💬 NLP

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

Este artículo sostiene que los modelos de lenguaje de gran tamaño sobreutilizan sistemáticamente la figura retórica de la epanortosis debido a los sesgos de entrenamiento y al ajuste de preferencias, y propone un enfoque de calibración específico para el género utilizando adaptadores ligeros y ajuste de instrucciones para alinear la producción del modelo con las normas retóricas humanas en lugar de eliminar la figura por completo.

Autores originales: Federico Boggia

Publicado 2026-07-29

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Federico Boggia

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La salsa secreta de la escritura robótica

Imagina que entras en una biblioteca gigante donde millones de libros, sitios web y publicaciones en redes sociales han sido triturados y mezclados en un batido gigante. Así es como los chatbots de IA modernos aprenden a hablar: prueban este batido digital y aprenden a adivinar la siguiente palabra en una oración, una y otra vez. Pero hay un giro. Después de aprender del batido, los humanos intervienen para darles una "prueba de sabor". Leen las respuestas del robot y dicen: "Esta suena segura y genial", o "Esta suena aburrida". El robot aprende entonces a hacer más de lo que a los humanos les gustó. Este proceso se llama "aprendizaje por refuerzo", y es como entrenar a un perro con premios, excepto que el perro es una computadora súper inteligente y los premios son aprobación digital.

La gran pregunta que plantea este artículo es: ¿Qué sucede cuando entrenamos a un robot para que suene "seguro" y "genial"? Resulta que el robot comienza a usar un truco muy específico y anticuado para sonar impresionante. Es un truco que los oradores humanos han usado durante miles de años, pero el robot lo usa tanto que empieza a sonar falso. El artículo investiga por qué el robot hace esto, con qué frecuencia sucede y si podemos enseñarle al robot a dejar de sobreutilizarlo sin que suene aburrido o estúpido.

El tic del robot: "Espera, en realidad..."

¿Conoces esa sensación cuando alguien dice: "No soy solo un profesor. Soy un moldeador de mentes"? ¿O cuando un vendedor dice: "No solo vendemos zapatos. Vendemos libertad"? Comienzan con una frase normal, luego inmediatamente presionan el botón de "deshacer" y la reemplazan con algo mucho más grande, ruidoso y dramático.

En el mundo de los estudios de lenguaje sofisticado, este truco tiene un nombre: epanortosis (pronúncialo como e-pa-no-r-to-sis). Es una palabra griega que básicamente significa "enderezar" o "corregirse a sí mismo". Los oradores antiguos la usaban para que sus puntos fueran más contundentes. Pero recientemente, los investigadores notaron que los chatbots de IA están haciendo esto todo el tiempo, como un tic nervioso. Se ha convertido en el movimiento característico del robot.

El artículo argumenta que esto no es un accidente. No es porque el robot esté "pensando" profundamente y cambiando de opinión. En cambio, el robot aprendió este hábito de dos fuentes principales:

El Batido de Internet: El robot leyó toneladas de textos de marketing, publicaciones motivacionales y discursos de ventas donde este estilo de "¡No X, sino Y!" obtiene muchos clics y me gusta.
La Prueba de Sabor Humana: Cuando los humanos calificaban las respuestas del robot, preferían las que sonaban seguras y enfáticas. El robot se dio cuenta de: "¡Oye, si digo 'No soy un bot, soy un arquitecto digital', la gente me da una puntuación alta!". Así que empezó a hacerlo cada vez más.

El artículo sugiere que la forma en que el robot escribe (una palabra a la vez, de izquierda a derecha) empeora esto. Debido a que el robot no puede volver atrás y editar su oración después de haberla escrito, utiliza este truco de "corrección" como una forma de arreglar su tono sobre la marcha, haciendo que suene más dramático de lo que un humano lo haría normalmente.

El "Índice de Epanortosis": Midiendo el drama del robot

Para probar esto, los autores no solo adivinaron; construyeron una cinta métrica. Crearon algo llamado Índice de Epanortosis. Piensa en ello como un "medidor de drama". Contaron cuántas veces el robot usó este truco de "No X, sino Y" en 10,000 palabras y lo compararon con la frecuencia con la que los humanos reales usan este recurso en el mismo tipo de escritura.

Esto es lo que encontraron, y es un poco agridulce:

En Discursos y Ventas: Los robots se excedieron por mucho. En la "oratoria" (discursos) y la escritura "promocional", los robots usaron el truco aproximadamente el doble de lo que lo hacen los humanos. En italiano, fue aún peor, casi tres veces más. Intentaban tanto sonar inspiradores que sonaban falsos.
En Preguntas y Respuestas Casuales: Los robots hicieron lo contrario. Cuando los humanos simplemente charlaban o respondían preguntas simples, a menudo usaban este truco para suavizar sus respuestas o ser cautelosos. Los robots, sin embargo, eran demasiado planos y no lo usaban lo suficiente. Eran aproximadamente una quinta parte de propensos a usarlo en comparación con los humanos.
En Escritura Seria: En cosas como artículos de noticias o entradas de enciclopedia, los robots y los humanos estaban en realidad bastante cerca. Los robots sabían cuándo no ser dramáticos.

La conclusión principal es que los robots están descalibrados. No saben cuándo subir el control del drama y cuándo bajarlo. Simplemente presionan el botón de "epanortosis" cada vez que creen que necesitan sonar impresionantes.

¿Podemos arreglar al robot? (El "Dial del Drama")

El artículo no solo señala el problema; intenta arreglarlo. Los autores preguntaron: "¿Podemos enseñar al robot a dejar de sobreutilizar este truco sin que parezca un robot que tiene miedo de hablar?".

Probaron algunas ideas, y esto es lo que funcionó:

El Arreglo de "Una Línea" (Prompting): Intentaron simplemente decirle al robot: "Por favor, escribe de manera directa y evita decir 'No es X, es Y'".
- El Resultado: ¡Funcionó! En las pruebas en italiano, esta simple instrucción redujo las correcciones dramáticas entre un 70% y un 72% en discursos y ensayos. No eliminó el truco por completo, pero redujo el uso del robot a un nivel que se parecía mucho más al de un humano.
El "Adaptador de Estilo" (El Dial Mágico): Esta fue la gran experiencia. Los autores entrenaron un pequeño complemento especial (llamado adaptador LoRA) para el robot. Piensa en este complemento como un "control de volumen" para el drama.
- Lo entrenaron con ejemplos de texto "dramático" y texto "sencillo".
- Luego, probaron un "dial" (un número que podían cambiar) para ver cuánto de este nuevo estilo utilizar.
- El Resultado: El dial funcionó perfectamente. Cuando lo subían, el robot sonaba sencillo. Cuando lo bajaban, el robot sonaba dramático. Crucialmente, encontraron un ajuste donde el uso del robot coincidía exactamente con la tasa humana. No se trataba de eliminar el truco; se trataba de calibrarlo.
Lo que No Funcionó: Intentaron usar el "aprendizaje de preferencias" (enseñar al robot lo que les gusta a los humanos) por sí solo, pero no logró generalizarse. El robot aprendió a elegir las respuestas correctas en la prueba, pero no cambió realmente la forma en que escribía nuevas oraciones.

La Gran Advertencia

El artículo termina con un pensamiento ligeramente aterrador. El verdadero peligro no es que los robots estén usando este truco demasiado. El verdadero peligro es que nosotros comencemos a escribir como ellos.

Si nos acostumbramos a leer textos llenos de correcciones de "¡No X, sino Y!", podríamos empezar a pensar que así es como se escribe bien. Podríamos empezar a escribir nuestros propios ensayos, correos electrónicos y discursos con este aire falso y sobre-dramático solo para sonar impresionantes. El artículo sugiere que el objetivo no debería ser hacer que los robots suenen exactamente como los humanos, sino hacer que suenen apropiados para la situación. A veces un discurso necesita drama; a veces un informe médico necesita hechos sencillos.

Los autores concluyen que, si bien podemos arreglar el "tic" del robot con estas nuevas herramientas, el trabajo más difícil es enseñarnos a nosotros mismos a reconocer cuándo una corrección es honesta y cuándo es solo una actuación. Después de todo, si una máquina puede aprender a sonar como un humano, el siguiente paso es asegurarnos de no olvidar cómo sonar como nosotros mismos.

Resumen Técnico: Epanortosis Artificial

Planteamiento del Problema
Los Modelos de Lenguaje de Gran Escala (LLMs) exhiben un uso excesivo sistemático de la epanortosis, una figura retórica clásica del pensamiento que implica la autocorrección para reemplazar una declaración por una más fuerte, más solemne o más precisa (por ejemplo, "Esto no es un curso. Es un viaje de transformación"). Si bien esta figura ha existido durante dos milenios, los LLMs la reproducen con una frecuencia y rigidez que divergen de las normas estilísticas humanas. El artículo argumenta que esto no es un artefacto estadístico aleatorio, sino una "disposición entrenada" impulsada por dos factores primarios:

Distribución de Entrenamiento: La prevalencia de prosa promocional, contenido motivacional y páginas de aterrizaje en los datos de pre-entrenamiento, donde la corrección enfática correlaciona con el compromiso (engagement).
Ajuste de Preferencias (RLHF): El Aprendizaje por Refuerzo a partir de la Retroalimentación Humana recompensa el fraseo confiado, incisivo y enfático, amplificando inadvertidamente la construcción "No X. Y".

El artículo postula que la naturaleza autorregresiva (de izquierda a derecha) de la generación amplifica esta tendencia, al impedir la revisión previa a la publicación, pero no es la causa raíz. El problema central es una descalibración de registro: los modelos sobrepasan en contextos persuasivos/oratorios y subestiman en contextos informales, fallando al igualar la línea base humana específica de cada género.

Metodología
El artículo propone un marco de medición y una serie de técnicas de mitigación, pasando de la observación a la intervención.

Protocolo de Medición:
- Índice de Epanortosis (EI): Una métrica definida como la densidad de construcciones de corrección enfática (por ejemplo, "no X, sino Y", "¿X? No. Y") por cada 10,000 palabras, normalizada contra una línea base humana para un género específico. Un EI de 1 indica una calibración similar a la humana.
- Detector: Un sistema de dos etapas que involucra un pase léxico de alta recuperación sobre marcadores correctivos seguido de un clasificador a nivel de construcción para filtrar falsos positivos (por ejemplo, distinguir "quiero decir" como un relleno frente a una corrección).
- Corpus: Las líneas base humanas incluyen textos anteriores a 2022 en diversos géneros (enciclopédico, periodístico, académico, narrativo, Q&A, argumentativo, oratorio). Los resultados de los modelos se generan a partir de familias ajustadas por instrucciones (específicamente Claude Haiku, Sonnet y Opus) utilizando prompts neutros y específicos de cada género.
Estrategias de Mitigación:
El artículo examina intervenciones que van desde la curación de datos hasta el control en el tiempo de inferencia, priorizando los adaptadores LoRA (Low-Rank Adaptation) ligeros.
- Lado de los Datos: Aumentación contrafáctica (emparejando texto enfático con paráfrasis des-enfatizadas) y la poda de ejemplos promocionales de los datos de instrucción.
- Lado del Modelo (LoRA): Entrenamiento de un adaptador pequeño y desprendible mediante Ajuste Fino Supervisado (SFT) sobre respuestas "planas" o Optimización de Preferencia Directa (DPO) sobre pares de preferencia. El adaptador se controla mediante un coeficiente de escala ( $\alpha$ ) en el tiempo de inferencia para graduar la reducción desde la tasa del modelo base hasta cero.
- Lado de la Inferencia: Control en el tiempo de decodificación (PPLM, GeDi, FUDGE), dirección de activación (activation steering) y prompting (instrucciones del sistema).
- Evaluación: El éxito se mide no por la eliminación, sino por la calibración: reducir la figura a la tasa de la línea base humana para un género dado, preservando la fidelidad del contenido y la adecuación.

Resultos Clave

Evidencia Empírica de Descalibración:
- Oratoria: Los modelos sobrepasan significativamente, produciendo epanortosis enfática aproximadamente 2.2 veces la tasa humana (33.5 frente a 14.9 por cada 10k palabras). Este efecto se concentra en los niveles de modelos más grandes (Sonnet, Opus).
- Q&A Informal: Los modelos subestiman, produciendo la figura aproximadamente 0.2 veces la tasa humana (1.3 frente a 8.2), fallando en replicar el hedging (atenuación) y la autocorrección humana.
- Otros Géneros: La prosa argumentativa, periodística y enciclopédica no muestra desviaciones significativas respecto a las líneas base humanas.
Efectividad de la Mitigación:
- Prompting: Una instrucción de una sola línea en italiano ("escribe afirmativamente, evita el niega-y-mejora") redujo la densidad de la epanortosis entre un 70–72% en la oratoria y ensayos argumentativos, acercando a los modelos más grandes a las tasas humanas.
- Adaptador LoRA (SFT): Un adaptador ajustado mediante supervisión en un modelo abierto de 7B (Qwen2.5-7B) redujo la densidad en un ~98% (de ~75 a ~1.7 por 10k palabras) en los géneros de oratoria, promocional y argumentativo.
- El Efecto "Dial": Escalar el adaptador LoRA mediante un coeficiente ( $\alpha$ ) permite un control continuo. Con $\alpha = 0.75$ , el adaptador redujo la densidad argumentativa a 12.3, igualando la línea base humana de ~12, antes de sobre-corregir hacia cero con la fuerza total ( $\alpha = 1.0$ ). Esto demuestra que la calibración hacia las tasas humanas es alcanzable sin una eliminación total.
- Métodos Sin Entrenamiento: La selección "Best-of-n" y la reescritura afirmativa post-hoc también redujeron significamente la densidad, aunque la reescritura tendió a sobre-corregir más allá de la línea base humana.

Significancia y Reivindicaciones
El artículo sostiene que la convergencia de la retórica antigua y la estadística de redes neuronales sugiere que la epanortosis es una estructura emergente del lenguaje mismo, un "atractor" hacia el cual tanto la cognición humana como los modelos estadísticos tienden. Sin embargo, la reproducción no regulada de esta figura por parte de los LLMs crea una "huella digital retórica" que señala la artificialidad.

La contribución principal es el cambio de ver esto como un fallo a ser eliminado a un problema de calibración. El artículo afirma que:

El uso excesivo es un fenómeno medible y específico de cada registro, impulsado por el entrenamiento y el alineamiento, no una limitación fundamental de la generación autorregresiva.
Los adaptadores LoRA ligeros ofrecen una solución práctica y escalable para "dialar" el estilo retórico de los modelos para que coincida con las líneas base humanas para géneros específicos.
El riesgo último no es que las máquinas escriban como humanos, sino que los humanos comiencen a escribir como máquinas, adoptando los tics retóricos por defecto y no calibrados de la máquina.

Limitaciones
El artículo señala explícitamente que sus hallazgos se basan en evidencia de escala piloto con muestras pequeñas y valores p no corregidos para comparaciones múltiples. El vínculo causal con el RLHF es inferencial, basado en la divergencia entre modelos ajustados por instrucciones y modelos base en la literatura previa, en lugar de una comparación directa entre modelo base y alineado dentro de este estudio. Además, el adaptador entrenado fue demostrado en un modelo abierto de 7B, dejando la transferencia a modelos de frontera como una tarea futura, y las comprobaciones de fidelidad de contenido se basaron en inspección informal en lugar de una medición rigurosa.

La salsa secreta de la escritura robótica

El tic del robot: "Espera, en realidad..."

El "Índice de Epanortosis": Midiendo el drama del robot

¿Podemos arreglar al robot? (El "Dial del Drama")

La Gran Advertencia

Más como este