Pek çok okuyucu bunu anekdot olarak fark etmiştir: Yapay zeka modelleri tarafından yazılan metinler, gramer açısından kusursuz olsa bile giderek daha yoğun, yapmacık ve ayrıştırılması garip bir şekilde yorucu geliyor. arXiv'e gönderilen yeni bir ön baskı, bu sezginin arkasına sağlam dilsel veriler koyuyor ve bunun neden olduğuna dair bir açıklama öneriyor.

"Yapay zeka tarafından üretilen dili anlamak neden bu kadar zor?" başlıklı çalışma, araştırmacılar Thomas Hikaru Clark, Matias B. Martin ve Kyle Mahowald tarafından 21 Ekim'de sunuldu. Yazarlar, çeşitli alanlarda yapay zeka tarafından oluşturulan metinlerden oluşan yeni bir külliyattan yararlanarak, literatürde insan okuyucular için işlem zorluğunun belirteçleri olarak iyice yerleşmiş bir dizi psikodilbilimsel özelliği analiz etti; bunlar arasında nesneyle ilgili cümleler, uzun sözdizimsel bağımlılıklar ve düşük frekanslı n-gramlar yer alıyor. For more context on this story, see our ongoing AI news.

Araştırmacılar Neyi Ölçtü?

Psikodilbilim uzun zamandır tüm cümleleri okumanın aynı maliyete sahip olmadığını biliyor. Nesne bağıl hükümlerinin ("muhabirin saldırdığı senatör...") işlenmesi konu akrabalarından ölçülebilir derecede daha uzun sürer. Kelimeler arasındaki uzun bağımlılıklar okuyucuyu hafızasında daha fazla materyal tutmaya zorlar. Nadir kelime dizilerinin geri getirilmesi ve birleştirilmesi daha fazla çaba gerektirir. Bu özellikler, bir metnin kulağa ne kadar karmaşık geldiğinden farklı olarak, gerçekte anlaşılmasının ne kadar zor olduğunu ölçmek için bir cetvel görevi görür.

Araştırmacılar, yapay zeka tarafından üretilen yazıyı iki temel çizgiyle karşılaştırdı: insan tarafından yazılan metin ve gidiş-dönüş çeviri yoluyla üretilen başka sözcükler; gerçek model tuhaflıklarını, resmi veya makine benzeri düzyazının genel tadından ayırmak için tasarlanmış bir kontrol.

Bu kontrol önemli. Şüpheciler, yapay zeka metninin belirgin bir patoloji sergilemek yerine, resmi, kişisel olmayan ve isim ağırlıklı olmak üzere yalnızca ticari veya teknik yazı gibi okunduğunu makul bir şekilde iddia edebilir. Gidiş-dönüş çeviri, arkasında herhangi bir dil modeli eğitimi olmaksızın, benzer şekilde gösterişli, biraz doğal olmayan bir anlatıma sahip metinler üretir. Yapay zeka modelleri, işleme zorluğu ölçümlerinde hala bu temel çizgiyi aşıyorsa, farkın, modellerin yazmayı nasıl öğrendiklerine özgü bir şeyden kaynaklanması gerekir. Aslında çalışmanın bulduğu şey budur.

Ne Buldular

Sonuçlar genel olarak tutarlıydı. İnsan yazısıyla karşılaştırıldığında, çalışmada incelenen dokuz sınır ve sınıra yakın modelin tümü (GPT-5.6, Claude, Llama, DeepSeek ve Qwen ailelerinden sistemleri içeren bir grup) ölçülebilir derecede daha zor seçimler yaptı:

  • Canlı fiillerle eşleştirilen daha fazla cansız konu — soyutlamaların "araştırdığı", "alt çizgi" veya "vurguladığı" karakteristik yapay zeka yazma modeli.
  • Daha fazla düşük frekanslı n-gram, yani insan yazarların nadiren ürettiği sıra dışı kelime dizileri.
  • Daha uzun sözdizimsel bağımlılıklar, öznelerin ve fiillerin daha fazla araya giren materyalle ayrılması.
  • Daha fazla yığılmış isim ve konuşma metninde daha fazla azaltılmış nesne ilgi cümleciği.

Çalışma aynı zamanda model aileleri arasındaki önemli farklılıkları da belgeledi - tüm modellerin okunması eşit derecede zor değil - ve yapay zeka modellerinin bu zor yapıları gidiş-dönüş çeviri açıklamalarından daha sık kullandığını buldu; bu da etkinin, resmi kayıtların bir ürünü olmaktan ziyade modellerin nasıl eğitildiğine özel olduğunu gösteriyor.

Bu değişiklik sessizce makaledeki en yararlı sonuçlardan biridir. Okuma güçlüğü ölçek veya kapasitenin kaçınılmaz bir sonucu olsaydı, tüm sınır sistemleri bir arada toplanırdı. Bunun yerine, aileler arasındaki dağılım, eğitim sonrası seçimlerin (veri karışımı, ödül sinyalleri, muhakeme ağırlıklı alanlara yapılan vurgu) bir modelin düzyazısının insan okuyucuya nasıl ulaşacağını gözle görülür şekilde şekillendirdiğini gösteriyor. Başka bir deyişle, okunması zor yapay zeka metni, zekanın kaçınılmaz bir yan ürünü değil, tasarımın bir sonucudur.

Bilgi Yoğunluğu Hipotezi

Modeller neden daha sert bir dile doğru sürüklensin? Yazarlar bir hipotez öneriyor ve test ediyor: İnsan dili gelişirken ve başarılı bir şekilde iletişim kurma baskısı altında öğrenilirken, yapay zeka tarafından oluşturulan metin, baskının anlama kolaylığından ziyade bilgi yoğunluğuna yönelik olduğu diğer hedefler (matematik, kod ve muhakeme görevleri) için giderek daha fazla optimize ediliyor.

Doğru cevapları daha az simgeye sığdırdığı için ödüllendirilen bir model, düzyazıya aktarılan alışkanlıkları öğrenir: anlamı sıkıştırmak, kesin ama nadir ifadeleri tercih etmek, cümle başına daha fazla yapı yerleştirmek. Sonuç, kıyaslamalarda iyi puan alan ve insan okuyucular için giderek daha az doğal hale gelen bir metindir.

Bu fikri test etmek için araştırmacılar bir kavram kanıtlama deneyi gerçekleştirdiler: Bir dil modeline uzunluk cezası altında ince ayar yaparak onu çıktısını sıkıştırmaya zorladılar. Modelin dilsel davranışı, insan benzeri kalıplardan tam olarak hipotezin öngördüğü şekilde saptı; bu değişime yalnızca verilerin değil, optimizasyon baskısının yön verdiği fikrine nedensel destek sağladı.

Neden Önemlidir

Bulgular, yazarların, insanların dilsel işleme talepleri ile büyük dil modelleri tarafından örtülü olarak tercih edilenler arasındaki uyumsuzluk dediği durumu vurguluyor. Bu yanlış hizalamanın pratik sonuçları vardır. Okunması daha zor metinler üreten yapay zeka asistanları, her yanıta gizli bir vergi uyguluyor ve insanlar okuma zamanlarının çoğunu model tarafından oluşturulan taslaklar, özetler ve açıklamalar üzerinde harcadıkça bu etki daha da artıyor.

Yazarlar, çerçevelerinin olası çözüm yollarına işaret ettiğini, yani kapasiteden ödün vermeden, çıktısı insanın işlem sınırlarına saygı gösteren modelleri eğitme veya ayarlama yollarını öne sürüyor. Makale bir ön baskıdır ve henüz hakem incelemesinden geçmemiştir, ancak temel gözlemi halihazırda yankı uyandırmaktadır: çalışma, 24 Ekim'de Hacker News ön sayfasına tırmandı ve muhakeme performansı ile okunabilir düzyazı arasındaki dengenin temel mi yoksa düzeltilebilir mi olduğu konusunda aktif bir tartışmaya yol açtı.

Şimdilik, çalışma okuyuculara tanıdık bir hayal kırıklığı için doğrulanmış bir kelime dağarcığı sunuyor. Metin tesadüfen kötüleşmiyor; tasarım gereği yoğunlaşıyor.

Kaynaklar: arXiv:2610.29162, Hacker Haberleri tartışması

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →