Des chercheurs identifient six motifs qui rendent le texte généré par l'IA pénible à lire
decoder ·
Une étude récente menée par des chercheurs de l'Université de New York et de l'Université du Texas à Austin identifie six motifs linguistiques spécifiques qui rendent le texte généré par l'IA difficile et épuisant à lire. L'analyse de plus de 1 000 dissertations et de nombreuses conversations révèle que les modèles de pointe surutilisent systématiquement des combinaisons de mots inhabituelles, des propositions de phrases séparées et des enchaînements de noms, ce qui sollicite la mémoire de travail du lecteur. De plus, ces modèles transforment fréquemment des noms en verbes ou attribuent des actions animées à des sujets inanimés, créant ainsi des métaphores que les humains n'utiliseraient pas naturellement. Bien que des modèles open-source plus petits comme Llama et Olmo produisent un texte plus proche des normes humaines, les grands modèles de pointe présentent des écarts significatifs dus à leurs objectifs d'entraînement. Les chercheurs soutiennent que le passage de l'apprentissage par renforcement à partir de retours humains (RLHF) aux récompenses vérifiables privilégie la densité informationnelle et l'exactitude plutôt que la clarté. Ce processus d'optimisation encourage l'adoption d'un « dialecte » adapté à la compression des données plutôt qu'à la communication avec les personnes, une tendance notée par les initiés de l'industrie comme une adaptation à la « psychologie des LLM ». Toutefois, des efforts de réglage fin ciblés, tels que ceux observés dans Claude Opus 5.5, ont montré des résultats prometteurs en rétablissant la lisibilité grâce à la résolution de ces problèmes structurels.
decoder