LLM comme un téléphone arabe : la génération itérative déforme l'information

LLM as a Broken Telephone: Iterative Generation Distorts Information

February 27, 2025

Auteurs: Amr Mohamed, Mingmeng Geng, Michalis Vazirgiannis, Guokan Shang

cs.AI

Résumé

Alors que les grands modèles de langage sont de plus en plus responsables du contenu en ligne, des inquiétudes surgissent concernant l'impact du traitement répété de leurs propres sorties. Inspiré par l'effet du "téléphone arabe" dans la communication humaine en chaîne, cette étude examine si les LLM déforment de manière similaire l'information à travers des générations itératives. Grâce à des expériences basées sur la traduction, nous constatons que la distorsion s'accumule au fil du temps, influencée par le choix de la langue et la complexité de la chaîne. Bien que la dégradation soit inévitable, elle peut être atténuée par des techniques de promptage stratégiques. Ces résultats contribuent aux discussions sur les effets à long terme de la propagation d'information médiée par l'IA, soulevant d'importantes questions sur la fiabilité du contenu généré par les LLM dans des workflows itératifs.

English

As large language models are increasingly responsible for online content, concerns arise about the impact of repeatedly processing their own outputs. Inspired by the "broken telephone" effect in chained human communication, this study investigates whether LLMs similarly distort information through iterative generation. Through translation-based experiments, we find that distortion accumulates over time, influenced by language choice and chain complexity. While degradation is inevitable, it can be mitigated through strategic prompting techniques. These findings contribute to discussions on the long-term effects of AI-mediated information propagation, raising important questions about the reliability of LLM-generated content in iterative workflows.