بہت سے قارئین نے اسے قصہ پارینہ طور پر دیکھا ہے: AI ماڈلز کے ذریعے لکھے گئے متن کو تجزیہ کرنے کے لیے تیزی سے گھنا، ٹھنڈا، اور عجیب طور پر تھکا دینے والا محسوس ہوتا ہے، یہاں تک کہ جب یہ گرائمر کے لحاظ سے بے عیب ہو۔ arXiv پر پوسٹ کیا گیا ایک نیا پری پرنٹ اس وجدان کے پیچھے سخت لسانی ڈیٹا رکھتا ہے - اور اس کی وضاحت پیش کرتا ہے کہ یہ کیوں ہو رہا ہے۔

مطالعہ، "AI سے تیار کردہ زبان کو سمجھنا اتنا مشکل کیوں ہے؟"، 21 اکتوبر کو محققین تھامس ہیکارو کلارک، میٹیاس بی مارٹن، اور کائل مہووالڈ نے پیش کیا تھا۔ متنوع ڈومینز میں AI سے تیار کردہ متن کے ایک ناول کارپس کو تیار کرتے ہوئے، مصنفین نے نفسیاتی لسانی خصوصیات کے ایک سیٹ کا تجزیہ کیا جو ادب میں انسانی قارئین کے لیے پروسیسنگ کی دشواری کے نشانات کے طور پر اچھی طرح سے قائم ہیں - بشمول آبجیکٹ کے متعلقہ شقیں، طویل نحوی انحصار، اور کم تعدد n-grams۔ For more context on this story, see our ongoing AI trends.

محققین نے کیا پیمائش کی۔

ماہرِ لسانیات طویل عرصے سے جانتی ہے کہ تمام جملوں کو پڑھنے کی قیمت ایک جیسی نہیں ہوتی۔ آبجیکٹ رشتہ دار شقیں ("سینیٹر جس پر رپورٹر نے حملہ کیا...") موضوع کے رشتہ داروں کے مقابلے میں کارروائی میں کافی زیادہ وقت لیتا ہے۔ الفاظ کے درمیان طویل انحصار قارئین کو میموری میں مزید مواد رکھنے پر مجبور کرتا ہے۔ نایاب الفاظ کی ترتیب کو دوبارہ حاصل کرنے اور انضمام کرنے کے لیے مزید محنت کی ضرورت ہوتی ہے۔ یہ خصوصیات اس بات کی پیمائش کرنے کے لیے ایک حکمران کے طور پر کام کرتی ہیں کہ کسی متن کو حقیقت میں سمجھنا کتنا مشکل ہے — جیسا کہ اس کی آواز کتنی نفیس ہے۔

محققین نے دو بنیادی خطوط سے AI سے تیار کردہ تحریر کا موازنہ کیا: انسانی تحریری متن، اور راؤنڈ ٹرپ ٹرانسلیشن کے ذریعے تیار کردہ پیرا فریسز، ایک ایسا کنٹرول جو حقیقی ماڈل کے نرالا کو رسمی یا مشینی نثر کے عام ذائقے سے الگ کرنے کے لیے ڈیزائن کیا گیا ہے۔

یہ کنٹرول اہمیت رکھتا ہے۔ شکی لوگ معقول طور پر یہ بحث کر سکتے ہیں کہ AI متن صرف کاروبار یا تکنیکی تحریر کی طرح پڑھتا ہے — رسمی، غیر ذاتی، اور اسم بھاری — بجائے اس کے کہ ایک الگ پیتھالوجی کی نمائش ہو۔ راؤنڈ ٹرپ ٹرانسلیشن اسی طرح کے پالش شدہ، قدرے غیر فطری رجسٹر کے ساتھ متن تیار کرتا ہے جس کے پیچھے کسی زبان کے ماڈل کی تربیت نہیں ہوتی ہے۔ اگر AI ماڈلز اب بھی پروسیسنگ میں دشواری کے اقدامات پر اس بنیادی لائن سے تجاوز کر گئے ہیں، تو فرق کسی مخصوص چیز سے آنا ہوگا کہ ماڈلز نے خود کیسے لکھنا سیکھا۔ یہ، جوہر میں، مطالعہ پایا.

جو انہوں نے پایا

نتائج پورے بورڈ میں یکساں تھے۔ انسانی تحریر کے مقابلے میں، مطالعہ میں جانچے گئے تمام نو فرنٹیئر اور قریبی فرنٹیئر ماڈلز - ایک گروپ جس میں GPT-5.6، Claude، Llama، DeepSeek، اور Qwen خاندانوں کے نظام شامل ہیں - نے پیمائش سے زیادہ مشکل انتخاب کیے:

  • زیادہ بے جان مضامین جو متحرک فعل کے ساتھ جوڑتے ہیں — لکھنے کا خصوصیت والا AI پیٹرن جو تجریدات "ڈیول"، "انڈر سکور" یا "ہائی لائٹ" کرتا ہے۔
  • زیادہ کم تعدد n-grams، یعنی الفاظ کی غیر معمولی ترتیب جو کہ انسانی مصنفین شاذ و نادر ہی پیدا کرتے ہیں۔
  • لمبی نحوی انحصار، مضامین اور فعل کو زیادہ مداخلت کرنے والے مواد سے الگ کر کے۔
  • مزید اسٹیک شدہ اسم اور، بات چیت کے متن میں، زیادہ کم آبجیکٹ رشتہ دار شقیں۔

اس تحقیق میں ماڈل فیملیز میں کافی تغیرات کو بھی دستاویز کیا گیا - تمام ماڈلز کو پڑھنا یکساں طور پر مشکل نہیں ہے - اور پتہ چلا کہ AI ماڈلز نے ان مشکل تعمیرات کو راؤنڈ ٹرپ-ترجمے کے پیرا فریسز کے مقابلے میں زیادہ کثرت سے استعمال کیا ہے، جس سے یہ ظاہر ہوتا ہے کہ ماڈلز کو تربیت کیسے دی جاتی ہے بجائے اس کے کہ رسمی رجسٹر کے نمونے سے۔

یہ تغیر خاموشی سے کاغذ کے سب سے مفید نتائج میں سے ایک ہے۔ اگر پڑھنے میں دشواری پیمانے یا قابلیت کا ناگزیر نتیجہ ہوتی تو تمام فرنٹیئر سسٹم ایک ساتھ جمع ہوجاتے۔ اس کے بجائے، خاندانوں کے درمیان پھیلاؤ سے پتہ چلتا ہے کہ تربیت کے بعد کے انتخاب — ڈیٹا مکس، انعام کے اشارے، استدلال کے بھاری ڈومینز پر زور — بظاہر یہ شکل دیتے ہیں کہ ماڈل کا نثر انسانی قاری پر کیسے اترتا ہے۔ دوسرے لفظوں میں، مشکل سے پڑھنے والا AI متن ایک ڈیزائن کا نتیجہ ہے، نہ کہ ذہانت کا ناگزیر نتیجہ۔

معلومات کی کثافت کا مفروضہ

ماڈلز سخت زبان کی طرف کیوں بڑھیں گے؟ مصنفین ایک مفروضے کی تجویز اور جانچ کرتے ہیں: جب کہ انسانی زبان تیار ہوئی اور کامیابی سے بات چیت کرنے کے دباؤ میں سیکھی جاتی ہے، AI سے تیار کردہ متن کو دوسرے اہداف - ریاضی، کوڈ، اور استدلال کے کاموں کے لیے تیزی سے بہتر بنایا جاتا ہے - جہاں دباؤ معلومات کی کثافت کی طرف ہوتا ہے بجائے فہم میں آسانی۔

درست جوابات کو کم ٹوکنز میں پیک کرنے کے لیے انعام یافتہ ماڈل عادات کو سیکھتا ہے جو نثر میں شامل ہوتی ہیں: معنی کو سکیڑیں، قطعی لیکن نایاب الفاظ کو ترجیح دیں، فی جملہ مزید ساخت کو سرایت کریں۔ نتیجہ وہ متن ہے جو بینچ مارکس پر اچھا اسکور کرتا ہے جبکہ انسانی قارئین کے لیے مستقل طور پر کم فطری ہوتا ہے۔

خیال کو جانچنے کے لیے، محققین نے تصور کے ثبوت کا تجربہ کیا: انہوں نے ایک زبان کے ماڈل کو لمبائی کے جرمانے کے تحت ٹھیک بنایا، جس سے اسے اس کی پیداوار کو کمپریس کرنے پر مجبور کیا۔ ماڈل کا لسانی رویہ انسانی طرز کے نمونوں سے بالکل ان طریقوں سے ہٹ گیا ہے جس طرح مفروضے کی پیش گوئی کی گئی ہے - اس خیال کی وجہ سے مدد دینا کہ اصلاح کا دباؤ، اکیلے ڈیٹا نہیں، تبدیلی کو آگے بڑھاتا ہے۔

یہ کیوں اہمیت رکھتا ہے۔

نتائج اس بات پر روشنی ڈالتے ہیں کہ مصنفین انسانوں کی لسانی پروسیسنگ کے تقاضوں اور بڑے زبان کے ماڈلز کی طرف سے واضح طور پر ترجیح دینے والوں کے درمیان غلط ہم آہنگی کہتے ہیں۔ اس غلط ترتیب کے عملی نتائج ہیں۔ AI معاونین جو پڑھنے میں مشکل سے متن تیار کرتے ہیں وہ ہر جواب پر پوشیدہ ٹیکس لگاتے ہیں، اور اس کے اثرات مرتب ہوتے ہیں کیونکہ لوگ اپنے پڑھنے کا زیادہ وقت ماڈل سے تیار کردہ مسودوں، خلاصوں اور وضاحتوں پر صرف کرتے ہیں۔

مصنفین ممکنہ علاج کی طرف اپنے فریم ورک پوائنٹس پر بحث کرتے ہیں - ایسے ماڈلز کو تربیت دینے یا ٹیون کرنے کے طریقے جن کی پیداوار قابلیت کو قربان کیے بغیر انسانی پروسیسنگ کی حدود کا احترام کرتی ہے۔ کاغذ ایک پری پرنٹ ہے اور ابھی تک ہم مرتبہ جائزہ سے نہیں گزرا ہے، لیکن اس کا مرکزی مشاہدہ پہلے ہی گونج رہا ہے: یہ کام 24 اکتوبر کو ہیکر نیوز کے صفحہ اول پر چڑھ گیا، اس بارے میں ایک فعال بحث کی گئی کہ آیا استدلال کی کارکردگی اور پڑھنے کے قابل نثر کے درمیان تجارت بنیادی ہے یا قابل فکس۔

ابھی کے لیے، مطالعہ قارئین کو ایک مانوس مایوسی کے لیے ایک درست الفاظ فراہم کرتا ہے۔ متن حادثاتی طور پر خراب نہیں ہو رہا ہے - یہ ڈیزائن کے لحاظ سے گہرا ہوتا جا رہا ہے۔

ذرائع: arXiv:2610.29162، ہیکر نیوز ڈسکشن

---

Stay Ahead of AI

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

Read more AI news →