人类和 LLM 写作在不同语料、模型和解码策略下的可解释风格变异
计算与语言
2026-04-16 v1
摘要
大型语言模型 (LLM) 已能够生成高度流畅、类似人类的文本。它们使许多应用成为可能, 但也引发了诸如大规模垃圾信息、网络钓鱼或学术滥用等担忧。虽然 much work 已聚焦于检测 LLM 生成的文本, 但仅有有限工作深入理解人类撰写文本与机器生成文本之间的风格差异。本文我们对人类撰写文本与来自 11 个 LLM 的输出进行大规模分析, 涵盖 8 个不同语料和 4 个解码策略, 使用道格鲁斯·比伯 (Douglas Biber) 的文字句法和功能特征。我们的发现揭示了可指导 LLM 使用的洞见。首先, LLM 生成文本的关键语言差异似乎对生成条件 (例如, 提示设置以引导其生成类似人类的文本, 或提供人类撰写文本以延续风格) 具有鲁棒性;其次, 语料对风格特征的影响强于来源本身;其三, chat 变体的模型通常在风格空间中聚类;最后, 模型对风格的影响大于解码策略, 尽管也有例外。这些结果突显了模型和语料在塑造机器生成文本风格方面的相对重要性。
引用
@article{arxiv.2604.14111,
title = {Interpretable Stylistic Variation in Human and LLM Writing Across Genres, Models, and Decoding Strategies},
author = {Swati Rallapalli and Shannon Gallagher and Ronald Yurko and Tyler Brooks and Chuck Loughin and Michele Sezgin and Violet Turri},
journal= {arXiv preprint arXiv:2604.14111},
year = {2026}
}