AI Writing Patterns: AIらしさを示す語、リズム、句読点

この文を一度読んで、どこから来たものかすでに分かるか確かめてください。研究者は、動機づけと達成の間にある複雑な相互作用を引き続き強調しており、また、自己調整が学業成績において果たす重要な役割を強調する研究も増えています。これについて誤っている点は何もありません。どの節も文法的であり、どの語も実在する語であり、採点者が1点でも減点することはないでしょう。しかし、それでも機械から出てきたように読めます。実際にそうだからです。これが、この文章の主題です。

AIの文章パターンとは、語の選択、文のリズム、句読法、構造において繰り返し現れる習慣であり、機械が下書きした散文を一目で識別可能にするものです。これらは4つの水準に集約されます。すなわち、モデルが選びやすい語、文の形、依拠しがちな句読法、そして議論全体を構成する方法です。どれか1つだけでは何も証明しません。しかし、1つの段落の中にそろうと、見落とすことは困難です。

これを行う機械は統計的検出器と呼ばれます。これは、言語モデルが予測する内容に基づいて、各語がどれほど予測可能かを評価します。報告書には、その評価の背後にあるperplexityとburstinessの数理が含まれており、これはAI検出器がどのように機能するかに関する別の記事で、より詳しく扱っています。この記事の残りは、読者がページ上で聞き取ったり、数えたり、指摘したりできるAIの文章上の兆候の一覧です。検出器が誤っていても、利用できなくても、あるいは論点から外れていても、これは重要になりえます。以下に続く内容には、モデルも購読も必要ありません。

なぜAIの文章パターンは機械的に聞こえるのか?

言語モデルは、文の水準では人間とは異なることをしています。すなわち、統計的にもっとも起こりやすい次の語を、独自性よりも有能さを感じさせるよう訓練された体系の中で、何度も選び続けているのです。その規模での有能さは、滑らかで、正確で、印象に残らない散文を生みます。これが機械的な印象の根源です。読者は、そのような段落の何が悪いのかをしばしば言語化できません。ただ平板に読めると感じるだけです。そして、その平板さは以下の4つの水準に存在します。

語の選択は、読者が最初に気づく水準である。そこには、場違いなところに現れる形式的で芝居がかった語がある。文のリズムはそれより静かで、すべての文がほぼ同じ長さで進む段落として現れる。句読点と書式にもそれぞれ固有の特徴があり、ダッシュが万能継手のように使われ、箇条書きが、書き手の頭の中ではそもそも箇条書きではなかった文章を分断する。構造は最も目に見えにくく、自身の見出しを言い換え、ちょうど3点を扱い、最後に自分自身を要約して締めくくる一節である。

まず語から始める。最も指摘しやすく、最もよく文書化されているからである。

AIはどの語を過剰に使用するのか?

これらの形式的でやや芝居がかった語は、何度も繰り返し現れる。"delve"、"underscore"、"showcase"、"pivotal" は、最もよく文書化されている語の一部である。Dmitry Kobak と3人の共著者は、この言語を特定することを目的とした。彼らは2010年から2024年までの 15.1 million 件の PubMed 要旨を分析し、ChatGPT が公開されたときに頻度が急増した語群を特定した。"delve" が最も大きく増加し、2025年7月に Science Advances に掲載されたこの研究は、2024年におけるその頻度が2023年以前のおよそ28倍であったと推定した。次に近かったのは "underscore" と "showcase" である。著者らは、2024年の要旨の少なくとも13.5% に AI の支援の兆候があり、国や出版社によっては40% を超えると推定している。

モデルがこれら特定の語に収束する理由は、そのパターン自体よりも確定していない。COLING 2025 の研究は、21の過剰代表語を、モデルのアーキテクチャ、訓練データ、そしてチャットボットを微調整するために用いられる人間のフィードバックと照合し、効果を完全には説明しないまま、フィードバック段階が最もありそうな要因であると示した。解釈についてもなお議論がある。PNAS 誌における2026年のやり取りでは、語頻度の変化が AI の使用をどの程度直接的に測定するのかに異議が唱えられており、ここでのいかなる単一の数値も確定した事実として扱う前に、これを念頭に置く価値がある。

これはジャーナルの要旨に限ったことではない。50万件の学生によるエッセイとAI生成エッセイを比較した研究では、研究者は論文の長さと語彙選択を比較し、人間のエッセイのほうが全体として長く、より広い語彙を用いていることを見いだした。ICLR 2024やNeurIPS 2023を含む4つの機械学習会議に提出された査読を対象とした研究では、研究者は同じ手法を用いて、査読文の6パーセントから15パーセントがLLMによって実質的に修正されたと推定した。締切に近い時期に提出されたものほど、LLMの影響を受けやすかった。

AIが過度に使用する語または句	慎重な書き手が代わりに用いるもの
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

これらの語はいずれも、それ自体では誤りではない。方法の節である発見を robust と呼ぶのは、その語を正しく用いているのであり、複雑な法的議論を記述する歴史家が chatbot に告白しているわけではない。機械生成らしく読めるのは密度である。つまり、これらの語が一つの段落に三つか四つ並び、特定の役割を果たさないまま、model がそれぞれを独立に最も安全な次の選択として積み重ねるように配置されていることである。TextPulse の free AI word cleaner をさっと通せば、その密度が直接に検出される。

なぜ AI の文はどれも同じくらいの長さに聞こえるのか?

model は各文を、前の文を作ったのと同じように構築し、ある箇所では要点を六語に圧縮し、別の箇所では三十語にわたって展開するのではない。そのため、出力は全体としてほぼ同じ長さにとどまりやすい。この変化、あるいはその欠如は、段落を声に出して読むことで聞き取ることができる。これは、detector が同じ基礎的な性質から計算する burstiness score とは別の作業である。

より小さな二つの習慣が、近くで見るとそのリズムを明らかにする。model は、情報を加えずに重要性を示す dangling participle で文を締めることを好み、たとえば、さらなる研究の必要性を強調する主張や、分野におけるより広い変化を反映する主張である。また、均衡して聞こえるように対句構造を用い、たとえば method is not only efficient but also scalable のような形を取る。これを一度だけ言うなら、その構文は特に目立たない。しかし、すべての段落で繰り返されると、名詞だけを差し替えた template のように聞こえる。

三の法則

句のレベルでも、三つ組は model の既定のリズムである。名詞の前に三つの形容詞を置くこと、一覧に三つの例を並べること、同じ作りの節を三つ連続させることがそれに当たる。三つ組が時折現れることは、英語において常に見られる。適切に置かれた三つ組は、何かの症状ではない。手がかりは頻度である。問題は三ではない。ほぼすべての段落に三が現れることが問題なのである。

数えるだけで、特別な訓練がなくてもこれの大半は見抜ける。段落を読み、各文の語数を記録する。もしその記録が前の文から数語以内に収まっているなら、リズムが手がかりである。TextPulseの無料のburstinessチェッカーを使えば、数える作業を自動化し、図示することができる。これは、一文ずつ目視するには長すぎる文章に有用である。

em dashとその他の句読点の手がかり

この記号が定番になった理由

em dashは、おそらく機械生成文において最も非難される句読点である。これは、文の二つの部分をつなぐために、コンマ、コロン、または句点の代わりに用いられる長いダッシュとして知られているかもしれない。em dashは新しいものではなく、AIが発明したものでもない。ChicagoからAPまで、スタイルガイドが存在してきた限り、それらは強調や中断のためにこれを使うことを認めてきた。そして、多くの現役の書き手が意図的に用いている。

機械出力にこれが非常によく現れるもっともらしい理由は平凡である。この記号は、言語モデルが学習する、編集され、専門的に組版された散文において一般的だからであり、また、句点で終えることなく文を進め続けることを可能にするからである。流暢で連結したテキストを生成するように作られたモデルは、この柔軟性をしばしば求める。手で下書きする際に大半の人が行うよりも、より頻繁にそうする。

どの程度頻繁かは、そのテキストを生成したシステムによって大きく異なる。2025年半ばに行われた並列テストでは、6つのチャットボットに同じプロンプトを与え、この記号の出現回数を数えた。3つのシステムは600語未満の中で8回または9回返し、1つはほぼ1000語の中で2回使い、2つはまったく使わなかった。頻度は、目の前の段落を生成したモデルの属性であり、AI文体の固定的な特徴ではない。OpenAIは2025年11月に、ユーザーがChatGPTにこの記号を使わないよう指示し、実際に従わせる設定を追加したため、この手がかりでさえ現在では部分的に任意である。

そのどれもが、その記号自体を何かの証拠にするわけではない。注意深い書き手の多くは意図的にそれを使い、チャットボットに一度も触れていない学生のエッセイの多くでもそれが使われている。ときには、教師がそう教えたからである。確認する価値があるのは密度である。2文ごとにその記号に頼るページは、意図的に2回だけ使うページとは異なる読み方をされる。TextPulseの無料の em dash removerはその密度を確認し、各箇所で必要なコンマ、コロン、ピリオド、またはハイフンを提案する。

箇条書き、太字、見出し

同じ水準は、文の下にある書式上の判断にも及ぶ。書き手の頭の中では決して箇条書きではなかった散文の途中にある箇条書き。文書の残りが文頭小文字の体裁であるのに、見出しだけがタイトルケースになっていること。各箇条の冒頭にある、ミニ見出しのような太字の語句。これらはどれも句読点ではないが、すべて同じ場所から生じている。つまり、チャットウィンドウ向けに書式化するモデルであり、視覚的な構造が、本来なら散文が担うはずのつながりの代わりになっているのである。

構造と論旨の形

最後の水準は文の上に位置し、語の置き換えでは修正するのが最も難しい。なぜなら、それは論旨そのものの形だからである。機械生成の節はしばしば、自分の見出しを少し言い換えて言い直すことから始まり、それぞれが実際にどれほど重要かに関係なく、おおむね同じ重みを与えられた2つか3つの支持点をたどり、最後に新しいことを加えるのではなく、今述べたことを要約して終わる。

関連する習慣は、より長い文章で常に見られる。ある節が何かの長所を列挙し、however のような語で転じ、同じ整った3点で課題を列挙し、そしておそらくそれらを解決する未来を示唆する。実際の論旨はそこまで整っていない。人間の書き手は通常、他の2点よりも1点を重視し、その点により多くの紙幅を割き、読者に対して対称的な結びを負うわけではない。

これはまた、定型的な学術文書が機械生成文と見かけ上きわめて似て見えうる水準でもある。というのも、方法の節や文献レビューは、一定の形に従うことが想定されているからである。違いはその形の内部にある。機械生成の文献レビューは、その分野で通常挙げられる論点を、通常の順序で名指しする。人間が書いたものは、厳格なひな形の内部であっても、どの論点が重要で、なぜ重要なのかを論じる。実際にある立場が擁護されているからである。

これらの手がかりは、テキストがAI生成であることを証明するのか

単独の手がかりが何かを証明することはなく、複数を合わせても同様である。編集者や指導教員からの圧力の下では、注意深い学術著者が、これらの特徴のいくつか, たとえば代名詞の欠如を含む段落を、チャットボットの助けなしに作成することもある。英語を母語としない著者は、授業で教えられた安全な語を使うこともあり、形式的な接続語を使うよう教えられた学生も、これらの特徴の多くを用いることがある。語の一覧は不正行為の証拠ではない。それは、注意深い著者を誤って非難する原因になりうる誤りである。私たちはこの誤りを指摘すべきであり、黙って繰り返すべきではない。

ツールが責任を持ってできることは、文章を裁定することではなく、パターンを示すことである。TextPulseのAI humanizerで私たちが提供できるのは、目の前のテキストに基づくHuman Scoreの推定である。これは、草稿がこれらの表層的なパターンに対してどの位置にあるかを読むものであり、いかなる検出器からの判定でもなく、別のツールが明日何と言うかについての約束でもない。これは、スペルチェッカーが語を指摘しても、その周囲の文が良いかどうかを決めないのと同じように、判断の出発点として使える数値である。

上に挙げた各特徴には、それぞれ独自のページがあります。語彙そのものは、ChatGPT を見分ける語に関する記事で整理されており、em dash の習慣と、モデルが特定の動詞を特に選びやすい理由については別個に扱っています。より広いラベルについても説明があります。AI slop の意味、AI fluff の意味、そして何かが AI によって書かれたかどうかを見分けるための実践的なガイドです。気がかりなのが他人の文章ではなく自分の下書きである場合には、自分の文章から AI の語を取り除くことに関する記事があります。

次に自分の文章を読んでいて、どこかしっくりこないと感じたら、単に同義語を探して置き換えるだけにしてはいけません。代わりに、声に出して読んでみてください。各文の語数を数えてください。各語がそこで正確に何をしているのかを自問してください。それは、これらのことに名前が付くずっと前から、注意深い編集者が行っていたのと同じ読み方です。