Forscher finden sechs Muster, die KI-Texte mühsam zum Lesen machen
decoder ·
Eine aktuelle Studie von Forschern der New York University und der University of Texas at Austin identifiziert sechs spezifische linguistische Muster, die KI-generierten Text schwer lesbar und ermüdend machen. Die Analyse von über 1.000 Essays und zahlreichen Gesprächen zeigt, dass Frontier-Modelle ungewöhnliche Wortkombinationen, getrennte Satzglieder und gestapelte Nomina systematisch übermäßig verwenden, was das Arbeitsgedächtnis der Leser belastet. Darüber hinaus wandeln diese Modelle häufig Nomen in Verben um oder übertragen belebte Handlungen auf unbelebte Subjekte, wodurch Metaphern entstehen, die Menschen nicht natürlich verwenden würden. Während kleinere Open-Source-Modelle wie Llama und Olmo Texte produzieren, die näher an menschlichen Normen liegen, weisen größere Frontier-Modelle aufgrund ihrer Trainingsziele erhebliche Abweichungen auf. Die Forscher argumentieren, dass der Wechsel von Reinforcement Learning from Human Feedback (RLHF) zu verifizierbaren Belohnungen die Informationsdichte und Korrektheit vor die Klarheit stellt. Dieser Optimierungsprozess fördert einen „Dialekt“, der eher zur Datenkomprimierung als zur Kommunikation mit Menschen geeignet ist – ein Trend, den Brancheninsider als Anpassung an die „LLM-Psychologie“ bezeichnen. Gezielte Fine-Tuning-Ansätze, wie sie bei Claude Opus 5.5 zu sehen sind, haben jedoch vielversprechende Ergebnisse gezeigt, indem sie diese strukturellen Probleme angehen und die Lesbarkeit wiederherstellen.
decoder