基于可解释形式特征的韩语AI诗歌检测与引导生成

arXiv:2608.28986v1 公告类型：新论文

摘要：LLM 在现代韩语诗歌创作中常常表现不佳，输出结果往往类似"断行散文"。本文针对两个相互关联的任务展开研究：检测一首韩语诗歌系人类创作还是 LLM 生成，以及引导 LLM 生成在形式上更接近人类作品的诗歌。我们从四个形式层面的语言学维度量化人类与 LLM 之间的差距：输出长度（Volume）、行末形式的多样性与连接用法（Structure Variation）、行长的不规则程度（Rhythmic Irregularity），以及对标准正字法的遵循程度（Normative Adherence）。我们将这些维度转化为五个可解释的特征。在检测任务中，基于这五个特征的逻辑回归分类器在七个未见 LLM 的零样本分布外检测中取得平均 AUC-ROC 83.60，对比我们比较中最强基线 KatFishNet 的 75.84，绝对提升 7.76 个 AUC 点，相对改进 10.23%；我们分类体系之外的一个生成器特定标点模式仍属边界案例。在生成任务中，GPT-5.2 的专家评估显示特征引导的诗歌优于无约束基线，且对 GPT-5.2 和 Gemini-3 的分析表明，针对性的长度、节奏和结尾统计量向人类分布靠拢。这些结果表明，可解释的、语言特定的特征能够贯通 LLM 生成诗歌的诊断与引导。