एआई मॉडल मानव लेखन को एआई-जनरेटेड लेखन से अधिक पसंद करते हैं

नए शोध के अनुसार, ChatGPT और इसी तरह के मॉडल अब उन पाठों की ओर स्पष्ट रूप से पक्षपाती हैं जिन्हें वे मानते हैं कि मानव द्वारा लिखा गया है, भले ही यह विश्वास गलत हो। केवल पाठ को ‘मानव-निर्मित’ कहने से एआई मॉडल को इसका पक्ष लेने की प्रवृत्ति होती है – और, विडंबना यह है कि वे यह पूर्वाग्रह हमसे सीख रहे हैं।

प्रामाणिकता, उत्पत्ति और साझा मानव अनुभव की धारणाएं एआई के रचनात्मक लेखन क्षेत्र पर हमले में अब तक की तुलना में अधिक महत्वपूर्ण भूमिका निभा सकती हैं: प्रिंसटन में एक नए अध्ययन के लिए आयोजित परीक्षणों ने पाया कि बड़े बंद और खुले स्रोत भाषा मॉडलों की एक पूरी श्रृंखला, जिनमें ChatGPT शामिल है, उन पाठों को पसंद करते हैं जिन्हें वे ‘मानव-उत्पन्न’ मानते हैं।

यहां तक कि जब लेखन नमूनों पर लेबल उलट दिए गए, तो एआई मॉडल और मानव प्रतिभागी दोनों ने एआई-लिखित पाठ की आलोचना जारी रखी, जो उन्होंने सही ढंग से लेबल किए जाने पर की थी।

शोधकर्ताओं का मानना है कि इसका एक कारण यह हो सकता है कि एआई के प्रति बढ़ती मानव विरोधी भावना, जो प्रतिदिन नए और दिलचस्प घटनाओं को प्रकट करती है, एआई प्रणालियों में प्रतिक्षेपित हो सकती है। एआई लेखन की तुलना में मानव लेखन की ओर एआई की ओर से अधिक पूर्वाग्रह का उल्लेख करते हुए, वे कहते हैं*:

‘हमने जिन 13 एआई मॉडलों का परीक्षण किया, उन्होंने मानवों की तुलना में 2.5 गुना अधिक विश्वसनीयता प्रदर्शित की, जो मानव मूल्यांकनकर्ताओं की तुलना में 34.3 प्रतिशत अंकों के साथ 13.7 प्रतिशत अंकों की तुलना में अधिक थी।

‘यह पूर्वाग्रह तब समझ में आता है जब हम मान्यता देते हैं कि समकालीन मॉडल प्राथमिकता-प्रशिक्षित मूल्यांकनकर्ता हैं। मानव प्रतिक्रिया से पुनरावृत्ति शिक्षा (RLHF) के माध्यम से संरेखण प्रशिक्षण वास्तव में मॉडल को सिखाता है कि मानव निर्णयों को उनके स्वर्ण मानक के रूप में मानें, जो एक सीखा हुआ विश्वसनीयता पूर्वाग्रह स्थापित करता है।

‘मॉडल सीखते हैं कि मानव प्राथमिकताओं को सम्मान देने से उन्हें पुरस्कृत किया जाता है, जो एक सycopancy बनाता है जहां वे अपेक्षित उपयोगकर्ता दृष्टिकोण की प्रतिकृति बनाते हैं न कि स्वतंत्र मूल्यांकन प्रदान करते हैं।

निष्कर्ष रचनात्मक लेखन के क्षेत्र में लागू होते हैं, जिसमें शोधकर्ताओं ने एक प्रतिष्ठित फ्रांसीसी लेखक की कहानियों का उपयोग डेटा नमूनों के रूप में किया; और वे संकेत देते हैं कि एआई के प्रति मानव पूर्वाग्रह एआई द्वारा उत्पादित भाषा निर्माण में किसी भी मात्रात्मक सुधार को पार कर सकता है क्योंकि बड़े भाषा मॉडल (एलएलएम) विकसित होते हैं – और ‘एआई’ लेबल शायद इस क्षेत्र में ‘अप्रामाणिक’, ‘ersatz’, और यहां तक कि ‘द्वितीय श्रेणी’ का अर्थ बनता जा रहा है।

इनमें से कई कारण सांस्कृतिक अभ्यास और उपयोग पर केंद्रित हैं: पत्र में कहा गया है कि रचनात्मकता अक्सर नईता, मूल्य और प्रतिनिधित्व के संदर्भ में वर्णित की जाती है, अर्थात् कुछ कितना नया लगता है; यह कितना विशेषज्ञों द्वारा सराहा जाता है; और यह अपनी श्रेणी में कितनी अच्छी तरह फिट बैठता है। जब एक पassage को ‘मानव-लिखित’ के रूप में लेबल किया जाता है, तो परिचित शैली की विशेषताओं को मूल्यवान माना जाता है; जब इसे ‘एआई-उत्पन्न’ के रूप में लेबल किया जाता है, तो समान विशेषताओं को मूल नहीं माना जाता है।

वास्तव में, स्रोत का खुलासा कार्य की योग्यता का पुनर्मूल्यांकन करता है, जो इसके निर्माण के बारे में धारणाओं से आकार लेता है। एक बार एआई लेखकता का खुलासा हो जाने के बाद, पाठक स्वाभाविक रूप से व्यक्तिगत खोज या इरादे की संभावना को अस्वीकार कर देते हैं जो आउटपुट के पीछे है।

पत्र में कहा गया है*:

‘अधिकांश कलाओं में, “रचनात्मक पर्याप्त” के लिए कोई स्वर्ण मानक नहीं है, जो प्रामाणिकता संकेतों को शक्तिशाली प्राइम बनाता है जो सबसे प्रासंगिक मानदंड को बदल सकता है: अनुशासित शिल्प या स्पष्ट नवाचार, सुलभता या कठिनाई।

‘प्रेक्षक अक्सर उत्पाद से प्रक्रिया का अनुमान लगाते हैं, प्रामाणिकता निर्णयों को यह निर्धारित करने में मदद करती है कि यह कैसे बनाया गया था और यह क्या है: रूढ़िवादी चालें मानव से शिल्प के रूप में श्रेय दी जा सकती हैं, लेकिन मॉडल से “मात्र पीढ़ी” के रूप में अस्वीकार कर दी जाती हैं।

तेरह मॉडल, जिनमें ChatGPT, Claude, Gemini और Mistral के संस्करण शामिल हैं, मानव पाठकों के साथ भाग लेते हैं, सभी ने कहानियों को अधिक अनुकूल रूप से दर्जा दिया जब उन्हें बताया गया कि वे मानव-निर्मित हैं; एलएलएम ने मानवों की तुलना में अधिक पूर्वाग्रह दिखाया।

यह विचार कि एआई मॉडल अपने स्वयं के आउटपुट के खिलाफ पूर्वाग्रह को अवशोषित कर सकते हैं, यह प्रश्न उठाता है कि यह पूर्वाग्रह कहां से उत्पन्न होता है। चूंकि एआई लेखन की पहचान करना हमेशा आसान नहीं होता है, किसी भी नकारात्मक संघ जो प्रशिक्षण के दौरान बनते हैं उन्हें स्पष्ट रूप से लेबल किए गए उदाहरणों से उत्पन्न होने की संभावना है, चाहे वह समाचार कवरेज के माध्यम से हो या मुख्यधारा के प्रकाशनों में स्व-घोषित एआई-उत्पन्न लेख।

नया पत्र Everyone prefers human writers, including AI शीर्षक से है, और प्रिंसटन के सेंटर फॉर डिजिटल ह्यूमैनिटीज के दो लेखकों से है। काम के साथ एक संबंधित डेटा रिलीज ज़ेनोडो पर है (पत्र में उद्धृत एक गिटहब रिलीज के साथ, लेकिन रिपॉजिटरी लेखन के समय सक्रिय नहीं थी)।

विधि

अट्रिब्यूशन के प्रभाव को समझने और शैली और रचनात्मकता की धारणा को आकार देने के लिए, लेखकों ने Exercices de style का उपयोग किया, जो रेमंड क्वेनो द्वारा 1947 में लिखित एक विचित्र कार्य है, जो एक सरल कथा को 99 अलग-अलग शैलियों में पुनर्लिखित करता है। कहानी एक आदमी का अनुसरण करती है जो एक बस में चढ़ता है, दूसरे यात्री से बहस करता है, और बाद में एक दोस्त से फैशन सलाह प्राप्त करता है।

साहित्यिक मूल के बावजूद, यह संरचना आधुनिक भाषा मॉडल में प्रॉम्प्ट-आधारित परिवर्तनों की पूर्वसूचक है, जहां उपयोगकर्ता विशिष्ट स्वर, आवाज या रजिस्टर में पुनर्लेखन का अनुरोध करते हैं। यह प्रक्रिया एक बार dubbed transstylization थी – एक फ्रेमिंग जो अब एआई शोध में स्टाइल ट्रांसफर के संदर्भ में प्रतिध्वनित होता है। जबकि अधिकांश गणनात्मक तरीके कार्यात्मक परिवर्तनों जैसे भावना परिवर्तन या विषाक्तता को लक्षित करते हैं, क्वेनो के पुनर्लेखन उल्लेखनीय शैलीगत विपरीत के लिए लक्ष्य रखते हैं।

क्वेनो के काम के एक लोकप्रिय अंग्रेजी अनुवाद से, तीस अभ्यास चुने गए जिन्होंने कथा को संरक्षित करते हुए एक व्यापक शैलीगत श्रृंखला को कवर किया, जिसमें सीमित रूप शामिल थे जैसे अलेक्जेंड्रिन और लिपोग्राम, पंजाबी जैसे पंजाबी या अपमानजनक के रूप में रजिस्टर में परिवर्तन, प्रतिगामी और संकोच जैसे कथा स्थानांतरण, और चमचमाती विकृतियां जिनमें स्पूनरिज्म, ऑनोमैटोपoeia या डॉग लैटिन शामिल थीं:

अध्ययन से उदाहरण जो दिखाते हैं कि जीपीटी-4 ने क्वेनो की कहानियों को विभिन्न साहित्यिक शैलियों में कैसे फिर से लिखा, मानव और एआई मूल्यांकनकर्ताओं द्वारा देखे गए शैली विवरणों के साथ जोड़ा गया। स्रोत: https://arxiv.org/pdf/2510.08831

चूंकि क्वेनो के प्रयोगों को वर्गीकृत करना मुश्किल है, ये श्रेणियां केवल अनुमानित समूह हैं, जिसका उद्देश्य पहचान योग्यता या शैली अनुरूपता का परीक्षण करना नहीं है, बल्कि विभिन्न स्थितियों को बनाना है जिनके तहत (मानव) पाठक और मॉडल अपने पूर्वाग्रहों को प्रकट कर सकते हैं।

प्रत्येक शैली के लिए एआई-लेखक समकक्ष उत्पन्न करने के लिए, शोधकर्ताओं ने जानबूझकर न्यूनतम प्रॉम्प्ट का उपयोग किया। प्रत्येक मॉडल को क्वेनो की कथा का सबसे सरल संस्करण (पहला अभ्यास, नोटेशन) दिया गया, साथ ही एक लघु निर्देश भी दिया गया कि इसे एक विशिष्ट शैली में फिर से लिखें, जैसे कि कहानी को विज्ञान-कथा संस्करण के रूप में फिर से लिखें। यह दृष्टिकोण क्वेनो के मूल परिवर्तनों की भावना को प्रतिबिंबित करने वाले प्रॉम्प्ट की अनुमति देता है, जबकि साथ ही मॉडल को शैली की व्याख्या करने के लिए स्वतंत्र रूप से अनुमति देता है।

दोहरी दृष्टि

लेखकों द्वारा किए गए पहले अध्ययन में जीपीटी-4ो का उपयोग सभी तीस शैली विविधताओं को उत्पन्न करने के लिए किया गया था, क्योंकि यह उस समय उपलब्ध सबसे उन्नत मॉडल था। एक ही मॉडल का उपयोग करने से निरंतर आउटपुट सुनिश्चित हुआ, जिससे अट्रिब्यूशन लेबल के प्रभाव को अलग करने में मदद मिली, जिसे अध्ययन में परीक्षण किया जाना था।

आउटपुट को शैली या स्वर के लिए संपादित नहीं किया गया, सिवाय फ्रेमिंग क्राफ्ट जैसे यह पुनर्लिखित संस्करण है।

दूसरे अध्ययन में, पीढ़ी प्रक्रिया को तेरह बड़े भाषा मॉडलों में दोहराया गया था: 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, और Claude 3.5 Haiku.

प्रत्येक मॉडल को समान निर्देश मिले, और प्रत्येक ने तीस अभ्यासों के अपने संस्करण तैयार किए, जिससे कुल 420 पुनर्लिखित कहानियां उत्पन्न हुईं। इससे शोधकर्ताओं को यह परीक्षण करने की अनुमति मिली कि क्या अट्रिब्यूशन प्रभाव विभिन्न एआई लेखकों के साथ बने रहते हैं, न कि किसी एक मॉडल से जुड़े होते हैं।

डेटा और परीक्षण

शोधकर्ताओं ने एक ही जोड़ी कहानियों को विभिन्न लोगों के समूहों को दिखाया, लेकिन लेबल बदल दिए ताकि यह देखा जा सके कि लेखक का नाम कितना प्रभाव डालता है:

एक समूह को कोई लेखक नाम नहीं दिखाया गया, केवल ‘ए’ और ‘बी’ लेबल। दूसरे समूह ने सही नाम देखे, जिसमें एक संस्करण मानव द्वारा लिखा गया था, और दूसरा जीपीटी-4ो द्वारा लिखा गया था।

तीसरे समूह ने नाम स्विच किए, जिसमें ‘एआई’ कहानी को ‘मानव’ के रूप में चिह्नित किया गया था, और ‘मानव’ संस्करण को ‘एआई’ के रूप में चिह्नित किया गया था:

अध्ययन 1 का अवलोकन। मानव और एआई निर्णायकों ने 30 जोड़ी कहानियों की तुलना की, प्रत्येक में क्वेनो द्वारा लिखित एक संस्करण और जीपीटी-4 द्वारा लिखित एक संस्करण शामिल था। निर्णायकों को तीन समूहों में विभाजित किया गया था: एक ने कोई लेखक लेबल नहीं देखा; एक ने सही लेबल देखा; और एक ने लेबल स्विच किए – एक सेटअप जो लेखक के नाम के प्रभाव की जांच करने के लिए डिज़ाइन किया गया था।

अध्ययन 1

शोधकर्ताओं ने 30 बनाई गई शैलियों को छोटे सेटों में विभाजित किया, प्रत्येक अध्ययन प्रतिभागी ने केवल पांच शैलियों को देखा, और प्रत्येक शैली को तीन लेबल सेटअप में परीक्षण किया गया।

प्रत्येक प्रतिभागी ने केवल एक लेबल सेटअप देखा: ब्लाइंड समूह ने एआई का कोई उल्लेख नहीं देखा, जबकि अन्य समूहों ने या तो सही या उलटे लेखक लेबल देखे।

एआई मॉडल ने भी同 प्रक्रिया का अनुसरण किया, जिसमें उन्हें समान मिश्रण की शैलियों और यादृच्छिक मिलान का सामना करना पड़ा। प्रत्येक परीक्षण को प्रति मॉडल तीन बार चलाया गया ताकि यह सुनिश्चित किया जा सके कि परिणाम सुसंगत थे, जिससे मानव और एआई प्रतिक्रियाओं की तुलना करना संभव हो गया।

अध्ययन 2 ने पहले के तीन लेबल सेटअप का उपयोग किया, लेकिन परीक्षण को विस्तारित किया ताकि इसमें सभी 420 कहानियां शामिल हो सकें जो उपरोक्त 14 विभिन्न एलएलएम मॉडल से उत्पन्न हुईं। प्रत्येक मॉडल ने प्रत्येक कहानी का मूल्यांकन किया, प्रत्येक लेबल स्थिति के तहत, प्रति मॉडल 1,260 निर्णय का उत्पादन किया, जिससे 17,596 वैध मूल्यांकन हुए:

अध्ययन 1 के परिणाम। एआई और मानव निर्णायकों ने दोनों ने लेखक लेबल के आधार पर पूर्वाग्रह दिखाया। जब कोई लेबल नहीं दिखाया गया (ब्लाइंड), पसंद लगभग समान थी; जब सही लेबल दिखाए गए (ओपन लेबल), दोनों समूहों ने मानव-लिखित पाठ को पसंद किया; और जब लेबल उलट दिए गए (काउंटरफैक्टुअल), दोनों समूहों ने मानव माने जाने वाले पाठ की ओर झुकाव दिखाया – और यह प्रभाव मानवों की तुलना में एआई मॉडल में बहुत मजबूत था। त्रुटि बार 95% आत्मविश्वास अंतराल दिखाते हैं।

सभी तेरह मॉडलों में, पैटर्न मानव पूर्वाग्रह का अनुसरण किया, लेकिन बहुत मजबूत था: कोई लेबल नहीं होने पर, एआई सिस्टम ने मानव और एआई कहानियों को लगभग समान रूप से रेट किया, एआई पाठ को 49.4% समय चुना; जब एआई लेबल दिखाया गया, तो यह पसंद 29.8% तक गिर गई, जो स्वीकृत एआई कार्य के लिए स्पष्ट अवमूल्यन को दर्शाता है; और जब उसी पाठ को मानव के रूप में लेबल किया गया, तो पसंद 64.1% तक बढ़ गई।

दोनों लेबल स्थितियों के बीच अंतर 34.3% था, जिसका अर्थ है कि एआई मॉडल ने लेबल को स्विच करने पर अपनी पसंद को बहुत अधिक बदल दिया – मानवों की तुलना में। इसके अलावा, मॉडल पुनरावृत्ति पर बहुत सुसंगत थे, जो यह पुष्टि करता है कि पूर्वाग्रह यादृच्छिक नहीं था, बल्कि स्थिर था।

यह जांचने के लिए कि क्या पूर्वाग्रह लेबल के शब्दों के कारण था या लेखक के प्रकार के कारण, शोधकर्ताओं ने दो और परीक्षण चलाए: एक ने लेबल का उपयोग किया जो एआई को अधिक प्रभावशाली बनाता था; और दूसरे ने तटस्थ शब्दों का उपयोग किया जैसे ‘एआई-लिखित’, और ‘मानव-लिखित’।

दोनों ने अभी भी उसी पूर्वाग्रह को दिखाया, और यहां तक कि जब एआई मॉडल ने हर बार एक ही उत्तर दिया, तो पूर्वाग्रह बना रहा, जो यह संकेत देता है कि पूर्वाग्रह लेबल के शब्दों से नहीं, बल्कि ‘मानव’ या ‘एआई’ लेबल के प्रकार से उत्पन्न होता है।

अध्ययन 2

दूसरे अध्ययन में पाया गया कि सभी 13 एआई मॉडलों में मानव की ओर पक्षपात है, जो कि वास्तुकला या प्रदाता की परवाह किए बिना है;

प्रत्येक 13 एआई मॉडल के लिए अट्रिब्यूशन पूर्वाग्रह: बार प्रभाव के आकार को 95% आत्मविश्वास अंतराल के साथ दिखाते हैं, और लाल रेखा मानव बेसलाइन को चिह्नित करती है। सभी मॉडलों ने मानवों की तुलना में मजबूत पूर्वाग्रह दिखाया, जिसमें उनमें बहुत छोटे अंतर थे।

प्रत्येक मॉडल ने मानव-लिखित कहानियों को पसंद किया, लोगों में देखे गए प्रभावों से मजबूत प्रभाव। यहां तक कि सबसे चरम मामले को हटा देने के बाद, औसत पूर्वाग्रह मानव संस्करण की तुलना में दोगुना से अधिक रहा, जो यह सुझाव देता है कि यह प्रभाव एक मॉडल में एक ग्लिच नहीं है, बल्कि एलएलएम की एक साझा विशेषता है।

निष्कर्ष

हालांकि पत्र में उल्लेख किया गया है कि पहले के अध्ययनों से पता चलता है कि एआई मानव कार्य की तुलना में या उससे भी बेहतर लेखन उत्पन्न कर सकता है, लेखक इस बात पर जोर देते हैं कि साहित्य में, लेखकत्व और प्रामाणिकता पर रखा गया मूल्य एक पुरानी और गहराई से जड़ी हुई परंपरा है:

‘जब जीपीटी-4ो मिनी क्वेनो के “रचनात्मक और हास्यपूर्ण” दृष्टिकोण को एआई अट्रिब्यूशन टैग के तहत “अतिरंजित” के रूप में खारिज कर देता है, जबकि मानव अट्रिब्यूशन के तहत समान विशेषताओं की प्रशंसा करता है, तो यह स्पष्ट रूप से यह बताता है कि ये लेबल कैसे धारणाओं को ट्रिगर करते हैं कि कोई वास्तविक मनोवैज्ञानिक प्रक्रिया नहीं हुई।

‘प्रामाणिकता संकेत उत्पाद-मात्र निर्णय में प्रक्रिया को वापस चोरी करते हैं: “मात्र पीढ़ी” मानव कारीगर (कौशल के रूप में माना जाता है) से स्वीकार्य लगता है, लेकिन मॉडल (अल्गोरिदमिक पुनर्संयोजन के रूप में) से संदेहास्पद।’

एलएलएम अभी भी अनुप्रविश्नता आधारित शोध के लिए पर्याप्त विश्वसनीय नहीं हैं, हालांकि सावधानीपूर्वक पर्यवेक्षण अभी भी उन्हें उत्पादक बना सकता है – लेकिन एलएलएम-आधारित रचनात्मक लेखन का भविष्य अधिक अनिश्चित हो सकता है, यदि एआई-उत्पन्न रचनात्मक कार्य व्यापक सार्वजनिक अस्वीकृति के माध्यम से स्टिग्मेटाइज़ हो जाते हैं मानव क्षेत्रों पर एआई के प्रभाव के बजाय साहित्यिक योग्यता पर आधारित होते हैं।

इस तरह के अध्ययनों के निष्कर्षों पर कंपनियों और व्यक्तिगत उपयोगकर्ताओं की उनके आउटपुट में एआई के योगदान को स्वीकार करने की इच्छा के प्रसार से काफी प्रभाव पड़ता है। कुछ मामलों में, एआई के उपयोग को स्वीकार न करने की अनिच्छा का अधिक संबंध कॉर्पोरेट कॉपीराइट चोरी से हो सकता है rather कि चिंता यह है कि क्या जनता एआई-उत्पन्न रचनात्मक कार्यों को स्वीकार करेगी।

हालांकि, कॉपीराइट के संबंध में कानूनी, वित्तीय और राजनीतिक समाधान संभव हैं (यदि बहुत चुनौतीपूर्ण हैं)। क्या लोग कभी भी रचनात्मक एआई कार्य का आनंद ले सकते हैं जिसके पीछे कोई एकल और संबंधित मानव मस्तिष्क नहीं है – यह एक और कठिन परिदृश्य हो सकता है।

* कृपया निकाले गए इनलाइन उद्धरणों के लिए स्रोत पत्र देखें। जैसा आवश्यक हो, वे लेख में शामिल किए जाएंगे।

सोमवार, 13 अक्टूबर, 2025 को पहली बार प्रकाशित।