Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 연구는 LLM 생성 텍스트와 인간 작성 텍스트 간의 언어학적 차이가 독자의 인지적 노력(읽기 시간)에 미치는 영향을 조사했습니다. RoBERTa-RT 모델을 사용하여 예측 읽기 시간을 비교한 결과, LLM 재작성본은 총 읽기 시간은 짧지만 단어당 읽기 시간이 더 높다는 것을 발견했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기인간이 작성한 텍스트와 대규모 언어 모델(LLM)이 생성한 텍스트 간의 언어학적 차이는 광범위하게 연구되었지만, 이것이 독자가 느끼는 인지적 노력에 미치는 영향은 아직 충분히 탐구되지 않았습니다. 심리언어학에서 읽기 시간은 일반적으로 인지 처리 노력의 간접적인 측정치로 사용됩니다. 이러한 관점에 기반하여, 우리는 인간이 작성한 텍스트와 그 LLM 생성 재작성본이 독자의 처리 요구 사항의 차이를 반영할 수 있는 예측 읽기 시간의 차이를 보이는지 조사합니다. 이를 위해, 우리는 인간의 아이 트래킹 데이터로 훈련된 단어 수준 읽기 시간을 예측하는 모델인 RoBERTa-RT를 소개합니다. 우리는 이 모델을 내부 및 외부 테스트 세트 모두에서 평가하고, 496개의 인간 작성 기사와 그 LLM 생성 재작성본으로 구성된 쌍(paired) 데이터셋을 구축한 후, RoBERTa-RT를 적용하여 예측 읽기 시간을 비교했습니다. 우리의 연구 결과는 LLM 생성 재작성본이 더 짧고 총 예측 읽기 시간은 약간 낮지만, 단어당 예측 읽기 시간은 더 높다는 것을 보여줍니다. 이러한 차이는 더 길고 덜 빈번한 단어, 더 큰 어휘 다양성, 그리고 더 높은 문맥적 예측 가능성을 포함하는 체계적인 언어학적 변화와 관련이 있습니다. 인지적 관점에서 볼 때, 우리의 연구 결과는 LLM 생성 글쓰기가 읽기 요구 사항을 재분배할 수 있음을 시사합니다: 처리해야 할 텍스트의 양은 줄이는 반면, 개별 단어와 관련된 예측 처리 노력은 증가시키는 것입니다. 이는 기계가 생성한 콘텐츠의 언어학적 특성뿐만 아니라, 인간의 인지 처리에 미칠 잠재적인 영향까지 고려하는 것이 중요함을 강조합니다.