「AI特有の言い回し」には測定可能なコストがある
AIチャットボットが生成する文章は、どこか違和感を覚えることが多いものです。NYUとUT Austinの研究者らによる最近の研究では、この直感を数値化し、14の主要なAIモデルの出力において、人間が処理する際に負荷がかかる文構造を測定しました。この分析により、至る所で見られる「AI特有の言い回し」には測定可能なコストがあることが明らかになりました。
研究者らは、オープンソースのPythonライブラリであるspaCyを使用して、多様なAI生成テキストの文法依存関係を解析しました。彼らは、Claude Opus 5/5.5、GPT-5.6ファミリー、GLM-5、Kimi K2.5、Llama、OLMoなどのモデルから、会話、エッセイ、コーディングセッションのデータを収集しました。これにより、依存関係の長さや構造におけるパターンを特定することが可能になりました。
次に彼らは、特定の言語的特徴が人間の読解時間や理解度にどのように影響するかを長年研究してきた心理言語学者の知見に基づき、これらのパターンを評価しました。その特徴には以下が含まれます：
- 名詞の積み重ね（例：「読者の忍耐予算」）
- 長い構文的依存関係
- 「that」のような省略可能な単語の欠落
- 無生物主語に対する有生物動詞の使用
この研究はこれらの言語的特徴の出現頻度を綿密に測定していますが、何が問題なのかを明確にすることが重要です。この分析は、読解を遅らせたり、より大きな努力を必要としたりする特性を特定するものであり、すべての読者がすべてのAI生成文に苦労することを直接証明するものではありません。この調査結果は、普遍的な理解不能さではなく、複雑さに対する体系的なバイアスを示唆しています。
読者に負担を強いる6つの小さな習慣
心理言語学者は、人間の脳に負荷をかける6つの特定のパターンを特定しました。AIモデルはこれらを不釣り合いに多用しており、読者は「あなたが現在読んでいるこの複雑な文章は、静かに自身の読者の忍耐予算を食いつぶしている」といった文章を解析せざるを得なくなっています。この例は、名詞の積み重ね（「読者の忍耐予算」）と、無生物主語が有生物の動作を行う（「文章が...食いつぶしている」）という組み合わせです。
その他の一般的なパターンには、文法的に関連する単語間の長い間隔、珍しい単語の組み合わせ、そして縮約節（「the book that the professor wrote」ではなく「the book the professor wrote」のように、省略可能な「that」が削除された文）が含まれます。名詞を動詞に変える（例：「calendar it」）といった名詞由来動詞も、処理の負荷を増大させます。
AIモデルがこれらの一般的ではない言い回しを「選択」していることを確認するため、研究者らはMetaのNLLB-200を使用して日本語から英語への往復翻訳を行いました。このプロセスは意味を保持しつつ、文章をより一般的な構造に書き換えるものです。もし翻訳後にパターンが消滅したならば、元のAI出力が不必要に複雑であったことを示しています。
ほぼすべてのフロンティアモデルにおいて、これらの難解なパターンは翻訳後に消滅しました。これは、より単純な代替表現が可能であるにもかかわらず、モデルが読み取りにくい構造に傾倒していることを証明しています。Llamaのような小規模モデルではこれらの習慣の採用は最小限でしたが、OLMoファミリーは学習段階が進むごとに、より強い傾向を示しました。
目に見える場所に隠された学習インセンティブ
このAIの「声」のメカニズムとして、学習後のインセンティブが示唆されています。数学、コーディング、推論などのタスクで追加学習を行うモデルは、正解に対してのみ報酬が与えられることが多く、説明の読みやすさはほとんど重視されません。さらに、厳格なtoken budgetsは、モデルが最小限の単語数で最大限の情報を伝えることを学習するため、意図せずして圧縮された密度の高い表現を助長してしまう可能性があります。
研究者たちはこの仮説を直接検証しました。彼らはQwen 2.5 1.5BパラメータモデルをGRPOを用いて学習させ、JSON形式のイベント記述を英語の文章に変換する際、余分なトークンごとにわずかなペナルティを課しました。この小さなペナルティでさえ、モデルは一貫して短い構成を選択するようになり、一部の実行では98%以上の確率で省略可能な「that」を削除するようになりました。この挙動は、モデルが明示的に学習していない文章タイプでも現れ、トークン経済がいかに構文の好みを形成し得るかを実証しました。
モデルの挙動には大きなばらつきがありました。研究では、Llamaの出力にはこのような「密度の高さ」の傾向はほとんど見られませんでした。対照的に、OLMoモデルは学習段階が進むにつれて出力が徐々に高密度化し、推論調整版ではこれらの認知負荷の高い構造に対する強い嗜好が示されました。これらの調査結果は、学習後の目的、特に明瞭さよりも簡潔さを優先する報酬体系が、AIの「声」の問題に寄与しているという強力な証拠となります。研究の詳細については、Why is AI-generated language so hard to understand?を参照してください。
この記事が気に入ったら、毎朝同じようなものをメールで受け取れます。
1日1通 · 2クリックで解除 · サードパーティのトラッキングなし
明瞭な文章作成は、AI研究所が報酬を与えることができる選択肢です
勇気づけられることに、モデルの挙動は変化し得ます。Claude Opus 5.5は、測定された21の難易度指標のうち19項目でOpus 5よりも低いスコアを記録しました。これは、AI研究所がより明確なコミュニケーションを積極的に評価できることを示唆しており、複雑な文章が不変の特性ではないことを証明しています。
AIをよりアクセスしやすい出力へと導くには、プロンプトエンジニアリングにおいて、plain Englishの使用、名詞の積み重ねの削減、および必要に応じた明示的な接続詞の使用を明示的に要求すべきです。主語と動詞など、文法的に関連する単語間の距離を短くすることで、処理を容易にすることを優先してください。
重要なのは、モデルの学習およびファインチューニングにおいて、明瞭さを事実の正確さとは独立して評価する必要があるという点です。これにより、読みやすさが正確さの二の次になることを防げます。NYUとUT Austinの研究者が指摘するように、これが「読者の忍耐力予算（reader-patience budget）」の問題につながる可能性があるからです。
コードレビュー、医療診断、財務報告などの重要な環境において、AIが生成した密度の高いテキストは、人間のレビュアーに過度な負担をかけます。明瞭さに焦点を当てた書き直し工程を設けることでこれを軽減できますが、常に意味が保持され、正確さが再検証されるようにしてください。明瞭な文章作成はデザイン上の選択であり、偶然ではありません。
よくある質問
なぜAIモデルは読みにくい文章を作成するのですか？
研究によれば、学習後のインセンティブが、明瞭さを十分に評価することなく、簡潔で情報密度の高い回答を報酬として与えてしまう可能性があることが示唆されています。
どのような文章パターンがAIの文章を読みにくくするのですか？
名詞の積み重ね、関連する単語間の長い間隔、不自然な単語の組み合わせ、省略された接続詞、無生物が主語となる動作などが挙げられます。
すべてのAIモデルがこのように書くことが研究で証明されたのですか？
いいえ。研究者はモデル、タスク、学習段階によって違いがあることを発見しました。テストされたモデルの中には、他のモデルよりもその傾向が弱いものもありました。
チームはどのようにしてAIの文章をより明確にできますか？
平易な言葉遣いをプロンプトで指示し、関連する単語を近くに配置するようモデルに要求し、読みやすさに焦点を当てた別の編集工程を設けてください。