💻 computer science

Can You Make It Sound Like You? Post-Editing LLM-Generated Text for Personal Style

本研究发现，尽管对大语言模型生成的草稿进行译后编辑有助于用户融入部分个人风格，但所得文本在风格上仍更接近原始模型输出而非未经辅助的人类写作，且表现出多样性降低，从而在感知真实性与可测量的风格相似度之间造成了差距。

原作者： Connor Baumler, Calvin Bao, Huy Nghiem, Xinchen Yang, Marine Carpuat, Hal Daumé III

发布于 2026-04-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Connor Baumler, Calvin Bao, Huy Nghiem, Xinchen Yang, Marine Carpuat, Hal Daumé III

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

以下是用通俗易懂的语言和日常类比对论文《你能让它听起来像你吗？》的解释。

核心问题：你能“人性化”AI 写作吗？

想象一下，你请一位非常有礼貌、博览群书的机器人替你写婚礼誓言或道歉信。机器人完成得很出色：语法完美，结构逻辑清晰，也说了所有该说的话。但是，它听起来还是有点像个机器人。它缺乏你特有的“声音”——你的怪癖、你的俚语、你独特的表达方式。

研究人员提出了一个问题：如果你拿到机器人的草稿并亲自修改，你能让它重新听起来像你吗？

他们不只是询问人们的看法，而是对 81 人进行了一项研究，以验证这种“后编辑”策略是否真的有效。

实验：“机器人草稿”vs“人类草稿”

把这项研究想象成一场分为两队的烹饪比赛：

对照组（“从零开始”的厨师）： 这些参与者获得了一份食材清单（关于故事的细节），必须完全靠自己写整封信或演讲稿，没有任何帮助。
实验组（“主厨特供”的编辑）： 这些参与者获得了相同的食材清单，但一位机器人厨师先做好了一顿完整的饭菜（草稿）。参与者随后需要品尝机器人的饭菜并进行调整——加入自己的香料、改变调味或重新摆盘——以使其尝起来像他们做的菜。

他们的发现：风格的“恐怖谷”

研究人员使用了一种特殊的计算机工具（就像高科技的味觉测试器）来分析这些文章。以下是他们的发现：

1. 你可以改善机器人的声音，但无法完全抹去它。
当参与者编辑机器人的草稿时，文章确实听起来更像他们自己，而少了一些机器味。这是一个显著的改进。

类比： 想象机器人用一种完美但通用的流行风格写了一首歌。当你编辑它时，你加入了自己的吉他独奏，并修改歌词使其更具个人色彩。它听起来更像你的乐队了。然而，如果你仔细听，底层的节拍和鼓机仍然是机器人的。你无法完全摆脱那种“机器”的声音。

2. “机器味”依然存在。
即使人类编辑了文本，计算机分析显示，最终版本仍然比人类“从零开始”写的文章更像机器人的原始草稿。

类比： 这就像在墙上刷漆。你可以在一面无聊的灰色墙上画一幅美丽独特的壁画，但如果你观察油漆的纹理，你仍然能看出它是刷在机器人使用的那种特定类型的石膏板上的。“机器纹理”依然存在于底层。

3. “群体风格”问题。
当人们从零开始写作时，每个人的声音都各不相同（多样性高）。而当他们编辑机器人的草稿时，他们最终听起来彼此之间有些相似。

类比： 如果你让 10 个人从零开始画一只猫，你会得到 10 只截然不同的猫。如果你给他们 10 只完全相同的机器人画的猫，并让他们“让它变成自己的风格”，他们最终画出的猫可能都看起来有点像机器人的原作，只是耳朵或尾巴略有不同。他们失去了一些独特的“野性”。

大惊喜：人类认为的与计算机测量的之间的差异

这是这项研究最有趣的部分。

计算机说： “这段文字仍有 30% 的机器 DNA。它并不完全是人类的。”
人类说： “这段文字听起来完全像我！我很乐意把它发给我的朋友。”

数据与感受之间存在差距。参与者觉得他们编辑后的文本是真实的，代表了他们的风格，尽管计算机仍然能检测到机器人的指纹。

类比： 想象你买了一朵非常逼真的塑料花。你给它涂上颜色，加上一片真叶子，然后把它插进花瓶里。你看着它说：“那是一朵美丽的花。”植物学家（计算机）看着它说：“那是 60% 的塑料。”你没有撒谎；你只是不在乎塑料部分，因为那朵花感觉对你来说是真实的。

为什么人们喜欢这样做？

大多数参与者表示他们喜欢这种工作流程。他们觉得这节省了时间和脑力。

障碍： 一些人不想使用这种方法的主要原因，并不是他们无法修正风格，而是机器人的原始草稿感觉太无聊或太陈词滥调。
类比： 这就像被给予一个现成的蛋糕。如果蛋糕又干又尝起来像纸板，再多的糖霜也无法让你想吃它。但如果蛋糕只是有点平淡，你可以轻松地给它抹上糖霜使其美味。问题在于机器人想法的“干涩”，而不是编辑的难度。

结论

研究得出结论：后编辑是有效的，但有限度。

你绝对可以让 AI 文本听起来更像你。
你会觉得它听起来像你。
然而，计算机仍然能看出它是由机器人开始的，最终结果可能不如你完全从零开始写作那样多样和独特。

该论文指出，虽然这是一个节省时间的有用工具，但我们不应期望它能完美模仿我们独特的人类声音，我们需要意识到，“机器味”可能仍潜藏在我们的编辑之下。

以下是论文《你能让它听起来像你吗？后编辑大语言模型生成文本以塑造个人风格》的详细技术总结。

1. 问题陈述

尽管大语言模型（LLM）在专业写作中的应用日益广泛，但其在个人写作任务（如婚礼誓言、道歉信、悼词）中的采用仍具争议。用户常担心 AI 辅助会损害真实性和个人风格。

先前的研究表明，用户愿意在规划阶段使用 AI，但在“翻译”（起草）和“审阅”阶段则持抗拒态度，因为这些阶段直接塑造了风格表达。本文研究了一种特定的协作工作流：后编辑。核心研究问题是：用户能否有效地后编辑 LLM 生成的草稿，以重新引入其独特的个人风格，且该过程产生的文本在感知和技术上是否与无辅助写作无法区分？

2. 方法论

研究设计

作者开展了一项预先注册并获得 IRB 批准的在线研究，共有 $N=81$ 名参与者（从 Prolific 招募，筛选标准为英语流利）。

任务：参与者从 8 个个人风格至关重要的场景（如婚礼誓言、道歉信、慰问信）中选择了 6 个写作任务。
条件：研究采用受试者内设计，包含两个区块：
1. 控制组区块：参与者规划细节并完全从头开始撰写文本（无辅助）。
2. 处理组区块：参与者规划相同的细节，接收基于其规划生成的LLM 草稿，随后后编辑该草稿以反映其个人风格。
指标：
- 风格相似度：使用LUAR 嵌入（Rivera-Soto 等人，2021）测量，具体为 LUAR-MUD 模型，通过余弦相似度捕捉作者风格。
- AI 检测：使用PANGRAM分数估算文本由 AI 生成的可能性。
- 语言可接受性：使用基于 CoLA 的模型评估语法正确性。
- 自我报告：参与者对感知到的风格真实性、可用性和任务难度进行评分。

假设

本研究测试了三个主要假设：

H1（真实性）：后编辑将使 LLM 文本听起来更像用户无辅助的写作，而更少像原始 LLM 输出。
H2（同质性）：后编辑文本将形成一种独特的“第三种”风格——比人类写作更同质（多样性更低），但比原始 LLM 输出同质性低。
H3（感知）：用户对风格相似性的感知将与模型测量的相似度一致。

3. 主要贡献与结果

A. 后编辑的有效性（H1）

统计转变：后编辑显著增加了与参与者自身无辅助控制文本的风格相似度（ $p < .001$ , $g=0.55$ ），并显著降低了与原始 LLM 文本的相似度（ $p < .001$ , $g=-0.41$ ）。
残留 AI 痕迹：尽管有所改善，后编辑文本仍显著比参与者自身无辅助的写作更接近 LLM 生成的文本（ $p < .001$ , $g=-1.43$ ）。用户无法完全消除"LLM 指纹”。
特异性：所做的修改具有个体特异性。后编辑文本比与其他参与者的风格更接近编辑者自身的风格，证实这些变化不仅仅是通用的“人性化”处理。

B. 风格同质性（H2）

“第三种风格”：后编辑文本表现出独特的风格特征。它比完全的人类写作更同质（多样性更低），但比原始 LLM 输出同质性低。
共享的 AI 特征：虽然个体修改是独特的，但文本中未编辑的部分在所有参与者中保留了共享的 LLM 风格特征。这导致不同用户的后编辑文本彼此之间的相似度，高于它们与各自无辅助控制文本的相似度。

C. 感知差距（H3）

脱节：模型测量的相似度与用户感知的真实性之间存在显著脱节。
- 模型视角：与人类控制文本相比，后编辑文本仍然明显具有"AI 特征”。
- 用户视角：参与者将其后编辑文本评为与其无辅助控制文本同等代表其个人风格（ $p = .906$ ）。
相关性：虽然感知相似度与测量相似度之间存在正相关（ $r=0.24$ ），但校准度较弱。用户并未察觉到嵌入模型检测到的残留风格标记。

D. 编辑行为分析

编辑类型：参与者采用了多种策略，包括：
- 词汇修改：移除"AI 关联”词汇（如"delve"，尽管在此数据集中罕见）或添加缩略语（在后编辑文本中频率高出 5 倍）。
- 标点符号：移除破折号（23% 的移除率），并添加非标准标点或拼写错误以模仿个人习惯。
- 语义编辑：纠正事实细节或添加具有文化特异性的语言（如宗教措辞）。
努力与结果：研究发现，初始草稿的原创性是采用的主要障碍。偏好独自写作的参与者指出 AI 草稿缺乏原创性，而偏好后编辑的参与者则看重效率和可靠性。

4. 意义与启示

“真实性错觉”：论文揭示了一个关键差距，即用户认为其 AI 辅助写作是真实的，即使客观指标检测到了显著的 AI 风格痕迹。这表明用户可能依赖简化的启发式方法（例如“我改词了吗？”），而非深入的风格分析。
工作流的可行性：尽管无法完全抹去 AI 风格标记，但该工作流是可行的。用户报告了高度的满意度，并愿意在未来的个人任务中使用后编辑，前提是初始草稿不过于陈词滥调。
当前指标的局限性：基于嵌入的风格指标可能捕捉到统计显著性，但这与普通用户所认为的“风格”并不一致。这对当前 AI 检测器在个人写作语境下的效用提出了挑战，因为该语境的目标是用户满意度而非法医检测。
未来方向：作者建议，提高初始 LLM 草稿的创造力和原创性比试图教导用户更有效地进行后编辑更具影响力。此外，未来的工作必须考虑受众的视角：读者（了解作者风格的人）是否会检测到作者未察觉的残留 AI 标记？

结论

研究结论表明，虽然后编辑允许用户行使有意义的控制权并获得风格真实感，但它并未完全弥合 LLM 与人类写作风格之间的差距。生成的文本是一种混合体：在统计上更接近模型而非人类，但在用户感知中却是 authentically 属于他们自己的。这种脱节凸显了需要更好地对齐 AI 生成能力与人类风格期望，而不能仅依赖事后编辑。