多くの読者は逸話としてそれに気づいているでしょう。AI モデルによって書かれたテキストは、文法的には完璧であっても、ますます密度が高く、堅苦しく、解析するのが奇妙に疲れるように感じられます。 arXiv に投稿された新しいプレプリントでは、その直感の背後に確かな言語データがあり、なぜそれが起こるのかの説明が提案されています。

この研究「AIが生成した言語はなぜ理解が難しいのか?」は、研究者のトーマス・ヒカル・クラーク氏、マティアス・B・マーティン氏、カイル・マホワルド氏らによって10月21日に提出された。著者らは、さまざまな領域にわたって AI が生成したテキストの新しいコーパスを利用して、人間の読者の処理難易度の指標として文献で確立されている一連の心理言語的特徴 (目的語関連節、長い構文依存関係、低頻度の N グラムなど) を分析しました。 この件の詳細は、人工知能の最新情報をご覧ください。

研究者が測定したもの

心理言語学では、すべての文章を読むのに同じコストがかかるわけではないことは長い間知られていました。目的語関係節 (「記者が攻撃した上院議員…」) は、主語関係節よりも処理にかなり時間がかかります。単語間の依存関係が長いと、読者はより多くの内容を記憶に保持する必要があります。まれな単語シーケンスの場合、検索と統合にさらに多くの労力が必要になります。これらの特徴は、テキストがどれほど洗練されているかとは別に、テキストを実際に理解するのがどれだけ難しいかを測定するための物差しとして機能します。

研究者らは、AI が生成した文章を 2 つのベースラインと比較しました。人間が書いた文章と、形式的または機械的な散文の一般的な風味から本物のモデルの癖を分離するように設計された制御である往復翻訳によって生成された言い換えです。

そのコントロールが重要です。懐疑論者は、AI のテキストは、明確な病理を示すのではなく、形式的で非個人的で名詞が多い、単にビジネス文書または技術文書のように読めるだけだと合理的に主張する可能性があります。往復翻訳では、言語モデルのトレーニングを行わずに、同様に洗練された、やや不自然な音域を持つテキストが生成されます。 AI モデルが処理難易度の基準で依然としてそのベースラインを超えている場合、その差はモデル自体がどのように記述を学習したかに特有の何かから生じているはずです。本質的に、それが研究で判明したことだ。

彼らが見つけたもの

結果は全体的に一貫していました。研究で調査された 9 つのフロンティアおよびニアフロンティア モデル (GPT-5.6、Claude、Llama、DeepSeek、および Qwen ファミリのシステムを含むグループ) は、人間の筆記と比較して、次のような非常に難しい選択をしました。

  • より多くの無生物主語と生物動詞の組み合わせ — 抽象化によって「掘り下げる」、「下線を引く」、または「強調表示する」という特徴的な AI の文章パターン。
  • より低頻度の N グラム。人間のライターがめったに生成しない珍しい単語シーケンスを意味します。
  • **構文上の依存関係が長くなり、主語と動詞がより多くの介在物によって分離されます。
  • 名詞の積み重ねが増え、会話文では目的語関係節が減りました。

この研究では、モデル ファミリ間の大幅な差異も文書化されており、すべてのモデルが同じように読みにくいわけではありません。また、AI モデルはこれらの難しい構造を往復翻訳の言い換えよりも頻繁に使用していることがわかり、この効果が正式な登録のアーチファクトではなく、モデルのトレーニング方法に特有であることを示しています。

このバリエーションは、静かにこの論文で最も有用な結果の 1 つです。規模や機能のせいで読書の困難が避けられないとすれば、すべてのフロンティア システムが一緒にクラスター化するでしょう。むしろ、家族間の広がりは、トレーニング後の選択 (データの組み合わせ、報酬シグナル、推論の重要な領域の強調) が、モデルの散文が人間の読者にどのように着地するかを明らかに形作ることを示唆しています。言い換えれば、読みにくい AI テキストは設計の結果であり、知能の必然的な副産物ではありません。

情報密度仮説

なぜモデルはより難しい言語に向かっていくのでしょうか?著者らは仮説を提案し、検証している。人間の言語は進化し、うまくコミュニケーションを図るというプレッシャーの下で学習される一方、AIが生成したテキストは他の目的、つまり数学、コード、推論タスクに向けてますます最適化されており、そのプレッシャーは理解しやすさよりも「情報密度」に向けられている。

正しい答えをより少ないトークンに詰め込むことで報酬を得たモデルは、意味を圧縮し、正確だが珍しい表現を好み、文ごとにより多くの構造を埋め込むなど、散文に引き継がれる習慣を学習します。その結果、テキストはベンチマークでは高得点を獲得する一方で、人間の読者にとっては徐々に不自然になっていきます。

このアイデアをテストするために、研究者らは概念実証実験を実行しました。長さのペナルティの下で言語モデルを微調整し、出力を強制的に圧縮しました。モデルの言語的動作は、まさに仮説が予測する方法で人間のようなパターンから逸脱しており、データだけではなく最適化圧力が変化を推進しているという考えに因果関係を裏付けるものとなった。

なぜそれが重要なのか

この発見は、人間の言語処理要求と、大規模な言語モデルが暗黙的に好む言語処理要求との間の、著者らの呼ぶ不整合を浮き彫りにしている。このずれは実際的な影響を及ぼします。読みにくいテキストを生成する AI アシスタントは、すべての回答に隠れた税金を課しており、人々がモデルによって生成された下書き、要約、説明に読書時間を費やすほど、その影響はさらに大きくなります。

著者らは、自分たちのフレームワークが考えられる救済策、つまり能力を犠牲にすることなく人間の処理限界を尊重して出力するモデルをトレーニングまたは調整する方法を示していると主張している。この論文はプレプリントであり、まだ査読を受けていませんが、その中心的な見解はすでに反響を呼んでいます。この論文は 10 月 24 日に Hacker News の一面に掲載され、推論のパフォーマンスと読みやすい散文の間のトレードオフが根本的なものなのか修正可能なものなのかについて活発な議論を引き起こしました。

今のところ、この研究は読者に、よくあるイライラについての検証済みの語彙を提供する。テキストは偶然悪くなっているのではなく、意図的に濃くなっているのです。

出典: arXiv:2610.29162、ハッカー ニュースのディスカッション

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →