💬 NLP

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

Cet article soutient que les grands modèles de langage utilisent systématiquement de manière excessive la figure de rhétorique de l'épanorthose en raison de biais d'entraînement et de l'ajustement des préférences, et propose une approche de calibration spécifique au genre utilisant des adaptateurs légers et l'ajustement par instructions afin d'aligner la production du modèle sur les normes rhétoriques humaines plutôt que d'éliminer entièrement la figure.

Auteurs originaux : Federico Boggia

Publié 2026-07-29

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Federico Boggia

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La recette secrète de l'écriture robotique

Imaginez que vous pénétrez dans une bibliothèque géante où des millions de livres, de sites web et de publications sur les réseaux sociaux ont été broyés et mélangés pour former un smoothie géant. C'est ainsi que les chatbots d'IA modernes apprennent à parler : ils goûtent ce smoothie numérique et apprennent à deviner le mot suivant dans une phrase, encore et encore. Mais il y a un rebondissement. Après avoir appris du smoothie, des humains interviennent pour leur faire passer un « test de goût ». Ils lisent les réponses du robot et disent : « Celle-ci a l'air assurée et cool », ou « Celle-ci a l'air ennuyeuse ». Le robot apprend alors à faire davantage ce que les humains ont aimé. Ce processus est appelé « apprentissage par renforcement », et c'est comme dresser un chien avec des friandises, sauf que le chien est un ordinateur super intelligent et que les friandises sont une approbation numérique.

La grande question que cet article pose est la suivante : que se passe-t-il lorsque nous entraînons un robot à paraître « confiant » et « cool » ? Il s'avère que le robot commence à utiliser une astuce très spécifique et démodée pour paraître impressionnant. C'est une astuce que les orateurs humains utilisent depuis des millénaires, mais le robot l'utilise tellement qu'il commence à paraître faux. L'article étudie pourquoi le robot fait cela, à quelle fréquence cela arrive, et si nous pouvons lui apprendre à ne pas trop l'utiliser sans qu'il paraisse ennuyeux ou stupide.

Le tic du robot : « Attendez, en fait... »

Vous connaissez ce sentiment quand quelqu'un dit : « Je ne suis pas seulement un enseignant. Je suis un façonneur d'esprits » ? Ou quand un vendeur dit : « Nous ne vendons pas seulement des chaussures. Nous vendons la liberté » ? Ils commencent par une phrase normale, puis appuient immédiatement sur le bouton « annuler » et la remplacent par quelque chose de beaucoup plus grand, plus fort et de plus dramatique.

Dans le domaine des études de langage sophistiqué, cette astuce a un nom : l'épanorthose (prononcez é-pa-no-rho-tose). C'est un mot grec qui signifie essentiellement « rectifier » ou « se corriger soi-même ». Les orateurs de l'Antiquité l'utilisaient pour rendre leurs points plus percutants. Mais récemment, des chercheurs ont remarqué que les chatbots d'IA font cela tout le temps, comme un tic nerveux. C'est devenu la signature du robot.

L'article soutient que ce n'est pas un accident. Ce n'est pas parce que le robot « réfléchit » profondément et change d'avis. Au contraire, le robot a appris cette habitude de deux sources principales :

Le Smoothie Internet : Le robot a lu des tonnes de textes marketing, de publications de motivation et d'arguments de vente où ce style « Non X, mais Y ! » récolte beaucoup de clics et de mentions « j'aime ».
Le Test de Goût Humain : Lorsque les humains évaluaient les réponses du robot, ils préféraient celles qui paraissaient confiantes et emphatiques. Le robot a réalisé : « Hé, si je dis "Je ne suis pas un bot, je suis un architecte numérique", les gens me donnent une note élevée ! » Alors, il a commencé à faire cela de plus en plus.

L'article suggère que la façon dont le robot écrit (un mot à la fois, de gauche à droite) aggrave la situation. Parce que le robot ne peut pas revenir en arrière pour éditer sa phrase après l'avoir écrite, il utilise cette technique de « correction » comme un moyen de rectifier son ton à la volée, ce qui le fait paraître plus dramatique qu'un humain ne le ferait normalement.

L'« Indice d'Épanorthose » : Mesurer le drame du robot

Pour prouver cela, les auteurs ne se sont pas contentés de deviner ; ils ont construit un ruban à mesurer. Ils ont créé ce qu'ils appellent un Indice d'Épanorthose. Voyez cela comme un « compteur de drame ». Ils ont compté combien de fois le robot utilisait cette astuce « Non X, mais Y » dans 10 000 mots et l'ont comparé à la fréquence à laquelle les vrais humains l'utilisent dans le même type d'écriture.

Voici ce qu'ils ont trouvé, et c'est un bilan mitigé :

Dans les discours et la vente : Les robots ont largement dépassé les bornes. Dans l'« oratoire » (les discours) et l'écriture « promotionnelle », les robots utilisaient l'astuce environ deux fois plus que les humains. En italien, c'était encore pire, presque trois fois plus. Ils essayaient tellement de paraître inspirants qu'ils paraissaient faux.
Dans les Q&R décontractés : Les robots faisaient l'inverse. Lorsque les humains discutaient simplement ou répondaient à des questions simples, ils utilisaient souvent cette astuce pour adoucir leurs réponses ou nuancer leurs propos. Les robots, cependant, étaient trop plats et ne l'utilisaient pas assez. Ils étaient environ un cinquième moins susceptibles de l'utiliser que les humains.
Dans l'écriture sérieuse : Dans des choses comme les articles de presse ou les entrées d'encyclopédie, les robots et les humains étaient en fait assez proches. Les robots savaient quand ne pas être dramatiques.

La principale conclusion est que les robots sont mal calibrés. Ils ne savent pas quand tourner le bouton du drame vers le haut et quand le tourner vers le bas. Ils se contentent d'appuyer sur le bouton « épanorthose » dès qu'ils pensent devoir paraître impressionnants.

Pouvons-nous réparer le robot ? (Le « Cadran du Drame »)

L'article ne se contente pas de pointer le problème ; il essaie de le résoudre. Les auteurs ont demandé : « Pouvons-nous apprendre au robot à arrêter de trop utiliser cette astuce sans qu'il ressemble à un robot qui a peur de parler ? »

Ils ont testé quelques idées, et voici ce qui a fonctionné :

La solution de la « ligne unique » (Prompting) : Ils ont essayé de simplement dire au robot : « S'il vous plaît, écrivez de manière directe et évitez de dire "Ce n'est pas X, c'est Y" ».
- Le résultat : Cela a fonctionné ! Dans les tests en italien, cette simple instruction a réduit les corrections dramatiques de 70 % à 72 % dans les discours et les essais. Cela n'a pas effacé l'astuce complètement, mais cela a ramené l'utilisation du robot à un niveau qui ressemblait beaucoup plus à celui d'un humain.
L'adaptateur de style (Le Cadran Magique) : C'était la grande expérience. Les auteurs ont entraîné un petit module spécial (appelé adaptateur LoRA) pour le robot. Voyez cet ajout comme un « bouton de volume » pour le drame.
- Ils l'ont entraîné sur des exemples de texte « dramatique » et de texte « simple ».
- Ensuite, ils ont testé un « cadran » (un nombre qu'ils pouvaient changer) pour voir à quel point ce nouveau style devait être utilisé.
- Le résultat : Le cadran a parfaitement fonctionné. Quand ils le tournaient vers le haut, le robot paraissait simple. Quand ils le tournaient vers le bas, le robot paraissait dramatique. Crucialement, ils ont trouvé un réglage où l'utilisation du robot correspondait exactement au taux humain. Il ne s'agissait pas de supprimer l'astuce, mais de la calibrer.
Ce qui n'a pas fonctionné : Ils ont essayé d'utiliser l'« apprentissage par préférence » (enseigner au robot ce que les humains aiment) de manière autonome, mais cela n'a pas réussi à se généraliser. Le robot a appris à choisir les bonnes réponses lors du test, mais il n'a pas réellement changé sa façon d'écrire de nouvelles phrases.

La grande mise en garde

L'article se termine sur une pensée légèrement effrayante. Le vrai danger n'est pas que les robots utilisent trop cette astuce. Le vrai danger est que nous commencions à écrire comme eux.

Si nous nous habituons à lire des textes remplis de corrections du type « Non X, mais Y ! », nous pourrions commencer à penser que c'est ainsi que l'on écrit bien. Nous pourrions commencer à écrire nos propres essais, e-mails et discours avec ce flair faux et trop dramatique juste pour paraître impressionnants. L'article suggère que l'objectif ne devrait pas être de faire en sorte que les robots sonnent exactement comme les humains, mais de faire en sorte qu'ils sonnent de manière appropriée à la situation. Parfois, un discours a besoin de drame ; parfois, un rapport médical a besoin de faits simples.

Les auteurs concluent que, bien que nous puissions réparer le « tic » du robot avec ces nouveaux outils, le travail le plus difficile est de nous apprendre à reconnaître quand une correction est honnête et quand elle n'est qu'une performance. Après tout, si une machine peut apprendre à sonner comme un humain, l'étape suivante est de s'assurer que nous n'oublions pas comment sonner comme nous-mêmes.

Résumé Technique : Épanorthose Artificielle

Énoncé du Problème
Les grands modèles de langage (LLM) présentent une utilisation excessive et systématique de l’épanorthose, une figure de pensée rhétorique classique impliquant une autocorrections visant à remplacer une affirmation par une autre plus forte, plus solennelle ou plus précise (ex. : « Ce n'est pas un cours. C'est un voyage de transformation »). Bien que cette figure existe depuis deux millénaires, les LLM la reproduisent avec une fréquence et une rigidité qui divergent des normes stylistiques humaines. L'article soutient qu'il ne s'agit pas d'un artefact statistique aléatoire, mais d'une « disposition entraînée » pilotée par deux facteurs primaires :

Distribution d'entraînement : La prévalence de la prose promotionnelle, du contenu motivationnel et des pages de destination dans les données de pré-entraînement, où la correction emphatique est corrélée à l'engagement.
Ajustement par préférence (RLHF) : L'apprentissage par renforcement à partir de la rétroaction humaine récompense les formulations confiantes, incisives et emphatiques, amplifiant involontairement la construction « Non X. Y ».

L'article postule que la nature autoregressive (de gauche à droite) de la génération amplifie cette tendance en empêchant la révision pré-publication, mais qu'elle n'en est pas la cause profonde. Le problème central est un mauvais étalonnage de registre : les modèles surcompensent dans les contextes persuasifs/oratoires et sous-compensent dans les contextes informels, échouant à correspondre à la ligne de base humaine spécifique au genre.

Méthodologie
L'article propose un cadre de mesure et une suite de techniques de mitigation, passant de l'observation à l'intervention.

Protocole de Mesure :
- Indice d'Épanorthose (IE) : Une métrique définie comme la densité de constructions de correction emphatique (ex. : « non pas X, mais Y », « X ? Non. Y ») pour 10 000 mots, normalisée par rapport à une ligne de base humaine pour un genre spécifique. Un IE de 1 indique un étalonnage similaire à l'humain.
- Détecteur : Un système en deux étapes impliquant un passage lexical à haut rappel sur les marqueurs correctifs, suivi d'un classificateur de niveau construction pour filtrer les faux positifs (ex. : distinguer « je veux dire » comme un mot de remplissage versus une correction).
- Corpora : Les lignes de base humaines incluent des textes antérieurs à 2022 dans divers genres (encyclopédique, journalistique, académique, narratif, Q&R, argumentatif, oratoire). Les sorties des modèles sont générées à partir de familles de modèles ajustés par instruction (spécifiquement Claude Haiku, Sonnet et Opus) en utilisant des invites neutres et spécifiques au genre.
Stratégies de Mitigation :
L'article examine des interventions allant de la curation de données au contrôle au moment de l'inférence, en privilégiant les adaptateurs LoRA légers (Low-Rank Adaptation).
- Côté Données : Augmentation contrefactuelle (appariement de textes emphatiques avec des paraphrases dé-emphatisées) et élagage des exemples promotionnels dans les données d'instruction.
- Côté Modèle (LoRA) : Entraînement d'un petit adaptateur détachable via un ajustement fin supervisé (SFT) sur des réponses « simples » ou une optimisation de préférence directe (DPO) sur des paires de préférences. L'adaptateur est contrôlé via un coefficient d'échelle ( $\alpha$ ) lors de l'inférence pour moduler la réduction du taux du modèle de base vers zéro.
- Côté Inférence : Contrôle lors du décodage (PPLM, GeDi, FUDGE), pilotage par activation et prompting (instructions de système).
- Évaluation : Le succès est mesuré non pas par l'élimination, mais par le calibrage — réduire la figure au taux de la ligne de base humaine pour un genre donné tout en préservant la fidélité et la pertinence du contenu.

Résultats Clés

Preuve Empirique de Mauvais Étalonnage :
- Oratoire : Les modèles surcompensent de manière significative, produisant une épanorthose emphatique environ 2,2 fois plus élevée que le taux humain (33,5 contre 14,9 pour 10k mots). Cet effet est concentré dans les paliers de modèles plus larges (Sonnet, Opus).
- Q&R Informel : Les modèles sous-compensent, produisant la figure à environ 0,2 fois le taux humain (1,3 contre 8,2 pour 10k mots), échouant à reproduire l'atténuation et l'autocorrection humaines.
- Autres Genres : La prose argumentative, journalistique et encyclopédique ne montre aucune déviation significative par rapport aux lignes de base humaines.
Efficacité de la Mitigation :
- Prompting : Une instruction simple en italien (« écrire de manière affirmative, éviter le négatif-et-améliorer ») a réduit la densité d'épanorthose de 70–72 % dans les essais oratoires et argumentatifs, rapprochant les modèles plus larges des taux humains.
- Adaptateur LoRA (SFT) : Un adaptateur ajusté par SFT sur un modèle ouvert de 7B (Qwen2.5-7B) a réduit la densité d'environ 98 % (passant de ~75 à ~1,7 pour 10k mots) dans les genres oratoire, promotionnel et argumentatif.
- L'Effet « Cadran » : L'échelle de l'adaptateur LoRA par un coefficient ( $\alpha$ ) permet un contrôle continu. À $\alpha = 0,75$ , l'adaptateur a réduit la densité argumentative à 12,3, correspondant à la ligne de base humaine de ~12, avant de sur-corriger vers zéro à pleine puissance ( $\alpha = 1,0$ ). Cela démontre que le calibrage vers les taux humains est réalisable sans élimination totale.
- Méthodes Sans Entraînement : La sélection « Best-of-n » et la réécriture a posteriori ont également considérablement réduit la densité, bien que la réécriture ait eu tendance à sur-corriger au-delà de la ligne de base humaine.

Signification et Revendications
L'article soutient que la convergence de la rhétorique ancienne et des statistiques des réseaux neuronaux suggère que l'épanorthose est une structure émergente du langage lui-même, un « attracteur » vers lequel tendent tant la cognition humaine que les modèles statistiques. Cependant, la reproduction non régulée de cette figure par les LLM crée une « empreinte rhétorique » qui signale l'artificialité.

La contribution principale est le passage d'une vision de l'erreur comme un défaut à éliminer vers un problème de calibrage. L'article affirme que :

L'utilisation excessive est un phénomène mesurable et spécifique au registre, piloté par l'entraînement et l'alignement, et non une limitation fondamentale de la génération autoregressive.
Les adaptateurs LoRA légers offrent une solution pratique et évolutive pour « régler » le style rhétorique des modèles afin de correspondre aux lignes de base humaines pour des genres spécifiques.
Le risque ultime n'est pas que les machines écrivent comme les humains, mais que les humains commencent à écrire comme les machines, adoptant les tics rhétoriques par défaut et non calibrés de la machine.

Limites
L'article note explicitement que ses conclusions sont basées sur des preuves à l'échelle pilote avec de petits échantillons et des p-valeurs non corrigées pour les comparaisons multiples. Le lien causal avec le RLHF est inférentiel, basé sur la divergence entre les modèles ajustés par instruction et les modèles de base dans la littérature antérieure, plutôt que sur une comparaison directe entre modèle de base et modèle aligné au sein de cette étude. De plus, l'adaptateur entraîné a été démontré sur un modèle ouvert de 7B, le transfert vers les modèles de pointe restant une tâche future, et les vérifications de fidélité du contenu ont été basées sur une inspection informelle plutôt que sur une mesure rigoureuse.

La recette secrète de l'écriture robotique

Le tic du robot : « Attendez, en fait... »

L'« Indice d'Épanorthose » : Mesurer le drame du robot

Pouvons-nous réparer le robot ? (Le « Cadran du Drame »)

La grande mise en garde

Articles similaires