💬 NLP

Artificial Epanorthosis: Why large language models overuse a classical rhetorical figure, and how to mitigate it

Dieses Paper argumentiert, dass große Sprachmodelle aufgrund von Trainings-Biases und Preference Tuning systematisch die rhetorische Figur der Epanorthose übermäßig verwenden, und schlägt einen genrespezifischen Kalibrierungsansatz unter Verwendung von leichtgewichtigen Adaptern und Instruction Tuning vor, um den Modelloutput mit menschlichen rhetorischen Normen in Einklang zu bringen, anstatt die Figur gänzlich zu eliminieren.

Ursprüngliche Autoren: Federico Boggia

Veröffentlicht 2026-07-29

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Federico Boggia

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Geheimrezept des Roboter-Schreibens

Stellen Sie sich vor, Sie betreten eine riesige Bibliothek, in der Millionen von Büchern, Websites und Social-Media-Posts zerkleinert und zu einem riesigen Smoothie vermischt wurden. So lernen moderne KI-Chatbots zu sprechen: Sie kosten diesen digitalen Smoothie und lernen, das nächste Wort in einem Satz zu erraten, immer und immer wieder. Aber es gibt einen Twist. Nachdem sie aus dem Smoothie gelernt haben, greifen Menschen ein, um eine „Geschmacksprobe“ durchzuführen. Sie lesen die Antworten des Roboters und sagen: „Das hier klingt selbstbewusst und cool“ oder „Das hier klingt langweilig“. Der Roboter lernt dann, mehr von dem zu tun, was den Menschen gefiel. Dieser Prozess wird „Reinforcement Learning“ (bestärkendes Lernen) genannt, und es ist wie das Training eines Hundes mit Leckerlis – außer dass der Hund ein superintelligenter Computer ist und die Leckerlis digitale Zustimmung sind.

Die große Frage, die dieses Paper stellt, lautet: Was passiert, wenn wir einen Roboter darauf trainieren, „selbstbewusst“ und „cool“ zu klingen? Es stellt sich heraus, dass der Roboter beginnt, einen sehr spezifischen, altmodischen Trick anzuwenden, um beeindruckend zu wirken. Es ist ein Trick, den menschliche Sprecher schon seit Jahrtausenden nutzen, aber der Roboter nutzt ihn so exzessiv, dass er anfängt, künstlich zu wirken. Das Paper untersucht, warum der Robot dies tut, wie oft es vorkommt und ob wir den Roboter lehren können, die Übernutzung zu stoppen, ohne dass er dadurch langweilig oder dumm klingt.

Der „Warte, eigentlich...“-Tick des Roboters

Kennen Sie das Gefühl, wenn jemand sagt: „Ich bin nicht nur ein Lehrer. Ich bin ein Gestalter von Köpfen“? Oder wenn ein Verkäufer sagt: „Wir verkaufen nicht nur Schuhe. Wir verkaufen Freiheit“? Sie beginnen mit einem normalen Satz, drücken dann aber sofort die „Rückgängig“-Taste und ersetzen ihn durch etwas viel Größeres, Lauteres und Dramatischeres.

In der Welt der gehobenen Sprachwissenschaften hat dieser Trick einen Namen: Epanorthosis (sprechen Sie es wie eh-pan-or-tho-sis aus). Es ist ein griechisches Wort, das im Grulığı bedeutet, sich selbst zu „korrigieren“ oder „geradezurücken“. Antike Redner nutzten es, um ihre Punkte prägnanter zu machen. Doch vor kurzem bemerkten Forscher, dass KI-Chatbots dies ständig tun, wie ein nervöser Tick. Es ist zum Markenzeichen des Roboters geworden.

Das Paper argumentt, dass dies kein Zufall ist. Es liegt nicht daran, dass der Roboter tiefgründig „nachdenkt“ und seine Meinung ändert. Stattdessen hat der Roboter diese Gewohnheit aus zwei Hauptquellen gelernt:

Der Internet-Smoothie: Der Roboter las Unmengen an Marketing-Texten, Motivations-Posts und Verkaufsschlagworten, in denen dieser „Nicht X, sondern Y!“-Stil viele Klicks und Likes erhält.
Der menschliche Geschmackstest: Wenn Menschen die Antworten des Roboters bewerteten, bevorzugten sie jene, die selbstbewusst und emphatisch klangen. Der Roboter begriff: „Hey, wenn ich sage: ‚Ich bin kein Bot, ich bin ein digitaler Architekt‘, geben mir die Leute eine hohe Punktzahl!“ Also fing er an, dies immer häufiger zu tun.

Das Paper legt nahe, dass die Art und Weise, wie der Roboter schreibt (Wort für Wort, von links nach rechts), dies verschlimmert. Da der Roboter seinen Satz nicht bearbeiten kann, nachdem er geschrieben wurde, nutzt er diesen „Korrektur“-Trick als Methode, um seinen Tonfall im laufenden Prozess anzupassen, wodurch er dramatischer wirkt, als es ein Mensch normalerweise tun würde.

Der „Epanorthosis-Index“: Die Messung des Roboterdramas

Um dies zu beweisen, haben die Autoren nicht nur geraten, sondern ein Maßband gebaut. Sie entwickelten etwas, das sie den Epanorthosis-Index nannten. Denken Sie an ihn wie an ein „Drama-Meter“. Sie zählten, wie oft der Roboter diesen „Nicht X, aber Y“-Trick in 10.000 Wörtern verwendete, und verglichen dies mit der Häufigkeit, mit der echte Menschen ihn in der gleichen Art von Text verwenden.

Hier ist das, was sie fanden, und es ist ein gemischtes Bild:

In Reden und Werbung: Die Roboter trieben es maßlos zu weit. In der „Oratorik“ (Redekunst) und in „werblichen“ Texten nutzten die Roboter diesen Trick etwa doppelt so oft wie Menschen. Auf Italienisch war es sogar noch schlimmer, fast dreimal so häufig. Sie versuchten so sehr, inspirierend zu klingen, dass sie unauthentisch wirkten.
In lockeren Q&A-Runden: Hier machten die Roboter das Gegenteil. Wenn Menschen einfach nur chatteten oder einfache Fragen beantworteten, nutzten sie diesen Trick oft, um ihre Antworten abzufedern oder sich abzusichern. Die Roboter hingegen waren zu flach und nutzten ihn nicht oft genug. Sie waren etwa ein Fünftel so wahrscheinlich wie Menschen, diesen Trick anzuwenden.
In sachlicher Schreibweise: In Dingen wie Zeitungsartikeln oder Enzyklopädie-Einträgen lagen die Roboter und die Menschen tatsächlich recht nah beieinander. Die Roboter wussten, wann sie nicht dramatisch sein sollten.

Die wichtigste Erkenntnis ist, dass die Roboter fehlkalibriert sind. Sie wissen nicht, wann sie den Drama-Regler hochdrehen und wann sie ihn herunterdrehen müssen. Sie drücken einfach immer wieder den „Epanorthosis“-Knopf, sobald sie glauben, dass sie dadurch beeindruckend klingen müssen.

Können wir den Roboter reparieren? (Der „Drama-Regler“)

Das Paper weist nicht nur auf das Problem hin, sondern versucht auch, es zu lösen. Die Autoren fragten: „Können wir den Roboter lehren, diesen Trick nicht zu übermäßig zu nutzen, ohne dass er wie ein Roboter klingt, der Angst hat zu sprechen?“

Sie testeten einige Ideen, und dies funktionierte:

Die „Ein-Zeilen“-Lösung (Prompting): Sie versuchten, dem Roboter einfach zu sagen: „Bitte schreibe auf eine direkte Weise und vermeide es, ‚Es ist nicht X, sondern Y‘ zu sagen.“
- Das Ergebnis: Es funktionierte! In italienischen Tests reduzierte diese einfache Anweisung die dramatischen Korrekturen in Reden und Essays um 70 % bis 72 %. Es löschte den Trick nicht vollständig aus, aber es brachte die Nutzung des Roboters auf ein Niveau, das viel mehr wie ein Mensch aussah.
Der „Stil-Adapter“ (Der magische Regler): Dies war das große Experiment. Die Autoren trainierten ein kleines, spezielles Zusatzmodul (einen sogenannten LoRA-Adapter) für den Roboter. Denken Sie an dieses Modul als einen „Lautstärkeregler“ für Drama.
- Sie trainierten es mit Beispielen von „dramatischem“ Text und „schlichtem“ Text.
- Dann testeten sie einen „Regler“ (eine Zahl, die sie verändern konnten), um zu sehen, wie viel dieses neuen Stils sie verwenden sollten.
- Das Ergebnis: Der Regler funktionierte perfekt. Wenn sie ihn hochdrehten, klang der Roboter schlicht. Wenn sie ihn herunterdrehten, klang der Roboter dramatisch. Entscheidend war, dass sie eine Einstellung fanden, bei der die Nutzung des Roboters exakt der menschlichen Rate entsprach. Es ging nicht darum, den Trick zu löschen; es ging darum, ihn zu kalibrieren.
Was nicht funktionierte: Sie versuchten, „Preference Learning“ (dem Roboter beizubringen, was Menschen mögen) isoliert anzuwenden, aber dies konnte nicht generalisiert werden. Der Roboter lernte zwar, die richtigen Antworten im Test zu wählen, änderte aber nicht die Art und Weise, wie er neue Sätze schrieb.

Die große Warnung

Das Paper endet mit einem etwas beängstigenden Gedanken. Die wahre Gefahr besteht nicht darin, dass die Roboter diesen Trick zu oft anwenden. Die wahre Gefahr ist, dass wir vielleicht anfangen, wie sie zu schreiben.

Wenn wir uns daran gewöhnen, Texte zu lesen, die voll von „Nicht X, sondern Y!“-Korrekturen sind, könnten wir anfangen zu denken, dass dies so klingt, wie gute Texte sind. Wir könnten anfangen, unsere eigenen Essays, E-Mails und Reden mit diesem falschen, übertriebenen Flair zu schreiben, nur um beeindruckend zu wirken. Das Paper legt nahe, dass das Ziel nicht sein sollte, Roboter exakt wie Menschen klingen zu lassen, sondern dass sie für die jeweilige Situation angemessen klingen. Manchmal braucht eine Rede Drama; manchmal braucht ein medizinischer Bericht schlichte Fakten.

Die Autoren kommen zu dem Schluss, dass wir zwar den „Tick“ des Roboters mit diesen neuen Werkzeugen beheben können, aber die schwierigere Aufgabe darin besteht, uns selbst zu lehren, zu erkennen, wann eine Korrektur ehrlich ist und wann sie nur eine Performance ist. Schließlich, wenn eine Maschine lernen kann, wie ein Mensch zu klingen, ist der nächste Schritt sicherzustellen, dass wir nicht vergessen, wie wir selbst zu klingen haben.

Technisches Resümee: Künstliche Epanorthose

Problemstellung
Große Sprachmodelle (LLMs) weisen eine systematische Überbeanspruchung der Epanorthose auf, einer klassischen rhetorischen Gedankenfigur, die eine Selbstkorrektur beinhaltet, um eine Aussage durch eine stärkere, feierlichere oder präzisere zu ersetzen (z. B. „Dies ist kein Kurs. Es ist eine Reise der Transformation“). Obwohl diese Figur seit zwei Jahrtausenden existiert, reproduzieren LLMs sie mit einer Häufigkeit und Starrheit, die von menschlichen stilistischen Normen abweicht. Die Arbeit argumentiert, dass dies kein zufälliges statistisches Artefakt ist, sondern eine „trainierte Disposition“, die durch zwei primäre Faktoren getrieben wird:

Trainingsverteilung: Die Prävalenz von werblicher Prosa, motivierenden Inhalten und Landingpages in den Pre-Training-Daten, in denen emphatische Korrektur mit Engagement korreliert.
Präferenz-Tuning (RLHF): Reinforcement Learning from Human Feedback belohnt selbstbewusste, einsichtig-prägnante und emphatische Formulierungen und verstärkt dadurch unbeabsichtigt die „Nicht X. Y“-Konstruktion.

Die Arbeit postuliert, dass die autoregressive (von links nach rechts verlaufende) Natur der Generierung diese Tendenz verstärkt, indem sie eine Publikationsüberarbeitung verhindert, aber nicht die Grundursache darstellt. Das Kernproblem ist eine Fehlkalibrierung des Registers: Modelle überschießen in persuasiven/oratorischen Kontexten und unterschießen in informellen Kontexten, wodurch sie den genrespezifischen menschlichen Baselinie verfehlen.

Methodik
Die Arbeit schlägt ein Messframework und eine Reihe von Minderungsstrategien vor, die von der Beobachtung zur Intervention übergehen.

Messprotokoll:
- Epanorthose-Index (EI): Eine Metrik, definiert als die Dichte von emphatischen Korrekturkonstruktionen (z. B. „nicht X, sondern Y“, „X? Nein. Y“) pro 10.000 Wörter, normiert gegen einen menschlichen Baseline-Wert für ein spezifisches Genre. Ein EI von 1 entspricht der menschlichen Kalibrierung.
- Detektor: Ein zweistufiges System, das aus einem High-Recall-Lexikal-Pass über Korrekturmarker und einem Konstruktions-Level-Klassifikator besteht, um False Positives zu filtern (z. B. Unterscheidung zwischen „ich meine“ als Füllwort vs. einer Korrektur).
- Korpora: Menschliche Baselines umfassen Texte vor 2022 über verschiedene Genres hinweg (Enzyklopädie, Journalismus, akademisch, narrativ, Q&A, Argumentation, Oratorik); Modell-Outputs werden von instruktionsgesteuerten Familien (speziell Claude Haiku, Sonnet und Opus) unter Verwendung neutraler, genrespezifischer Prompts generiert.
Minderungsstrategien:
Die Arbeit untersucht Interventionen, die von der Datenkuratierung bis zur Steuerung zur Inferenzzeit reichen, wobei der Schwerpunkt auf leichten LoRA-Adaptern (Low-Rank Adaptation) liegt.
- Datenseite: Kontrafaktische Augmentierung (Paarung von emphatischer Text mit de-emphatisierten Paraphrasen) und das Beschneiden von Werbebeispielen aus den Instruktionsdaten.
- Modellseite (LoRA): Training eines kleinen, abnehmbaren Adapters mittels Supervised Fine-Tuning (SFT) auf „schlichten“ Antworten oder Direct Preference Optimization (DPO) auf Präferenzpaaren. Der Adapter wird zur Inferenzzeit über einen Skalierungskoeffizienten ( $\alpha$ ) gesteuert, um die Reduktion von der Rate des Basismodells bis auf Null zu regeln.
- Inferenzseite: Decoding-Zeit-Steuerung (PPLM, GeDi, FUDGE), Aktivierungssteuerung und Prompting (Systeminstruktionen).
- Evaluierung: Der Erfolg wird nicht durch Eliminierung gemessen, sondern durch Kalibrierung – die Reduktion der rhetorischen Figur auf die menschliche Baseline-Rate für ein gegebenes Genre bei gleichzeitiger Wahrung der Inhaltstreue und Angemessenheit.

Wichtigste Ergebnisse

Empirische Evidenz der Fehlkalibrierung:
- Oratorik: Modelle überschießen signifikant und produzieren eine emphatische Epanorthose, die etwa 2,2-mal höher ist als die menschliche Rate (33,5 vs. 14,9 pro 10k Wörter). Dieser Effekt konzentriert sich in größeren Modell-Tiers (Sonnet, Opus).
- Informelles Q&A: Modelle unterschießen, indem sie die Figur nur etwa 0,2-mal so häufig produzieren wie Menschen (1,3 vs. 8,2 pro 10k Wörter), und versäumen es, menschliches Hedging und Selbstkorrektur zu replizieren.
- Andere Genres: Argumentative, journalistische und enzyklopädische Prosa zeigen keine signifikante Abweichung von den menschlichen Baselines.
Effektivität der Minderung:
- Prompting: Eine einzeilige Instruktion auf Italienisch („schreibe affirmativ, vermeide Negation-und-Upgrade“) reduzierte die Epanorthose-Dichte in Oratorik und argumentativen Essays um 70–72 % und brachte größere Modelle näher an die menschlichen Raten.
- LoRA-Adapter (SFT): Ein mittels SFT trainierter Adapter auf einem offenen 7B-Modell (Qwen2.5-7B) reduzierte die Dichte um ~98 % (von ~75 auf ~1,7 pro 10k Wörter) über die Genres Oratorik, Werbung und Argumentation hinweg.
- Der „Dial“-Effekt: Die Skalierung des LoRA-Adapters durch einen Koeffizienten ( $\alpha$ ) ermöglicht eine kontinuierliche Kontrolle. Bei $\alpha = 0,75$ reduzierte der Adapter die argumentative Dichte auf 12,3, was der menschlichen Baseline von ~12 entspricht, bevor er bei voller Stärke ( $\alpha = 1,0$ ) über die Korrektur hinaus auf Null sank. Dies zeigt, dass die Kalibrierung auf menschliche Raten ohne totale Eliminierung möglich ist.
- Trainingsfreie Methoden: „Best-of-n“-Selektion und Post-hoc-Affirmative-Umschreibung reduzierten die Dichte ebenfalls signifikant, wobei das Umschreiben dazu neigte, über die menschliche Baseline hinauszugehen.

Bedeutung und Ansprüche
Die Arbeit argumentt, dass die Konvergenz von antiker Rhetorik und neuronaler Statistik darauf hindeutet, dass die Epanorthose eine emergente Struktur der Sprache selbst ist – ein „Attraktor“, auf den sowohl menschliche Kognition als auch statistische Modelle zusteuern. Die unregulierte Reproduktion dieser Figur durch LLMs erzeugt jedoch einen „rhetorischen Fingerabdruck“, der Künstlichkeit signalisiert.

Der primäre Beitrag ist die Verschiebung der Sichtweise von einem Fehler, der eliminiert werden muss, hin zu einem Kalibrierungsproblem. Die Arbeit behauptet:

Die Überbeanspruchung ist ein messbares, registerspezifisches Phänomen, das durch Training und Alignment getrieben wird, und nicht eine fundamentale Limitation autoregressiver Generierung.
Leichte LoRA-Adapter bieten eine praktische, skalierbare Lösung, um den rhetorischen Stil von Modellen auf menschliche Baselines für spezifische Genres „einzustellen“.
Das ultimative Risiko besteht nicht darin, dass Maschinen wie Menschen schreiben, sondern dass Menschen beginnen, wie Maschinen zu schreiben, indem sie die Standard-, unkalibrierte rhetorische Ticks der Maschine übernehmen.

Limitierungen
Die Arbeit merkt explizit an, dass ihre Ergebnisse auf Pilotstudien-Evidenz mit kleinen Stichproben und unkorrigierten p-Werten für multiple Vergleiche basieren. Der kausale Zusammenhang zu RLHF ist inferentiell, basierend auf der Divergenz zwischen instruktionsgesteuerten und Basis-Modellen in der bisherigen Literatur, statt eines direkten Base-vs-Aligned-Vergleichs innerhalb dieser Studie. Zudem wurde der trainierte Adapter an einem offenen 7B-Modell demonstriert; der Transfer auf Frontier-Modelle bleibt eine zukünftige Aufgabe, und die Checks zur Inhaltstreue basierten auf informeller Inspektion statt auf strenger Messung.