ทำไมภาษาที่ AI เขียนถึงอ่านยาก งานวิจัยชี้ว่ามันเลือกโครงสร้างที่งานวิจัยเดิมผูกกับความยากในการประมวลผล

งานวิจัยนี้ถามอะไร

เปเปอร์ชื่อ Why is AI-generated language so hard to understand? โดย Thomas Hikaru Clark, Matias B. Martin และ Kyle Mahowald ขึ้น arXiv เมื่อ 21 ตุลาคม 2026 ตั้งต้นจากความรู้สึกที่คนพูดกันกว้างขวางว่าข้อความที่ AI เขียนอ่านยากขึ้นในช่วงหลัง แล้วพยายามหาว่าความรู้สึกนั้นมีอะไรรองรับในตัวข้อความหรือไม่ (arXiv)

วิธีที่ใช้คือวัดลักษณะทางภาษาหกอย่างที่งานวิจัยด้านจิตวิทยาภาษาก่อนหน้านี้ผูกไว้กับความยากในการประมวลผลของคน ได้แก่สถิติของลำดับคำ ความยาวของความสัมพันธ์ทางไวยากรณ์ ประโยคขยายที่ขยายกรรมโดยเฉพาะแบบที่ตัดคำเชื่อมออก คำนามประกอบที่ซ้อนกันหลายชั้น กริยาที่แปลงมาจากคำนาม และประธานที่เป็นสิ่งไม่มีชีวิต (arXiv)

ผู้เขียนสร้างคลังข้อความที่ AI สร้างขึ้นใหม่สำหรับงานนี้ ครอบสามสถานการณ์คือการแชตกับผู้ใช้จำลองในสิบหัวข้อ การแก้บั๊กในคลังโค้ดห้าแห่ง และการเขียนเรียงความจากโจทย์เจ็ดข้อ พร้อมทำคลังเทียบที่ได้จากการแปลไปแปลกลับไว้ด้วย ส่วนข้อความของคนที่ใช้เทียบเป็นคลังที่มีอยู่แล้ว (arXiv)

ผลที่วัดได้

งานนี้ทดสอบโมเดลทั้งหมด 14 ตัว โดยเก้าตัวเป็นรุ่นแนวหน้าและใกล้แนวหน้า ส่วนอีกห้าตัวเป็น Llama และ Olmo ทั้งรุ่นฐานและรุ่นที่ปรับตามคำสั่ง ผลที่ชัดที่สุดเป็นของเก้าตัวแรก (arXiv)

ข้อแรกคือโมเดลใช้ลักษณะที่ผูกกับความยากเหล่านี้บ่อยกว่าข้อความที่ได้จากการแปลไปแปลกลับ ซึ่งเป็นคู่เทียบที่สำคัญเพราะการแปลไปแปลกลับก็ทำให้ภาษาเพี้ยนจากต้นฉบับเหมือนกัน (arXiv)

ข้อที่สองคือเมื่อเทียบกับงานเขียนของคน โมเดลแนวหน้าทั้งเก้าตัวใช้ลำดับคำที่พบน้อยหรือที่เรียกว่า low-frequency n-grams มากกว่า และใช้ประธานที่เป็นสิ่งไม่มีชีวิตคู่กับกริยาที่ใช้กับสิ่งมีชีวิตมากกว่า ตัวอย่างที่เปเปอร์ยกคือประโยคที่ให้ฟังก์ชันเป็นผู้กลืนค่าแล้วคืนค่าเท็จ (arXiv)

ข้อที่สามคือรูปแบบที่อ่านยากอื่นเช่นความสัมพันธ์ทางไวยากรณ์ที่ทอดยาวและคำนามซ้อนกันหลายชั้น พบในโมเดลส่วนใหญ่แต่ไม่ทั้งหมด และข้อที่ว่าใช้ประโยคขยายกรรมแบบตัดคำเชื่อมมากกว่านั้น ผู้เขียนระบุเฉพาะในบริบทการแชต (arXiv)

ข้อที่สี่คือความต่างระหว่างตระกูลโมเดลมีจริงและชัด Llama กับ Olmo รุ่นฐานและรุ่นปรับตามคำสั่งเป็นกลุ่มที่ใกล้เคียงงานเขียนของคนมากที่สุด ขณะที่ Olmo รุ่นที่คิดก่อนตอบมีรูปแบบเหมือนกลุ่มแนวหน้า และ Claude Opus 5.5 ได้คะแนนความยากต่ำกว่า Opus 5 ในตัวชี้วัดส่วนใหญ่ ส่วนผลในสถานการณ์เขียนเรียงความเล็กกว่าในการแชตและการเขียนโค้ด (arXiv)

สมมติฐานเรื่องสาเหตุ และการทดลองนำร่อง

ผู้เขียนตั้งสมมติฐานว่าข้อความของ AI ถูกปรับให้อัดข้อมูลแน่นขึ้นเรื่อย ๆ เพื่อเป้าหมายอื่นเช่นคณิตศาสตร์ การเขียนโค้ด และการให้เหตุผล มากกว่าถูกปรับให้สื่อสารกับคนได้สำเร็จ ข้อนี้เป็นสมมติฐานของผู้เขียน ไม่ใช่ผลที่วัดได้ (arXiv)

การทดลองที่ใช้หนุนสมมติฐานนี้คือการฝึก Qwen2.5-1.5B-Instruct ด้วยวิธี GRPO บนงานแปลงข้อมูลเหตุการณ์เป็นประโยค โดยปรับน้ำหนักบทลงโทษเรื่องความยาว และไม่เคยสั่งให้โมเดลเขียนให้สั้นเลย ผลคือโมเดลเลือกรูปประโยคที่สั้นกว่าแบบเกือบจะทุกครั้ง เช่นตัดคำเชื่อมที่ใส่หรือไม่ใส่ก็ได้ และลักษณะนี้ลามไปถึงรูปประโยคที่ไม่ได้อยู่ในชุดฝึกด้วย ขณะที่คนเลือกตามบริบท ความต่างจึงอยู่ที่คนมีความหลากหลายแต่โมเดลกลายเป็นเกือบตายตัว (arXiv)

ผู้เขียนเรียกการทดลองนี้ว่า proof-of-concept และระบุในส่วนข้อจำกัดว่าการชี้สาเหตุของความยากในโมเดลแนวหน้าให้ได้จริงต้องศึกษาโมเดลขณะที่มันถูก post-train ซึ่งทำในขนาดใหญ่ไม่ได้ จึงต้องอาศัยตัวแทนแทน (arXiv)

สิ่งที่งานนี้ไม่ได้ทำ

เรื่องที่ต้องย้ำมากที่สุดคืองานนี้ไม่ได้ทดลองกับคนอ่านจริงเลย ไม่มีการวัดเวลาอ่าน ไม่มีการวัดความเข้าใจ ไม่มีผู้เข้าร่วมการทดลอง สิ่งที่วัดคือลักษณะของตัวข้อความ แล้วอาศัยงานวิจัยก่อนหน้าที่เชื่อมลักษณะเหล่านั้นกับความยากในการประมวลผล ถ้อยคำในบทคัดย่อเองก็ระบุว่าเป็นลักษณะที่รู้กันว่ามีความสัมพันธ์กับความยาก จึงยังพูดไม่ได้ว่างานนี้พิสูจน์ว่าคนอ่านช้าลงหรือเข้าใจน้อยลง

อีกข้อคือชื่อเปเปอร์เป็นประโยคคำถาม และข้อตั้งต้นที่บทคัดย่ออ้างคือความรู้สึกที่แพร่หลาย ซึ่งเป็นการรับรู้ ไม่ใช่สิ่งที่งานนี้วัด

หน้าเปเปอร์บน arXiv ไม่มีช่อง Comments และไม่มีการอ้างอิงวารสารใด จึงสรุปไม่ได้ทั้งว่าผ่านหรือไม่ผ่านการตรวจโดยผู้รู้เสมอกัน ถ้อยคำที่ปลอดภัยคือเป็น preprint ฉบับแรกลงวันที่ 21 ตุลาคม 2026 โดยไม่มีเวทีวิชาการระบุไว้ (arXiv)

เปเปอร์นี้ขึ้น Hacker News และได้ 146 คะแนนกับ 144 ความเห็น ณ วันที่ 25 ตุลาคม 2026 ซึ่งเป็นตัวนับที่ขยับได้ (Hacker News)

เอาไปใช้อย่างไร

สิ่งที่ถอดออกมาใช้ได้ทันทีคือเวลางานที่ AI ร่างให้อ่านไม่รู้เรื่อง ปัญหาอาจไม่ได้อยู่ที่เนื้อหาผิด แต่อยู่ที่โครงประโยค และคำสั่งลอย ๆ ว่าทำให้อ่านง่ายขึ้นนั้นกว้างเกินกว่าจะได้ผลแน่นอน

คำสั่งที่ตรงกับสิ่งที่งานนี้วัดจริงมีสองอย่าง หนึ่งคือสั่งให้เขียนประโยคสั้นลงและแยกประโยคยาวออกเป็นหลายประโยค ซึ่งตรงกับเรื่องความสัมพันธ์ทางไวยากรณ์ที่ทอดยาว สองคือสั่งให้ประธานของประโยคเป็นคนหรือองค์กรที่ลงมือทำ ซึ่งตรงกับเรื่องประธานที่เป็นสิ่งไม่มีชีวิต

ข้อที่ควรรู้คู่กันคือผลต่างระหว่างตระกูลโมเดลมีจริง ถ้างานของคุณคืองานเขียนที่คนต้องอ่าน การเปลี่ยนโมเดลอาจช่วยได้มากกว่าการเปลี่ยนคำสั่ง และควรทดลองเทียบด้วยงานตัวอย่างของตัวเอง

เรื่องที่คนเข้าใจผิดบ่อย

ไม่ควรเล่าว่างานนี้พบว่า AI เขียนแย่ลงทุกตัว เพราะโมเดลตระกูลเล็กที่ทดสอบอยู่ใกล้งานเขียนของคนมากกว่า และ Claude Opus 5.5 ได้คะแนนความยากต่ำกว่า Opus 5 ในตัวชี้วัดส่วนใหญ่

ไม่ควรเล่าว่าบทลงโทษเรื่องความยาวคือสาเหตุที่โมเดลพาณิชย์เขียนอ่านยาก เพราะผู้เขียนเสนอเป็นกลไกที่เป็นไปได้จากการทดลองกับโมเดลเล็กตัวเดียว ไม่ใช่คำอธิบายว่าโมเดลจริงถูกฝึกมาอย่างไร

คำถามที่ยังไม่มีคำตอบ

• ถ้าวัดกับคนอ่านจริง ความต่างของลักษณะเหล่านี้จะแปลเป็นเวลาอ่านหรือความเข้าใจที่ต่างกันเท่าไร
• ความต่างระหว่างตระกูลโมเดลเกิดจากขั้นตอน post-training แบบใด
• ผลนี้เป็นจริงกับภาษาไทยด้วยหรือไม่ เพราะคลังทั้งหมดในงานนี้เป็นภาษาอังกฤษ