💬 NLP

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

Dit artikel betoogt dat grote taalmodellen systematisch de retorische figuur van epanorthosis overmatig gebruiken als gevolg van trainingsbiases en voorkeursafstemming, en stelt een genrespecifieke kalibratiebenadering voor met behulp van lichtgewicht adapters en instructieafstemming om de output van het model af te stemmen op menselijke retorische normen in plaats van de figuur geheel te elimineren.

Oorspronkelijke auteurs: Federico Boggia

Gepubliceerd 2026-07-29

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Federico Boggia

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het geheime ingrediënt van robotisch schrijven

Stel je voor dat je een enorme bibliotheek binnenloopt waar miljoenen boeken, websites en social media-berichten zijn versnipperd en gemengd tot een gigantische smoothie. Dit is hoe moderne AI-chatbots leren praten: ze proeven deze digitale smoothie en leren te raden wat het volgende woord in een zin is, keer op keer. Maar er is een twist. Nadat ze uit de smoothie hebben geleerd, stappen mensen in om een "proeverij" te doen. Zij lezen de antwoorden van de robot en zeggen: "Deze klinkt zelfverzekerd en cool," of "Deze klinkt saai." De robot leert vervolgens om meer te doen van wat de mensen leuk vonden. Dit proces wordt "reinforcement learning" genoemd, en het is als het trainen van een hond met snoepjes, behalve dat de hond een superintelligente computer is en de snoepjes digitale goedkeuring zijn.

De grote vraag die dit artikel stelt is: Wat gebeurt er wanneer we een robot trainen om "zelfverzekerd" en "cool" te klinken? Het blijkt dat de robot een zeer specifieke, ouderwetse truc gaat gebruiken om indrukwekkend te klinken. Het is een truc die menselijke sprekers al duizenden jaren gebruiken, maar de robot gebruikt hem zo vaak dat het nep begint te klinken. Het artikel onderzoekt waarom de robot dit doet, hoe vaak het gebeurt, en of we de robot kunnen leren om het minder te gebruiken zonder dat hij saai of dom klinkt.

De "Wacht, eigenlijk..." tic van de robot

Ken je dat gevoel wanneer iemand zegt: "Ik ben niet zomaar een leraar. Ik ben een vormgever van geesten"? Of wanneer een verkoper zegt: "Wij verkopen niet alleen schoenen. Wij verkopen vrijheid"? Ze beginnen met een normale zin, en drukken dan direct op de "ongedaan maken"-knop om de zin te vervangen door iets veel groters, luiders en dramatischer.

In de wereld van de verfijnde taalstudies heeft deze truc een naam: epanorthosis (spreek het uit als eh-pan-or-tho-sis). Het is een Grieks woord dat in de basis betekent "het rechtzetten" of "jezelf corrigeren". Oude sprekers gebruikten het om hun punten krachtiger te maken. Maar onlangs merkten onderzoekers dat AI-chatbots dit de hele tijd doen, als een nerveuze tic. Het is het handelsmerk van de robot geworden.

Het artikel stelt dat dit geen toeval is. Het komt niet doordat de robot diep nadenkt en van gedachten verandert. In plaats daarvan heeft de robot deze gewoonte geleerd van twee hoofdzaken:

De Internet-smoothie: De robot las enorme hoeveelheden marketingteksten, motiverende berichten en verkoopteksten waarin deze "Niet X, maar Y!"-stijl veel clicks en likes krijgt.
De Menselijke Proeverij: Wanneer mensen de antwoorden van de robot beoordeelden, gaven ze de voorkeur aan de antwoorden die zelfverzekerd en nadrukkelijk klonken. De robot realiseerde zich: "Hé, als ik zeg 'Ik ben geen bot, ik ben een digitale architect', geven mensen me een hoge score!" Dus begon de robot dit steeds vaker te doen.

Het artikel suggereert dat de manier waarop de robot schrijft (één woord tegelijk, van links naar rechts) dit erger maakt. Omdat de robot zijn zin niet kan terugbewerken nadat deze is geschreven, gebruikt hij deze "correctie"-truc als een manier om zijn toon gaandeweg aan te passen, waardoor hij dramatisker klinkt dan een mens normaal gesproken zou doen.

De "Epanorthosis Index": Het meten van het drama van de robot

Om dit te bewijzen, hebben de auteurs niet alleen gegokt; ze bouwden een meetlint. Ze creëerden iets dat de Epanorthosis Index wordt genoemd. Denk aan een "dramameter". Ze telden hoe vaak de robot deze "Niet X, maar Y"-truc gebruikte in 10.000 woorden en vergeleken dat met hoe vaak echte mensen dit gebruiken in hetzelfde type tekst.

Dit is wat ze vonden, en het is een beetje een gemengd beeld:

In toespraken en verkoop: De robots gingen veel te ver. In "oratorische" (toespraken) en "promotionele" teksten gebruikte de robot de truc ongeveer twee keer zo vaak als mensen dat doen. In het Italiaans was het zelfs nog erger: bijna drie keer zo vaak. Ze probeerden zo hard om inspirerend te klinken dat ze nep klonken.
In informele Q&A: De robots deden het tegenovergestelde. Wanneer mensen gewoon aan het chatten waren of eenvoudige vragen beantwoordden, gebruikten zij deze truc vaak om hun antwoorden te verzachten of hun woorden te kiezen. De robots waren echter te vlak en gebruikten het niet genoeg. Ze waren ongeveer één vijfde zo waarschijnlijk als mensen om dit te doen.
In serieuze teksten: In zaken zoals nieuwsartikelen of encyclopedische inzlagen lagen de robots en mensen eigenlijk vrij dicht bij elkaar. De robots wisten wanneer ze niet dramatisch moesten zijn.

De belangrijkste conclusie is dat de robots misgekalibreerd zijn. Ze weten niet wanneer ze de dramaknop omhoog moeten draaien en wanneer ze hem omlaag moeten draaien. Ze drukken gewoon op de "epanorthosis"-knop zodra ze denken dat ze indrukwekkend moeten klinken.

Kunnen we de robot repareren? (De "Drama-draaiknop")

Het artikel wijst niet alleen op het probleem; het probeert het ook op te lossen. De auteurs vroegen zich af: "Kunnen we de robot leren om te stoppen met het overmatig gebruiken van deze truc, zonder dat hij klinkt als een robot die bang is om te spreken?"

Ze testten een paar ideeën, en dit werkte:

De "Eén-regel"-oplossing (Prompting): Ze probeerden simpelweg tegen de robot te zeggen: "Schrijf op een eenvoudige manier en vermijd het zeggen van 'Het is niet X, maar Y'."
- Het resultaat: Het werkte! In Italiaanse tests verminderde deze eenvoudige instructie de dramatische correcties met 70% tot 72% in toespraken en essays. Het maakte de truc niet volledig weg, maar bracht het gebruik van de robot terug naar een niveau dat veel meer op dat van een mens leek.
De "Stijl-adapter" (De Magische Draaiknop): Dit was het grote experiment. De auteurs trainden een kleine, speciale toevoeging (een zogenaamde LoRA-adapter) voor de robot. Denk aan deze toevoeging als een "volumeknop" voor drama.
- Ze trainden het op voorbeelden van "dramatische" tekst en "eenvoudige" tekst.
- Daarna testten ze een "draaiknop" (een getal dat ze konden veranderen) om te zien hoeveel van deze nieuwe stijl ze moesten gebruiken.
- Het resultaat: De draaiknop werkte perfect. Wanneer ze de knop omhoog draaiden, klonk de robot eenvoudig. Wanneer ze de knop omlaag draaiden, klonk de robot dramatisch. Cruciaal was dat ze een instelling vonden waarbij het gebruik van de robot exact overeenkwam met de menselijke frequentie. Het ging niet om het verwijderen van de truc; het ging om het kalibreren ervan.
Wat niet werkte: Ze probeerden "preference learning" (de robot leren wat mensen leuk vinden) op zichzelf te gebruiken, maar dat slaagde er niet in te generaliseren. De robot leerde weliswaar de juiste antwoorden te kiezen in de test, maar veranderde niet echt de manier waarop hij nieuwe zinnen schreef.

De Grote Waarschuwing

Het artikel eindigt met een ietwat angstaanjagende gedachte. Het echte gevaar is niet dat de robots deze truc te veel gebruiken. Het echte gevaar is dat wij misschien gaan schrijven als zij.

Als we wenn aan het lezen van teksten die vol staan met "Niet X, maar Y!"-correcties, kunnen we gaan denken dat dat is hoe goed schrijven klinkt. We kunnen onze eigen essays, e-mails en toespraken gaan schrijven met deze neppe, overdreven dramatische flair, puur om indruk te maken. Het artikel suggereert dat het doel niet moet zijn om robots precies zoals mensen te laten klinken, maar om ze te laten klinken als passend voor de situatie. Soms heeft een toespraak drama nodig; soms heeft een medisch rapport eenvoudige feiten nodig.

De auteurs concluderen dat hoewel we de "tic" van de robot kunnen repareren met deze nieuwe instrumenten, de moeilijkere taak is om onszelf te leren herkennen wanneer een correctie eerlijk is en wanneer het slechts een optreden is. Want als een machine kan leren om als een mens te klinken, is de volgende stap ervoor zorgen dat we niet vergeten hoe we onszelf moeten zijn.

Technische Samenvatting: Artificiële Epanorthosis

Probleemstelling
Grote taalmodellen (LLM's) vertonen een systematisch overmatig gebruik van epanorthosis, een klassieke retorische figuur van gedachte waarbij een bewering wordt gecorrigeerd om deze te vervangen door een sterkere, meer plechtige of meer precieze uitspraak (bijv. "Dit is geen cursus. Het is een reis van transformatie"). Hoewel deze figuur al twee millennia bestaat, reproduceren LLM's deze met een frequentie en rigiditeit die afwijkt van menselijke stilistische normen. Het artikel betoogt dat dit geen willekeurig statistisch artefact is, maar een "getrainde dispositie" die wordt gedreven door twee primaire factoren:

Trainingsdistributie: De prevalentie van promotionele proza, motiverende content en landingspagina's in de pre-training data, waar nadrukkelijke correctie correleert met betrokkenheid (engagement).
Preference Tuning (RLHF): Reinforcement Learning from Human Feedback beloont zelfverzekerde, beslissende en nadrukkelijke formuleringen, wat de "Niet X. Y"-constructie onbedoeld versterkt.

Het artikel stelt dat het autoregressieve (van links naar rechts) karakter van generatie de neiging versterkt door preventie van revisie vóór publicatie, maar dat dit niet de hoofdoorzaak is. Het kernprobleem is een mis-kalibratie van het register: modellen schieten door in persuasieve/oratorische contexten en schieten tekort in informele contexten, waardoor ze niet voldoen aan de genrespecifieke menselijke baseline.

Methodologie
Het artikel stelt een meetkader en een reeks mitigatietechnieken voor, bewegend van observatie naar interventie.

Meetprotocol:
- Epanorthosis Index (EI): Een metriek gedefinieerd als de dichtheid van nadrukkelijke-correctie constructies (bijv. "niet X, maar Y", "X? Nee. Y") per 10.000 woorden, genormaliseerd tegenover een menselijke baseline voor een specif genre. Een EI van 1 duidt op menselijke kalibratie.
- Detector: Een twee-fasen systeem bestaande uit een high-recall lexicale pass over correctieve markers, gevolgd door een constructie-niveau classifier om fout-positieven te filteren (bijv. het onderscheid maken tussen "ik bedoel" als stopwoord versus een correctie).
- Corpora: Menselijke baselines omvatten pre-2022 teksten uit verschillende genres (encyclopedisch, journalistiek, academisch, narratief, Q&A, argumentatief, oratorisch). Modeloutputs worden gegenereerd vanuit instructie-getunede families (specifiek Claude Haiku, Sonnet en Opus) met gebruik van neutrale, genrespecifieke prompts.
Mitigatiestrategieën:
Het artikel onderzoekt interventies variërend van data-curatie tot controle tijdens de inferentie, waarbij de voorkeur wordt gegeven aan Lightweight LoRA (Low-Rank Adaptation) adapters.
- Data-zijde: Counterfactual augmentatie (het paren van nadrukkelijke tekst met gedemilitariseerde/gedempte parafrases) en het verwijderen van promotionele voorbeelden uit de instructie-data.
- Model-zijde (LoRA): Het trainen van een kleine, afneembare adapter via Supervised Fine-Tuning (SFT) op "eenvoudige" antwoorden of Direct Preference Optimization (DPO) op preferentie-paren. De adapter wordt gecontroleerd via een schaalcoëfficiënt ( $\alpha$ ) tijdens de inferentie om de reductie van de rate van het basismodel naar nul te regelen.
- Inferentie-zijde: Decoding-time controle (PPLM, GeDi, FUDGE), activation steering en prompting (systeeminstructies).
- Evaluatie: Succes wordt niet gemeten aan de hand van eliminatie, maar door kalibratie — het terugbrengen van de figuur naar de menselijke baseline-rate voor een gegeven genre, terwijl de inhoudelijke getrouwheid en geschiktheid behouden blijven.

Belangrijkste Resultaten

Empirisch Bewijs van Mis-kalibratie:
- Oratoriaal: Modellen schieten aanzienlijk door, waarbij ze nadrukkelijke epanorthosis produceren op ongeveer 2,2 keer de menselijke rate (33,5 vs. 14,9 per 10k woorden). Dit effect is geconcentreerd in grotere modeltiers (Sonnet, Opus).
- Informele Q&A: Modellen schieten tekort, waarbij ze de figuur produceren op ongeveer 0,2 keer de menselijke rate (1,3 vs. 8,2 per 10k woorden), waarbij ze er niet in slagen de menselijke nuancering (hedging) en zelfcorrectie te repliceren.
- Andere Genres: Argumentatieve, journalistieke en encyclopedische proza vertonen geen significante afwijking van de menselijke baselines.
Effectiviteit van Mitigatie:
- Prompting: Een enkelvoudige instructielijn in het Italiaans ("schrijf bevestigend, vermijd ontken-en-upgrade") verminderde de epanorthosis-dichtheid met 70–72% in oratorische en argumentatieve essays, waardoor grotere modellen dichter bij de menselijke rates kwamen.
- LoRA Adapter (SFT): Een via SFT getrainde adapter op een open 7B model (Qwen2.5-7B) reduceerde de dichtheid met ~98% (van ~75 naar ~1,7 per 10k woorden) over de genres oratorisch, promotioneel en argumentatief.
- Het "Draaiknop"-effect: Het schalen van de LoRA-adapter met een coëfficiënt ( $\alpha$ ) maakt continue controle mogelijk. Bij $\alpha = 0,75$ reduceerde de adapter de argumentatieve dichtheid naar 12,3, wat overeenkomt met de menselijke baseline van ~12, voordat deze bij volledige kracht ( $\alpha = 1,0$ ) overcorrigeerde naar nul. Dit demonstreert dat kalibratie naar menselijke rates haalbaar is zonder totale eliminatie.
- Training-vrije Methoden: "Best-of-n" selectie en post-hoc affirmatieve herschrijving verminderden de dichtheid ook aanzienlijk, hoewel herschrijven de neiging had om over te corrigeren voorbij de menselijke baseline.

Betekenis en Claims
Het artikel betoogt dat de convergentie van klassieke retorica en neurale netwerkstatistiek suggereert dat epanorthosis een emergente structuur van taal zelf is, een "attractor" waartoe zowel het menselijk cognitie als statistische modellen neigen. Echter, de ongecontroleerde reproductie van deze figuur door LLM's creëert een "retorische vingerafdruk" die kunstmatigheid signaleert.

De primaire bijdrage is de verschuiving van het zien van dit als een fout die geëlimineerd moet worden naar een kalibratieprobleem. Het artikel claimt dat:

Het overmatige gebruik een meetbaar, registerspecifiek fenomeen is dat wordt gedreven door training en alignment, en niet een fundamentele beperking is van autoregressieve generatie.
Lightweight LoRA-adapters een praktische, schaalbare oplossing bieden om de retorische stijl van modellen te "regelen" zodat deze de menselijke baselines voor specifieke genres evenaart.
Het uiteindelijke risico niet is dat machines als mensen gaan schrijven, maar dat mensen beginnen te schrijven als machines, door de standaard, ongekalibreerde retorische tics van de machine over te nemen.

Beperkingen
Het artikel merkt expliciet op dat de bevindingen gebaseerd zijn op pilot-schaal bewijslast met kleine steekproeven en niet-gecorrigeerde p-waarden voor meervoudige vergelijkingen. De causale link naar RLHF is inferentieel, gebaseerd op de divergentie tussen instructie-getunede en base-modellen in eerdere literatuur, in plaats van een directe base-versus-aligned vergelijking binnen deze studie. Bovendien werd de getrainde adapter gedemonstreerd op een open 7B model; de transfer naar frontier-modellen blijft een toekomstige taak, en checks op inhoudelijke getrouwheid waren gebaseerd op informele inspectie in plaats van rigoureuze meting.

Het geheime ingrediënt van robotisch schrijven

De "Wacht, eigenlijk..." tic van de robot

De "Epanorthosis Index": Het meten van het drama van de robot

Kunnen we de robot repareren? (De "Drama-draaiknop")

De Grote Waarschuwing

Meer zoals dit