- 本記事は、エムダッシュ「—」がAI生成テキストの識別可能なシンボルになりつつあると指摘している。
- 著者のリア・エリソン氏は、2022年のOpenAI ChatGPTのリリース後、自身の執筆スタイルが長い文章、予測可能な構造、多用されるダッシュなど、AIに似ていることに気づいたという。
- 学校や出版界で「AI検出器」が登場したことにより、AIの使用を疑われないよう書き方を変える人が増えている。
- AI検出器は、単語の予測の難しさ（「perplexity」）、文構造の変動度（「burstiness」）、その他多くの統計的指標に基づいてテキストを評価する。
- 著者は、フラグを立てられることを恐れて、長すぎる文、セミコロン、三位一体のアイデア、ダッシュの使用を避けるようになった。
- 本記事によると、LLMがダッシュを多用する主な理由は、学習データと回答の最適化プロセスの2点にある。
- GPT-3の学習データの60%以上は、インターネット上の公開テキストを収集するシステムであるウェブクロール（web crawls）に由来している。
- LLMは言語シーケンスの次の単語を予測することで学習し、その過程で執筆スタイルや文法構造も吸収する。
- ダッシュのような構造がデータ内に十分に現れ、学習後に調整されない場合、それはモデルの「本能」となる。
- 著者のブレント・スートラス氏は、ChatGPTやClaudeなどのモデルにダッシュの使用をやめるよう求めたが、AIの出力に深く根付いているため失敗に終わった。
- Freeburgの研究によると、標準的なエッセイにおいてGPT-4.1は、一般の書き手よりも3.28倍多くダッシュを使用している。
- この研究によれば、プロンプトを通じてダッシュを禁止または制限することはほとんど効果がない。
- 一つの仮説として、アフリカでのチャットボットのコンテンツモデレーションの影響が挙げられている。そこでの英語は「delve」のような単語を頻繁に使う傾向があるという。
- しかし、記事では、モデレーターは主に有害なコンテンツの排除に集中しており、言語スタイルを直接調整しているわけではないと分析している。
- 著者は、現代の公共メディアを代表するテキスト群「COCA」と、AIの学習データをシミュレートしたデータセット「OpenWebText」のデータを比較した。
- OpenWebTextのダッシュ出現頻度は極めて高く、100万語あたり約1,621.88回に達する。
- もう一つの仮説は暗黙のバイアスに関連している。ダッシュは文学や長いエッセイでは一般的だが、メールやメッセージのような日常のコミュニケーションではあまり現れない。
- LLMは長文や学術論文で多く訓練されているため、一般人よりもダッシュの使い方を吸収してしまう。
- データの要因以外にも、ClaudeやChatGPTのようなモデルは「明確な」回答を生成するように最適化されており、ダッシュは複雑なアイデアを説明したり分割したりするのに特に適している。
- 人々がAIだと思われるのを避けるためにダッシュを敬遠するようになれば、将来のLLMもそれに伴って使用を減らすだろうと著者は信じている。
- しかし記事では、「AIだとバレる」ことへの恐怖が執筆の本質を変えてしまうことを懸念している。「人間らしく」聞こえるために、多くの人が創造性を抑えて書かなければならなくなっている。
📌 結論： AI時代の興味深い逆説。言語モデルは人間の書き方から学習したにもかかわらず、現在は人間がAIと間違われないようにスタイルを変えている。GPT-4.1が通常の3.28倍も使用し、プロンプトでも完全に排除できないダッシュはその典型例である。さらに重要なのは、AI検出器への恐怖が執筆における表現の自由を貧弱にし、かつては洗練された創造的な文体の証とされていた構造までも書き手に避けさせているという点である。
