💬 NLP

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

Questo articolo sostiene che i grandi modelli linguistici abusino sistematicamente della figura retorica dell'epanortosi a causa dei bias di addestramento e del fine-tuning delle preferenze, e propone un approccio di calibrazione specifico per genere utilizzando adapter leggeri e l'instruction tuning per allineare l'output del modello alle norme retoriche umane piuttosto che eliminare interamente la figura.

Autori originali: Federico Boggia

Pubblicato 2026-07-29

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Federico Boggia

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

La Ricetta Segreta della Scrittura Robotica

Immaginate di entrare in una biblioteca gigante dove milioni di libri, siti web e post sui social media sono stati tritati e mescolati in un gigantesco frullato. È così che i moderni chatbot di IA imparano a parlare: assaggiano questo frullato digitale e imparano a indovinare la parola successiva in una frase, ancora e ancora. Ma c'è un colpo di scena. Dopo aver imparato dal frullato, gli esseri umani intervengono per dare loro un "test del gusto". Leggono le risposte del robot e dicono: "Questa suona sicura di sé e cool", oppure "Questa suona noiosa". Il robot impara così a fare di più di ciò che piace agli umani. Questo processo è chiamato "apprendimento per rinforzo" (reinforcement learning), ed è come addestrare un cane con dei premi, solo che il cane è un computer super intelligente e i premi sono approvazioni digitali.

La grande domanda che questo articolo pone è: cosa succede quando addestriamo un robot a sembrare "sicuro di sé" e "cool"? Si scopre che il robot inizia a usare un trucco molto specifico e vecchio stile per sembrare impressionante. È un trucco che gli speaker umani hanno usato per migliaia di anni, ma il robot lo usa così tanto che inizia a sembrare falso. L'articolo indaga perché il robot lo faccia, quanto spesso accada e se possiamo insegnare al robot a smettere di abusarne senza farlo sembrare noioso o stupido.

Il "Tic" del Robot: "Aspetta, in realtà..."

Conoscete quella sensazione quando qualcuno dice: "Non sono solo un insegnante. Sono un formatore di menti"? O quando un venditore dice: "Non vendiamo solo scarpe. Vendiamo libertà"? Iniziano con una frase normale, poi premono immediatamente il tasto "undo" e la sostituiscono con qualcosa di molto più grande, rumoroso e drammatico.

Nel mondo degli studi linguistici sofisticati, questo trucco ha un nome: epanortosi (pronunciatelo come eh-pan-or-to-sis). È una parola greca che significa fondamentalmente "raddrizzare" o "correggersi". Gli speaker antichi la usavano per rendere i loro punti più incisivi. Ma recentemente, i ricercatori hanno notato che i chatbot IA lo fanno continuamente, come un tic nervoso. È diventata la mossa distintiva del robot.

L'articolo sostiene che questo non sia un incidente. Non è perché il robot stia "pensando" profondamente e cambiando idea. Inveve, il robot ha imparato questa abitudine da due fonti principali:

Il Frullato di Internet: Il robot ha letto tonnellate di testi di marketing, post motivazionali e proposte di vendita dove questo stile "Non X, ma Y!" ottiene molti clic e like.
Il Test del Gusto Umano: Quando gli umani valutavano le risposte del robot, preferivano quelle che suonavano sicure e enfatiche. Il robot ha capito: "Ehi, se dico 'Non sono un bot, sono un architetto digitale', le persone mi danno un punteggio alto!". Così, ha iniziato a farlo sempre di più.

L'articolo suggerisce che il modo in cui il robot scrive (una parola alla volta, da sinistra a destra) renda tutto questo peggio. Poiché il robot non può tornare indietro e modificare la sua frase dopo averla scritta, usa questo trucco di "correzione" come un modo per sistemare il proprio tono al volo, rendendolo più drammatico di quanto farebbe un essere umano normalmente.

L' "Indice di Epanortosi": Misurare il Dramma del Robot

Per dimostrare questo, gli autori non si sono limitati a indovinare; hanno costruito un metro. Hanno creato quello che chiamano un Indice di Epanortosi. Pensatelo come un "metro del dramma". Hanno contato quante volte il robot usava questo trucco "Non X, ma Y!" in 10.000 parole e l'hanno confrontato con la frequenza con cui gli umani reali lo usano nello stesso tipo di scrittura.

Ecco cosa hanno scoperto, ed è un quadro un po' misto:

Nei Discorsi e nelle Vendite: I robot sono andati decisamente oltre il limite. Nei testi "oratori" (discorsi) e "promozionali", i robot hanno usato il trucco circa due volte più degli umani. In italiano, è andata ancora peggio, quasi tre volte di più. Cercavano così tanto di sembrare ispiranti da sembrare falsi.
Nelle Conversazioni Casuali: I robot hanno fatto l'opposto. Quando gli umani stavano solo chiacchierando o rispondendo a domande semplici, spesso usavano questo trucco per ammorbidire le loro risposte o per non esporsi troppo. I robot, invece, erano troppo piatti e non lo usavano abbastanza. Erano circa un quinto meno propensi a usarlo rispetto agli umani.
Nella Scrittura Seria: In cose come articoli di giornale o voci di enciclopedia, i robot e gli umani erano in realtà piuttosto vicini. I robot sapevano quando non essere drammatici.

Il punto principale è che i robot sono mal calibrati. Non sanno quando alzare la manopola del dramma e quando abbassarla. Semplicemente, premono il tasto "epanortosi" ogni volta che pensano di dover sembrare impressionanti.

Possiamo Riparare il Robot? (La "Manopola del Dramma")

L'articolo non si limita a indicare il problema; cerca di risolverlo. Gli autori si sono chiesti: "Possiamo insegnare al robot a smettere di abusare di questo trucco senza farlo sembrare un robot che ha paura di parlare?".

Hanno testato alcune idee, ed ecco cosa ha funzionato:

La Soluzione "Una Riga" (Prompting): Hanno provato semplicemente a dire al robot: "Per favore, scrivi in modo diretto ed evita di dire 'Non è X, è Y'".
- Il Risultato: Ha funzionato! Nei test in italiano, questa semplice istruzione ha ridotto le correzioni drammatiche del 70% - 72% in discorsi e saggi. Non ha cancellato completamente il trucco, ma ha riportato l'uso del robot a un livello che somigliava molto di più a quello di un essere umano.
L' Adattatore di Stile (La Manopola Magica): Questo è stato il grande esperimento. Gli autori hanno addestrato un piccolo e speciale componente aggiuntivo (chiamato adattatore LoRA) per il robot. Pensate a questo componente come a una "manopola del volume" per il dramma.
- Lo hanno addestrato su esempi di testo "drammatico" e testo "semplice".
- Poi, hanno testato una "manopola" (un numero che potevano cambiare) per vedere quanto di questo nuovo stile utilizzare.
- Il Risultato: La manopola ha funzionato perfettamente. Quando la alzavano, il robot suonava semplice. Quando la abbassavano, il robot suonava drammatico. Fondamentalmente, hanno trovato un'impostazione in cui l'uso del robot corrispondeva esattamente al tasso umano. Non si trattava di eliminare il trucco; si trattava di calibrare l'uso.
Cosa Non Ha Funzionato: Hanno provato a usare l' "apprendimento per preferenza" (insegnare al robot cosa piace agli umani) da solo, ma non è riuscito a generalizzare. Il robot ha imparato a scegliere le risposte corrette nel test, ma non ha effettivamente cambiato il modo in cui scriveva nuove frasi.

Il Grande Avvertimento

L'articolo si conclude con un pensiero leggermente spaventoso. Il vero pericolo non è che i robot usino troppo questo trucco. Il vero pericolo è che noi potremmo iniziare a scrivere come loro.

Se ci abituiamo a leggere testi pieni di correzioni "Non X, ma Y!", potremmo iniziare a pensare che questo sia il modo in cui si scrive bene. Potremmo iniziare a scrivere i nostri saggi, email e discorsi con questo sapore falso e sovradrammatico solo per sembrare impressionanti. L'articolo suggerisce che l'obiettivo non dovrebbe essere quello di far suonare i robot esattamente come gli umani, ma di farli suonare appropriati per la situazione. A volte un discorso ha bisogno di dramma; a volte un rapporto medico ha bisogno di fatti nudi e crudi.

Gli autori concludono che, sebbene possiamo riparare il "tic" del robot con questi nuovi strumenti, il lavoro più difficile è insegnare a noi stessi a riconoscere quando una correzione è onesta e quando è solo una performance. Dopo tutto, se una macchina può imparare a suonare come un essere umano, il passo successivo è assicurarsi che noi non dimentichiamo come suonare come noi stessi.

Sintesi Tecnica: Epanortosi Artificiale

Definizione del Problema
I Large Language Models (LLM) esibiscono un uso sistematico e eccessivo dell'epanortosi, una figura retorica classica del pensiero che comporta l'autocorrezione per sostituire un'affermazione con una più forte, più solenne o più precisa (ad esempio, "Questo non è un corso. È un viaggio di trasformazione"). Sebbene questa figura esista da duemila anni, gli LLM la riproducono con una frequenza e una rigidità che divergono dalle norme stilistiche umane. Il saggio sostiene che questo non sia un artefatto statistico casuale, ma una "disposizione addestrata" guidata da due fattori primari:

Distribuzione di Addestramento: La prevalenza di prosa promozionale, contenuti motivazionali e landing page nei dati di pre-training, dove la correzione enfatica correla con l'engagement.
Ottimizzazione delle Preferenze (RLHF): L'apprendimento per rinforzo tramite feedback umano premia la formulazione sicura, incisiva ed enfatica, amplificando involontariamente la costruzione "Non X. Y".

Il saggio postula che la natura autoregressiva (da sinistra a destra) della generazione amplifichi questa tendenza, impedendo la revisione pre-pubblicazione, ma che questa non sia la causa radice. Il problema centrale è una mancata calibrazione del registro: i modelli eccedono nei contesti persuasivi/oratori e sottostimano in quelli informali, fallendo nel ricalcare il baseline umano specifico per genere.

Metodologia
Il saggio propone un framework di misurazione e una serie di tecniche di mitigazione, passando dall'osservazione all'intervento.

Protocollo di Misurazione:
- Indice di Epanortosi (EI): Una metrica definita come la densità di costruzioni di correzione enfatica (ad esempio, "non X, ma Y", "X? No. Y") per 10.000 parole, normalizzata rispetto a un baseline umano per un determinato genere. Un EI di 1 indica una calibrazione simile a quella umana.
- Rilevatore: Un sistema a due stadi che prevede un passaggio lessicale ad alta recall su marcatori correttivi seguito da un classificatore a livello di costruzione per filtrare i falsi positivi (ad esempio, distinguere "intendo" come riempitivo rispetto a una correzione).
- Corpora: I baseline umani includono testi pre-2022 attraverso vari generi (enciclopedico, giornalistico, accademico, narrativo, Q&A, argomentativo, oratoriale); gli output dei modelli sono generati da famiglie istruite (specificamente Claude Haiku, Sonnet e Opus) utilizzando prompt neutri e specifici per genere.
Strategie di Mitigazione:
Il saggio esamina interventi che vanno dalla cura dei dati al controllo al momento dell'inferenza, dando priorità agli adapter LoRA (Low-Rank Adaptation) leggeri.
- Lato Dati: Augmentazione controfattuale (accoppiamento di testi enfatici con parafrasi de-enfatizzate) e rimozione di esempi promozionali dai dati di istruzione.
- Lato Modello (LoRA): Addestramento di un piccolo adapter staccabile tramite Supervised Fine-Tuning (SFT) su risposte "semplici" o Direct Preference Optimization (DPO) su coppie di preferenza. L'adapter è controllato tramite un coefficiente di scala ( $\alpha$ ) al momento dell'inferenza per regolare la riduzione dal tasso del modello base fino a zero.
- Lato Inferenza: Controllo durante la decodifica (PPLM, GeDi, FUDGE), steering delle attivazioni e prompting (istruzioni di sistema).
- Valutazione: Il successo è misurato non tramite l'eliminazione, ma tramite la calibrazione — riducendo la figura al tasso del baseline umano per un dato genere pur preservando la fedeltà e l'appropriatezza del contenuto.

Risultati Chiave

Evidenza Empirica di Mis-calibrazione:
- Oratoria: I modelli eccedono significativamente, producendo un'epanortosi enfatica circa 2,2 volte superiore al tasso umano (33,5 vs 14,9 per 10k parole). Questo effetto è concentrato nei tier di modelli più grandi (Sonnet, Opus).
- Q&A Informale: I modelli sottostimano, producendo la figura a circa 0,2 volte il tasso umano (1,3 vs 8,2 per 10k parole), fallendo nel replicare l'esitazione e l'autocorrezione umana.
- Altri Generi: La prosa argomentativa, giornalistica ed enciclopedica non mostra deviazioni significative dal baseline umano.
Efficacia della Mitigazione:
- Prompting: Un'istruzione a riga singola in italiano ("scrivi in modo affermativo, evita il nega-e-aggiorna") ha ridotto la densità di epanortosi del 70–72% in saggi oratorî e argomentativi, portando i modelli più grandi più vicini ai tassi umani.
- Adapter LoRA (SFT): Un adapter sottoposto a fine-tuning supervisionato su un modello aperto da 7B (Qwen2.5-7B) ha ridotto la densità di circa il 98% (da ~75 a ~1,7 per 10k parole) in generi oratorî, promozionali e argomentativi.
- L'Effetto "Dial": Scalare l'adapter LoRA tramite un coefficiente ( $\alpha$ ) permette un controllo continuo. Con $\alpha = 0,75$ , l'adapter ha ridotto la densità argomentativa a 12,3, corrispondendo al baseline umano di ~12, prima di sovra-correggere verso lo zero con $\alpha = 1,0$ . Ciò dimostra che la calibrazione ai tassi umani è realizzabile senza una totale eliminazione.
- Metodi Senza Addestramento: La selezione "Best-of-n" e la riscrittura post-hoc affermativa hanno ridotto significativamente la densità, sebbene la riscrittura tenda a sovra-correggere oltre il baseline umano.

Significato e Rivendicazioni
Il saggio sostiene che la convergenza tra la retorica antica e la statistica delle reti neurali suggerisca che l'epanortosi sia una struttura emergente del linguaggio stesso, un "attrattore" verso cui tendono sia la cognizione umana che i modelli statistici. Tuttavia, la riproduzione non regolata di questa figura da parte degli LLM crea un "impronta digitale retorica" che segnala l'artificialità.

Il contributo primario è lo spostamento dalla visione di un difetto da eliminare a un problema di calibrazione. Il saggio afferma che:

L'uso eccessivo è un fenomeno misurabile e specifico per registro, guidato dall'addestramento e dall'allineamento, non una limitazione fondamentale della generazione autoregressiva.
Gli adapter LoRA leggeri offrono una soluzione pratica e scalabile per "tarare" lo stile retorico dei modelli per farli corrispondere ai baseline umani per specifici generi.
Il rischio ultimo non è che le macchine scrivano come gli umani, ma che gli umani inizino a scrivere come le macchine, adottando i tic retorici predefiniti e non calibrati delle macchine.

Limitazioni
Il saggio nota esplicitamente che le sue conclusioni si basano su prove di scala pilota con campioni limitati e p-value non corretti per confronti multipli. Il legame causale con l'RLHF è inferenziale, basato sulla divergenza tra modelli istruiti e modelli base nella letteratura precedente, piuttosto che su un confronto diretto base-vs-allineato all'interno di questo studio. Inoltre, l'adapter addestrato è stato dimostrato su un modello aperto da 7B, mentre il trasferimento ai modelli frontier rimane un compito futuro; inoltre, i controlli sulla fedeltà del contenuto si sono basati su un'ispezione informale piuttosto che su una misurazione rigorosa.

La Ricetta Segreta della Scrittura Robotica

Il "Tic" del Robot: "Aspetta, in realtà..."

L' "Indice di Epanortosi": Misurare il Dramma del Robot

Possiamo Riparare il Robot? (La "Manopola del Dramma")

Il Grande Avvertimento

Articoli simili