Un estudio reciente publicado en arXiv investiga las causas lingüísticas detrás de la creciente dificultad para comprender el texto generado por inteligencia artificial. Los autores analizan características psicolingüísticas específicas, como las cláusulas relativas de objeto, las dependencias sintácticas largas y los n-gramos de baja frecuencia, que se correlacionan con la dificultad de procesamiento humano. Utilizando un corpus novedoso de texto generado por IA en diversos dominios, el equipo de investigación descubrió que los modelos de IA utilizan estas características complejas con mayor frecuencia que las paráfrasis generadas por traducción en bucle. En comparación con la escritura humana, los nueve modelos de frontera y casi frontera emplean más sujetos inanimados con verbos animados, más n-gramos de baja frecuencia, dependencias más largas, más sustantivos apilados y más relativas de objeto reducidas en conversaciones. Los investigadores proponen y prueban una hipótesis clave: mientras que el lenguaje humano está optimizado para la comunicación exitosa, el texto generado por IA se optimiza cada vez más para objetivos como la matemática, el código y el razonamiento, donde la presión por la densidad de información supera a la claridad comunicativa. Para validar esta teoría, los autores ajustaron un modelo de lenguaje bajo una penalización de longitud, lo que provocó una divergencia notable del comportamiento lingüístico humano. Estos hallazgos destacan los ejes de desalineación entre las demandas de procesamiento lingüístico en humanos y los modelos de lenguaje grandes (LLM), señalando posibles remedios para mejorar la legibilidad y la alineación semántica en la generación de texto.
