que paso
Los investigadores examinaron si los grandes modelos de lenguaje (LLM) reproducen patrones humanos contemporáneos de uso modal deóntico. Descubrieron que el texto generado por IA subutiliza constantemente los modales deónticos positivos (debe, debería, tiene que, tenía que) en relación con los humanos contemporáneos. La comparación histórica con el corpus Ngram de Libros Google (1920-2022) mostró que las frecuencias modales de la IA se encuentran dentro del rango del inglés publicado formalmente, mientras que las tasas modales humanas contemporáneas en contextos digitales informales a menudo superan las líneas de base de los libros del siglo XX.
Los investigadores analizaron tres corpus primarios, un punto de referencia externo, dos replicaciones controladas y una replicación naturalista de once modelos para examinar el uso modal de LLM. Este diseño mantiene la comparación centrada en el uso modal entre las fuentes indicadas. También separa el análisis principal del punto de referencia y las replicaciones, preservando la estructura establecida del estudio y manteniendo la descripción enfocada en lo que se examinó.
Descubrieron que el texto generado por IA subutiliza constantemente los modales deónticos positivos (debe, debería, tiene que, tenía que) en relación con los humanos contemporáneos. Ese resultado se presenta como un patrón relativo, y la comparación se dirige a los humanos contemporáneos. La redacción identifica tanto la dirección de la diferencia como la familia específica de modales involucrados, manteniendo el hallazgo vinculado a la pregunta central del estudio.
La comparación histórica con el corpus Ngram de Libros Google (1920-2022) mostró que las frecuencias modales de la IA se encuentran dentro del rango del inglés publicado formalmente, mientras que las tasas modales humanas contemporáneas en contextos digitales informales a menudo superan las líneas de base de los libros del siglo XX. Por lo tanto, la comparación sitúa el patrón de IA junto a dos puntos de referencia diferentes: el inglés publicado formalmente y la escritura digital informal. El contraste es parte del resultado reportado, presentado aquí sin cambiar ni el período cubierto ni el corpus nombrado por los investigadores.
La descomposición a nivel de frase mostró que la brecha modal entre la IA y los humanos se concentra en construcciones centrales para la postura interpersonal (debería, tenía que, tenía que), mientras que la IA iguala o supera a los humanos en cuanto a necesidad de hacerlo en contextos de instrucción y de respuesta a preguntas, pero no en la escritura persuasiva de los estudiantes. Esta descomposición reduce la brecha informada a las construcciones ya identificadas, manteniendo al mismo tiempo el contexto separado en el que se describe la necesidad. La oración mantiene a la vista la distinción entre los contextos de instrucción y de respuesta a preguntas y la escritura persuasiva de los estudiantes.
Los hallazgos sugieren que el uso modal del LLM refleja los recursos escritos formales en los que se entrenaron estos modelos, mientras que se subutilizan las construcciones modales a través de las cuales los escritores humanos contemporáneos marcan la obligación interpersonal inmediata. Esta interpretación conecta el patrón observado con los recursos lingüísticos y las funciones interpersonales nombrados en el estudio. Describe el resultado como una cuestión de lo que se utiliza con mayor o menor frecuencia, manteniendo el énfasis en la obligación contemporánea y en los recursos formales escritos identificados en los hallazgos.
Detalles de la fuente: arxiv.org ↗
Por qué es importante
Los hallazgos sugieren que el uso modal del LLM refleja los recursos escritos formales en los que se entrenaron estos modelos, mientras que se subutilizan las construcciones modales a través de las cuales los escritores humanos contemporáneos marcan la obligación interpersonal inmediata.
Los resultados del estudio tienen implicaciones para el desarrollo y la evaluación de los LLM, particularmente en términos de su capacidad para capturar y reproducir el uso del lenguaje similar al humano. Esta importancia se deriva de la comparación entre el texto generado por IA y los patrones humanos contemporáneos. Mantiene la importancia del resultado conectada con el comportamiento lingüístico específico que se está discutiendo en lugar de separarlo de la observación central del estudio.
Los hallazgos sugieren que es posible que los LLM no puedan capturar completamente los matices del uso del lenguaje humano, particularmente en términos de uso modal deóntico. La importancia de ese hallazgo radica en la distinción entre producir lenguaje y reproducir las opciones modales a través de las cuales se expresa la obligación. La redacción conserva el énfasis del estudio en los matices y mantiene el uso modal deóntico como punto de comparación relevante.
Los resultados del estudio tienen implicaciones para el desarrollo de LLM más sofisticados que puedan capturar y reproducir mejor el uso del lenguaje similar al humano. En este contexto, la sofisticación está vinculada a la misma habilidad identificada a lo largo del estudio: capturar y reproducir el uso del lenguaje similar al humano. La implicación permanece centrada en el patrón modal informado, sin cambios en el resultado o en el lenguaje que se evalúa.
Los hallazgos sugieren que es posible que los LLM deban capacitarse en una gama más amplia de datos lingüísticos, incluidos contextos digitales informales, para capturar mejor el uso del lenguaje similar al humano. Esto es importante porque la comparación reportada distingue los recursos escritos formales de los contextos digitales informales en los que se describen las tasas modales humanas contemporáneas. El punto sigue siendo la relación entre los datos de entrenamiento y los patrones de lenguaje que reproducen los modelos.
Los resultados del estudio tienen implicaciones para la evaluación de los LLM, particularmente en términos de su capacidad para capturar y reproducir el uso del lenguaje similar al humano. La evaluación es importante aquí porque el estudio identifica un aspecto particular del uso del lenguaje que puede considerarse al evaluar los modelos. La declaración preserva la conexión con el uso modal deóntico y con el uso del lenguaje humano ya mencionado en los hallazgos.
Mecanismo interactivo: cómo funciona realmente
Explore la tecnología subyacente detrás de este desarrollo de forma interactiva.
As use of AI scales up across an organization, what tends to matter most?
Qué ver a continuación
Los resultados del estudio tienen implicaciones para el desarrollo y la evaluación de los LLM, particularmente en términos de su capacidad para capturar y reproducir el uso del lenguaje similar al humano.
Los resultados del estudio tienen implicaciones para el desarrollo y la evaluación de los LLM, particularmente en términos de su capacidad para capturar y reproducir el uso del lenguaje similar al humano. En términos prácticos, la pregunta central es si un LLM puede reproducir las mismas opciones modales que aparecen en las comparaciones humanas descritas anteriormente. La redacción mantiene esa pregunta en el nivel del uso del lenguaje, vinculando el desarrollo y la evaluación con el patrón reportado sin agregar un resultado separado.
Los hallazgos sugieren que es posible que los LLM no puedan capturar completamente los matices del uso del lenguaje humano, particularmente en términos de uso modal deóntico. Por lo tanto, la preocupación se refiere a los matices dentro del patrón de uso ya informado. Esto identifica un lugar específico donde el estudio pregunta qué tan estrechamente se alinea esa producción con el uso humano contemporáneo, manteniendo el enfoque en la distinción modal deóntica.
Los resultados del estudio tienen implicaciones para el desarrollo de LLM más sofisticados que puedan capturar y reproducir mejor el uso del lenguaje similar al humano. La dirección propuesta se deriva directamente de la implicación declarada: se considera una mayor sofisticación en relación con la capacidad de capturar y reproducir el uso del lenguaje similar al humano discutido en el estudio. El enfoque sigue siendo la misma cuestión modal y no introduce un punto de referencia diferente.
Los hallazgos sugieren que es posible que los LLM deban capacitarse en una gama más amplia de datos lingüísticos, incluidos contextos digitales informales, para capturar mejor el uso del lenguaje similar al humano. La pregunta de capacitación relevante se enmarca en torno a los tipos de datos lingüísticos representados en la comparación del estudio. El énfasis en los contextos digitales informales sigue el contraste reportado con el inglés publicado formalmente, mientras que el propósito sigue siendo una mejor captura del uso en cuestión.
Los resultados del estudio tienen implicaciones para la evaluación de los LLM, particularmente en términos de su capacidad para capturar y reproducir el uso del lenguaje similar al humano. La evaluación se incluye junto con el desarrollo porque el patrón informado es importante tanto para lo que producen los modelos como para cómo se evalúa esa producción. La declaración mantiene la implicación ligada al uso modal deóntico y al uso del lenguaje humano mencionado en el estudio.