat Queneaun alkuperäisten muodonmuutosten henkeä, samalla kun antoivat mallille vapauden

Kaksoisnäkö

Ensimmäinen tutkimus, jonka tutkijat tekivät, käytti GPT-4o:ta kaikkien 30 tyylin variantin generoimiseen, koska se oli edistynein malli silloin. Yhden mallin käyttäminen varmisti, että tulokset olivat johdonmukaisia, mikä mahdollisti attribuuttimerkintöjen vaikutuksen erottamisen. Tulokset eivät olleet editoitu tyylin tai sävyn suhteen, paitsi kehyksen roskaa, kuten . Tässä on uudelleenkirjoitettu versio sai samat ohjeet jaToisessa tutkimuksessa generointiprosessi toistettiin 13:lla eri suurella kielen mallilla: Jokainen malli tuotti omat versiot 30:stä tyylivariantista, mikämahdollisti 420 uudelleenkirjoitettuatarinaa. Tämä mahdollistitutkijoiden testaamisen siitä, säilyykö attribuuttimerkintöjen vaikutus eri tekoälykirjoittajienvälillä, eikä vainyhdessä mallissa. Qwen 2.5 72B Instruct ,Mistral Nemo ,Mistral Medium 3 ,Llama 4 Maverick , Llama 3.370B Instruct , Gemini2.5 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 ja Claude 3.5 Haiku .

Data ja testit

Tutkijat esittivät samat tarinaparit eri ihmisryhmille, mutta muuttivat tunnisteita, jotta he voivat nähdä, kuinka paljon kirjailijan nimi vaikuttaa mielipiteisiin: Ensimmäinen ryhmä ei nähnyt kirjailijan nimiä ollenkaan, vaan ainoastaan “A” ja “B” -tunnisteet. Toisessa ryhmässä oli oikeat nimet, joista toinen oli merkitty “ihmisen” ja toinen “GPT-4o”:n kirjoittamaksi. Kolmas ryhmä näki nimet <img class=”size-full wp-image-224179″ src=”https://www.unite.ai/wp-content/uploads/2025/10/figure-1-4.jpg” alt=”Tutkimuksen 1 yleiskatsaus. Ihmis- ja tekoälytuomarit vertailivat 30 tarinaparia, joista kumpikin sisälsi version, jonka Queneau oli kirjoittanut,

ja toisen, jonka GPT-4 oli kirjoittanut. Tuomarit jaettiin kolmeen ryhmään: yksi ryhmä ei nähnyt kirjailijan nimiä; toisessa ryhmässä oli oikeat nimet; ja kolmannessa ryhmässä nimet oli vaihdettu – asetelma, joka suunniteltiin testaamaan sitä, kuinka paljon kirjailijan nimi vaikuttaa kirjoitustyyleihin. , jossa “tekoäly”-tarina oli merkitty “ihmisen” ja “ihmisen” versio oli merkitty “tekoälyksi”: vaihdettuina

Tutkimus 1

Tutkijat jakoi 30 luotua tyyliä pienempiin ryhmiin, ja kunkin tutkimuksen osallistuja näki vain viisi tyyliä, ja kunkin tyylin testattiin kaikissa kolmessa tunnisteasettelussa. Kunkin osallistujan näki vain yhden tunnisteasettelun: sokea ryhmä ei nähnyt mainintaa tekoälystä, kun taas toiset ryhmät näkivät joko oikeat tai käännetyt kirjailijan nimet. Ryhmän jakautuminen, tarinoiden järjestys ja vasen-oikea sijoittelu olivat kaikki satunnaisia. Tekoälymallit menivät läpi saman prosessin, saaden saman sekoituksen tyylejä ja saman satunnaisen sekoituksen. Kunkin testin suoritettiin kolme kertaa kunkin mallin kanssa, jotta tulokset olisivat johdonmukaisia, mikä mahdollisti vertailun ihmisten ja tekoälyjen reaktioita kirjailijan nimien suhteen. Tutkimus 2 käytti samaa kolmea tunnisteasettelua kuin aiemmin, mutta laajensi testin kaikkiin 420 tarinaan, jotka oli generoitu 14 eri LLM-mallilla. Kunkin malli arvioi jokaisen tarinan jokaisessa tunnisteasettelussa, tuottaen 1 260 päätöstä kunkin mallin kanssa, ja tuloksena oli 17 596

validia arviointia: <img class=”wp-image-224180″ src=”https://www.unite.ai/wp-content/uploads/2025/10/figure-2-3.jpg” alt=”Tutkimuksen 1 tulokset. Sekä tekoäly- että ihmisarvioitsijat osoittivat puolueellisuutta kirjailijan nimien suhteen. Kun ei ollut tunnisteita (Sokea), preferenssit olivat lähes tasapuolisia; kun oikeat tunnisteet olivat näkyvissä (Avoin tunniste), molemmat ryhmät suosivat ihmisten kirjoittamaa tekstiä; ja kun tunnisteet oli vaihdettu (Vastakkaistapaus), molemmat ryhmät vaihtoivat suosiomaan tekstiä, jonka he uskoivat olevan kirjoitettu ihmisten toimesta – ja tämä

vaikutus oli paljon voimakkaampi tekoälymallissa kuin ihmisissä. Virhepalkit osoittavat 95 prosentin luottamusvälin. Kaikissa 13 mallissa havaittiin samaa puolueellisuutta kuin ihmisillä, mutta se oli paljon voimakkaampaa: ilman tunnisteita tekoälyjärjestelmät arvioivat ihmisten ja tekoälytekstin lähes tasapuolisesti, valitsemalla tekoälytekstin 49,4 prosentissa tapauksista; kun tekoälytunniste oli näkyvissä, tämä suosiutus laski jyrkästi 29,8 prosenttiin, osoittaen selvää tekoälytyön aliarvostusta; ja kun sama teksti oli merkitty “ihmisen” kirjoittamaksi, suosiutus nousi 64,1 prosenttiin. Erolla kahden tunniste-ehdon eikä sanamuodosta. välillä oli 34,3 prosenttia, mikä tarkoitti, että tekoälymallit muuttivat suosiutustaan kuin ihmiset, kun tunnisteet vaihdettiin. Lisäksi mallit olivat hyvin johdonmukaisia toistuvissa suorituksissa, vahvistaen, että puolueellisuus oli vakaa eikä satunnainen. paljon enemmän Tutkijat suorittivat kaksi lisätestiä, joissa tutkittiin, johtuiko puolueellisuus tunnisteiden sanamuodosta vai siitä, kuka kirjoitti tekstin. Ensimmäisessä testissä käytettiin tunnisteita, jotka tekivät tekoälystä vaikuttavan vaikuttavammalta; ja toisessa testissä käytettiin neutraaleja termejä, kuten “tekoälyllä kirjoitettu” ja “ihmisen kirjoittama”. Molemmat testit osoittivat saman puolueellisuuden, ja jopa kun tekoälymallit tuottivat saman vastauksen jokaisella kerralla, puolueellisuus säilyi, osoittaen, että puolueellisuus johtuu tunnisteen tyypistä (“ihminen” tai “tekoäly”),

Tutkimus 2

Toisessa tutkimuksessa havaittiin samaa puolueellisuutta kaikissa 13 tekoälymallissa, riippumatta arkkitehtuurista tai tarjoajasta: Kunkin 13

tekoälymallin attribuuttipuolueellisuus: palkit osoittavat vaikutuskohtia 95 prosentin luottamusväleillä, ja punainen viiva merkitsee ihmisten vertailukohdan. Kaikki mallit osoittivat voimakkaampaa puolueellisuutta kuin ihmiset, ja vain pieniä eroja niiden välillä. Jokainen

malli suosi tarinoita, jotka oli merkitty LLM-malleissa yleensä. voimakkaampaa vaikutusta“ihmisten kirjoittamiksi”, kuin mitä havaittiin ihmisillä. Jopa poistamalla äärimmäisen tapauksen, keskimääräinen puolueellisuus säilyi yli kaksinkertaisena verrattuna ihmisten versioon, osoittaen, että vaikutus ei ole yhden mallin virhe, vaan jaettu piirre

Johtopäätös

Vaikka tutkimus toteaa, että aiemmat tutkimukset ovat osoittaneet, että tekoäly voi tuottaa kirjoitusta, joka on yhtä hyvää tai jopa parempaa kuin ihmisten tuottama, tutkijat korostavat, että kirjallisuudessa arvostus kirjailijuudesta ja autenttisuudesta on vanha

ja syvästi juurtunut konventio: ‘Kun GPT-4o Mini hylkää Queneaun “luovan ja huvittavan” lähestymistavan “liioiteltuna” tekoälyattribuutin alla, mutta ylistää samat piirteet ihmisten attribuutin alla, se paljastaa implisiittisesti, miten nämä tunnisteet laukaisevat oletuksia,

mikään aito psykologinen prosessi ei ole tapahtunut. LLM:t eivät ole vielä luotettavia ‘Alkuperämerkit salakuljettavat prosessin takaisin siihen, mitä muuten voisi olla ainoastaan tuotteen arviointi: “pelkkä generointi” tuntuu hyväksyttyltä ihmisiltä

että (arvioidaan taitavaksi käsityöksi), mutta epäilyttävältä mallilta (arvioidaan algoritmiseksi uudelleenjärjestelyksi).’ välitöntä, tietopohjaista tutkimusta varten, vaikka huolellinen valvonta voi edelleen tehdä niistä tuottavia – mutta LLM-pohjainen luova kirjoittaminen saattaa kohtaa epävarmemman tulevaisuuden, jos tekoälyllä generoitu luova työ stigmatisoituu laajemman julkisen hyväksymättömyyden kautta tekoälyn tunkeutumisesta inhimillisiin aloihin, eikä kirjallisen ansiosta. Tutkimustulosten vaikutukset ovat merkittäviä, ja ne riippuvat suuresti yritysten ja yksilöiden valmiudesta olla rehellisiä siitä, käyttävätkö he tekoälyä tuotannossaan. Joidenkin tapauksissa epäilyksen aiheuttaa enemmän teollallinen tekijänoikeusryöstö kuin huoli siitä, hyväksyvätkö ihmiset tekoälyllä generoidun luovan työn. Kuitenkin oikeudelliset, taloudelliset ja poliittiset ratkaisut ovat mahdollisia (vaikka hyvin haasteellisia) tekijänoikeuden suhteen. Onko mahdollista saada ihmiset nauttimaan tekoälyllä generoidusta luovasta työstä, jolla ei ole yhtä yksittäistä, suhdetta voivaa inhimillistä mieltä – se saattaa olla vielä haasteellisempi tavoite. * Viitattu alkuperäiseen tutkimukseen poistettujen sisäisten viittauksien osalta. Niitä sisällytetään tarpeen mukaan tähän artikkeliin. Julkaistu ensimmäisen

kerran maanantaina 13. lokakuuta 2025.