💬 NLP

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

Este artigo argumenta que os grandes modelos de linguagem utilizam sistematicamente em excesso a figura de retórica da epanortose devido a vieses de treinamento e ajuste de preferência, e propõe uma abordagem de calibração específica para o gênero usando adaptadores leves e ajuste de instrução para alinhar a saída do modelo com as normas retóricas humanas em vez de eliminar a figura inteiramente.

Autores originais: Federico Boggia

Publicado 2026-07-29

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Federico Boggia

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Ingrediente Secreto da Escrita de Robô

Imagine que você está entrando em uma biblioteca gigante onde milhões de livros, sites e postagens de redes sociais foram triturados e misturados em um enorme smoothie. É assim que os chatbots de IA modernos aprendem a falar: eles provam esse smoothie digital e aprendem a adivinhar a próxima palavra de uma frase, repetidamente. Mas há um detalhe. Depois que aprendem com o smoothie, humanos intervêm para fazer um "teste de sabor". Eles leem as respostas do robô e dizem: "Esta parece confiante e legal", ou "Esta parece entediante". O robô então aprende a fazer mais do que os humanos gostaram. Esse processo é chamado de "aprendizado por reforço" e é como treinar um cachorro com petiscos, exceto que o cachorro é um computador superinteligente e os petiscos são aprovação digital.

A grande questão que este artigo faz é: O que acontece quando treinamos um robô para parecer "confiante" e "legal"? Acontece que o robô começa a usar um truque muito específico e antigo para parecer impressionante. É um truque que os oradores humanos usam há milhares de anos, mas o robô o usa tanto que começa a parecer falso. O artigo investiga por que o robô faz isso, com que frequência acontece e se podemos ensinar o robô a parar de usá-lo excessivamente sem torná-lo entediante ou estúpido.

O Tique do Robô: "Espere, Na Verdade..."

Sabe aquela sensação quando alguém diz: "Eu não sou apenas um professor. Eu sou um moldador de mentes"? Ou quando um vendedor diz: "Nós não apenas vendemos sapatos. Nós vendemos liberdade"? Eles começam com uma frase normal, depois imediatamente apertam o botão "desfazer" e a substituem por algo muito maior, mais alto e mais dramático.

No mundo dos estudos de linguagem rebuscada, esse truque tem um nome: epanortose (pronuncia-se eh-pan-or-thó-sis). É uma palavra grega que basicamente significa "endireitar" ou "corrigir a si mesmo". Oradores antigos usavam isso para tornar seus pontos mais impactantes. Mas recentemente, pesquisadores notaram que os chatbots de IA estão fazendo isso o tempo todo, como um tique nervoso. Tornou-se a jogada assinatura do robô.

O artigo argumenta que isso não é um acidente. Não é porque o robô está "pensando" profundamente e mudando de ideia. Em vez disso, o robô aprendeu esse hábito de dois lugares principais:

O Smoothie da Internet: O robô leu toneladas de textos de marketing, postagens motivacionais e discursos de vendas onde esse estilo "Não X, mas Y!" recebe muitos cliques e curtidas.
O Teste de Sabor Humano: Quando os humanos avaliavam as respostas do robô, eles preferiam as que pareciam confiantes e enfáticas. O robô percebeu: "Ei, se eu disser 'Eu não sou um bot, sou um arquiteto digital', as pessoas me dão uma nota alta!" Então, ele começou a fazer isso cada vez mais.

O artigo sugere que a forma como o robô escreve (uma palavra de cada vez, da esquerda para a direita) piora isso. Como o robô não pode voltar e editar sua frase depois de escrita, ele usa esse truque de "correção" como uma forma de ajustar seu tom sobre a hora, fazendo-o parecer mais dramático do que um humano normalmente seria.

O "Índice de Epanortose": Medindo o Drama do Robô

Para provar isso, os autores não apenas adivinharam; eles construíram uma fita métrica. Eles criaram algo chamado Índice de Epanortose. Pense nisso como um "medidor de drama". Eles contaram quantas vezes o robô usou esse truque "Não X, mas Y" em 10.000 palavras e compararam com a frequência com que os humanos reais usam isso no mesmo tipo de escrita.

Aqui está o que eles descobriram, e é um pouco misto:

Em Discursos e Vendas: Os robôs passaram muito do limite. Em "oratória" (discursos) e escrita "promocional", os robôs usaram o truque cerca de duas vezes mais do que os humanos. Em italiano, foi ainda pior, quase três vezes mais. Eles estavam tentando tanto parecer inspiradores que pareciam falsos.
Em Perguntas e Respostas Casuais: Os robôs fizeram o oposto. Quando os humanos estavam apenas conversando ou respondendo perguntas simples, eles frequentemente usavam esse truque para suavizar suas respostas ou hesitar. Os robôs, no entanto, eram muito planos e não usavam isso o suficiente. Eles eram cerca de um quinto tão propensos a usá-lo quanto os humanos.
Em Escrita Séria: Em coisas como artigos de notícias ou entradas de enciclopédia, os robôs e humanos estavam, na verdade, bem próximos. Os robôs sabiam quando não ser dramáticos.

A principal conclusão é que os robôs estão descalibrados. Eles não sabem quando girar o botão do drama para cima e quando girá-lo para baixo. Eles apenas apertam o botão da "epanortose" sempre que acham que precisam parecer impressionantes.

Podemos Consertar o Robô? (O "Dial de Drama")

O artigo não apenas aponta o problema; ele tenta resolvê-lo. Os autores perguntaram: "Podemos ensinar o robô a parar de usar demais esse truque sem fazer com que ele pareça um robô com medo de falar?"

Eles testaram algumas ideias, e aqui está o que funcionou:

A Correção de "Uma Linha" (Prompting): Eles tentaram simplesmente dizer ao robô: "Por favor, escreva de forma direta e evite dizer 'Não é X, é Y'".
- O Resultado: Funcionou! Em testes em italiano, essa instrução simples reduziu as correções dramáticas em 70% a 72% em discursos e ensaios. Não apagou o truque completamente, mas trouxe o uso do robô para um nível que se parecia muito mais com um humano.
O "Adaptador de Estilo" (O Dial Mágico): Este foi o grande experimento. Os autores treinaram um pequeno e especial complemento (chamado de adaptador LoRA) para o robô. Pense neste complemento como um "botão de volume" para o drama.
- Eles o treinaram com exemplos de texto "dramático" e texto "simples".
- Depois, testaram um "dial" (um número que eles podiam mudar) para ver quanto desse novo estilo usar.
- O Resultado: O dial funcionou perfeitamente. Quando eles o giravam para cima, o robô parecia simples. Quando o giravam para baixo, o robô parecia dramático. Crucialmente, eles encontraram uma configuração onde o uso do robô correspondia exatamente à taxa humana. Não se tratava de deletar o truque; era sobre calibrar.
O Que Não Funcionou: Eles tentaram usar o "aprendizado de preferência" (ensinar ao robô o que os humanos gostam) por conta própria, mas não generalizou. O robô aprendeu a escolher as respostas certas no teste, mas não mudou de fato a forma como escrevia novas frases.

O Grande Aviso

O artigo termina com um pensamento um pouco assustador. O perigo real não é que os robôs estejam usando esse truque demais. O perigo real é que nós possamos começar a escrever como eles.

Se nos acostumarmos a ler textos que são cheios de correções do tipo "Não é X, mas é Y!", podemos começar a pensar que é assim que a boa escrita soa. Podemos começar a escrever nossos próprios ensaios, e-mails e discursos com esse toque falso e excessivamente dramático apenas para parecer impressionantes. O artigo sugere que o objetivo não deve ser fazer os robôs soarem exatamente como humanos, mas sim fazer com que soem apropriados para a situação. Às vezes, um discurso precisa de drama; às vezes, um relatório médico precisa de fatos simples.

Os autores concluem que, embora possamos consertar o "tique" do robô com essas novas ferramentas, o trabalho mais difícil é ensinar a nós mesmos a reconhecer quando uma correção é honesta e quando é apenas uma performance. Afinal, se uma máquina pode aprender a soar como um humano, o próximo passo é garantir que não esqueçamos como soar como nós mesmos.

Resumo Técnico: Epanortose Artificial

Problema
Os Grandes Modelos de Linguagem (LLMs) exibem um uso sistemático excessivo de epanortose, uma figura de pensamento retórica clássica que envolve a autocorreção para substituir uma afirmação por uma mais forte, mais solene ou mais precisa (ex: "Isto não é um curso. É uma jornada de transformação"). Embora esta figura exista há dois milênios, os LLMs a reproduzem com uma frequência e rigidez que divergem das normas estilísticas humanas. O artigo argumenta que isso não é um artefato estatístico aleatório, mas uma "disposição treinada" impulsionada por dois fatores primários:

Distribuição de Treinamento: A prevalência de prosa promocional, conteúdo motivacional e páginas de destino (landing pages) nos dados de pré-treinamento, onde a correção enfática correlaciona-se com o engajamento.
Ajuste de Preferência (RLHF): O Aprendizado por Reforço com Feedback Humano recompensa frases confiantes, incisivas e enfáticas, amplificando inadvertidamente a construção "Não X. Y".

O artigo postula que a natureza autorregressiva (da esquerda para a direita) da geração amplifica essa tendência ao impedir a revisão pré-publicação, mas não é a causa raiz. O problema central é uma má calibração de registro: os modelos ultrapassam o alvo em contextos persuasivos/oratórios e subestimam em contextos informais, falhando em corresponder à linha de base humana específica do gênero.

Metodologia
O artigo propõe um framework de medição e um conjunto de técnicas de mitigação, movendo-se da observação para a intervenção.

Protocolo de Medição:
- Índice de Epanortose (IE): Uma métrica definida como a densidade de construções de correção enfática (ex: "não X, mas Y", "X? Não. Y") por 10.000 palavras, normalizada em relação a uma linha de base humana para um gênero específico. Um IE de 1 indica calibração semelhante à humana.
- Detector: Um sistema de dois estágios envolvendo uma passagem lexical de alta revocabilidade sobre marcadores corretivos, seguida por um classificador de nível de construção para filtrar falsos positivos (ex: distinguir "quero dizer" como um preenchimento versus uma correção).
- Corpora: As linhas de base humanas incluem textos anteriores a 2022 em diversos gêneros (enciclopédico, jornalístico, acadêmico, narrativo, Q&A, argumentativo, oratório); os outputs dos modelos são gerados a partir de famílias ajustadas por instrução (especificamente Claude Haiku, Sonnet e Opus) usando prompts neutros e específicos de cada gênero.
Estratégias de Mitigação:
O artigo examina intervenções que variam desde a curadoria de dados até o controle em tempo de inferência, priorizando adaptadores LoRA (Low-Rank Adaptation) leves.
- Lado dos Dados: Aumentação contrafactual (pareando texto enfático com paráfrases desempháticas) e poda de exemplos promocionais nos dados de instrução.
- Lado do Modelo (LoRA): Treinamento de um adaptador pequeno e destacável usando Ajuste Fino Supervisionado (SFT) em respostas "simples" ou Otimização de Preferência Direta (DPO) em pares de preferência. O adaptador é controlado via um coeficiente de escala ( $\alpha$ ) na inferência para ajustar a redução da taxa do modelo base até zero.
- Lado da Inferência: Controle no momento da decodificação (PPLM, GeDi, FUDGE), direcionamento de ativação (activation steering) e prompting (instruções de sistema).
- Avaliação: O sucesso é medido não pela eliminação, mas pela calibração — reduzindo a figura para a taxa da linha de base humana para um determinado gênero, preservando a fidelidade do conteúdo e a adequação.

Resultos Principais

Evidência Empírica de Má Calibração:
- Oratória: Os modelos ultrapassam significativamente, produzindo epanortose enfática a aproximadamente 2,2 vezes a taxa humana (33,5 vs. 14,9 por 10k palavras). Este efeito concentra-se em camadas de modelos maiores (Sonnet, Opus).
- Q&A Informal: Os modelos subestimam, produzindo a figura a aproximadamente 0,2 vezes a taxa humana (1,3 vs. 8,2 por 10k palavras), falhando em replicar o hedging (atenuantes) e a autocorreção humana.
- Outros Gêneros: A prosa argumentativa, jornalística e enciclopédica não mostra desvio significativo em relação às linhas de base humanas.
Efetividade da Mitigação:
- Prompting: Uma instrução de linha única em italiano ("escreva afirmativamente, evite negar-e-elevar") reduziu a densidade de epanortose em 70–72% em oratória e ensaios argumentativos, aproximando os modelos maiores das taxas humanas.
- Adaptador LoRA (SFT): Um adaptador ajustado via SFT em um modelo aberto de 7B (Qwen2.5-7B) reduziu a densidade em ~98% (de ~75 para ~1,7 por 10k palavras) nos gêneros oratório, promocional e argumentativo.
- O Efeito "Dial": Escalar o adaptador LoRA por um coeficiente ( $\alpha$ ) permite o controle contínuo. Com $\alpha = 0,75$ , o adaptador reduziu a densidade argumentativa para 12,3, correspondendo à linha de base humana de ~12, antes de sobrecorrigir para zero com força total ( $\alpha = 1,0$ ). Isso demonstra que a calibração para taxas humanas é alcançável sem a eliminação total.
- Métodos Sem Treinamento: Seleção "best-of-n" e reescrita afirmativa post-hoc também reduziram significativamente a densidade, embora a reescrita tendesse a sobrecorrigir além da linha de base humana.

Significância e Alegações
O artigo argumenta que a convergência entre a retórica antiga e a estatística de redes neurais sugere que a epanortose é uma estrutura emergente da própria linguagem, um "atrator" para o qual tanto a cognição humana quanto os modelos estatísticos tendem. No entanto, a reprodução não regulada desta figura pelos LLMs cria uma "impressão digital retórica" que sinaliza a artificialidade.

A principal contribuição é a mudança de ver isso como uma falha a ser eliminada para um problema de calibração. O artigo afirma que:

O uso excessivo é um fenômeno mensurável e específico de registro, impulsionado pelo treinamento e alinhamento, não uma limitação fundamental da geração autorregressiva.
Adaptadores LoRA leves oferecem uma solução prática e escalável para "ajustar o dial" do estilo retórico dos modelos para corresponder às linhas de base humanas para gêneros específicos.
O risco último não é que as máquinas escrevam como humanos, mas que os humanos comecem a escrever como máquinas, adotando os tiques retóricos padrão e não calibrados das máquinas.

Limitações
O artigo observa explicitamente que suas descobertas se baseiam em evidências de escala piloto com amostras pequenas e valores p não corrigidos para múltiplas comparações. O vínculo causal com o RLHF é inferencial, baseado na divergência entre modelos ajustados por instrução e modelos base na literatura anterior, em vez de uma comparação direta entre base e alinhado dentro deste estudo. Além disso, o adaptador treinado foi demonstrado em um modelo aberto de 7B, sendo a transferência para modelos de fronteira uma tarefa futura, e as verificações de fidelidade de conteúdo foram baseadas em inspeção informal, não em medição rigorosa.

O Ingrediente Secreto da Escrita de Robô

O Tique do Robô: "Espere, Na Verdade..."

O "Índice de Epanortose": Medindo o Drama do Robô

Podemos Consertar o Robô? (O "Dial de Drama")

O Grande Aviso

Mais como este