یکی از آزاردهنده‌ترین عادت‌های نوشتن با هوش مصنوعی سابقه 2000 ساله دارد

هرکسی که زمان زیادی را صرف خواندن متن تولید شده توسط هوش مصنوعی می‌کند، احتمالاً متوجه یک عادت سبک تکراری شده است: یک جمله بیانیه واضحی را بیان می‌کند و بلافاصله آن را به نفع چیزی بزرگ‌تر نفی می‌کند، مانند “این یک دوره نیست. این یک سفر تحول است.”

پیش چاپ جدید منتشر شده در arXiv بررسی می‌کند که چگونه مدل‌های اصلی زبان از این شخصیت بلاغی باستانی معروف به epanorthosis استفاده می‌کنند و نشانه‌های اولیه‌ای را پیدا می‌کند که مدل‌ها در برخی ژانرها بیش از حد از آن استفاده می‌کنند و در برخی دیگر کمتر از آن استفاده می‌کنند. این مقاله همچنین چندین روش را برای ترک این عادت آزمایش کرد که برخی از آنها در آزمایش‌های آزمایشی کوچک آن را به سطوح معمولی انسانی نزدیک‌تر کردند.

یک چهره باستانی فکر در ماشین های مدرن

اپانورتوز یک ابزار بلاغی است که در آن یک گوینده یا نویسنده به منظور تصحیح، واجد شرایط یا جایگزینی عبارتی که به تازگی بیان کرده است، باز می گردد. این کلمه از ریشه یونانی گرفته شده و به معنای “صاف کردن بیشتر” است، و سخنوران و سخنوران رومی مانند سیسرو و کوئینتیلیان آن را به لاتین تحت این نام توصیف کردند. تصحیح.

این سه شکل عملکردی اصلی دارد: ارتقای تاکیدی، که یک کلمه یا جمله را با یک کلمه قوی‌تر جایگزین می‌کند (“او خوب است، واقعا عالی است”)، کاهش درجه کاهش (“این یک فاجعه است، خوب، شکست”)، و بازبینی اساسی، که توصیف را دقیق‌تر می‌کند (“او دوید، یا بهتر است بگوییم سریع راه رفت”). انسان‌ها وقتی از «منظورم» یا «یا بهتر است بگوییم» برای اصلاح آنچه که گفته‌اند استفاده می‌کنند، در حالی که چت‌بات‌ها تمایل دارند نسخه‌ی دراماتیک رو به بالا را ترجیح دهند، و اغلب عباراتی مانند «ما محصولات نمی‌فروشیم. ما تجربه‌هایی می‌سازیم» را ایجاد می‌کنند.

پیر فونتانیه، محقق فرانسوی، در رساله‌ای در سال 1827 درباره بلاغت، بین تصحیح‌های کلامی سطحی و epanortosis به‌عنوان یک «شکل فکری» گسترده‌تر، به معنای عملیات کلی گفتمانی که در آن یک گفته به خودش برمی‌گردد، تمایز قائل شد. در مقاله جدید یک نویسنده، فدریکو بوگیا، معلم و مربی که شرکت Binatomy را تأسیس کرده و دارای مدرک علوم انسانی از دانشگاه پیزا است، استدلال می‌کند که این طبقه‌بندی به دستگاه اجازه می‌دهد تا هر کجا که زبان ظاهر می‌شود مطالعه شود. در چارچوب Boggia، برنامه آماری می‌تواند همان حرکت ساختاری را انجام دهد که سخنوران باستانی برای تأکید استفاده می‌کردند، چه چیزی شبیه به قصد متقاعدکننده در پشت آن وجود داشته باشد یا نه.

این عادت از کجا می تواند ایجاد شود

کار اخیر نشان داده است که نثر ماشینی عادات سبکی قابل اندازه گیری را نشان می دهد که آن را از نوشته های انسانی جدا می کند. مطالعه‌ای در سال 2025 روی مجموعه‌های متنی موازی توسط انسان‌ها و هوش مصنوعی نشان داد که مدل‌های زبانی بزرگ به طور سیستماتیک با نویسندگان انسانی در مدل‌های دستوری و بلاغی متفاوت هستند و این شکاف برای مدل‌هایی که برای پیروی از دستورالعمل‌ها تنظیم شده‌اند بزرگ‌تر است و حتی با بزرگ‌تر شدن مدل‌ها همچنان ادامه دارد.

به طور مشابه، یک مطالعه زبان‌شناسی محاسباتی در سال 2025 که به بررسی این موضوع می‌پردازد که چرا برخی کلمات واژگانی مانند «پیچیده» در نتایج ربات‌های چت ظاهر می‌شوند، هیچ مدرکی مبنی بر اینکه معماری مدل، الگوریتم‌های تولید متن یا داده‌های آموزشی خام به تنهایی باعث ایجاد این جهش شده‌اند، پیدا نکرد. در عوض، معیارهای او با تنظیم اولویت‌های انسانی که نقش بازی می‌کند، سازگار است، اگرچه نویسندگان منبع دقیق را باز گذاشته‌اند.

Boggia پیشنهاد می کند که استفاده بیش از حد در درجه اول یک گرایش آموخته شده است که توسط دو مرحله از توسعه الگو شکل گرفته است. ابتدا، مدل ها بر روی حجم عظیمی از متن های وب آموزش می بینند که بخش قابل توجهی از آن را کپی رایتینگ و پست های تبلیغاتی تشکیل می دهد. نویسنده گمان می کند که اصلاحات نمایشی خود به جلب توجه این ژانرها کمک می کند، اگرچه این رابطه سنجیده نشده است.

دوم، مدل ها تحت آموزش تقویتی از بازخورد انسانی قرار می گیرند، مرحله بعدی آموزش که در آن انسان ها پاسخ های نامزد را رتبه بندی می کنند. بوگیا استدلال می‌کند که ارزیاب‌ها تمایل دارند عباراتی را که مطمئن و بد به نظر می‌رسند پاداش دهند، و مقاله این مرحله را به عنوان محتمل‌تر محتمل‌تر در نظر می‌گیرد.

در این حساب، روشی که مدل‌ها متن را تولید می‌کنند، نقش تقویت‌کننده کوچک‌تری دارد. از آنجایی که آنها هر بار یک قطعه کلمه را بدون فرصت حذف و بازبینی قبل از نمایش نتیجه تولید می کنند، هر عادت طبقه ای که یاد گرفتند بدون ویرایش به نظر می رسد.

در عین حال، بوگیا خاطرنشان می‌کند که خود تصحیح متنی همیشه یک عادت سبک توخالی نیست. هنگامی که از مدل ها خواسته می شود تا مسائل را مرحله به مرحله حل کنند، عباراتی مانند “صبر کن، بگذار دوباره بررسی کنم” زمینه آماری کلمات آینده را به خطوط استدلال جایگزین تغییر می دهد. با این حال، یک مطالعه در سال 2024 نشان داد که مدل‌های زبان اغلب نمی‌توانند استدلال خود را از طریق اصلاح خود بهبود بخشند و گاهی اوقات پاسخ‌های خود را بدتر می‌کنند، مگر اینکه بازخورد خارجی دریافت کنند، مانند یک واقعیت تأیید شده یا نتیجه یک ابزار.

از آنجا که تصحیح خود به نویسندگان انسانی کمک می‌کند تا تفاوت‌های ظریف و صداقت را در نثر استدلالی بیان کنند، بوگیا شروع به اندازه‌گیری تعداد دفعات استفاده مدل‌ها از epanorthosis تاکیدی در ژانرها کرد و روش‌هایی را برای کالیبره کردن شکل در سطوح طبیعی انسانی به جای پاک کردن کامل آن آزمایش کرد.

اندازه گیری خود اصلاحی در ایتالیایی و انگلیسی

برای تبدیل این برداشت سبک به کمیتی قابل اندازه گیری، بوگیا برنامه ساده ای ساخت که به دنبال الگوهای خاصی از کلمات در خانواده “نه X بلکه Y” می گردد، شامل انواعی مانند “نه فقط X بلکه Y” و اصلاحات دو جمله مانند “نه X. Y”. محقق ابتدا نسخه ایتالیایی این آشکارساز را در برابر 206 متن کوتاه هر کدام با حدود 150 کلمه تأیید کرد: 180 قطعه از مجموعه مرجع ایتالیایی ساخته شده توسط انسان که شامل سخنرانی خودانگیخته، فلسفه دانشگاهی، داستان های تخیلی قرن نوزدهم و اوایل قرن بیستم، مقالات خبری قبل از سال 2020، و مدل های نسل 2 به اضافه پست های رسانه های اجتماعی است.

دو کدگذار، که یکی از آنها نویسنده بود، به طور مستقل هر قسمت را به عنوان epanorthosis اصلاحی واقعی برچسب زدند و اختلافات خود را برای ایجاد مجموعه ای از شاخص ها حل کردند. نویسنده اندازه‌گیری‌ها را به‌عنوان اولین سیگنال‌ها در مقیاس آزمایشی توصیف می‌کند و متن‌ها و دستورالعمل‌های مقایسه‌ای انگلیسی در صورت درخواست نویسنده در دسترس هستند.

جداسازی خود تصحیح بلاغی واقعی از تضاد صرف حتی برای برنامه نویسان انسانی که قبل از تطبیق ارزیابی های خود فقط به توافق منصفانه دست یافتند، دشوار بود. در مقابل برچسب‌های نهایی تأیید شده توسط انسان، آشکارساز خودکار بیش از نیمی از موارد واقعی (52 درصد) را شناسایی می‌کند و در مجموع در 45 درصد موارد هنگام علامت‌گذاری یک مسابقه دقیق بود.

با این حال، دقت آن بسته به منبع به شدت تقسیم می‌شود: در 26 قسمت تولید شده توسط مدل، وقتی آشکارساز عبارتی را علامت‌گذاری می‌کرد، در 82 درصد مواقع خود تصحیح واقعی بود، در مقایسه با فقط 17 درصد مواقع در نوشته‌های انسانی، جایی که مردم بیشتر از «نه… اما» برای کنتراست ساده استفاده می‌کنند. در گفتار رونویسی شده، آشکارساز اکثر تصحیحات را از دست می دهد، زیرا گویندگان معمولاً عبارات خود را با نشانگرهای محاوره ای مانند “این است” یا “بیایید بگوییم” به جای ساختار رسمی “نه X، بلکه Y” بازنویسی می کنند.

Boggia سپس تجزیه و تحلیلی را به زبان انگلیسی با نسخه انگلیسی آشکارساز انجام داد که بر خلاف نسخه ایتالیایی، به طور جداگانه تأیید نشده بود. این تجزیه و تحلیل متن انسانی را با نتایج سه اندازه از یک خانواده از مدل‌ها مقایسه کرد که دستورالعمل‌ها را دنبال می‌کردند: Claude Haiku، Sonnet و Anthropic’s Opus، که از کوچک‌ترین به بزرگ‌تر سفارش داده شد، اگرچه مقاله مشخص نمی‌کند که کدام نسخه از هر مدل آزمایش شده است.

مبنای انسانی مبتنی بر مالکیت عمومی و متون با مجوز آشکار در هفت ژانر است که در صورت امکان به مطالب نوشته شده قبل از سال 2022 فیلتر شده است: مقالات دایره المعارف از ویکی پدیا، داستان های خبری از ویکی نیوز، خلاصه های دانشگاهی، داستان های داستانی از آرتور کانن دویل، پست های پرسش و پاسخ غیررسمی از Stack Exchange، مقاله نویسی استدلالی از جان استوارت میل. از آزادیو سخنرانی های تاریخی چهره هایی مانند آبراهام لینکلن و تئودور روزولت.

در این هفت ژانر به‌علاوه دسته‌نویسی تبلیغاتی فقط مدل‌ها، این سه مدل به درخواست‌های خنثی و مختص ژانر که هرگز به اصلاح یا شکل گفتاری اشاره نمی‌کردند، پاسخ دادند. همه متون به پنجره‌هایی با چند صد کلمه تقسیم شدند که برای هر ژانر 17 تا 28 پنجره در سمت مدل و 19 تا 128 در سمت انسان برای اندازه‌گیری خود تصحیح‌های طبقه‌بندی بیش از ده هزار کلمه ارائه می‌شد.

در دو ژانر از هفت ژانر، الگوها از خط اصلی انسان در جهت مخالف منحرف شدند. در سخنرانی‌ها، مدل‌ها اپانورتوز تاکیدی را با بیش از دو برابر نرخ انسانی تولید کردند، به طور متوسط ​​33.5 تکرار در هر ده هزار کلمه در مقایسه با 14.9 در سخنرانی‌های انسانی، که در دو مدل بزرگ‌تر (Sonnet و Opus) متمرکز بود، در حالی که کوچک‌ترین مدل (Haiku) با خط پایه انسان مطابقت داشت.

در نوشتن پرسش و پاسخ غیررسمی، مدل‌ها این رقم را کمتر از یک پنجم به‌اندازه انسان‌ها استفاده می‌کردند (1.3 در مقابل 8.2 مورد در هر ده هزار کلمه)، زیرا نویسنده‌های انسانی اغلب توضیحات خود را واجد شرایط و تصحیح می‌کردند، در حالی که مدل‌ها به ندرت این کار را می‌کردند. از آنجایی که هفت ژانر به طور همزمان مورد آزمایش قرار گرفتند، شانس یک نتیجه شانسی افزایش می‌یابد، و نویسنده خاطرنشان می‌کند که نه گفتار و نه نتیجه پرسش و پاسخ از لحاظ آماری مهم باقی نمی‌مانند که به شدت برای این تنظیم شوند، بنابراین مقاله هر دو را به عنوان اولین سیگنال‌های پیشنهادی در نظر می‌گیرد.

در پنج ژانر جفت دیگر، تفاوت بین سرعت ماشین‌ها و انسان‌ها از نظر آماری معنی‌دار نبود، اگرچه نمونه‌های کوچک آن چیزی را که این تست‌ها می‌توانند تشخیص دهند محدود می‌کنند. درصد مدل‌ها در چکیده‌های دانشگاهی تقریباً دو برابر انسان‌ها است، تقریباً به همان نسبت در سخنرانی‌ها، و درصد آنها در داستان‌های داستانی تقریباً نصف است. قیمت مقالات استدلالی، روزنامه نگاری و نثر دایره المعارفی تقریباً برابر بود.

بوگیا برای آزمایش اینکه آیا سنبله در گفتار صرفاً منعکس کننده عادت کلی استفاده از اتصالات بیشتر است، اتصالات خنثی را شمارش کرد و دریافت که مدل‌ها در واقع تنها از یک پنجم آنها در سخنرانی‌های خود نسبت به انسان‌ها استفاده می‌کردند (1.5 در مقابل 7.5 در هر ده هزار کلمه)، که نشان می‌دهد این سنبله مختص اصلاح تاکیدی خود است. Boggia این مقایسه‌های ژانر را در یک شاخص Epanorthosis خلاصه کرد، که سرعت مدل را بر تعداد افراد برای هر ژانر تقسیم می‌کند، به طوری که امتیاز بالاتر از 1 نشان‌دهنده استفاده بیش از حد و امتیاز زیر 1 سیگنال استفاده کم است.

ساخت یک شماره گیری سبک برای محدود کردن عادت

برای آزمایش اینکه آیا می‌توان این عادت را بدون آموزش مجدد کل مدل از ابتدا اصلاح کرد، بوگیا از تطبیق رتبه پایین استفاده کرد، یک تکنیک تنظیم دقیق (آموزش اضافی روی مجموعه‌ای از نمونه‌های کوچکتر و هدفمند) که وزن‌های مدل پایه (تنظیمات عددی که رفتار مدل را تعیین می‌کنند) را منجمد می‌کند و یک وزنه کوچک و متحرک به نام مجموعه‌ای از تمرین‌دهنده قابل تطبیق را متصل می‌کند.

پژوهشگر با کار به زبان ایتالیایی بر روی Qwen2.5-7B-Instruct، یک مدل وزن باز که تنظیمات داخلی آن به صورت عمومی قابل دانلود است، ابتدا یک آداپتور را بر روی 570 جفت جملات تاکیدی و ساده با استفاده از بهینه سازی اولویت مستقیم آموزش داد که به مدل می آموزد عبارات ترجیحی را نسبت به عبارات غیر ترجیحی رتبه بندی کند. این اولین تلاش برای انتقال به دستورات آزمایشی جدید شکست خورد و epanorthosis تاکیدی را از 60.3 به 68.9 نمونه در هر ده هزار کلمه افزایش داد.

سپس بوگیا طرح خلبان دوم را با استفاده از تنظیم دقیق نظارت شده (آموزش مستقیم بر روی نمونه هایی از سبک معمولی مورد نظر) با 797 عبارت مثبت طراحی شده برای حفظ معنای اصلی اصلاح کرد. این آداپتور دوم تقریباً تمام epanorthoses هایلایت شده را در اعلان های آزمایشی انجام شده حذف کرد. داده‌های آموزشی، کد و وزن‌های آداپتور عمومی شدند.

سپس محقق آداپتور را در پنج تنظیم قدرت، از 0 (خاموش) تا 1.0 (قدرت کامل)، در شش دستور ایتالیایی (هر کدام برای نوشتن سخنرانی، تبلیغاتی و استدلالی، با شش خروجی در هر فرمان) ارزیابی کرد تا ببیند آیا آداپتور می‌تواند به عنوان یک شماره‌گیر سبک پیوسته عمل کند.

در این آزمایش‌های آزمایشی، که به صورت توصیفی و بدون آزمایش آماری ارزیابی شدند، اجرای آداپتور کنترل‌شده با توان کامل، چگالی کلی را از 61.4 نمونه در هر ده هزار کلمه با آداپتور خاموش به 4.7 در تمام توان کاهش داد. برای مقاله‌های استدلالی، یک محیط میانی روی نرخ انسان قرار گرفت: قدرت سه چهارم فرکانس الگو را از 51.3 به 12.3 نمونه در هر ده هزار کلمه کاهش داد، که اساساً با نرخ انسانی حدود 12 مطابقت داشت، قبل از اینکه قدرت کامل آن را به صفر برساند.

گفتار از حدود 33 در یک چهارم توان به صفر در نیم قدرت کاهش یافت و از معیار انسانی خود در حدود 14 بین تنظیمات تست شده عبور کرد. نوشته های تبلیغاتی که هیچ معیار انسانی نداشت، قبل از سقوط شدید در تنظیمات بالاتر، از 68.5 به 96.0 با قدرت یک چهارم جهش کرد، که نویسنده آن را نشانه این است که صفحه باید به طور جداگانه برای هر سبک تنظیم شود.

تست دستورالعمل ها و رفع سریع بدون آموزش

از آنجایی که بسیاری از کاربران با چت‌بات‌های تجاری که وزن آن‌ها را نمی‌توانند تغییر دهند، تعامل دارند، Boggia همچنین آزمایش کرد که آیا یک دستورالعمل ساده می‌تواند شکل ایتالیایی را در سه مدل کلود محدود کند، و در هر شرایط 12 متن در هر ژانر ایجاد کند (در مجموع 72 متن). افزودن یک جمله واحد که به مدل‌ها دستور می‌دهد مثبت بنویسند و از نفی‌سازی اجتناب کنند و عبارت‌سازی تقریباً سه چهارم در سخنرانی عمومی (از 39.6 به 10.9 مورد در هر ده هزار کلمه) و 70 درصد در مقاله‌های استدلالی، هر دو ژانر را به سطوح انسانی نزدیک‌تر می‌کند، در حالی که 48 درصد کاهش قابل‌توجهی در نوشته‌های تبلیغاتی به طور قابل‌توجهی نبود.

در میان ژانرها، دو مدل بزرگ‌تر استفاده از رقم را به صفر کاهش دادند، در حالی که کوچک‌ترین مدل میزان آن را تقریباً به نصف کاهش داد، اگرچه نویسنده خاطرنشان می‌کند که دستور دادن قوی‌ترین گزینه کاهش است، زیرا آموزش سطحی ممکن است به طور قابل اعتماد عادتی را که در طول آموزش آموخته شده است نادیده نگیرد.

در یک آزمون توصیفی جداگانه از اعلان‌های ایتالیایی بدون آزمون‌های آماری، Boggia دو استراتژی اضافی را بدون آموزش ارزیابی کرد که نیازی به تغییر در دستور اصلی نداشت. ایجاد شش پاسخ کاندید و انتخاب خودکار پاسخ با کمترین امتیاز اپانورتوز این رقم را تقریباً دو سوم کاهش داد (از 59.9 به 20.9 مورد در هر ده هزار کلمه)، که نویسنده می‌گوید به حفظ فرمول طبیعی‌تر تمایل دارد زیرا نتیجه‌ای را انتخاب می‌کند که مدل واقعاً تولید کرده است. درخواست از مدل برای بازنویسی پیش نویس خود به طور مثبت سرعت را در هر سه ژانر به صفر رساند، به همان روشی که آداپتور تمام قدرت از سرعت انسان فراتر رفت.

آنچه مدل می تواند در مورد زبان بگوید

بوگیا با عقب نشینی از آزمون های مهندسی، پیشنهاد می کند که ظهور خود به خود یک شخصیت بلاغی دو هزار ساله در شبکه های عصبی ممکن است به الگوهای ساختاری عمیق تر در خود زبان اشاره کند. در خوانش نویسنده، ارقامی مانند epanorthosis می‌توانند به‌عنوان الگوهایی عمل کنند که زبان به طور طبیعی به آنها می‌نشیند، که سخنوران کلاسیک از طریق شهود کشف می‌کنند و الگوهای زبانی از طریق احتمال به آن می‌رسند. نویسنده استدلال می‌کند که چالش عملی این است که هم به مدل‌ها و هم به نویسندگان انسانی آموزش دهیم که تشخیص دهند چه زمانی اصلاح خود مناسب است، در حالی که از خطری که نویسندگان انسانی شروع به اتخاذ عادات تکراری ماشین‌ها می‌کنند محافظت می‌کنند.

هشدارها و راهنمایی های آینده

مانند تمام تحقیقات، نکاتی وجود دارد که باید هنگام تفسیر این یافته ها در نظر گرفت. این مقاله یک پیش چاپ است که هنوز توسط همتایان مورد بررسی قرار نگرفته است، بنابراین یافته ها باید به عنوان مقدماتی تلقی شوند. علاوه بر این، اندازه‌گیری‌های ژانر انگلیسی و نمایش محرک سه اندازه از خانواده‌ای از مدل‌ها را آزمایش کرد که یک فرآیند یادگیری واحد را به اشتراک می‌گذاشتند، بنابراین نتایج نمی‌توانند ویژگی‌های این محیط خاص را از مدل‌هایی که برای پیروی از دستورالعمل‌ها به طور کلی تنظیم شده‌اند، جدا کند. این مطالعه همچنین به طور مستقیم مدل‌های خط پایه خام را با نسخه‌های تنظیم‌شده با بازخورد انسانی برای آزمایش اینکه آیا تنظیم ترجیحی باعث ایجاد عادت می‌شود، مقایسه نکرد.

چندین محدودیت اندازه گیری نیز بر مقایسه های پایه تأثیر می گذارد. آشکارساز خودکار فقط عبارات سطحی “نه X بلکه Y” را تشخیص می دهد، نسخه انگلیسی مورد استفاده در مطالعه ژانر اصلی هرگز به طور جداگانه تایید نشد، و اعتبار ایتالیایی نشان داد که آشکارساز کنتراست های بسیار ساده را در نوشته های انسانی نشان می دهد، و خطوط پایه انسانی را به کمترین اطمینان بخشی از هر مقایسه تبدیل می کند.

خطوط پایه انسانی نیز در آن دوران باریک یا ناسازگار بود. مبانی گفتار، داستان و استدلال انگلیسی از آثار با مالکیت عمومی مربوط به قرن نوزدهم و اوایل قرن بیستم آمده است، و معیارهای استدلالی بر اساس یک کتاب به زبان انگلیسی (Mill’s از آزادی) و یک نویسنده تاریخی به زبان ایتالیایی (Cesare Beccaria).

در نهایت، آزمایش‌های تعدیل بر روی نمونه‌های آزمایشی کوچک، با استفاده از 12 متن در هر ژانر در هر شرایط برای آزمون سریع و شش پیام با شش خروجی برای آزمون‌های آداپتور، تکیه کردند. آداپتور نورد نیز بر روی یک مدل کوچکتر با وزن باز به جای مدل های تجاری مورد استفاده در مطالعه ژانر آموزش و آزمایش شد و نویسنده تأیید کرد که آداپتور از طریق خواندن غیررسمی به جای آزمایش رسمی معنی را حفظ می کند. کار آینده نیاز به مقایسه مدل‌های توسعه‌دهندگان مختلف، اعتبارسنجی آشکارسازها در زبان‌های مختلف، و اعمال بررسی‌های رسمی برای معنادار بودن و مناسب بودن انسان دارد.

مطالعه “Epanorthosis مصنوعی: چرا مدل های اصلی زبان از یک شکل گفتاری کلاسیک بیش از حد استفاده می کنند و چگونه می توان آن را کاهش داد” توسط فدریکو بوگیا نوشته شده است.