LONDON (IT BOLTWISE) – Eine neue KI-Studie beschreibt, dass große Sprachmodelle eine 2.000 Jahre alte Redefigur, die sogenannte Epanorthosis, auffällig oft einsetzen. In manchen Textgenres steigt die Dichte dieser emphatischen Selbstkorrekturen messbar über die von Menschen hinaus. Gleichzeitig zeigen Pilotversuche, dass sich die Neigung mit Low-Rank-Adaptionen oder speziellen Prompt-Anweisungen spürbar dämpfen lässt. Unklar bleibt noch, wie stark Präferenz-Training und Modell-Setup gemeinsam den Effekt treiben.
Wer viel mit KI-generierten Texten arbeitet, stolpert häufig über ein Muster: Erst wird eine Aussage gemacht, dann folgt fast sofort die Steigerung, die Verneinung im Kleinen oder eine dramatische Korrektur im Großen. Genau diese Abfolge nimmt die neue Preprint-Studie „Artificial Epanorthosis: Why large language models overuse a classical rhetorical figure, and how to mitigate it“ näher unter die Lupe, die unter arXiv veröffentlicht wurde. Im Zentrum steht eine rhetorische Denkfigur, die in klassischen Quellen als Epanorthosis beschrieben wird: Ein Sprecher oder Autor greift eine gerade gemachte Formulierung auf, korrigiert, qualifiziert oder ersetzt sie. Dass Menschen solche Rücksprünge nutzen, ist Alltagssprache; bei Chatbots wirkt es jedoch oft wie ein eingeübter Stil-Tic, der je nach Genre stark variiert.
Technisch betrachtet ist Epanorthosis in drei funktionsnahe Muster gegliedert. Erstens gibt es das emphatische Upgrade: „He is good“ wird sofort zu „indeed excellent“ aufgeschraubt. Zweitens existiert die abschwächende Variante, bei der eine Formulierung als Rückschlag neu gerahmt wird, etwa „es ist eine Katastrophe, nun gut, ein Rückschlag“. Drittens kommt die substantive Revision, bei der Details präziser gemacht werden, wie „er fuhr, nein, er ging zügig“. Die Studie stellt damit einen klaren Messanker bereit: Bei KI-Antworten tauchen häufig genau diese dramatischen Aufwärtskorrekturen auf, etwa in der Form „Wir verkaufen keine Produkte. Wir bauen Erlebnisse.“ Entscheidender Punkt ist nicht nur, dass solche Wendungen existieren, sondern dass sie sich statistisch als wiederkehrende Struktur im Textverlauf beobachten lassen.
Wie kann so etwas entstehen, ohne dass das Modell „Überzeugungsabsicht“ hätte? Die Autorposition kombiniert zwei Trainingsphasen als wahrscheinliche Treiber: Vortrainingsdaten und nachgelagerte Ausrichtung durch Feedback. Im Vortraining lernt das Modell aus großen Mengen Webtext, in denen Copywriting- und Werbeposts einen relevanten Anteil ausmachen. Solche Genres belohnen Aufmerksamkeit und klare rhetorische Wirkung, und die Studie vermutet, dass der Mechanismus „selbst nachjustieren, aber dann sofort stärker formulieren“ besonders kompatibel mit dieser Art von Sprache ist. Später folgt dann Reinforcement Learning aus menschlichem Feedback: Menschen bewerten Kandidatenantworten, und die Studie argumentiert, dass Rater oft Formulierungen mit hoher Selbstsicherheit und „Punch“ bevorzugen. Wenn genau diese Tendenz beim Ranking häufiger gewinnt, verstärkt sie sich beim Modellgewichtungsprozess; die Art, wie die Ausgaben generiert werden, wirkt zusätzlich mit, weil das Modell typischerweise Wort für Wort produziert und vor dem Output nicht „zurücklöscht“, was es soeben gesetzt hat.
Um den Stil nicht nur zu beschreiben, sondern zu quantifizieren, baut die Arbeit einen einfachen Detektor. Der Ansatz sucht nach typischen Oberflächenmustern der Art „not X, but Y“, inklusive Varianten wie „not only X, but Y“ sowie kurzen Zweisatzkorrekturen der Form „Not X. Y.“ Für Italien wird der Detektor zunächst validiert: Anhand von 206 Textpassagen mit rund 150 Wörtern Länge, davon 180 menschlich verfasst und 26 modellgeneriert. Zwei Codierer, einer davon der Autor, labeln die Passagen für echte corrective Epanorthosis und gleichen Unstimmigkeiten aus. Selbst nach dieser Bereinigung bleibt die Messung nicht perfekt: Gegen die finalen Labels findet der Detektor bei echten Korrekturen nur knapp über die Hälfte (52 %), während die Trefferqualität beim Flaggen insgesamt bei 45 % liegt. Interessant ist der starke Split nach Textquelle: In modellgenerierten Passagen ist der Detektor bei Treffern deutlich zuverlässiger (82 % echte Selbstkorrektur), bei menschlichen Texten aber nur eingeschränkt (17 %), wo „not… but…“ vielfach als simpler Kontrast statt als echte Berichtigung dient.
Für die englische Analyse nutzt die Studie die gleiche Grundidee, validiert den Detektor dort jedoch nicht separat. Verglichen werden sieben Genres menschlicher Baseline-Texten (mit möglichst Material vor 2022) mit Ausgaben eines Modells in drei Größen, die auf Instruktionen abgestimmt sind. Zusätzlich gibt es eine Kategorie für reine Modell-Promotexte. Pro Genre werden Textfenster in der Größenordnung einiger hundert Wörter gebildet, um die Häufigkeit emphatischer Epanorthosis pro 10.000 Wörter zu normalisieren. In zwei Genres zeigt sich eine klare Richtung: Bei Reden produzieren die Modelle Epanorthosis bei mehr als dem doppelten menschlichen Niveau (im Mittel 33,5 statt 14,9 Instanzen pro 10.000 Wörter), wobei die Überschussdichte vor allem in den größeren Varianten auftritt. Bei informellem Frage-und-Antwort-Schreiben dagegen nutzen Modelle die Figur deutlich seltener als Menschen (1,3 statt 8,2). Für die restlichen fünf Genrepaare sind die Abweichungen nicht statistisch gesichert, was auch mit den kleinen Stichproben zusammenhängen kann. Ein zusätzlicher Plausibilitätscheck adressiert die Frage, ob es sich bloß um „mehr Verknüpfer“ handelt: Die Studie zählt neutrale Konnektoren und findet bei Reden sogar weniger davon als bei Menschen, was den Befund eher auf die emphatische Selbstkorrektur als auf allgemeine Satzbau-Komplexität zurückführt.
Die praktische Seite der Arbeit ist die Dämpfung dieser Gewohnheit – und hier testet der Autor mehrere Wege, ohne das komplette Modell neu aufzubauen. In Italien wird mit Low-Rank Adaptation gearbeitet: Ein Adapter friert die Basisgewichte ein und lernt nur einen kleinen Zusatzsatz trainierbarer Parameter. In einem ersten Pilotversuch (570 Paaren emphatischer vs. neutraler Sätze, Training per Direct Preference Optimization) bleibt der Effekt zunächst zu schwach; die Dichte steigt sogar von 60,3 auf 68,9 Instanzen pro 10.000 Wörter. Ein zweiter Ansatz mit Supervised Fine-Tuning auf 797 affirmativen Paraphrasen reduziert die emphatische Epanorthosis auf Testprompt-Ebene drastisch. Danach wird ein „stilistischer Drehregler“ über fünf Stärkegrade überprüft. In den Pilotdaten sinkt die Dichte bei voller Stärke von 61,4 auf 4,7 Instanzen pro 10.000 Wörter; besonders relevant für Unternehmen sind die Genreabhängigkeiten: Bei Argumentationsformen erreicht ein Zwischenwert eine Nähe zum menschlichen Benchmark, während bei Reden und Promotionsarten die optimale Einstellung offenbar unterschiedlich ausfällt.
Weil viele Nutzer nicht an kommerziellen Modellen „im Inneren“ drehen können, untersucht die Studie zusätzlich promptbasierte und trainingfreie Strategien. Für die italienischen Claude-Varianten wird eine kurze Instruktion getestet, die emphatische Verneinungs-Upgrade-Formulierungen vermeiden soll; laut den beschriebenen Ergebnissen sinkt die Epanorthosis in Reden stark (von 39,6 auf 10,9 pro 10.000 Wörter) und in argumentativen Essays deutlich, während der Promotionsbereich nicht eindeutig statistisch signifikant reagiert. Insgesamt gilt die Einschränkung: Prompting ist weniger robust, weil Oberflächenanweisungen das beim Training gelernte Muster nicht zuverlässig „überschreiben“ müssen. Als weitere trainingfreie Tests werden ein Candidate-Selection-Ansatz (mehrere Entwürfe erzeugen und den mit dem niedrigsten Epanorthosis-Score auswählen) sowie ein „Selbst-Rewrite“ verwendet. Letzteres drückt die Figur in den beschriebenen Tests über alle drei Genres hinweg auf null und kann dabei sogar über das menschliche Niveau hinaus schießen. Methodisch wichtig bleibt zudem, dass das Preprint noch nicht peer-reviewed ist und dass die Detektoren nur Oberflächenmuster erfassen; echte Berichtigungen, die anders formuliert sind („let’s say“, „that is“), werden gerade in gesprochener Sprache häufig übersehen.
Für den Markt und die Produktpraxis folgt daraus weniger eine Frage nach „schönem Stil“ als nach Kontrollierbarkeit. Wenn sich ein beobachtbares Muster wie Epanorthosis über Adapter oder Output-Filter gezielt reduzieren lässt, wird klar, dass Stil-Gewohnheiten nicht nur Ergebnis des Promptings sind, sondern auch ein Parameter im Modellverhalten. Gleichzeitig zeigt der Genre-Fit, dass es keine universelle Einstellung gibt: Reden, Promotions- und Q&A-Texte reagieren unterschiedlich. Genau hier liegt die Chance für Teams, die KI-Textbausteine in Unternehmenskommunikation einsetzen: Sie können Qualitätsmetriken nicht nur an Faktenkorrektheit, sondern auch an rhetorischer Angemessenheit ausrichten. Die Studie selbst benennt als nächste Schritte, Detektoren sprachübergreifend zu validieren und Bedeutungs- sowie Angemessenheitschecks formaler abzusichern. Bis dahin sollte man die Ergebnisse als belastbare Pilotzeichen lesen: Ein klassisches rhetorisches Werkzeug taucht auch in neuronalen Netzen auf, und mit dem passenden „Stil-Dial“ lässt sich die Neigung messbar zügeln.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Texten erkennt: Epanorthosis treibt künstliche Selbstkorrekturen an" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Texten erkennt: Epanorthosis treibt künstliche Selbstkorrekturen an" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Texten erkennt: Epanorthosis treibt künstliche Selbstkorrekturen an« bei Google Deutschland suchen, bei Bing oder Google News!