💬 NLP

Writing in Symbiosis: Mapping Human Creative Agency in the AI Era

本文通过分析跨时代的大规模语料，揭示了人机共生背景下创意写作呈现“双轨演化”特征，即主题趋同于人工智能议题的同时，人类作者通过风格趋同、风格疏离或风格稳定三种适应模式，展现了在 AI 时代持续演进且多元的人类创作能动性。

原作者： Vivan Doshi, Mengyuan Li

发布于 2026-02-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Vivan Doshi, Mengyuan Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常有趣且深刻的问题：在人工智能（AI）大行其道的今天，人类作家是如何与 AI“共舞”的？人类的创造力是正在被 AI 同化，还是正在进化出新的生存策略？

作者没有简单地认为"AI 会让所有人的写作风格变得一样”，而是通过大数据分析发现，人类作家正在分化为三种不同的“生存流派”。

我们可以把人类写作和 AI 的关系想象成一个巨大的“语言森林”，而 AI 就像是一股突然涌入的“新气候”。面对这种变化，森林里的树木（作家们）并没有整齐划一地倒下或改变，而是长出了三种不同的姿态：

1. 核心发现：人类并没有“被同化”，而是分道扬镳了

过去大家担心 AI 会让所有人的文章都变得像机器一样（千篇一律的“机器味”）。但这篇论文发现，事实更复杂。人类作家在主题和风格上走上了两条不同的轨道（这就是论文说的“双轨进化”）：

轨道一（主题趋同）： 无论谁在写，大家谈论的话题都越来越像。因为 AI 太火了，大家都在讨论 AI、机器学习、大模型。这就像森林里所有的树都朝着同一个方向（阳光最盛的地方）生长，讨论着同样的“新气候”。
轨道二（风格分化）： 虽然话题一样，但写出来的味道却大不相同。作者们根据自己如何处理 AI，分成了三派。

2. 三种“人类作家”的画像（创意原型）

研究人员通过算法给 2100 多位作家画了像，发现了三种典型的“生存策略”：

🛡️ 第一类：守旧派 (The Resistors) —— “保持野性”

比喻： 就像森林里那些坚持长在自己老样子的古老橡树。它们拒绝向新气候低头，依然保持着粗糙、复杂、充满个人特色的枝叶。
表现： 他们的写作风格在 AI 时代变得更难被机器模仿了。他们故意使用更复杂的句式、更独特的词汇，甚至有点“反 AI"。
心态： “我要保留纯粹的人类味道，哪怕写起来更累，也要保持我的独特性。”他们把“像人”看得比“写得快”更重要。

🤝 第二类：拥抱派 (The Adopters) —— “人机共舞”

比喻： 就像那些主动嫁接了新品种的果树。它们欣然接受新气候，长出了和 AI 非常相似的果实。
表现： 他们的文章读起来非常像 AI：句子通顺、逻辑完美、用词标准，甚至有点“过于完美”。
心态： “既然 AI 能帮我写得更好、更流畅，为什么不呢？”他们可能把 AI 当作共同创作者，模糊了人和机器的界限，享受这种协作带来的效率。

⚖️ 第三类：务实派 (The Pragmatists) —— “聪明的中间人” (人数最多！)

比喻： 就像聪明的园丁。他们利用新工具（AI）来修剪枝叶、探索新话题，但坚决保留自己原本的树形。
表现： 他们大量讨论 AI 相关的话题（主题上拥抱），但在写作风格上却刻意保持自己的特色（风格上独立）。
心态： “我用 AI 来查资料、找灵感，但最后落笔时，我要确保那是‘我’的声音。”这是一种分工：AI 负责“内容探索”，人类负责“风格把关”。

3. 一个有趣的“时间反转”现象

论文还发现了一个像“过山车”一样的趋势：

2023 年初： 大家刚开始用 AI，很多人的写作风格突然变得很像 AI（大家都想试试新工具）。
2023 年底到 2024 年： 风向变了！随着人们意识到“像 AI"可能意味着“没灵魂”或者“被检测出来”，很多人开始刻意避免那种机器味。他们开始重新打磨自己的风格，试图从“机器味”中跳出来。

这就像时尚圈：一开始大家都穿某种流行款（像 AI），后来大家觉得太俗了，又开始追求个性化定制（像人）。

4. 这对我们意味着什么？

AI 检测器可能失效了： 以前我们以为只要文章像机器就是机器写的。但现在，有些人类（拥抱派）写得比机器还像机器，而有些人类（守旧派）写得比机器还“怪”。简单的“人 vs 机器”二分法不管用了。
人类的创造力没有消失，而是在进化： 我们并没有被 AI 取代，而是在学习如何与它共存。人类正在发展出不同的策略：有的选择融合，有的选择对抗，有的选择平衡。
多样性依然存在： 尽管 AI 很强大，但大多数作家（守旧派 + 务实派）依然在努力保留自己独特的“人类指纹”。

总结

这篇论文告诉我们：AI 并没有把人类变成千篇一律的机器人。 相反，它像一面镜子，照出了人类面对新技术时的不同选择。

有人选择坚守自我（守旧派）；
有人选择拥抱融合（拥抱派）；
大多数人选择精明地利用工具，同时守住灵魂（务实派）。

这就是人类在 AI 时代的“共生进化”：我们不再是被动接受者，而是主动的策略制定者。

1. 研究问题 (Problem)

随着大语言模型（LLM）的普及，人类与机器之间形成了日益紧密的共生关系。现有的研究主要关注 LLM 对人类写作风格的同质化影响（即人类写作变得像 AI），并担忧创意多样性的丧失。然而，这种观点往往将人机关系视为单向的影响，忽略了人类在适应新环境时的能动性（Agency）和动态共演化（Coevolution）。

本研究旨在回答核心问题：在 AI 辅助创作的时代，人类的创作能动性是如何演变的？ 人类是被动地变得像机器，还是发展出了多样化的适应策略？研究试图超越简单的“人类 vs. 机器”二元检测框架，探索人类写作在主题和风格上的复杂变化模式。

2. 方法论 (Methodology)

研究采用了一个三阶段的综合方法论，基于大规模纵向语料库进行分析：

2.1 语料库构建 (Corpus Curation)

数据来源：
- 正式 discourse：来自 arXiv 的计算机科学预印本（2021-2024）。
- 非正式 discourse：来自 Discord Unveiled 数据集的公开服务器消息（2015-2024，筛选出 2021-2024 部分）。
时间划分：以 2022 年 11 月 30 日（LLM 爆发前）为界，划分为“前 LLM 时代”和“后 LLM 时代”。
控制变量：采用分层抽样和主题控制策略，确保前后时期的主题分布平衡，以区分风格变化与主题变化。
AI 基准：使用 ShareGPT-90k 和 Dolly-15k 构建纯 AI 生成文本的参考语料库。

2.2 特征工程：量化风格与主题 (Feature Engineering)

为了分离风格与主题，研究提出了**“困惑度差值分析”（Perplexity-Gap Analysis）**：

核心指标： $\Delta ppl = -\frac{\ln(p_{GPT2}(x))}{|x|} - (-\frac{\ln(p_{Llama}(x))}{|x|})$ $Δ ppl = - \frac{l n ( p _{GP T 2} ( x ))}{∣ x ∣} - (- \frac{l n ( p _{L l ama} ( x ))}{∣ x ∣})$ 。
- 使用仅在 2022 年前数据上训练的 GPT-2 Medium 作为“前 LLM 裁判”。
- 使用 Llama-3-8B 作为“当前 LLM 裁判”。
- 如果文本对 Llama-3 容易（困惑度低）但对 GPT-2 难（困惑度高），则具有显著的"LLM 时代语言特征”。
特征向量：包括 $\Delta ppl$ （困惑度差值）、 $\Delta TTR$ （类型 - 令牌比）、 $\Delta FKGL$ （可读性等级）、被动语态比例、第一人称代词频率等。所有特征在作者内部进行 Z-score 标准化。
主题追踪：通过关键词分析单独追踪 AI 相关主题（AI-topic share），避免逻辑循环。

2.3 分析框架 (Analytical Framework)

宏观趋势：使用 Pelt 算法进行断点检测，识别主题和风格变化的时间点。
微观聚类：对 2,100 位作者的风格变化向量应用 HDBSCAN 聚类算法。
- 不预设类别，让数据驱动发现作者原型（Archetypes）。
- 使用轮廓系数（Silhouette）和校正兰德指数（ARI）验证聚类质量。

3. 关键贡献 (Key Contributions)

提出“双轨演化”（Dual-Track Evolution）假说：
- 轨道一（主题趋同）：人类写作在主题上普遍向 AI 相关话题收敛。
- 轨道二（风格分化）：在风格上，人类并未单一地模仿 AI，而是呈现出结构化的分化模式。
构建“创作原型地图”（Creative Archetype Map）：
首次系统性地量化了作者层面的适应策略，识别出三种截然不同的作者原型，挑战了单一的“同质化”叙事。
方法论创新：
利用“前 LLM 裁判”与“当前 LLM 裁判”的困惑度差值，有效剥离了主题变化对风格分析的干扰，为检测人机共演化提供了新的度量标准。

4. 主要结果 (Results)

4.1 三种作者原型 (Three Authorial Archetypes)

基于 HDBSCAN 聚类，识别出三类作者（共 2,100 人）：

抵抗者 (Resistors, 21%)：
- 特征：后 LLM 时代的写作困惑度差值低或为负。
- 行为：刻意保持前 LLM 时代的语言复杂性，拒绝 AI 风格的平滑化，重视真实性和独特性。
采纳者 (Adopters, 18%)：
- 特征：困惑度差值最高，文本对现代 LLM 极易预测。
- 行为：主动拥抱 AI 时代的语言规范（如更平滑的句法、可预测的词汇），可能代表了一种人机共创模式。
实用主义者 (Pragmatists, 41%)：
- 特征：中等程度的风格适应，但AI 相关主题参与度最高。
- 行为：采取“分工”策略——利用 AI 探索主题内容，但严格保留个人的独特声音和风格。这是最大的一类群体。

4.2 动态的时间演化

主题趋同：2023 年第一季度，AI 相关主题在正式和非正式语料中均出现显著激增。
风格演变的反转：
- 初期（2023 年初）：平均困惑度差值上升，显示人类写作初期向 LLM 风格收敛。
- 后期（2023 年末 -2024）：困惑度差值开始下降。这表明随着 AI 检测意识的增强和"AI 特征”的污名化，作者（尤其是正式写作领域）开始主动避免机器生成的风格特征，呈现出“回避 - 适应”的动态弧光。

5. 意义与影响 (Significance)

对 AI 检测的挑战：研究证明，简单的“人类 vs. 机器”二元分类器可能失效。因为“采纳者”的文本在统计上比“抵抗者”更像 AI，这会导致对某些人类作者的误判（特别是非母语者或特定风格群体）。
人机协作的新视角：人类并非被动接受技术影响，而是通过“抵抗”、“共创”或“实用主义分工”等策略主动重塑创作过程。
政策与伦理启示：
- 呼吁开发能够识别不同适应策略的“原型感知”检测模型，而非一刀切的检测工具。
- 强调保护创意多样性的重要性，避免 AI 工具导致文化边缘化。
- 指出研究局限性（如仅限英语、观察性研究非因果），并警示滥用检测结果进行“作者审查”的风险。

总结：该论文通过严谨的数据分析揭示了 AI 时代人类创作的复杂性。它表明，虽然人类在主题上向 AI 靠拢，但在风格上却通过多样化的策略（抵抗、模仿或混合）来维护自身的能动性。这种“双轨演化”揭示了人类创造力在算法时代的韧性与适应性。