LLM come un Telefono Rotto: La Generazione Iterativa Distorce le Informazioni

LLM as a Broken Telephone: Iterative Generation Distorts Information

February 27, 2025

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

cs.AI

Abstract

Man mano che i modelli linguistici di grandi dimensioni diventano sempre più responsabili dei contenuti online, sorgono preoccupazioni riguardo all'impatto del processamento ripetuto dei loro stessi output. Ispirati dall'effetto del "telefono senza fili" nella comunicazione umana in catena, questo studio indaga se i modelli linguistici distorcano analogamente le informazioni attraverso la generazione iterativa. Attraverso esperimenti basati sulla traduzione, scopriamo che la distorsione si accumula nel tempo, influenzata dalla scelta della lingua e dalla complessità della catena. Sebbene il degrado sia inevitabile, può essere mitigato attraverso tecniche strategiche di prompting. Questi risultati contribuiscono alle discussioni sugli effetti a lungo termine della propagazione delle informazioni mediate dall'IA, sollevando importanti interrogativi sull'affidabilità dei contenuti generati dai modelli linguistici in flussi di lavoro iterativi.

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.