Vì sao văn bản AI có cảm giác đặc: nghiên cứu liên kết khả năng đọc với mục tiêu mật độ thông tin

Một nghiên cứu mới được công bố trên arXiv vào tháng 10 năm 2026 điều tra lý do tại sao văn bản do AI tạo ra thường gây khó khăn khi tiếp nhận. Các nhà nghiên cứu Thomas Hikaru Clark cùng hai đồng tác giả đã phân tích các mẫu ngôn ngữ học trên chín mô hình ngôn ngữ tiên phong và cận tiên phong nhằm xác định những nguyên nhân cấu trúc cụ thể dẫn đến cảm giác phức tạp này.

Điều gì đã xảy ra

Các nhà nghiên cứu đã biên soạn một bộ dữ liệu mới gồm văn bản do AI tạo ra, bao quát nhiều lĩnh vực khác nhau, để kiểm tra xem đầu ra của máy móc có khác biệt hệ thống so với cách viết của con người hay không. Họ tập trung vào các đặc điểm tâm lý ngôn ngữ học được biết là làm tăng tải nhận thức cho người đọc, chẳng hạn như mệnh đề quan hệ tân ngữ, các phụ thuộc cú pháp dài và n-gram tần suất thấp. Nghiên cứu so sánh các đầu ra của AI với các bản diễn giải (paraphrase) được tạo ra thông qua dịch vòng lặp (round-trip translation), đóng vai trò là cơ sở đối chiếu cho cấu trúc đơn giản hóa.

Phân tích cho thấy cả chín mô hình được thử nghiệm đều sử dụng nhiều chủ ngữ vô sinh đi kèm động từ hữu sinh và nhiều n-gram tần suất thấp hơn so với người viết. Hầu hết các mô hình cũng thể hiện các phụ thuộc cú pháp dài hơn, nhiều danh từ xếp chồng và nhiều dạng rút gọn của mệnh đề quan hệ tân ngữ trong bối cảnh hội thoại. Nghiên cứu ghi nhận sự biến đổi đáng kể giữa các dòng họ mô hình khác nhau, chỉ ra rằng các lựa chọn kiến trúc và mục tiêu huấn luyện ảnh hưởng mạnh mẽ đến những xu hướng ngôn ngữ này.

Để giải thích các phát hiện này, các tác giả đưa ra giả thuyết rằng trong khi ngôn ngữ của con người tiến hóa để phục vụ giao tiếp xã hội thành công, các mô hình AI hiện đại ngày càng được tối ưu hóa cho những nhiệm vụ như toán học, lập trình và suy luận logic. Những lĩnh vực này ưu tiên mật độ thông tin hơn là sự dễ dàng trong giao tiếp. Như một minh chứng khái niệm, nhóm nghiên cứu đã tinh chỉnh (fine-tune) một mô hình ngôn ngữ với hình phạt về độ dài (length penalty), buộc mô hình phải nén thông tin. Điều chỉnh này khiến đầu ra của mô hình lệch xa hơn nữa khỏi hành vi ngôn ngữ giống con người, củng cố giả thuyết rằng áp lực về mật độ thúc đẩy sự phức tạp về cú pháp.

Cơ chế hoạt động

Nghiên cứu dựa vào các chỉ số tâm lý ngôn ngữ học đo lường mức độ khó xử lý của một câu đối với não bộ con người. Ví dụ, một mệnh đề quan hệ tân ngữ ("Cuốn sách mà học sinh đã đọc") khó phân tích hơn một mệnh đề quan hệ chủ ngữ ("Học sinh đã đọc cuốn sách"). Tương tự, n-gram tần suất thấp đề cập đến các tổ hợp từ bất thường không xuất hiện phổ biến trong lời nói tự nhiên, đòi hỏi nỗ lực tinh thần lớn hơn để diễn giải.

Các nhà nghiên cứu giả thuyết rằng các mục tiêu huấn luyện của các mô hình ngôn ngữ lớn tạo ra sự lệch pha với nhu cầu xử lý của con người. Khi một mô hình được huấn luyện để giải bài toán hoặc viết mã hiệu quả, nó học cách gói ghém ý nghĩa tối đa vào không gian tối thiểu. Mục tiêu "mật độ thông tin" này xung đột với tính dư thừa và các cấu trúc đơn giản mà con người sử dụng để đảm bảo sự hiểu biết lẫn nhau. Bằng cách áp dụng hình phạt về độ dài trong quá trình tinh chỉnh, các nhà nghiên cứu đã gia tăng nhân tạo áp lực này, chứng minh rằng mô hình phản hồi bằng cách áp dụng các cấu trúc cú pháp thậm chí còn phức tạp hơn và ít giống con người hơn.

Chi tiết chính

• Nghiên cứu phân tích chín mô hình AI tiên phong và cận tiên phong trên nhiều lĩnh vực khác nhau.
• Tất cả các mô hình được thử nghiệm đều sử dụng nhiều chủ ngữ vô sinh với động từ hữu sinh so với cách viết của con người.
• Đầu ra của AI chứa nhiều n-gram tần suất thấp và các phụ thuộc cú pháp dài hơn đáng kể.
• Các bản diễn giải bằng dịch vòng lặp được sử dụng làm cơ sở đối chiếu cho các cấu trúc ngôn ngữ đơn giản hơn.
• Việc tinh chỉnh mô hình với hình phạt về độ dài làm tăng sự lệch pha so với ngôn ngữ giống con người.
• Các tác giả quy kết sự phức tạp này cho việc tối ưu hóa mật độ thông tin trong toán học và mã nguồn.

Tại sao điều này quan trọng

Đối với các nhà phát triển phần mềm và nhà sáng lập kỹ thuật, nghiên cứu này giải thích lý do tại sao tài liệu do AI tạo ra, bình luận mã nguồn hoặc nội dung hướng tới khách hàng thường có cảm giác cứng nhắc hoặc quá đặc. Đây không chỉ là một thói quen phong cách mà là kết quả cấu trúc từ cách các mô hình này được tối ưu hóa. Hiểu rằng AI ưu tiên mật độ thông tin giúp các đội ngũ dự đoán trước những điểm cần sự can thiệp của biên tập viên con người để khôi phục sự rõ ràng và mạch lạc.

Sự lệch pha này có những hàm ý thực tế đối với thiết kế sản phẩm. Nếu một trợ lý AI được dùng cho hội thoại thân mật hoặc hỗ trợ giáo dục, xu hướng mặc định của nó hướng tới cú pháp phức tạp có thể cản trở sự tương tác của người dùng. Các đội ngũ xây dựng sản phẩm thuần AI cần tính đến khoảng cách này bằng cách triển khai các bước hậu xử lý hoặc chiến lược tinh chỉnh ưu tiên khả năng đọc hơn là nén thông tin thô, đặc biệt khi đối tượng mục tiêu không am hiểu kỹ thuật.

Bạn có thể làm gì

• Kiểm tra nội dung do AI tạo ra để tìm các n-gram tần suất thấp và cấu trúc câu phức tạp trước khi xuất bản.
• Sử dụng các công cụ dịch vòng lặp như một mẹo nhanh để đơn giản hóa đầu ra AI quá đặc.
• Điều chỉnh prompt hệ thống để yêu cầu rõ ràng cú pháp đơn giản hơn và câu ngắn hơn cho văn bản hướng tới người dùng.
• Cân nhắc tinh chỉnh các mô hình với phần thưởng về khả năng đọc nếu triển khai LLM tùy chỉnh cho hỗ trợ khách hàng.
• Đào tạo các đội ngũ biên tập nhận diện các dấu hiệu cụ thể như danh từ xếp chồng và chủ ngữ vô sinh.
• Thử nghiệm đầu ra AI với người dùng thực tế để đo thời gian hiểu, không chỉ độ chính xác về mặt thông tin.