ChatGPTはなぜエムダッシュを多用するのか

モデルは誰かが編集したテキストで学習します。書籍、報道、報告書、論考。すべてが編集者か少なくともスタイルガイドを通っており、米国のスタイルガイドは挿入部にエムダッシュを求めてきました。コーパスの平均を模倣するモデルは、編集済みの文章を模倣します。そして編集済みの文章はダッシュが豊富です。

現場の編集が持つ逆方向の力は、同じ形では残りません。出版された文章を「ここはダッシュを減らせ」と校正する人はいません。それは文書全体への判断だからです。コーパスにはダッシュがあり、ダッシュへの反発はありません。

エムダッシュは英語で最も融通の利く句読点です。コンマ、コロン、セミコロン、括弧の代わりを、前後の語を一切変えずに務め、四つとも文法的に破綻しません。局所的な流暢さで次のトークンを選ぶ仕組みには、まさに都合がよい。セミコロンは置けない位置がありますが、ダッシュはほぼどこでも置けます。

最近のトークナイザではエムダッシュは1トークンで、前後の空白も同様です。「その計画—危険だったが—は成功した」と括弧やセミコロン＋接続詞で書くより、トークン数が少なくて済みます。効果は小さく、意識的な選択ではありません。しかし他のすべてと同じ方向を指しています。流暢な文への最安の道がダッシュを通るのです。

モデルは人間の選好データで仕上げられます。評価者は回答を比較し、好ましいほうを選びました。ダッシュのある文章はコンマの挿入部より自信があり、即物的に読め、評価者はその語り口に報酬を与えました。ここは推論であって公開された事実ではありませんが、観察できる現象を説明します。中立的な要約を頼んでも、あの劇的な句読点で返ってくるのです。

汎用モデルは皆同じことをします。Claudeが最も多く挙げられ、ダッシュの癖はその代表的な苦情です。GeminiとCopilotは程度が弱いだけで同じ傾向を示します。学習データとデコード挙動が共有されていれば、こうなるはずです。実際にそうなっています。

数値は反復サンプリングによる推定で、提供元の公表値ではありません。正確な数は題材・長さ・サンプリング設定で変わります。桁ではなく順位が知見です。

対策は重ねてください。壊れる速さが違います。プロンプトの指示は大抵守られますが、長い会話や「もっと引きのある文章で」という要求で忘れられます。カスタム指示は残りますが、既定の語り口を完全には書き換えません。後処理だけが失敗様式を持たない。モデルを介さないからです。

1. プロンプトで制約を求めます。「エムダッシュ（—）、エンダッシュ（–）、二重ハイフン（--）は使わない」。
2. カスタム指示や個人設定に置いて、繰り返さずに済むようにします。
3. 最終原稿はAI用ダッシュ削除ツールで機械的に除去。--や---も拾います。