The em-dash em-beds in Congress: A population-level rise in em-dash frequency in U.S. congressional press releases at the dawn of the large-language-model era, 2021-2025
一项预注册研究分析了2021-2025年间美国国会办公室发布的146,239份新闻稿，发现无空格破折号（em-dash）密度在2021-2024年间保持在每千字符0.10-0.12，2025年升至0.217，超过四年基线的两倍；含此类破折号的新闻稿比例从约13%升至24.8%。2023-2025年与2021-2022年的频率比为1.55（95% CI 1.28-1.93），略高于预设的1.5倍阈值。262个连续办公室中75.6%的破折号使用增加，连字符密度保持稳定。
发展脉络
- 首次出现The em-dash em-beds in Congress: A population-level rise in em-dash frequency in U.S. congressional press releases at the dawn of the large-language-model era, 2021-2025arXiv cs.CL
- 当前判断LLM在专业写作中的渗透可能留下可检测的文体痕迹，这为内容来源审计和AI生成内容监管提供了新工具。随着LLM在政府、媒体等领域的应用增加，此类检测方法可能成为合规和透明度要求的一部分。Agent Pulse · 分析
一项预注册研究（OSF: 10.17605/OSF.IO/U5NEY）分析了2021-2025年间美国国会办公室发布的146,239份新闻稿，发现无空格破折号（em-dash）的使用频率在2025年显著上升。破折号密度从2021-2024年的每千字符0.10-0.12升至2025年的0.217，超过两倍；含此类破折号的新闻稿比例从约13%升至24.8%。2023-2025年与2021-2022年的频率比为1.55（95% CI 1.28-1.93），略高于预设的1.5倍阈值。研究还发现，262个连续办公室中75.6%的破折号使用增加，而连字符密度保持稳定，表明这一变化是净新增的。研究认为，这一现象可能反映了大型语言模型（LLM）在国会新闻稿写作中的使用痕迹，因为无空格破折号在LLM生成的文本中常见，但不符合美联社风格指南。
该研究提供了一种通过文体特征（如无空格破折号）检测LLM生成文本的方法，并验证了其在大规模真实语料中的可行性。预注册设计和统计模型（泊松/负二项回归）增强了结论的可靠性。未来可进一步探索其他文体标记（如词汇多样性、句长分布）的组合，以提高检测精度。
LLM在专业写作中的渗透可能留下可检测的文体痕迹，这为内容来源审计和AI生成内容监管提供了新工具。随着LLM在政府、媒体等领域的应用增加，此类检测方法可能成为合规和透明度要求的一部分。
对于提供AI写作工具或内容检测服务的公司，该研究揭示了潜在的市场需求：企业或机构可能希望检测文本是否由AI生成，以确保合规或维护品牌一致性。这为开发相关产品提供了依据。
后续研究可能扩展至其他文体特征和更多语料库，以验证LLM痕迹的普遍性。同时，LLM的文体也可能随训练数据变化而演变，检测方法需持续更新。