無料の AI Word Cleaner

大規模言語モデルは確率に基づいて各語を選び、2層の学習によって、このツールが検出する語彙側へとその確率が偏ります。1層目は事前学習です。モデルは、洗練され編集された文章, 本、ジャーナリズム、マーケティング文などが過剰に含まれる巨大なコーパスから学習します。そのコーパスでは、劇的な動詞や装飾的な比喩が、プロの書き手が品質を示す手段として使われるため、モデルは delve, tapestry, pivotal を価値の高い語として取り込みます。

2層目は人間のフィードバックによる強化学習, つまり RLHF で、これがこの現象を指紋のような特徴にしました。事前学習後、モデルは候補回答を生成し、人間の評価者がどれを好むかを順位付けします。別の報酬モデルがその順位を予測するよう学習し、言語モデルはその予測された評価を最大化するよう最適化されます [Ouyang et al., 2022] 。評価者は、一貫して、自信があり、網羅的で、明快に聞こえる回答を好みました。モデルがそのように聞こえる最も安価な方法は語彙面であり、印象的な動詞、強調的な形容詞、整った案内役のような接続表現です。最適化が進むたびに、報われた語の同じ小さな集合へ確率がさらに集中し、この狭まりを研究者は mode collapse と呼びます。だからこそ、ChatGPT 時代のどのモデルも、提供元にかかわらず同じ調子に収束します。

この指紋は現在、集団規模で測定可能です。Science Advances に掲載された 2025 年の分析では、15 million を超える PubMed 要旨で過剰な語彙を追跡し、ChatGPT の公開後に数百語が急増したことを示しました。delve, underscore, meticulous, boast, showcase などが最も強いシグナルでした [Kobak et al., 2025] 。注目すべきは、この傾向が 2022 年より前に始まっていたことです。LLM はこの語彙を生み出したのではなく、増幅したのです。そして著者がツールの生成するスタイルを無意識に取り入れることで、それが人間の文章へとフィードバックされています。査読者や教授は年間に何百本もの原稿を読みます。彼らは最初のページでこのパターンを見抜き、AI が実際に関与したかどうかにかかわらず、強くフラグが立った文章をより厳しく読みます。