โมเดล AI ชอบงานเขียนของมนุษย์มากกว่างานเขียนที่สร้างโดย AI

ตามการวิจัยใหม่ๆ โมเดล ChatGPT และโมเดลที่คล้ายกันแสดงความลำเอียงที่ชัดเจนต่อข้อความที่พวกมันเชื่อว่าถูกเขียนโดยมนุษย์ แม้ว่าความเชื่อนั้นจะผิดก็ตาม การเรียกข้อความว่า “สร้างโดยมนุษย์” ทำให้โมเดล AI มีแนวโน้มที่จะชื่นชอบมัน และในทางกลับกัน พวกมันอาจจะเรียนรู้ความลำเอียงนี้จากเรา

แนวคิดเรื่องความแท้จริง แหล่งที่มา และประสบการณ์ที่แบ่งปันของมนุษย์อาจมีบทบาทสำคัญในการโจมตีของ AI ต่อภาคการเขียนสร้างสรรค์มากกว่าที่เห็นได้จนถึงตอนนี้ การทดสอบที่ดำเนินการสำหรับการศึกษาใหม่ที่ Princeton พบว่าโมเดลภาษาที่สำคัญหลายแบบ รวมทั้ง ChatGPT ชอบข้อความที่พวกมันเชื่อว่า “สร้างโดยมนุษย์”

แม้ว่าฉลากบน образตัวอย่างการเขียนจะถูกกลับกัน ทั้งโมเดล AI และผู้เข้าร่วม人类ยังคงพบข้อบกพร่องในข้อความที่เขียนโดย AI โดยสะท้อนถึงคำวิจารณ์เดียวกับที่พวกเขาได้ทำเมื่อฉลากถูกต้อง

นักวิจัยเชื่อว่าบางส่วนของสาเหตุอาจเป็นเพราะความไม่พอใจที่เพิ่มขึ้นของมนุษย์ต่อ AI ที่สร้างสรรค์ ซึ่งดูเหมือนจะเกิดขึ้นใหม่ๆ ทุกวัน และอาจส่งผลกลับเข้าไปในระบบ AI เอง โดยสังเกตว่า AI ไม่ชอบงานเขียนของ AI มากกว่ามนุษย์ พวกเขาระบุว่า:

‘โมเดล AI 13 แบบที่เราทดสอบแสดงความลำเอียง 34.3 เปอร์เซ็นต์ เมื่อเทียบกับมนุษย์ที่มีความลำเอียง 13.7 เปอร์เซ็นต์ ทำให้พวกมันไวต่อคำแนะนำการให้คะแนนมากกว่าผู้ประเมินของมนุษย์ 2.5 เท่า’

‘การเพิ่มความลำเอียงนี้มีเหตุผลเมื่อเรารับรู้ว่าโมเดลสมัยใหม่ถูกฝึกอบรมให้ประเมินความชอบ โดยการเรียนรู้จากข้อเสนอแนะของมนุษย์ (RLHF) ซึ่งสอนให้โมเดลเหล่านั้นให้ความสำคัญกับการตัดสินของมนุษย์เป็นมาตรฐานทอง และติดตั้งความน่าเชื่อถือที่เรียนรู้ไว้’

‘โมเดลเหล่านั้นเรียนรู้ว่าการยอมตามความชอบของมนุษย์จะได้รับการตอบแทน ทำให้เกิดการเอาใจใส่ โดยที่พวกมันสะท้อนถึงทัศนคติที่คาดหวังของผู้ใช้มากกว่าการให้การประเมินที่เป็นอิสระ’

ผลการวิจัยใช้ได้กับโดเมนการเขียนสร้างสรรค์ โดยใช้เรื่องราวจากนักเขียนชาวฝรั่งเศสที่มีชื่อเสียงเป็นตัวอย่าง และบ่งชี้ว่าความลำเอียงของมนุษย์ต่อ AI อาจมีน้ำหนักมากกว่าการปรับปรุงภาษาที่ Large Language Models (LLMs) สามารถผลิตได้เมื่อพวกมันพัฒนา และว่าฉลาก “AI” อาจหมายถึง “ไม่แท้จริง” “ปลอม” และแม้แต่ “ชั้นสอง” ในโดเมนนี้

หลายสาเหตุอยู่ที่การปฏิบัติทางวัฒนธรรมและการใช้งาน การศึกษาบ่งชี้ว่าความสร้างสรรค์มักจะอธิบายในแง่ของความใหม่ มูลค่า และความเป็นแบบอย่าง เช่น ความใหม่ของบางสิ่ง มูลค่าที่ผู้เชี่ยวชาญชื่นชม และความเหมาะสมกับประเภท เมื่อข้อความถูกฉลากว่า “เขียนโดยมนุษย์” ลักษณะของประเภทที่คุ้นเคยจะถูกมองว่ามีค่า เมื่อฉลากว่า “สร้างโดย AI” ลักษณะเดียวกันจะถูกมองว่าไม่ใหม่

โดยผลกระทบ การเปิดเผยแหล่งที่มาของงานจะทำให้เกิดการประเมินคุณค่าของงานนั้นใหม่ โดยมีรูปแบบที่ถูกกำหนดโดยสมมติฐานเกี่ยวกับวิธีการสร้างงาน เมื่อการเขียนถูกเปิดเผยว่าเป็นของ AI ผู้อ่านจะปฏิเสธความเป็นไปได้ของการค้นพบหรือเจตนารมณ์ส่วนบุคคลเบื้องหลังผลลัพธ์โดยธรรมชาติ

กระดาษระบุว่า:

‘ในศิลปะส่วนใหญ่ ไม่มีมาตรฐานทองสำหรับ “สร้างสรรค์” ทำให้คำแนะนำเกี่ยวกับแหล่งที่มาเป็นปัจจัยสำคัญที่สามารถเปลี่ยนเกณฑ์ที่รู้สึกเป็นปัจจัยสำคัญที่สุด: การประยุกต์ใช้หรือความใหม่ที่เห็นได้ชัด’

‘เนื่องจากผู้สังเกตมักจะอนุมานกระบวนการจากผลิตภัณฑ์ การระบุแหล่งที่มาจะกระตุ้นการตัดสินเกี่ยวกับวิธีการสร้างบางสิ่งเช่นเดียวกับว่ามันคืออะไร: การเคลื่อนไหวที่ระมัดระวังสามารถถูกยกย่องว่าเป็นงานฝีมือจากมนุษย์ แต่ถูกมองว่าเป็น “การสร้างเพียงอย่างเดียว” จากโมเดล’

โมเดล 13 แบบ รวมทั้งรุ่นของ ChatGPT, Claude, Gemini และ Mistral เข้าร่วมการวิจัยพร้อมกับผู้อ่าน โดยที่ทุกคนให้คะแนนเรื่องราวสูงกว่าเมื่อถูกบอกว่าเขียนโดยมนุษย์ โดยที่ LLMs แสดงความลำเอียงมากกว่ามนุษย์

ความคิดที่ว่าโมเดล AI อาจดูดซับความลำเอียงต่อผลงานของตนเองทำให้เกิดคำถามเกี่ยวกับที่มาของความลำเอียงนั้น เนื่องจากการเขียนของ AI ไม่ใช่สิ่งที่สามารถระบุได้ง่ายเสมอ การสร้างความสัมพันธ์เชิงลบระหว่างการฝึกอบรมที่ได้รับจากตัวอย่างที่มีฉลากอย่างชัดเจน ไม่ว่าจะผ่านการรายงานข่าวหรือบทความที่สร้างโดย AI ในสื่อหลัก

เอกสารวิจัยใหม่ชื่อ ทุกคนชอบผู้เขียนมนุษย์ รวมทั้ง AI มาจากนักเขียนสองคนจากศูนย์ดิจิทัลฮิวแมนิตี้ส์แห่ง Princeton การทำงานนี้มาพร้อมกับการเผยแพร่ข้อมูลที่เกี่ยวข้องที่ Zenodo (ด้วยการเผยแพร่ GitHub ที่อ้างอิงในเอกสาร แต่ repository ไม่ได้ใช้งาน ณ เวลาที่เขียน)

วิธีการ

เพื่อสำรวจว่าการให้เครดิตมีผลต่อการรับรู้เกี่ยวกับรูปแบบและความสร้างสรรค์อย่างไร ผู้เขียนใช้ Exercices de style ซึ่งเป็นงานที่ไม่ธรรมดาในปี 1947 โดย Raymond Queneau ที่เขียนเรื่องราวง่ายๆ ใหม่ใน 99 รูปแบบที่แตกต่างกัน

เรื่องราวติดตามชายที่ขึ้นรถบัส ต่อสู้กับผู้โดยสารอีกคน และต่อมาได้รับการแนะนำแฟชั่นจากเพื่อน

แม้ว่าจะมีต้นกำเนิดจากวรรณกรรม แต่โครงสร้างนี้คาดการณ์ถึงการเปลี่ยนแปลงแบบพรอมต์ในโมเดลภาษาสมัยใหม่ โดยที่ผู้ใช้ขอเขียนใหม่ในโทน เสียง หรือจดหมายที่เฉพาะเจาะจง

กระบวนการนี้ถูกเรียกว่า transstylization ในช่วงแรก ซึ่งถูกสะท้อนในงานวิจัย AI ในบริบทของ Style Transfer

จากตัวอย่างการแปลภาษาอังกฤษที่ได้รับความนิยมของ Queneau ผู้วิจัยเลือกการออกกำลังกาย 30 แบบที่รักษาเรื่องราวไว้ ในขณะที่ครอบคลุมช่วงรูปแบบที่กว้าง

รวมทั้งรูปแบบที่ถูกจำกัด เช่น alexandrines และ lipograms การเปลี่ยนแปลงระดับ เช่น noble หรือ abusive การเปลี่ยนแปลงเรื่องราว เช่น retrograde และ hesitation และการบิดเบือนสนุกที่เกี่ยวข้องกับ spoonerisms, onomatopoeia หรือ dog Latin:

ตัวอย่างจากการศึกษาที่แสดงวิธีการเขียนเรื่องราวของ Queneau ในรูปแบบวรรณกรรมที่แตกต่างกัน โดยจับคู่กับคำอธิบายรูปแบบที่ผู้ประเมินของมนุษย์และ AI เห็นระหว่างการทดสอบ

เนื่องจากการทดลองของ Queneau ยากที่จะจำแนกประเภทเหล่านี้จึงเป็นการแบ่งกลุ่มโดยประมาณ โดยไม่ได้ตั้งใจที่จะทดสอบการรับรู้หรือการปฏิบัติตามประเภท แต่เพื่อสร้างสภาพที่หลากหลายซึ่งผู้อ่านและโมเดลอาจแสดงความลำเอียง

เพื่อสร้างตัวอย่างการเขียนของ AI ที่เป็นคู่กันสำหรับแต่ละรูปแบบ ผู้วิจัยใช้คำสั่งแบบง่ายๆ โดยให้โมเดลแต่ละแบบได้รับเรื่องราวที่เรียบง่ายที่สุดของ Queneau (การออกกำลังกายที่เปิดเรื่อง Notation) พร้อมคำแนะนำที่จะเขียนเรื่องราวใหม่ในรูปแบบเฉพาะ เช่น เขียนเรื่องราวใหม่ในรูปแบบนิยายวิทยาศาสตร์

แนวทางนี้ทำให้สามารถสร้างคำสั่งที่สะท้อนถึงจิตวิญญาณของการเปลี่ยนแปลงดั้งเดิมของ Queneau ในขณะเดียวกันก็ยังให้โมเดลสามารถตีความรูปแบบได้อย่างอิสระ

การมองเห็นสองครั้ง

การศึกษาที่หนึ่งที่ผู้เขียนดำเนินการใช้ GPT-4o เพื่อสร้างตัวอย่างการเขียนทั้ง 30 แบบ เนื่องจากเป็นโมเดลที่ทันสมัยที่สุดในขณะนั้น

การใช้โมเดลเดียวทำให้สามารถตรวจสอบผลกระทบของฉลากการให้เครดิตได้อย่างสม่ำเสมอ

การผลิตไม่ได้รับการแก้ไขสำหรับรูปแบบหรือโทน นอกเหนือจากกรอบการทำงานเช่น นี่คือเวอร์ชันที่เขียนใหม่

ในการศึกษาที่สอง การสร้างตัวอย่างการเขียนถูกทำซ้ำข้ามโมเดลภาษาที่สำคัญ 13 แบบ

รวมทั้ง 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 และ Claude 3.5 Haiku

โมเดลแต่ละแบบได้รับคำสั่งเดียวกันและสร้างตัวอย่างการเขียนของตนเองสำหรับ 30 แบบที่เลือกไว้ ทำให้ได้ตัวอย่างการเขียนทั้งหมด 420 แบบ

สิ่งนี้ทำให้ผู้วิจัยสามารถตรวจสอบได้ว่าผลกระทบของการให้เครดิตยังคงอยู่หรือไม่เมื่อใช้โมเดล AI ที่แตกต่างกัน

ข้อมูลและการทดสอบ

ผู้วิจัยแสดงตัวอย่างเรื่องราวเดียวกันให้กับกลุ่มคนที่แตกต่างกัน แต่เปลี่ยนฉลากเพื่อดูว่าชื่อผู้เขียนมีผลต่อความคิดเห็นของพวกเขาอย่างไร

กลุ่มหนึ่งไม่ได้เห็นชื่อผู้เขียนเลย เพียงแค่ฉลาก “A” และ “B” เท่านั้น

กลุ่มที่สองเห็นชื่อที่ถูกต้อง โดยมีหนึ่งฉบับระบุว่าเขียนโดยมนุษย์ และอีกฉบับระบุว่าเขียนโดย GPT-4o

กลุ่มที่สามเห็นชื่อที่ถูกสลับ โดยที่เรื่องราวที่เขียนโดย AI ถูกฉลากว่า “เขียนโดยมนุษย์” และเรื่องราวที่เขียนโดยมนุษย์ถูกฉลากว่า “เขียนโดย AI”:

ภาพรวมของการศึกษาที่ 1 ผู้ประเมินของมนุษย์และ AI เปรียบเทียบเรื่องราว 30 แบบ โดยแบ่งออกเป็นสามกลุ่ม: กลุ่มหนึ่งไม่เห็นชื่อผู้เขียน กลุ่มที่สองเห็นชื่อที่ถูกต้อง และกลุ่มที่สามเห็นชื่อที่ถูกสลับ

การศึกษาที่ 1

ผู้วิจัยแบ่งรูปแบบที่เลือกไว้ 30 แบบออกเป็นกลุ่มเล็กๆ โดยให้ผู้เข้าร่วมแต่ละคนเห็นเพียง 5 แบบเท่านั้น และทดสอบแต่ละแบบภายใต้สามสถานการณ์การให้เครดิต

ผู้เข้าร่วมแต่ละคนเห็นเพียงสถานการณ์การให้เครดิตแบบเดียวเท่านั้น กลุ่มที่ไม่เห็นชื่อผู้เขียนไม่ได้เห็นฉลาก “AI” เลย

กลุ่มที่เห็นชื่อที่ถูกต้องหรือสลับเห็นฉลาก “AI” หรือ “มนุษย์” ตามลำดับ

การกำหนดกลุ่ม ผู้เข้าร่วม และการวางเรื่องราวแบบสุ่มทำให้แน่ใจว่าผลลัพธ์เป็นไปอย่างสม่ำเสมอ

การทดสอบถูกทำซ้ำสามครั้งต่อโมเดลเพื่อให้แน่ใจว่าผลลัพธ์เป็นไปอย่างสม่ำเสมอ

การศึกษาที่ 2 ใช้สถานการณ์การให้เครดิตแบบเดียวกันกับครั้งก่อน แต่ขยายการทดสอบให้ครอบคลุมตัวอย่างการเขียนทั้ง 420 แบบที่สร้างโดยโมเดล AI 14 แบบ

โมเดลแต่ละแบบประเมินเรื่องราวทุกแบบภายใต้สถานการณ์การให้เครดิตทั้งสามแบบ ทำให้ได้การตัดสิน 1,260 ครั้งต่อโมเดล และรวมทั้งหมด 17,596 การประเมินที่ถูกต้อง:

ผลลัพธ์จากการศึกษาที่ 1 ผู้ประเมินของ AI และมนุษย์แสดงความลำเอียงตามฉลากผู้เขียน เมื่อไม่มีฉลาก (Blind) ความชอบอยู่ใกล้เคียงกัน เมื่อเห็นชื่อที่ถูกต้อง (Open Label) ทั้งสองกลุ่มชอบเรื่องราวที่เขียนโดยมนุษย์ และเมื่อเห็นชื่อที่สลับ (Counterfactual) ทั้งสองกลุ่มเปลี่ยนไปชอบเรื่องราวที่พวกเขาคิดว่าเขียนโดยมนุษย์

เมื่อไม่มีฉลาก ระบบ AI ให้คะแนนเรื่องราวที่เขียนโดย AI และมนุษย์ใกล้เคียงกัน โดยเลือกเรื่องราวที่เขียนโดย AI 49.4% ของเวลา

เมื่อเห็นฉลาก “AI” ความชอบลดลงอย่างรวดเร็ว至 29.8% โดยแสดงให้เห็นถึงการลดคุณค่าของงานที่ยอมรับว่าสร้างโดย AI

และเมื่อเห็นฉลาก “มนุษย์” ความชอบเพิ่มขึ้นถึง 64.1%

ความแตกต่างระหว่างสองสถานการณ์การให้เครดิตคือ 34.3% ซึ่งหมายความว่าระบบ AI เปลี่ยนความชอบของตนเองมากกว่ามนุษย์เมื่อฉลากถูกสลับ

ผลลัพธ์ยังแสดงให้เห็นว่าความลำเอียงนี้คงอยู่แม้จะทดสอบซ้ำหลายครั้ง โดยยืนยันว่าความลำเอียงนี้ไม่ใช่ผลลัพธ์ที่เกิดขึ้นโดยบังเอิญ

การศึกษาที่ 2

การศึกษาที่สองพบว่าความลำเอียงที่ชื่นชอบผู้เขียนมนุษย์ปรากฏในโมเดล AI ทั้ง 13 แบบ โดยไม่คำนึงถึงสถาปัตยกรรมหรือผู้ให้บริการ

ความลำเอียงในการให้เครดิตสำหรับโมเดล AI แต่ละแบบ: แท่งแสดงขนาดของผลกระทบพร้อมช่วงความเชื่อมั่น 95% และเส้นแดงแสดงความลำเอียงของมนุษย์

ทุกโมเดลชอบเรื่องราวที่เขียนโดยมนุษย์ โดยมีผลกระทบที่แข็งแกร่งกว่าในมนุษย์

แม้หลังจากลบกรณีที่รุนแรงที่สุดออกไป ความลำเอียงโดยเฉลี่ยยังคงมากกว่าความลำเอียงของมนุษย์ถึงสองเท่า ซึ่งบ่งชี้ว่าผลกระทบนี้ไม่ใช่ความผิดปกติของโมเดลใดโมเดลหนึ่ง แต่เป็นคุณลักษณะที่แบ่งปันของโมเดลภาษาขนาดใหญ่

สรุป

แม้ว่าการศึกษาก่อนหน้านี้จะแสดงให้เห็นว่า AI สามารถสร้างงานเขียนที่เทียบเท่าหรือเหนือกว่างานเขียนของมนุษย์ แต่ผู้เขียนเน้นย้ำว่าในด้านวรรณกรรม คุณค่าที่ให้กับการเขียนและความแท้จริงเป็นประเพณีที่เก่าแก่และลึกซึ้ง:

‘เมื่อ GPT-4o Mini วิจารณ์ว่าแนวทางของ Queneau ที่ “สร้างสรรค์และตลก” เป็น “เกินจริง” เมื่อถูกฉลากว่า AI ในขณะที่ยกย่องคุณลักษณะเดียวกันเมื่อถูกฉลากว่าเขียนโดยมนุษย์ มันแสดงให้เห็นว่าฉลากเหล่านี้กระตุ้นให้เกิดสมมติฐานที่ไม่มีกระบวนการทางจิตที่แท้จริงเกิดขึ้น’

‘การให้เครดิตส่งผลต่อการตัดสินโดยการนำกระบวนการกลับเข้ามาในผลลัพธ์ ซึ่งอาจตัดสินได้โดยอาศัยผลิตภัณฑ์เท่านั้น: “การสร้างเพียงอย่างเดียว” ถูกมองว่าเหมาะสมจากผู้สร้างที่มีทักษะ (ถูกมองว่าเป็นงานฝีมือ) แต่ถูกมองว่าสงสัยจากโมเดล (ถูกมองว่าเป็นการรวมกันของอัลกอริทึม)’

โมเดลภาษาขนาดใหญ่ไม่น่าเชื่อถือเพียงพอสำหรับการวิจัยที่ไม่มีการดูแล และแม้ว่าการดูแลอย่างระมัดระวังจะทำให้พวกมันสามารถใช้ได้ผล แต่งานเขียนสร้างสรรค์ที่ใช้ AI อาจเผชิญกับอนาคตที่ไม่แน่นอน หากงานสร้างสรรค์ที่สร้างโดย AI ถูกตีตราว่าเป็น “ไม่แท้จริง” หรือ “ชั้นสอง” ในด้านวรรณกรรม

ผลกระทบของการวิจัยประเภทนี้ได้รับอิทธิพลอย่างมากจากทัศนคติของบริษัทและผู้ใช้บุคคลต่อความซื่อสัตย์เกี่ยวกับการใช้ AI ในผลงานของตน

ในบางกรณี การไม่ยอมรับถึงการใช้ AI อาจเกิดจากปัญหาความผิดลิขสิทธิ์ขององค์กรมากกว่าความกังวลว่าผู้คนจะยอมรับงานสร้างสรรค์ที่สร้างโดย AI หรือไม่

อย่างไรก็ตาม มีทางออกที่เป็นไปได้ทางกฎหมาย การเงิน และการเมืองเกี่ยวกับลิขสิทธิ์ แต่การทำให้ผู้คนชื่นชอบงานสร้างสรรค์ของ AI ที่ไม่มีจิตใจหรือเจตนาของมนุษย์เป็นผู้ขับเคลื่อนอาจเป็นเรื่องที่ท้าทายกว่า

* โปรดอ้างอิงเอกสารต้นฉบับสำหรับการอ้างอิงที่ถูกตัดออก

เผยแพร่ครั้งแรกวันจันทร์ที่ 13 ตุลาคม 2025