Ein Sub-Journal von Nature: Wenn 800 Millionen Menschen KI zum Schreiben verwenden, verschwindet die sprachliche Vielfalt rasant.

„Wir formen die Sprache zu ihrer endgültigen Gestalt, der Form, die sie annehmen wird, wenn niemand mehr eine andere Sprache spricht.“ So äußerte sich der britische Schriftsteller George Orwell in seinem dystopischen Roman „1984“.

Heute läuft ein ähnlicher Trend möglicherweise gerade in der realen Welt ab.

Diese Woche enthüllt eine Forschungsarbeit, die von einem Team der Universität von Südkalifornien (USC) und ihren Kooperationspartnern in der Nature-Fachzeitschrift *Nature Human Behaviour* veröffentlicht wurde: Die Verbreitung von Großen Sprachmodellen (LLM) als Schreibassistenten steht in Zusammenhang mit dem Rückgang der sprachlichen Vielfalt.

Einfach ausgedrückt: LLM machen die Texte von verschiedenen Menschen „immer ähnlicher“.

Link zur Arbeit: https://www.nature.com/articles/s41562-026-02550-0

Sprache ist der einzigartige „Fingerabdruck“ jedes Menschen

Sprache ist weit mehr als nur ein Kommunikationsmittel. Was ein Mensch sagt und wie er es ausdrückt, verrät oft seine Identität, seinen psychischen Zustand und seinen sozialen Hintergrund. Von regionalen Dialekten bis zu feinen Ausdrücken im alltäglichen Austausch steht Sprache stets in engem Zusammenhang mit dem Individuum und der Gruppe, zu der es gehört.

Daher ist Sprache auch zu einem wichtigen Hinweis geworden, um Menschen in vielen Bereichen zu beobachten. Psychologen verfolgen den psychischen Gesundheitszustand durch Sprachanalyse, Sozialwissenschaftler erforschen damit moralische Werte und soziale Vorurteile, die Marketingbranche nutzt Sprache für groß angelegte Personalisierung, und in klinischen Studien wird sogar versucht, mit Hilfe von Sprache Krankheiten wie Depressionen zu erkennen.

All diese Anwendungen setzen jedoch eine Voraussetzung voraus: Wenn Menschen dieselbe Bedeutung ausdrücken, verwenden sie nicht exakt dieselbe Sprache. Jeder hat seine eigenen Ausdrucksgewohnheiten, und genau diese Unterschiede machen es möglich, dass Sprache die persönliche Identität, den Charakter und den psychischen Zustand widerspiegelt.

Dann stellt sich die Frage: Das Trainingsziel von LLM besteht darin, die „statistisch wahrscheinlichste Fortsetzung“ zu erzeugen, und dieser Mechanismus bevorzugt von Natur aus die vorherrschenden Sprachmuster. Wenn die Nutzerzahl von Tools wie ChatGPT und Claude über 800 Millionen übersteigt und E-Mails, Codes, wissenschaftliche Arbeiten und Werbetexte alle von KI-Assistenten „verfeinert“ werden – wird die Vielfalt der menschlichen Sprache dann noch fortbestehen?

In dieser Studie analysierte das Forschungsteam mehr als 880.000 Texte verschiedener Typen, darunter Nachrichtenartikel, wissenschaftliche Arbeiten, argumentative Aufsätze, Beiträge in sozialen Medien und Reden, und stellte durch drei Untersuchungen fest: Die Verwendung von LLM kann tatsächlich die Hinweise in der Sprache schwächen, die mit persönlicher Identität, Charakter und psychischer Gesundheit zusammenhängen, sodass es schwieriger wird, diese Merkmale nur anhand der Sprache zu erkennen.

Untersuchung 1: Nach der Veröffentlichung von ChatGPT sinkt die Varianz der Schreibkomplexität deutlich

Diese Teiluntersuchung prüfte, ob der Anstieg der LLM-Nutzung mit der Homogenisierung des Schreibstils zusammenhängt. Die Studie gliedert sich in zwei Schritte.

Der erste Schritt besteht in der Beobachtung von Daten aus der realen Welt. Das Forschungsteam analysierte drei große Längsschnittdatensätze: Zusammenfassungen von Arbeiten auf arXiv (ca. 80.000 Stück), Artikel auf Patch News (ca. 379.600 Stück) und kreative Geschichten auf Reddit (ca. 318.000 Stück) mit einem Zeitraum von 2018 bis 2024. Sie verwendeten das hochpräzise Erkennungstool Binoculars, um zu beurteilen, ob ein Text von KI erstellt wurde, und verfolgten die Veränderung der Varianz des Indikators „Schreibkomplexität“. Die Ergebnisse sind sehr einheitlich:

• arXiv: Nach der Veröffentlichung von ChatGPT ist die Varianz der Schreibkomplexität signifikant und dauerhaft gesunken, und die Veränderung der KI-Nutzungsrate kann die nachfolgende Veränderung der Varianz signifikant vorhersagen. Das heißt: Je häufiger KI verwendet wird, desto ähnlicher wird der Stil des wissenschaftlichen Schreibens.
• Patch News: Bei der Veröffentlichung von ChatGPT ist die Varianz deutlich abrupt gesunken, aber der Granger-Kausalitätstest ist nicht signifikant. Das Forschungsteam geht davon aus, dass professionelle Redaktionsprozesse und institutionelle Normen die homogenisierende Wirkung von KI abpuffern können, aber subtile Effekte bestehen weiterhin – vielleicht nicht durch die direkte Nutzung, sondern dadurch, dass KI-generierte Inhalte indirekt wirken, indem sie die allgemeinen Schreibnormen beeinflussen.
• Reddit: Auch hier ist nach der Veröffentlichung von ChatGPT ein anhaltender Rückgang der Varianz zu verzeichnen, und die KI-Nutzungsrate hat ebenfalls eine signifikante Vorhersagewirkung auf den Rückgang der Varianz, nur mit einer längeren Verzögerung (ca. 20 Monate). Sie vermuten, dass dies darauf zurückzuführen ist, dass die Nutzergruppe auf Reddit breiter und vielfältiger ist und die Übernahme von KI-Tools langsamer erfolgt als bei der wissenschaftlichen Gemeinschaft.

Der zweite Schritt ist ein kontrolliertes Experiment. Sie zogen zufällig 1000 originale menschliche Texte von vor der Veröffentlichung von ChatGPT von Reddit und arXiv heran, verfeinerten sie mit GPT-3.5, Llama 3 70B und Gemini Pro mit neutralen Aufforderungen (wie „umschreiben“, „Grammatik verbessern“) und verglichen dann die Varianz der Schreibkomplexität vor und nach der Verfeinerung. Die Ergebnisse zeigen: LLM komprimieren die Varianz des Schreibstils signifikant, während die ursprüngliche Bedeutung beibehalten wird (bei 87 % der Texte übersteigt die Ähnlichkeit 0,95).

Untersuchung 2: Es wird schwieriger, „den Menschen aus dem Text zu lesen“

Wenn Untersuchung 1 die These „Alle schreiben immer ähnlicher“ behandelt, stellt Untersuchung 2 eine schärfere Frage: Können wir den Menschen, der einen Text verfasst hat, noch anhand seiner Schrift erkennen?

Das Forschungsteam sammelte zunächst Textkorpora, die mit psychometrischen Daten der Autoren gepaart sind, darunter Alter, Geschlecht, Big-Five-Persönlichkeit, Empathiefähigkeit und moralische Werte, trainierte dann Klassifikatoren, um diese persönlichen Merkmale anhand von Textmerkmalen vorherzusagen, und verglich anschließend die Vorhersagegenauigkeit von Originaltexten und von LLM umgeschriebenen Texten. Sie stellten fest:

Erstens sinkt die Vorhersagegenauigkeit im Durchschnitt um etwa 6 % (absoluter F1-Wert). Die Vorhersageleistung für alle sechs Merkmalstypen ist signifikant gesunken, wobei das Alter am stärksten betroffen ist: Der F1-Wert fällt von 0,351 auf 0,260. Die Leistung des Klassifikators liegt jedoch immer noch über dem Zufallsniveau. Das zeigt, dass KI die Identitätssignale im Text nicht vollständig auslöscht, sondern diese Signale nur schwächt.

Zweitens ist diese Veränderung nicht zufällig, sondern neigt systematisch zu bestimmten Profilen. Von LLM umgeschriebene Texte werden häufiger so eingestuft: Die Person ist älter, hat ein stärkeres Moralempfinden, ein niedrigeres Empathieniveau, eine geringere Extraversion und eine höhere Offenheit sowie Verträglichkeit.

Drittens gilt dieser Trend modell- und aufforderungsübergreifend. Egal ob man das LLM austauscht oder die Umschreibungsanweisung anpasst, die Verschiebungsrichtung der Identitätsmerkmale bleibt konsistent.

Mit anderen Worten: LLM löscht die Identitätssignale nicht einfach aus, sondern fügt neue Verzerrungen ein und drängt die Texte verschiedener Autoren allmählich zu einem ähnlichen „Standard-Persönlichkeitsprofil“.

Untersuchung 3: Die klassischen „Wort-Mensch“-Zusammenhänge werden ausgewaschen

In der Soziolinguistik und Psychologie gibt es viele etablierte Erkenntnisse über Zusammenhänge zwischen bestimmten Wortklassen und bestimmten Merkmalen. Untersuchung 3 soll prüfen: Bleiben diese Zusammenhänge nach der Umschreibung durch LLM noch bestehen?

In den Originaltexten konnte das Forschungsteam viele klassische Erkenntnisse erfolgreich reproduzieren, zum Beispiel „Extravertierte verwenden mehr Wörter mit positiver Emotion“ oder „Offenheit hängt mit komplexem Wortschatz zusammen“. Nach der Umschreibung durch LLM sind jedoch viele dieser Zusammenhänge „ausgeworfen“ worden. Zum Beispiel:

• Der Zusammenhang zwischen Extraversion und Pronutzverwendung verschwindet signifikant;
• Der Zusammenhang zwischen Loyalität und Wörtern zum Thema Freunde verschwindet signifikant;
• Der Zusammenhang zwischen Alter und zukunftsorientierten Wörtern verschwindet signifikant.

Andere Zusammenhänge wie „Neurotizismus und Wörter mit negativer Emotion“ bleiben erhalten. Das zeigt, dass die Wirkung von LLM eher einer selektiven Erosion gleicht, statt einem pauschalen Rauschen.

Für Fachbereiche, die bei ihren Forschungen auf Wort-Hinweise angewiesen sind, ist dies möglicherweise problematischer als eine vollständige Verzerrung: Man muss nacheinander prüfen, welche Zusammenhänge noch zuverlässig sind und welche bereits unwirksam geworden sind – sonst könnten Forscher verzerrte Schlussfolgerungen über Identität, Gruppenunterschiede oder kulturelle Muster ziehen.

Was bedeutet das?

Da die breite Nutzung von LLM diese Veränderungen bereits herbeigeführt hat, welche potenziellen Auswirkungen ergeben sich daraus für uns? Das Forschungsteam nennt einige Beispiele:

1. Klinik und psychische Gesundheit: Wenn der Schreibstil stark homogenisiert ist, wird es möglicherweise schwieriger, wichtige Marker wie Depressionen anhand von Texten zu erkennen, was die Früherkennung und Intervention behindert;

2. Personalisierung und Marketing: Gezielte Analysen, die auf feinen sprachlichen Unterschieden beruhen, können unwirksam werden;

3. Personalbeschaffung: Bewerber, deren Texte von KI verfeinert wurden und den Erwartungen an den vorherrschenden Stil entsprechen, sind möglicherweise im Vorteil gegenüber Bewerbern mit einzigartigem, aber „weniger ausgereiftem“ Schreibstil – das verstärkt die Ungerechtigkeit;

4. Kulturschutz: Die von der Sprache getragenen kulturellen Marker werden eingeebnet, das sprachliche Erbe ist bedroht.

Noch besorgniserregender ist eine Rückkopplungsschleife: Von LLM beeinflusste Texte gelangen ständig in Online-Korpora, und diese Korpora werden wiederum zum Trainieren der nächsten Modellgeneration verwendet – das kann dazu führen, dass der Verlust der sprachlichen Vielfalt sich allmählich selbst verstärkt.

Schließlich stellt das Forschungsteam noch eine tiefere Frage: Da Sprache und Denken untrennbar miteinander verbunden sind, kann die Homogenisierung der Sprache letztendlich die kognitive Flexibilität und Kreativität einschränken. Im Extremfall kann dies, wie Orwell warnte, „den Umfang des Denkens verengen“.

Natürlich soll diese Studie den Wert von LLM nicht leugnen. Sie können das Schreiben tatsächlich klarer machen und es mehr Menschen erleichtern, sich auszudrücken.

Wenn jedoch die Texte von Hunderten Millionen Menschen durch dasselbe statistische Modell fließen, wird die Einzigartigkeit des individuellen Ausdrucks leise verdünnt. Das entsteht nicht durch Zensur oder Löschung, sondern wird in jedem einzelnen „verfeinere meinen Text bitte“-Vorgang sanft eingeebnet.

Wie man KI-Tools zu einer positiven Kraft macht, die die Vielfalt des menschlichen Ausdrucks vergrößert, und gleichzeitig verhindert, dass alle Menschen allmählich dieselbe „KI-Sprechweise“ schreiben, wird zu einer Frage, die im KI-Zeitalter beantwortet werden muss.

Dieser Artikel stammt vom WeChat-Offiziellen Konto „Academic Headline“ (ID: SciTouTiao), Autor: Xue Shu Jun, veröffentlicht mit Genehmigung von 36Kr.