2026-10-24 15:49:42 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

论文周读 W42｜每个人都写得更好，所有人都写得更像

原创

XueMian
XueMian

雪面科技

2026年10月18日 19:02
澳大利亚

去阅读

W 24

每个人都写得更好，所有人都写得更像

“

本期是专题：大模型当写作助手，会不会让大家的文字越来越像。分别来自 Nature Human Behaviour、ICLR、Science Advances 和 CHI。

用 ChatGPT 润色一封邮件、改一段摘要，现在已经是很多人的日常。单看一篇，改完的文字通常更通顺、更规整。但如果几亿人都在用同几个模型改文字，整体的语言会不会被压窄？

这周的 5 篇论文从不同方向回答这个问题：

一个平台上所有人的写作风格，方差有没有变小；
一批科研论文里，有多少句子已经经过 LLM 改写；
和模型一起写议论文，不同作者会不会写得更像；
用 AI 给故事出点子，单篇更好了，整体是不是更单一；
一个偏西方的模型给印度用户写补全，文化细节会不会被磨掉。

五篇的方向一致：个体输出更好，集体分布更窄。但细看下来，每篇都有要打问号的地方，其中一篇的附录表格按另一种数法算，结论正好反过来。

下面逐篇看。每篇都按\"做了什么、结果如何、哪里要打个问号\"来写，数字都出自原文，并标注了表格或章节出处。标\"图源：原论文\"的是从论文里截的图，其余数据图是我按原文数字重画的。几篇的正式版在出版社网站上需要登录，解读依据的是 arXiv 上的作者版。

01｜语言多样性的收缩：LLM 润色保住了意思，磨平了风格

南加州大学｜Nature Human Behaviour 2026｜arXiv 2502.11266

问题在哪

人怎么说话，本身就带着信息：年龄、性别、性格、政治立场，甚至心理健康状况，都会在用词和句式里留下痕迹。心理学、营销、临床诊断都在利用这些差异。

LLM 的训练目标是\"最可能的下一个词\"，对齐阶段又按少数标注者的偏好打磨。作者担心，大家都用它来改文字，表达方式会被拉向主流，而文字里的身份信号也会跟着变弱。

怎么做

三个研究，覆盖 7 个数据集：

研究 1a（观测）

Reddit 创意写作 31.8 万篇、Patch 本地新闻 38.0 万篇、arXiv 摘要 8.0 万篇，按月计算\"写作复杂度\"（5 个词汇和句法指标）的方差，看 ChatGPT 发布前后有没有变化。
* 研究 1b（受控实验）

从 Reddit 和 arXiv 各抽 1,000 篇 ChatGPT 之前的人类文本，让 GPT-3.5、Llama 3 70B、Gemini Pro 用\"改写一下\"\"改改语法\"之类的中性提示润色，比较前后方差。
* 研究 2、3

用 4 个带作者心理问卷的数据集（大五人格、共情、道德价值、国会议员的性别/党派/年龄），看润色后还能不能从文字里推断出作者特征。

结果

真实平台上，方差在 ChatGPT 之后持续下降。

图：红线是被检测为 AI 写作的比例，蓝线是写作复杂度的月度方差，虚线是 ChatGPT 发布时间。三个平台上，虚线之后红线上升、蓝线下降。图源：原论文 Fig. 1

不过这一部分只是相关：三个平台里只有\"发布后斜率\"一项都显著，arXiv 在 ChatGPT 之前就已经在下降（Table 1）。

受控实验结果是 87% 的改写与原文的语义相似度高于 0.95，意思基本没变；但写作复杂度的方差在 12 个组合里有 10 个显著变小：

摘要里写的\"方差降低 21%–50%\"，正文没有给出推导。按 Table 3 计算，显著的格子降幅是 17.8% 到 50.5%；另外有一格方差反而上升 23%，正文没有提。

信号变弱了，但不是随机变弱。 在原文上训练的特质分类器，拿到改写后的文本，F1 平均下降约 6–7 个点（Table 4）：

年龄组下降最多，改写后只比随机猜高 0.016。更值得注意的是预测的方向：改写后的文字，更容易被判成年长、男性、民主党、道德关切更强、共情更低的人写的（Fig. 3）。

图：GPT-3.5 改写后，原本预测正确的文本里，有多大比例的预测翻转到了另一边。年龄组的翻转最多，\"年轻→年长\"占 25.5%。图源：原论文 Fig. 3

注意：它测的是一次性整篇改写，相当于 100% 采纳，是上限情形。

02｜科研论文里，有多少句子经过了 LLM 改写

斯坦福大学｜Nature Human Behaviour 2025｜arXiv 2404.01268

问题在哪

要讨论 LLM 对写作的影响，先得知道它用得有多广。可单篇检测器并不可靠：需要模型内部信息，容易被对抗攻击，还会把非英语母语作者误判为 AI。OpenAI 2023 年就以准确率低为由下架了自家的检测器。

怎么做

这篇换了个角度：不判断\"这一篇是不是 AI 写的\"，只估计\"这一批里有多大比例\"。

把一个语料看成\"人写分布\"和\"LLM 分布\"的混合，用词的出现频率做最大似然，直接估出混合比例 α（按句子计）。LLM 那一侧的参照语料用两步生成：先让模型把人写段落压成提纲，再按提纲扩写，保证两边\"内容一样、写法不同\"。

他们对 2020 年 1 月到 2024 年 2 月的 950,965 篇论文（arXiv、bioRxiv、15 种 Nature 系期刊）逐月估计。

结果

先看最直观的证据，不需要任何模型：

图：pivotal、intricate、realm、showcasing 四个词在 arXiv 计算机科学摘要中的频率（每百万词）。ChatGPT 发布前十几年都很平稳，之后陡升。图源：原论文 Figure 2

再看估计值（§5.1）：

计算机科学摘要中，LLM 改写的句子比例从 2.3% 升到 17.5%，电子工程与系统科学升到 14.4%；数学和 Nature 系期刊增幅最小。

在计算机科学内部，三类论文 α 更高（2024 年 1–2 月）：

与最相近的论文更相似的：22.2% 对 14.7%；
第一作者一年发 3 篇以上预印本的：19.3% 对 15.6%；
全文 5,000 词以内的短论文：17.7% 对 13.6%。

作者明确说这些都是相关，不是因果。

总结： 想知道\"比例\"而不是\"名单\"时，群体估计比逐篇检测靠谱得多。但读绝对数字要先扣掉基线。

03｜和大模型一起写议论文，内容会变单一吗

纽约大学｜ICLR 2024｜arXiv 2309.05196

问题在哪

数以百万计的人用同一个模型写东西，内容可能被推向分布的众数：不错，但没有特色。作者想用受控实验看看，这件事在人机共写里到底会不会发生，以及是谁造成的：模型写进去的字，还是人被模型带着写？

怎么做

图：同一个题目交给三组：不用模型、用 GPT3、用 InstructGPT，比较各组文章彼此多像、整体多样性多高。图源：原论文 Figure 1

38 名美国写手，就《纽约时报》学生观点栏目的 10 个题目写议论文，三组各 100 篇。
写作时按 Tab 键调用模型，每次返回 5 条续写，可以接受、修改或全部拒绝。
两个模型分别是基座模型 davinci（文中称 GPT3）和经过人类反馈微调的 text-davinci-003（InstructGPT），两组的请求次数和接受率相近，接受率都在 70% 左右（Table 1）。
平台记录了每一次按键，所以能把成文拆成\"用户写的\"和\"模型写的\"。

结果

只有 InstructGPT 组的文章彼此更像，独立观点的比例也最低；GPT3 组和不用模型组的差异不显著（§4.2、Table 3）。

问题出在哪？InstructGPT 每次给的 5 条建议，本身就更像：两两相似度 0.20，GPT3 只有 0.11（§6）。拆开看：

图：(a) 用户自己写的部分，两组同质化程度接近；模型写入的部分，InstructGPT 明显更高。(b) 最常见的 50 个 5-gram 的概率：InstructGPT 写入的文字远高于其他四条线。图源：原论文 Figure 4

作者的结论是：多样性下降主要来自模型直接写进去的字，用户自己写的部分没有变化。

但是

效应不大。

同质化分数从 0.1536 到 0.1660，相对只高约 8%。原文只报 p<0.05，没有标准差和效应量。
* 样本被当成独立的。

同质化分数是\"和同题其他文章的平均相似度\"，彼此共享文章对；300 篇又出自 38 人。用独立样本 t 检验，p 值偏乐观。
* \"用户不受影响\"是没做等价检验的零结果。

用户也可能把\"大家都会写的常见论点\"交给模型写，自己只写剩下的部分。
* 重复的内容很多是在复述题目。

InstructGPT 组最高频的 5-gram，像 \"keep up with the news\"，大多直接照搬题目措辞。
* davinci 和 text-davinci-003 不只差一步 RLHF

不能直接归因于人类反馈微调。附录压缩率表里还有一行，GPT3 和 InstructGPT 的数值疑似填反。

总结： 上线写作助手之前，可以先算一个便宜的指标：同一请求下几条建议彼此有多像。这篇里，它和成文的趋同方向一致。

04｜个体更优秀，集体更趋同：AI 点子提升了故事，也压缩了多样性

UCL / 埃克塞特大学｜Science Advances 2024｜arXiv 2312.00506

问题在哪

AI 给的点子可能是跳板，帮人克服空白页；也可能是锚，让所有人从一开始就往同一个方向写。两种效应可以同时存在。

实验方法

图：a 是写作者阶段，293 人被随机分进\"纯人工\"\"可要 1 个 AI 点子\"\"可要 5 个 AI 点子\"三组；b 是读者阶段，读者给故事打创意分、猜 AI 参与程度、判断作者的所有权。图源：原论文 Figure 1

写作者写一篇\"恰好 8 句\"的短故事，点子由 GPT-4 按一条固定提示生成，三句话概括一个故事。
600 名读者在不知道分组的情况下打分，共 3,519 条评分。
写作前先测每个人的\"发散联想能力\"（DAT），作为天生创造力的代理。
实验做了预注册。

结果

能要 5 个点子的组，新颖性高 8.1%，有用性高 9.0%，读者也觉得写得更好、读得更开心（Table S3、S4）。两个 AI 组里，88.4% 的人确实用了点子。

增益集中在创造力较弱的人身上。 DAT 越高，AI 带来的提升越小；高 DAT 写作者几乎不受影响，也没有证据显示 AI 能把创意上限推得更高。

代价是故事变得更像：和 AI 点子更接近，和同组其他故事也更接近（Table S17）。另一个发现是，读者得知作者用了 AI 之后，对作者\"所有权\"的评价下降 25%–31%。

但是

原始幅度很小。

与同组故事的相似度只上升约 0.8%–1.0%（相似度均值在 90 上下，分布很窄）。换算成标准差约 0.5 个，不算小，但原文两种量纲都没报。
* 固定提示在设计上放大了趋同。

所有人的点子都来自同一条提示、同三个题目。真实用户各写各的提示，点子来源更分散，这里测到的趋同更接近上限。
* 标准误只按读者聚类。

每篇故事约被 12 位读者评过，同一篇的评分彼此相关。按更保守的口径，\"1 个点子组\"的几个结果可能不再显著；\"5 个点子组\"的主结果仍稳。

总结： 评估 AI 写作工具时要同时看两层：单篇质量和群体多样性。只看前者，会漏掉\"每篇更好、整体更像\"的张力。

05｜向西方靠拢：AI 补全磨掉了印度用户文字里的文化细节

康奈尔大学｜CHI 2025｜arXiv 2409.11360

问题在哪

邮箱、浏览器里的自动补全是默认开着的，用户没法像跟 ChatGPT 对话那样通过提示词把它调到自己的文化偏好。如果模型偏西方，非西方用户会被悄悄带到哪里？

实验方法

118 名被试（印度 60、美国 58），约一半人（65 人）写作时能看到 GPT-4o 的行内补全，每条不超过 10 个词，Tab 接受。
四个题目按\"文化洋葱\"由外到内设计：最喜欢的食物、最喜欢的名人、最喜欢的节日、给上司写请假邮件。

图：写作界面。题目是\"你最喜欢的食物是什么\"，用户刚打出 \"My favorite\"，灰色的 AI 建议已经接上了 \"food is sushi because\"。图源：原论文 Figure 3

结果

印度用户更依赖 AI：终稿里来自 AI 的文字占比，印度是 0.53，美国是 0.42（§4.1）。

两种文化的文字变得更像。 印美短文之间的相似度从 0.48 升到 0.54；按短文判断作者是印度人还是美国人的分类器，准确率从 90.6% 降到 83.5%（§4.3）：

只看请假邮件一题，用了 AI 后准确率只有 60%，离\"全猜多数类\"的 55.4% 不远。方向上，印度文本向美国文本靠拢的幅度（d=−0.22）大于反方向（d=−0.12）。

文化细节被换成了泛泛之谈。 没用 AI 时，印度被试写排灯节会写到拜吉祥天女、点陶土灯；用了 AI 后多是甜点、交换礼物、家庭聚会。补全的起点也总是西方的：食物题第一条建议总是披萨或寿司，节日题总是圣诞节。

图：名人题里 AI 补全的变化过程。黑字是用户已输入的部分，灰字是建议。用户想写 Abdul Kalam，补全先给出 Martin Luther King、Anthony Fauci；想写 Shah Rukh Khan，先给出 Shaquille O' Neil（原图拼写）。图源：原论文 Figure 9(b)

但是

\"用户变了\"和\"文本里一半是同一个模型写的\"没分开。

相似度和分类器都算在整篇终稿上，而印度组终稿约 53% 是 AI 文字。两组都插入同一个模型的文字，趋同几乎是机械结果；印度组插得更多，\"向美国靠拢更多\"也能由这个差额解释。作者有逐字符日志，本可以只在用户自己打的字上重算，但没做。

显著性被放大。

所有检验都以短文或短文对为单位，同一个人出现在几十上百个对里；\"印度人更常修改建议\"的 t 检验，样本其实是 100 次 bootstrap 的结果。
* \"美国人效率收益更大\"证据不足。

直接比较用时下降的检验不显著（p=0.34），点估计反而是印度组多省了约 28 秒。

总结： 同质化不是均匀收缩，而是朝某个默认群体偏移。这和第 01 篇里\"改写后更像年长男性写的\"是同一件事的两面。

写在最后

把五篇放在一起，有三点值得记下来：

趋同主要来自模型写进去的字。 第 03 篇里，用户自己写的句子多样性没变；第 05 篇里，终稿约一半是模型写的。所以很多\"人被同化\"的结论，其实还没和\"文本里混进了同一个模型的输出\"分开。后者更直接，也更容易被高估成前者。

效应普遍不大，统计单位普遍偏小。 第 04 篇相似度的原始变化不到 1%，第 03 篇同质化只高约 8%；第 01、03、05 篇都把重复运行、文章对或短文当成独立样本。读这类论文，看效应量比看 p 值可靠。

都没回答\"现在的模型怎么样\"。 五篇用的模型最新也只到 GPT-4o，其余是 GPT-3、InstructGPT、GPT-3.5、GPT-4、Llama 3、Gemini Pro，没有一篇测过\"请保留我的风格\"一类提示。同质化能不能靠提示或产品设计缓解，还是一个开放问题。

参考文献

[1] Sourati, Z., Karimi-Malekabadi, F., Ozcan, M., McDaniel, C., Ziabari, A., Trager, J., Tak, A. N., Chen, M., Morstatter, F., & Dehghani, M. (2026). The shrinking landscape of linguistic diversity in the age of large language models. Nature Human Behaviour. https://doi.org/10.1038/s41562-026-02550-0

[2] Liang, W., Zhang, Y., Wu, Z., Lepp, H., Ji, W., Zhao, X., Cao, H., Liu, S., He, S., Huang, Z., Yang, D., Potts, C., Manning, C. D., & Zou, J. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 9(12), 2599–2609. https://doi.org/10.1038/s41562-025-02273-8

[3] Padmakumar, V., & He, H. (2024). Does writing with language models reduce content diversity? In The Twelfth International Conference on Learning Representations (ICLR 2024). https://arxiv.org/abs/2309.05196

[4] Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290