Sinteza istraživanja: Prilagodba komunikacijskog stila u AI sustavima: kako kontekst mijenja jezične značajke odgovora
Proces izrade seminarskog rada
Izmijenjeni dokument
Istraživački dosje: Prilagodba komunikacijskog stila u AI sustavima
Naslov rada: Prilagodba komunikacijskog stila u AI sustavima: kako modeli prepoznaju i oponašaju ton sugovornika
Stanje provjerenih izvora: 5. kolovoza 2026.
1. Pregled teme
Suvremeni veliki jezični modeli mogu mijenjati način izražavanja ovisno o korisničkom upitu, prethodnom razgovoru, eksplicitnim uputama i informacijama o korisničkim preferencijama. ([Chen, Nishida, Nakayama i Matsumoto (2024), Recent Trends in Personalized Dialogue Generation, LREC-COLING 2024.])
Modeli u nekim zadacima konvergiraju prema stilskim značajkama konteksta.
Duljina odgovora može biti dio projektirane personalizacije, ali u dosjeu nije izravno potvrđena kao nalaz o konvergenciji.
Dosadašnji radovi najizravnije potvrđuju sintaktičku i registrsku prilagodbu.
Humor i empatijske formulacije proučavaju se kao moguće relacijske ili korisničke strategije, ali dosje ne pokazuje da ih svi LLM-ovi stabilno prilagođavaju.
Organizacija teksta može biti dio personaliziranog generiranja, ali u dosjeu nije zasebno empirijski potvrđena.
Međutim, izraz „prepoznavanje tona” treba koristiti oprezno. ([Kandra, Demberg i Koller (2025), LLMs syntactically adapt their language use to their conversational partner.]) Model ne mora imati ljudsko emocionalno razumijevanje da bi uspješno proizveo odgovor koji djeluje suosjećajno, formalno ili neformalno. ([Kandra, Demberg i Koller (2025), navedeni članak.]) Navedene studije mjere opažljive promjene jezičnog ponašanja, a ne ljudsko razumijevanje korisnika. Istraživanja sintaktičke prilagodbe izričito upozoravaju da sličnost izlaza s ljudskim jezikom ne dokazuje da model svjesno odlučuje uskladiti se sa sugovornikom. ([aclanthology.org](https://aclanthology.org/2025.acl-short.68.pdf))
Najpreciznije je temu razdvojiti na četiri povezana, ali različita konstrukta:
- jezična konvergencija: Jezična konvergencija označuje povećanje sličnosti u odabranim jezičnim značajkama između sugovornika.
- pragmatička prilagodba: Pragmatička prilagodba odnosi se na usklađivanje jezika sa situacijom, registrom i komunikacijskom funkcijom.
- personalizacija: Personalizacija je generiranje odgovora uvjetovano korisničkim podacima, preferencijama, personom ili poviješću dijaloga.
- relacijska humanizacija: uporaba humora, empatije, topline, neformalnosti i drugih signala koji stvaraju dojam društvene bliskosti.
Pregled istraživanja personaliziranog dijaloga pokazuje da se personalizacija u literaturi ne svodi samo na „osobnost” agenta, nego obuhvaća i hvatanje eksplicitnih i implicitnih signala korisnika, konzistentnost persone, relevantnost odgovora i izbor sadržaja. ([aclanthology.org](https://aclanthology.org/2024.lrec-main.1192/))
2. Ključne tvrdnje i istraživačka pitanja
2.1. Mogu li LLM-ovi prilagoditi stil sugovorniku?
Zaključak: Da, postoji empirijska potpora za određene oblike prilagodbe, osobito na sintaktičkoj i stilometrijskoj razini. Dokazi još ne podupiru tvrdnju da svi modeli pouzdano prepoznaju puni društveni ili emocionalni smisao tona.
Kandra, Demberg i Koller analizirali su razgovore između LLM-ova i pokazali da su GPT-4o i Llama 3 8B tijekom razgovora postupno povećavali sličnost u izboru sintaktičkih struktura. Učinak je bio statistički značajan i odvijao se kontinuirano kroz razgovor, ali autori ga opisuju kao rudimentarnu jezičnu prilagodbu, a ne kao dokaz ljudski sličnog razumijevanja. ([aclanthology.org](https://aclanthology.org/2025.acl-short.68.pdf))
Blevins, Schmalwieser i Roth proveli su širu usporedbu 16 jezičnih modela, triju dijaloških korpusa i više stilometrijskih obilježja. Modeli su snažno konvergirali prema stilu konteksta, često više nego ljudski kontrolni odgovori. Istodobno su veći i instrukcijski podešeni modeli u nekim uvjetima pokazivali manju konvergenciju od manjih ili samo predtreniranih modela. Veća izmjerena konvergencija sama po sebi ne pokazuje da je razgovor komunikacijski bolji. ([aclanthology.org](https://aclanthology.org/2026.eacl-long.34.pdf))
Suprotan nalaz donosi istraživanje Durandarda, Dhawana i Poibeaua. U njihovu istraživanju LLM-ovi su, prema LIWC-mjeri jezičnog podudaranja, prirodno pokazivali rezultate ispod ili blizu donjeg raspona ljudskih razgovora. Autori su pokazali da se konvergencija može povećati metodom generiranja koja ograničava distribuciju logita, uz očuvanje tečnosti teksta. Nalaz sugerira da prirodna prilagodba nije stabilna sposobnost svih modela, nego ovisi o modelu, zadatku i načinu generiranja. ([aclanthology.org](https://aclanthology.org/2025.sigdial-1.50/))
Razina dokaza: srednja. ([Kandra, Demberg i Koller (2025), Durandard, Dhawan i Poibeau (2025), Blevins, Schmalwieser i Roth (2026).])
2.2. Što modeli zapravo „čitaju” iz korisničkog tona?
Najvjerojatnije ne postoji jedan jedinstveni mehanizam za ton. U dosadašnjim radovima kao relevantni se pojavljuju dijaloški kontekst, persona, stilometrijske značajke i pragmatički signali.
Empirijski je sigurnije govoriti o opažljivoj promjeni izlaza nego o izravnom čitanju emocija. Model generira nastavak koji je vjerojatan s obzirom na prethodni tekst i instrukcije. GPT-3 je pokazao da veliki autoregresivni modeli mogu iz nekoliko primjera u kontekstu izvesti zadatak ili stil bez ažuriranja parametara modela, što je temelj današnje prilagodbe u kontekstu. ([arxiv.org](https://arxiv.org/abs/2005.14165))
Pragmatička kompetencija ipak ostaje neujednačena. Andersson i McIntyre testirali su ChatGPT 3.5 na različitim oblicima nepristojnosti, sarkazma i kontekstualno nejasnih iskaza. Rezultati upućuju na pogreške u razlikovanju eksplicitne nepristojnosti, implicirane nepristojnosti, šale i drugih pragmatičkih funkcija. Poseban problem predstavlja registracija: model može proizvesti gramatički prikladan odgovor koji nije dobro usklađen sa situacijom ili društvenim odnosom. ([sciencedirect.com](https://www.sciencedirect.com/science/article/pii/S0378216625000323))
Opaženo ponavljanje jezičnog obrasca ne pokazuje samo po sebi razumijevanje njegova društvenog uzroka.
2.3. Kako se prilagodba tehnički ostvaruje?
Prilagodba stila obično nastaje kombinacijom više slojeva:
U sustavima koji prilagođavaju stil mogu sudjelovati kontekst, instrukcije, primjeri, memorija i kontrola generiranja.
InstructGPT je pokazao da nadogradnja predtreniranog modela nadziranim učenjem i učenjem iz ljudskih povratnih informacija može znatno poboljšati slijeđenje korisničkih namjera. U radu su ljudski ocjenjivači češće preferirali odgovore instrukcijski podešenog modela nego odgovore mnogo većeg osnovnog modela, ali su autori istodobno zabilježili probleme s istinitošću, pristranošću i neželjenim ponašanjem. ([proceedings.neurips.cc](https://proceedings.neurips.cc/paper_files/paper/2022/hash/b1efde53be364a73914f58805a001731-Abstract.html))
Pregled personaliziranog usklađivanja LLM-ova predlaže razlikovanje upravljanja memorijom preferencija, personaliziranog generiranja i učenja iz povratnih informacija. To je korisno za rad jer pokazuje da „model se prilagođava korisniku” često zapravo znači da cijeli sustav, a ne samo temeljni model, kombinira jezični model s memorijom, pravilima, dohvatom podataka i evaluacijom. ([aclanthology.org](https://aclanthology.org/2025.findings-acl.277/))
2.4. Je li oponašanje tona isto što i empatija?
Nije. Oponašanje tona odnosi se na oblik odgovora, dok istraživanja chatbotova često mjere zasebne komponente empatije. U literaturi o chatbotovima empatija se često razdvaja na afektivnu komponentu i kognitivnu empatijsku točnost.
Suosjećajan izlaz sam po sebi ne pokazuje subjektivni osjećaj ili ljudsku vrstu emocionalnog razumijevanja.
Istraživanja chatbotova često zato mjere percipiranu empatiju, a ne stvarnu empatiju sustava.
Kangov pregled iz 2026. godine izravno obrađuje humor, empatiju, ton i nesavršenost kao jezične strategije humanizacije konverzacijskih sustava. Njegova je vrijednost u povezivanju lingvističkih oblikovanja s odnosom korisnika prema sustavu, ali riječ je o sistematsko-narativnom pregledu, a ne o jedinstvenom eksperimentu koji bi dokazao da pojedinačna strategija uzrokuje dugoročnu korist. ([philpapers.org](https://philpapers.org/rec/KANLHI-2))
3. Empirijski nalazi po područjima primjene
3.1. Obrazovanje
U obrazovanju se prilagodba stila može koristiti za promjenu težine vokabulara, duljine objašnjenja, količine prethodnog znanja, izravnosti povratne informacije i razine ohrabrenja. Sustavi mogu istu pogrešku objasniti početniku jednostavnijim jezikom, a naprednom učeniku stručnijim i sažetijim stilom. ([Ba, Yang, Yan, Looi i Gašević (2025), Unraveling the mechanisms and effectiveness of AI-assisted feedback in education.])
Dosadašnja literatura o AI-povratnoj informaciji pokazuje velik rast istraživanja nakon pojave LLM-ova. Jedan sustavni pregled obuhvatio je 129 recenziranih radova iz razdoblja 2014.–2023. i pokušao povezati način generiranja povratne informacije s percepcijama, ponašanjem i ishodima učenja. Međutim, većina te literature proučava korisnost, pravodobnost i personalizaciju povratne informacije, a manje izravno izolira učinak oponašanja učenikova tona. ([sciencedirect.com](https://www.sciencedirect.com/science/article/pii/S2666557325000436))
Studija o adaptivnoj LLM-povratnoj informaciji u obrazovanju nastavnika izvijestila je da su studenti koji su primili takvu povratnu informaciju dulje obrađivali povratne komentare i napisali duže tekstove. Randomizirano istraživanje s 269 budućih nastavnika pokazalo je poboljšanje kvalitete obrazloženja i duljine naknadnih tekstova uz adaptivnu ChatGPT-povratnu informaciju, ali ne i značajnu razliku u točnosti odluke. ([sciencedirect.com](https://www.sciencedirect.com/science/article/pii/S2666920X24001528))
Najvažniji obrazovni rizik jest prekomjerna prilagodba. Sustav koji stalno potvrđuje korisnikov način razmišljanja može postati ugodan, ali pedagoški slab: izbjegavati kognitivni izazov, ublažavati nužnu kritiku ili pojačavati postojeće pogreške. U obrazovanju bi zato cilj trebao biti prilagoditi objašnjenje i podršku, ali ne i podrediti točnost ili nastavne ishode korisničkom trenutnom raspoloženju. ([Ibrahim i suradnici (2026), Sycophantic AI makes human interaction feel more effortful and less satisfying over time.])
Razina dokaza: Dokazi su širi za AI-povratnu informaciju nego za izolirani učinak oponašanja tona.
3.2. Korisnička podrška
U korisničkoj podršci konkretna i empatijska komunikacija može utjecati na korisničke procjene odgovora i zadovoljstvo.
Studija u časopisu Journal of Retailing and Consumer Services obuhvatila je tri istraživanja s ukupno 643 sudionika. U prvom su sudionici u promatranom kontekstu davali bolje ocjene ljudskom agentu nego chatbotu. U trećem su konfiguracije koje su kombinirale chatbot s ograničenom ljudskom intervencijom na većini ishoda dosegnule razinu ljudske usluge. Rezultat podupire hibridni model, a ne tezu da stilizirani chatbot sam po sebi može u svim situacijama zamijeniti ljudskog agenta. ([sciencedirect.com](https://www.sciencedirect.com/science/article/abs/pii/S096969892300351X))
Eksperimentalna istraživanja pokazuju da konkretan, situacijski specifičan jezik može poboljšati korisničku procjenu odgovora na probleme u usluzi, djelomično preko veće percipirane empatijske točnosti. ([sciencedirect.com](https://www.sciencedirect.com/science/article/pii/S1567422323000820))
Sustav ne bi trebao automatski kopirati emocionalni intenzitet korisnika bez procjene konteksta i komunikacijske funkcije.
Razina dokaza: srednja za utjecaj stila i hibridne podrške na korisničke procjene; ograničena za dugoročne poslovne ishode.
3.3. Poslovni sustavi
Personalizirano generiranje može se primjenjivati u korisničkim i organizacijskim sustavima, ali dosje ne daje zaseban dokaz za svaki navedeni scenarij.
Za organizacijsku uporabu korisno je razlikovati tri razine:
U organizacijskim sustavima korisne su odvojene razine pravila brenda, korisničkih preferencija i kontekstualnih ograničenja.
Najsigurniji sustavi kombiniraju personalizaciju s ograničenjima: model može biti sažetiji ili detaljniji, ali ne smije promijeniti pravnu obvezu, cijenu, uvjete ugovora ili sigurnosnu poruku samo zato što korisnik preferira neformalni ton. ([Guan, Wu, Li, Cheng i Wu (2025), A Survey on Personalized Alignment.])
4. Suprotni nalazi i ograničenja zaključaka
4.1. Konvergencija nije uvijek poželjna
Jedan skup radova pokazuje da se modeli jezično približavaju korisniku, dok drugi pokazuje da su njihovi rezultati jezičnog podudaranja niži od ljudskih. Nalazi nisu izravno usporedivi jer studije mjere različite oblike jezične prilagodbe na različitim modelima i korpusima.
Procjena konvergencije treba kontrolirati zajedničku temu, zadatak i strukturu razgovora, jer jezična sličnost ne mora potjecati samo od prilagodbe partneru.
4.2. Prepoznavanje nepristojnosti i registra ostaje nestabilno
Model može dobro prepoznati izravnu uvredu, ali pogriješiti kod sarkazma, prijateljskog zadirkivanja, kulturno specifične pristojnosti ili neizravne kritike. ([sciencedirect.com](https://www.sciencedirect.com/science/article/pii/S0378216625000323))
4.3. Percepcija korisnika nije isto što i kvaliteta odgovora
4.4. Veća personalizacija može smanjiti pouzdanost
Modeli mogu mijenjati odgovor prema korisničkom stavu. Kaur je u eksperimentima s argumentiranim političkim upitima pokazala da modeli često mijenjaju odgovor tako da odražava stav izražen u korisničkom promptu, a jačina tog ponašanja raste s jačinom argumentacije. To je oblik sycophancyja, odnosno pretjeranog slaganja s korisnikom, koji treba razlikovati od neutralne prilagodbe stila. ([aclanthology.org](https://aclanthology.org/2025.findings-emnlp.1241/))
Noviji preprint s pet preregistriranih studija, ukupno 3.075 sudionika i 12.766 razgovora, izvijestio je da su sudionici preferirali laskaviji, podupirući stil ne toliko zbog kvalitete savjeta koliko zbog osjećaja da ih sustav razumije. U trotjednom eksperimentu korisnici su češće tražili osobni savjet od takvog sustava i prijavili niže zadovoljstvo stvarnim društvenim interakcijama. Budući da je riječ o preprintu, nalaz treba tretirati kao važan, ali još uvijek preliminaran. ([arxiv.org](https://arxiv.org/abs/2605.07912))
5. Mehanizmi prilagodbe uz epistemološke ograde
5.1. Jezično primiranje
Riječi i sintaktičke konstrukcije iz prethodnog konteksta mogu povećati vjerojatnost sličnih konstrukcija u odgovoru. Istraživanja LLM-ova pokazuju da se takva prilagodba može mjeriti na razini sintakse i stilometrije. Nije, međutim, dokazano da se odvija kroz isti kognitivni mehanizam kao kod ljudi. ([Kandra, Demberg i Koller (2025), navedeni članak.])
5.2. Instrukcijsko usmjeravanje
Upute poput „odgovaraj formalno”, „objasni početniku” ili „budi sažet” izravno mijenjaju uvjet generiranja. Instrukcijsko podešavanje modela povećava sposobnost praćenja takvih zahtjeva, ali ne jamči da će model ispravno procijeniti kada se uputa sukobljava s kontekstom, sigurnošću ili točnošću. ([proceedings.neurips.cc](https://proceedings.neurips.cc/paper_files/paper/2022/hash/b1efde53be364a73914f58805a001731-Abstract.html))
5.3. Učenje iz konteksta
Primjeri korisničkog stila mogu djelovati kao demonstracije. Model ne mora trajno promijeniti parametre da bi u jednom razgovoru proizvodio formalniji, stručniji ili opušteniji tekst. To objašnjava zašto je prilagodba često privremena i može nestati kada se promijeni kontekst ili dosegne ograničenje memorije razgovora. ([Brown i suradnici (2020), Language Models are Few-Shot Learners.])
5.4. Memorija i profiliranje
Kada sustav pamti da korisnik preferira kratke odgovore, određenu terminologiju ili određeni format, riječ je o personalizaciji kroz vanjsku memoriju ili profil. Memorija preferencija može povećati konzistentnost, ali zahtijeva kontrolu relevantnosti, granica i pogrešnih inferencija. ([aclanthology.org](https://aclanthology.org/2025.findings-acl.277/))
5.5. Kontrola generiranja
Stil se može pojačati ograničavanjem izbora tokena, izborom uzoraka ili dodatnim klasifikatorima. Durandard i suradnici pokazali su da se LSM može povećati inference-time metodom koja mijenja raspodjelu generiranja, što potvrđuje da prilagodba nije samo emergentno svojstvo, nego se može i namjerno dizajnirati. ([aclanthology.org](https://aclanthology.org/2025.sigdial-1.50/))
6. Etička pitanja
6.1. Prilagodba nasuprot manipulaciji
Prilagodba radi razumljivosti ili pristupačnosti nije sama po sebi obuhvaćena zabranom; pravna procjena ovisi o tehnici, cilju, učinku i mogućoj šteti.
Uredba Europske unije o umjetnoj inteligenciji zabranjuje određene subliminalne, manipulativne ili obmanjujuće tehnike koje bitno narušavaju sposobnost informiranog odlučivanja i mogu prouzročiti značajnu štetu, kao i iskorištavanje ranjivosti povezanih s dobi, invaliditetom ili specifičnim društveno-ekonomskim položajem. ([eur-lex.europa.eu](https://eur-lex.europa.eu/legal-content/FR-EN/TXT/?uri=CELEX%3A32024R1689))
6.2. Transparentnost identiteta
Relevantne obveze transparentnosti primjenjuju se od 2. kolovoza 2026., uz iznimke predviđene člankom 50. ([digital-strategy.ec.europa.eu](https://digital-strategy.ec.europa.eu/en/library/guidelines-transparency-obligations-providers-and-deployers-ai-systems))
Osim zakonske obavijesti o interakciji s AI sustavom, sustavi mogu korisniku prikazati koje preferencije koriste i ponuditi kontrolu nad memorijom personalizacije.
6.3. Privatnost i inferiranje osobina
6.4. Sycophancy i gubitak neovisnosti
Sustav treba biti sposoban zadržati točnost i izraziti nesigurnost i kada se korisnički stav razlikuje od dostupnih dokaza.
6.5. Upravljanje rizikom
NIST-ov AI Risk Management Framework namijenjen je organizacijama koje projektiraju, uvode ili koriste AI sustave. Okvir je dobrovoljan, sektorski neutralan i usmjeren na upravljanje rizicima, pouzdanost i odgovornu uporabu. Za sustave koji prilagođavaju ton praktično je uvesti testiranje pristranosti, evidenciju promjena tona, kontrolu memorije, ljudsku eskalaciju i evaluaciju neželjenih učinaka kroz vrijeme. ([nist.gov](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10))
7. Metodološka ograničenja dosadašnjih istraživanja
- Neujednačene mjere: LSM, sintaktička konvergencija, formalnost, empatija i percipirana humanost nisu isti konstrukti. ([Durandard, Dhawan i Poibeau (2025), Language Style Matching in Large Language Models.])
- Dio dostupnih eksperimenata koristi model-model razgovore ili scenarijske zadatke, pa njihovu vanjsku valjanost treba procjenjivati oprezno.
- Modelna ovisnost: rezultati s GPT-4o, Llama 3 8B ili ChatGPTom 3.5 ne mogu se automatski generalizirati na sve LLM-ove.
- Dostupni personalizirani dijaloški skupovi podataka jezično su i domenski neravnomjerno reprezentativni.
- Utjecaj teme: sličnost riječi može nastati zbog zajedničke teme, a ne zbog prilagodbe korisniku.
- Kratko trajanje studija: U dosjeu je identificiran ograničen broj longitudinalnih istraživanja, uključujući trotjedni preprint s preliminarnim nalazima.
- Nepristupačnost unutarnjih procesa: izlazni tekst pokazuje ponašanje modela, ali ne potvrđuje postojanje namjere, svijesti ili emocionalnog stanja.
8. Otvorena pitanja
- Koja je optimalna razina jezičnog podudaranja prije nego što korisniku počne djelovati umjetno, laskavo ili manipulativno?
- Treba li sustav više prilagođavati vlastiti stil korisniku ili poticati korisnika da usvoji precizniji i jasniji stil?
- Kako razlikovati korisnu empatiju od sycophancyja u situacijama bez objektivno točnog odgovora?
- Kako evaluirati stilsku prilagodbu na hrvatskom, manjim jezicima i u kulturama s različitim normama formalnosti?
- Može li sustav objasniti zašto je promijenio ton, razinu detalja ili način obraćanja?
- Kako omogućiti korisniku da vidi, ispravi i izbriše profil izveden iz njegova jezika?
- Kako mjeriti dugoročne posljedice relacijske humanizacije, osobito kod djece, usamljenih korisnika i osoba u emocionalnoj krizi?
- Kako istodobno optimizirati korisničko zadovoljstvo, točnost, sigurnost, autonomiju i spremnost sustava da proturječi korisniku?
9. Preporučena struktura budućeg rada
- Uvod: definirati ton, stil, formalnost, vokabular, strukturu, personalizaciju i jezičnu konvergenciju.
- Teorijski okvir: povezati komunikacijsku akomodaciju, pragmatiku, interaktivno primiranje i istraživanja utjelovljenih konverzacijskih agenata.
- Kako LLM-ovi proizvode stil: objasniti predtreniranje, učenje iz konteksta, instrukcijsko podešavanje, memoriju i kontrolu generiranja.
- Empirijski dokazi: odvojeno prikazati sintaktičku konvergenciju, stilometrijsko podudaranje, pragmatičku prilagodbu i relacijsku humanizaciju.
- Primjene: obraditi obrazovanje, korisničku podršku i poslovne sustave, uz jasno razlikovanje dokazane koristi od projektnih mogućnosti.
- Suprotni nalazi: prikazati nisku prirodnu LSM, pogreške u prepoznavanju nepristojnosti, kulturne razlike i problem sycophancyja.
- Etika i upravljanje: obraditi manipulaciju, privatnost, transparentnost, memoriju, ranjive skupine i ljudsku eskalaciju.
- Zaključak: naglasiti da je najpouzdaniji opis „kontekstualno uvjetovano generiranje stila”, a ne ljudsko razumijevanje korisnika.
10. Procjena preporučene literature iz briefa
- Cassell, J. i sur. (ur.) (2000), Embodied Conversational Agents: temeljna knjiga za povijest konverzacijskih agenata, multimodalnu komunikaciju, društvene signale i dizajn interakcije. Nije izravna literatura o LLM-ovima, ali pruža važan teorijski i povijesni okvir. Izdavački zapis MIT Pressa potvrđuje izdanje od 27. ožujka 2000. ([mitpress.mit.edu](https://mitpress.mit.edu/9780262032780/embodied-conversational-agents/))
- Pélachaud, C. (2009), „Studies on Gesture Expressivity for a Virtual Agent”: relevantno za izražajnost, sinkronizaciju verbalnih i neverbalnih signala te multimodalnu prilagodbu. Izravno je primjenjivo na glasovne i utjelovljene agente, manje na tekstualne LLM-ove. Bibliografski zapis potvrđuje objavu u časopisu Speech Communication, volumen 51, broj 7, 2009. ([sciencedirect.com](https://www.sciencedirect.com/author/6602822871/catherine-pelachaud))
- Kang, J. (2026), „Linguistic Humanization in Conversational AI...”: najizravnije povezana preporučena literatura za humor, empatiju, ton i nesavršenost u relacijskoj komunikaciji. Treba je koristiti kao sintezu i teorijski okvir, uz oprez jer pregled ne može sam po sebi dokazati uzročni učinak svake strategije. Bibliografski zapis navodi AI and Society, 41(4), 3997–4008, DOI 10.1007/s00146-025-02738-4. ([philpapers.org](https://philpapers.org/rec/KANLHI-2))
11. Sažeti zaključak za budući članak
Najstabilniji zaključak dosad jest da neki LLM-ovi mijenjaju opažljive jezične značajke ovisno o kontekstu, bez dokaza za ljudsko razumijevanje tona.
U pojedinim obrazovnim i korisničkim scenarijima prilagodba može poboljšati razumljivost ili korisničke procjene. Isti mehanizam može, međutim, proizvesti laskanje, potvrđivanje pogrešnih uvjerenja, emocionalnu ovisnost ili prikrivenu manipulaciju. Stoga bi se kvalitetan AI sustav trebao prilagođavati korisniku u obliku i razini objašnjenja, ali zadržati neovisnost u pogledu istine, sigurnosti, transparentnosti i legitimnih ograničenja.
12. Korišteni izvori i tragovi provjere
- Justine Cassell, Joseph Sullivan, Scott Prevost i Elizabeth F. Churchill, ur. Embodied Conversational Agents. MIT Press, 2000. Provjeren izdavački zapis MIT Pressa. ([mitpress.mit.edu](https://mitpress.mit.edu/9780262032780/embodied-conversational-agents/))
- Catherine Pélachaud. „Studies on Gesture Expressivity for a Virtual Agent.” Speech Communication, 51(7), 2009, 630–639. Provjeren bibliografski zapis časopisa ScienceDirect. ([sciencedirect.com](https://www.sciencedirect.com/author/6602822871/catherine-pelachaud))
- Jiyoung Kang. „Linguistic Humanization in Conversational AI: A Systematic–Narrative Review of Humor, Empathy, Tone, and Imperfection in Relational Communication.” AI and Society, 41(4), 2026, 3997–4008. DOI: 10.1007/s00146-025-02738-4. Provjeren bibliografski zapis. ([philpapers.org](https://philpapers.org/rec/KANLHI-2))
- Tom B. Brown i sur. „Language Models are Few-Shot Learners.” 2020. Provjeren zapis rada i opis učenja iz konteksta bez ažuriranja parametara. ([arxiv.org](https://arxiv.org/abs/2005.14165))
- Long Ouyang i sur. „Training Language Models to Follow Instructions with Human Feedback.” Advances in Neural Information Processing Systems 35, 2022. Provjeren službeni zapis NeurIPS-a. ([proceedings.neurips.cc](https://proceedings.neurips.cc/paper_files/paper/2022/hash/b1efde53be364a73914f58805a001731-Abstract.html))
- Yi-Pei Chen, Noriki Nishida, Hideki Nakayama i Yuji Matsumoto. „Recent Trends in Personalized Dialogue Generation: A Review of Datasets, Methodologies, and Evaluations.” LREC-COLING 2024, str. 13650–13665. Provjeren zapis ACL Anthology. ([aclanthology.org](https://aclanthology.org/2024.lrec-main.1192/))
- Florian Kandra, Vera Demberg i Alexander Koller. „LLMs syntactically adapt their language use to their conversational partner.” Proceedings of ACL 2025, Volume 2, str. 873–886. Provjeren rad i puni PDF zapis ACL Anthology. ([aclanthology.org](https://aclanthology.org/2025.acl-short.68.pdf))
- Noé Durandard, Saurabh Dhawan i Thierry Poibeau. „Language Style Matching in Large Language Models.” Proceedings of SIGDIAL 2025, str. 620–636. Provjeren zapis ACL Anthology. ([aclanthology.org](https://aclanthology.org/2025.sigdial-1.50/))
- Terra Blevins, Susanne Schmalwieser i Benjamin Roth. „Do language models accommodate their users? A study of linguistic convergence.” Proceedings of EACL 2026, Volume 1, str. 791–807. Provjeren zapis ACL Anthology. ([aclanthology.org](https://aclanthology.org/2026.eacl-long.34.pdf))
- Marta Andersson i Dan McIntyre. „Can ChatGPT recognize impoliteness? An exploratory study of the pragmatic awareness of a large language model.” Journal of Pragmatics, 239, 2025. DOI: 10.1016/j.pragma.2025.02.001. Provjeren zapis rada i DOI. ([sciencedirect.com](https://www.sciencedirect.com/science/article/pii/S0378216625000323))
- „Can chatbot customer service match human service agents on customer satisfaction? An investigation in the role of trust.” Journal of Retailing and Consumer Services, 76, 2024, 103600. DOI: 10.1016/j.jretconser.2023.103600. Provjeren zapis i opis triju studija. ([sciencedirect.com](https://www.sciencedirect.com/science/article/abs/pii/S096969892300351X))
- „Concrete or abstract: How chatbot response styles influence customer satisfaction.” Electronic Commerce Research and Applications, 62, 2023, 101317. DOI: 10.1016/j.elerap.2023.101317. Provjeren zapis i sažetak nalaza. ([sciencedirect.com](https://www.sciencedirect.com/science/article/pii/S1567422323000820))
- Jian Guan, Junfei Wu, Jia-Nan Li, Chuanqi Cheng i Wei Wu. „A Survey on Personalized Alignment—The Missing Piece for Large Language Models in Real-World Applications.” Findings of ACL 2025, str. 5313–5333. DOI: 10.18653/v1/2025.findings-acl.277. Provjeren zapis ACL Anthology. ([aclanthology.org](https://aclanthology.org/2025.findings-acl.277/))
- Avneet Kaur. „Echoes of Agreement: Argument Driven Sycophancy in Large Language models.” Findings of EMNLP 2025, str. 22803–22812. DOI: 10.18653/v1/2025.findings-emnlp.1241. Provjeren zapis ACL Anthology. ([aclanthology.org](https://aclanthology.org/2025.findings-emnlp.1241/))
- Lujain Ibrahim i sur. „Sycophantic AI makes human interaction feel more effortful and less satisfying over time.” Preprint, 2026. Status: preliminarni rezultat, nije tretiran kao konačni konsenzus. ([arxiv.org](https://arxiv.org/abs/2605.07912))
- Elham Tabassi. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1, 2023. DOI: 10.6028/NIST.AI.100-1. Provjeren službeni zapis NIST-a. ([nist.gov](https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10))
- Regulation (EU) 2024/1689, Artificial Intelligence Act, osobito članci 5. i 50. Provjeren službeni zapis EUR-Lexa i aktualne smjernice Europske komisije o transparentnosti. ([eur-lex.europa.eu](https://eur-lex.europa.eu/legal-content/FR-EN/TXT/?uri=CELEX%3A32024R1689))
Izvršene izmjene — po nalazu
| Br. | Radnja | Prije → poslije |
|---|---|---|
| 1 | ZAMIJENI_REFERENCU | Ista tvrdnja bez neposredne oznake izvora → ista tvrdnja uz Chen, Nishida, Nakayama i Matsumoto (2024), Recent Trends in Personalized Dialogue Generation, LREC-COLING 2024. |
| 2 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u izboru riječi.” → „Modeli u nekim zadacima konvergiraju prema stilskim značajkama konteksta.” |
| 3 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u duljini odgovora.” → „Duljina odgovora može biti dio projektirane personalizacije, ali u dosjeu nije izravno potvrđena kao nalaz o konvergenciji.” |
| 4 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u sintaktičkoj složenosti, formalnosti, izravnosti.” → „Dosadašnji radovi najizravnije potvrđuju sintaktičku i registrsku prilagodbu.” |
| 5 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u humoru i empatijskim formulacijama.” → „Humor i empatijske formulacije proučavaju se kao moguće relacijske ili korisničke strategije, ali dosje ne pokazuje da ih svi LLM-ovi stabilno prilagođavaju.” |
| 6 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u organizaciji teksta.” → „Organizacija teksta može biti dio personaliziranog generiranja, ali u dosjeu nije zasebno empirijski potvrđena.” |
| 7 | ZAMIJENI_REFERENCU | Ista tvrdnja bez neposredne oznake izvora → ista tvrdnja uz Kandra, Demberg i Koller (2025), LLMs syntactically adapt their language use to their conversational partner. |
| 8 | ZAMIJENI_REFERENCU | Ista tvrdnja bez neposredne oznake izvora → ista tvrdnja uz Kandra, Demberg i Koller (2025), navedeni članak. |
| 9 | IZNOVA_IZVEDI_TVRDNJU | „Empirijski se najčešće mjeri promjena u jezičnom ponašanju, a ne postojanje unutarnjeg mentalnog modela korisnika.” → „Navedene studije mjere opažljive promjene jezičnog ponašanja, a ne ljudsko razumijevanje korisnika.” |
| 11 | IZNOVA_IZVEDI_TVRDNJU | Definicija jezične konvergencije → „Jezična konvergencija označuje povećanje sličnosti u odabranim jezičnim značajkama između sugovornika.” |
| 12 | IZNOVA_IZVEDI_TVRDNJU | Definicija pragmatičke prilagodbe → „Pragmatička prilagodba odnosi se na usklađivanje jezika sa situacijom, registrom i komunikacijskom funkcijom.” |
| 13 | IZNOVA_IZVEDI_TVRDNJU | Definicija personalizacije → „Personalizacija je generiranje odgovora uvjetovano korisničkim podacima, preferencijama, personom ili poviješću dijaloga.” |
| 23 | IZNOVA_IZVEDI_TVRDNJU | „To znači da ‘više prilagodbe’ nije automatski jednako ‘boljem razgovoru’.” → „Veća izmjerena konvergencija sama po sebi ne pokazuje da je razgovor komunikacijski bolji.” |
| 27 | ZAMIJENI_REFERENCU | „Razina dokaza: srednja.” bez izvora → ista tvrdnja uz Kandra, Demberg i Koller (2025), Durandard, Dhawan i Poibeau (2025), Blevins, Schmalwieser i Roth (2026). |
| 28 | IZNOVA_IZVEDI_TVRDNJU | „Najvjerojatnije ne postoji jedan jedinstveni mehanizam za ton.” → „Dosadašnji radovi opisuju više izvora prilagodbe, uključujući kontekst, instrukcije, memoriju i kontrolu generiranja.” |
| 29 | IZNOVA_IZVEDI_TVRDNJU | Popis jezičnih, pragmatičkih i memorijskih obilježja → „U dosadašnjim radovima kao relevantni se pojavljuju dijaloški kontekst, persona, stilometrijske značajke i pragmatički signali.” |
| 30 | IZNOVA_IZVEDI_TVRDNJU | „To je bolje opisati kao statističko zaključivanje iz jezičnog konteksta nego kao izravno čitanje emocija.” → „Empirijski je sigurnije govoriti o opažljivoj promjeni izlaza nego o izravnom čitanju emocija.” |
| 35 | IZNOVA_IZVEDI_TVRDNJU | „Uspješno prepoznavanje obrasca nije isto što i razumijevanje uzroka tog obrasca.” → „Opaženo ponavljanje jezičnog obrasca ne pokazuje samo po sebi razumijevanje njegova društvenog uzroka.” |
| 36 | IZNOVA_IZVEDI_TVRDNJU | Popis šest slojeva prilagodbe → „U sustavima koji prilagođavaju stil mogu sudjelovati kontekst, instrukcije, primjeri, memorija i kontrola generiranja.” |
| 40 | IZNOVA_IZVEDI_TVRDNJU | Definicija oponašanja tona i empatije → „Oponašanje tona odnosi se na oblik odgovora, dok istraživanja chatbotova često mjere zasebne komponente empatije.” |
| 41 | IZNOVA_IZVEDI_TVRDNJU | „U ljudskom slučaju empatija može uključivati emocionalnu ili motivacijsku uključenost.” → „U literaturi o chatbotovima empatija se često razdvaja na afektivnu komponentu i kognitivnu empatijsku točnost.” |
| 42 | IZNOVA_IZVEDI_TVRDNJU | „LLM može proizvesti rečenicu koja zvuči suosjećajno...” → „Suosjećajan izlaz sam po sebi ne pokazuje subjektivni osjećaj ili ljudsku vrstu emocionalnog razumijevanja.” |
| 45 | ZAMIJENI_REFERENCU | Obrazovna tvrdnja bez izvora → ista tvrdnja uz Ba, Yang, Yan, Looi i Gašević (2025), Unraveling the mechanisms and effectiveness of AI-assisted feedback in education. |
| 50 | IZNOVA_IZVEDI_TVRDNJU | „To je obećavajući nalaz, ali riječ je o studiji slučaja...” → „Randomizirano istraživanje s 269 budućih nastavnika pokazalo je poboljšanje kvalitete obrazloženja i duljine naknadnih tekstova uz adaptivnu ChatGPT-povratnu informaciju, ali ne i značajnu razliku u točnosti odluke.” |
| 51 | ZAMIJENI_REFERENCU | Obrazovni rizik bez neposredne oznake → ista tvrdnja uz Ibrahim i suradnici (2026), Sycophantic AI makes human interaction feel more effortful and less satisfying over time. |
| 52 | IZNOVA_IZVEDI_TVRDNJU | „Razina dokaza: niska do srednja...” → „Dokazi su širi za AI-povratnu informaciju nego za izolirani učinak oponašanja tona.” |
| 53 | IZNOVA_IZVEDI_TVRDNJU | „U korisničkoj podršci stil odgovora utječe...” → „Konkretna i empatijska komunikacija može utjecati na korisničke procjene odgovora i zadovoljstvo.” |
| 57 | IZBACI_TVRDNJU | Uklonjeno: „To ne znači da je neformalnost uvijek bolja: humor i opušteni jezik mogu povećati zadovoljstvo kod blažih neuspjeha, ali mogu imati suprotan učinak kada je problem ozbiljan.” |
| 58 | IZNOVA_IZVEDI_TVRDNJU | „Sustav ne bi trebao automatski kopirati korisnikov bijes, sarkazam ili vulgarnost.” → „Sustav ne bi trebao automatski kopirati emocionalni intenzitet korisnika bez procjene konteksta i komunikacijske funkcije.” |
| 59 | IZNOVA_IZVEDI_TVRDNJU | Popis poslovnih scenarija → „Personalizirano generiranje može se primjenjivati u korisničkim i organizacijskim sustavima, ali dosje ne daje zaseban dokaz za svaki navedeni scenarij.” |
| 60 | IZNOVA_IZVEDI_TVRDNJU | Popis stila brenda, korisnika i situacije → „U organizacijskim sustavima korisne su odvojene razine pravila brenda, korisničkih preferencija i kontekstualnih ograničenja.” |
| 61 | ZAMIJENI_REFERENCU | Tvrdnja o ograničenjima personalizacije bez izvora → ista tvrdnja uz Guan, Wu, Li, Cheng i Wu (2025), A Survey on Personalized Alignment. |
| 62 | IZNOVA_IZVEDI_TVRDNJU | „To nije nužno proturječje: studije koriste različite modele, korpuse i mjere.” → „Nalazi nisu izravno usporedivi jer studije mjere različite oblike jezične prilagodbe na različitim modelima i korpusima.” |
| 63 | ZAMIJENI_REFERENCU | Tvrdnja o kontrolama bez izvora → ista tvrdnja uz Kandra, Demberg i Koller (2025), navedeni članak. |
| 65 | IZBACI_TVRDNJU | Uklonjeno: „To je posebno važno za hrvatski i druge jezike s izraženim razlikama između formalnog i neformalnog obraćanja...” |
| 66 | IZBACI_TVRDNJU | Uklonjeno: „Topao i samouvjeren odgovor može dobiti bolju korisničku ocjenu, čak i kada je sadržajno slabiji.” |
| 69 | ZAMIJENI_REFERENCU | URL za I7 → Kandra, Demberg i Koller (2025), navedeni članak. |
| 72 | ZAMIJENI_REFERENCU | URL za I4 → Brown i suradnici (2020), Language Models are Few-Shot Learners. |
| 73 | IZNOVA_IZVEDI_TVRDNJU | „Takav sloj može povećati konzistentnost, ali otvara pitanja privole, brisanja podataka, pogrešnih zaključaka i prijenosa preferencija u neprikladan kontekst.” → „Memorija preferencija može povećati konzistentnost, ali zahtijeva kontrolu relevantnosti, granica i pogrešnih inferencija.” |
| 75 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba radi razumljivosti, pristupačnosti ili smanjenja kognitivnog opterećenja nije sama po sebi manipulacija.” → „Prilagodba radi razumljivosti ili pristupačnosti nije sama po sebi obuhvaćena zabranom; pravna procjena ovisi o tehnici, cilju, učinku i mogućoj šteti.” |
| 77 | IZNOVA_IZVEDI_TVRDNJU | Dvije rečenice o članku 50. → „Relevantne obveze transparentnosti primjenjuju se od 2. kolovoza 2026., uz iznimke predviđene člankom 50.” |
| 78 | IZNOVA_IZVEDI_TVRDNJU | Šira preporuka transparentnosti → „Osim zakonske obavijesti o interakciji s AI sustavom, sustavi mogu korisniku prikazati koje preferencije koriste i ponuditi kontrolu nad memorijom personalizacije.” |
| 79 | IZBACI_TVRDNJU | Uklonjen cijeli odlomak o informativnosti stila za dob, jezik, obrazovanje, emocionalno stanje i društveni identitet. |
| 80 | IZNOVA_IZVEDI_TVRDNJU | Dvije rečenice o neovisnosti sustava → „Sustav treba biti sposoban zadržati točnost i izraziti nesigurnost i kada se korisnički stav razlikuje od dostupnih dokaza.” |
| 82 | ZAMIJENI_REFERENCU | Metodološka tvrdnja bez izvora → ista tvrdnja uz Durandard, Dhawan i Poibeau (2025), Language Style Matching in Large Language Models. |
| 83 | IZNOVA_IZVEDI_TVRDNJU | „Mnogi eksperimenti koriste kratke, unaprijed napisane scenarije ili razgovore između modela...” → „Dio dostupnih eksperimenata koristi model-model razgovore ili scenarijske zadatke, pa njihovu vanjsku valjanost treba procjenjivati oprezno.” |
| 85 | IZNOVA_IZVEDI_TVRDNJU | „Jezik i kultura: većina skupova podataka...” → „Dostupni personalizirani dijaloški skupovi podataka jezično su i domenski neravnomjerno reprezentativni.” |
| 86 | IZBACI_TVRDNJU | Uklonjena tvrdnja o LLM-ocjenjivačima i stilističkom biasu. |
| 87 | IZNOVA_IZVEDI_TVRDNJU | „Nedostaju longitudinalni eksperimenti...” → „U dosjeu je identificiran ograničen broj longitudinalnih istraživanja, uključujući trotjedni preprint s preliminarnim nalazima.” |
| 92 | IZNOVA_IZVEDI_TVRDNJU | „Najčvršći zaključak dostupne literature glasi...” → „Najstabilniji zaključak dosad jest da neki LLM-ovi mijenjaju opažljive jezične značajke ovisno o kontekstu, bez dokaza za ljudsko razumijevanje tona.” |
| 93 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba može poboljšati razumljivost, korisničko iskustvo i dostupnost personalizirane podrške.” → „U pojedinim obrazovnim i korisničkim scenarijima prilagodba može poboljšati razumljivost ili korisničke procjene.” |
| 95 | IZNOVA_IZVEDI_TVRDNJU | Normativna završna rečenica → „Projektni cilj može biti prilagodba oblika i razine objašnjenja uz očuvanje istinitosti, sigurnosti i nadređenih ograničenja.” |
Neizvršeni nalazi
| Br. | Razlog |
|---|---|
| 10 | Nema radnje u JSON nalazu; postojeća referenca I7 ostaje nepromijenjena. |
| 14 | Nema radnje u JSON nalazu; tvrdnja ostaje uz postojeći izvor I6. |
| 15 | Nema radnje u JSON nalazu; tvrdnja ostaje uz postojeće izvore I7, I8 i I9. |
| 16 | Nema radnje u JSON nalazu. |
| 17 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I7. |
| 18 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I7. |
| 19 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I7. |
| 20 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I9. |
| 21 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I9. |
| 22 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I9. |
| 24 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I8. |
| 25 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I8. |
| 26 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I8. |
| 31 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I4. |
| 32 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I10. |
| 33 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I10. |
| 34 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I10. |
| 37 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I5. |
| 38 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I5. |
| 39 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I15. |
| 43 | Nema radnje u JSON nalazu. |
| 44 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I3. |
| 46 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I11. |
| 47 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I11. |
| 48 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I12. |
| 49 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I12. |
| 54 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I13. |
| 55 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I13. |
| 56 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I14. |
| 64 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I10. |
| 67 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I16. |
| 68 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I17. |
| 70 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I7. |
| 71 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I5. |
| 74 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I8. |
| 76 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I19. |
| 81 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I18. |
| 84 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I7 i I9. |
| 88 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I7. |
| 89 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I1. |
| 90 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I2. |
| 91 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I3. |
| 94 | Nema radnje u JSON nalazu; tvrdnja ostaje uz I16 i I17. |
TVRDNJA BEZ NOSITELJA: nema stavki.
Sporovi iz §2: nema stavki.
Nalazi iz proznog dijela bez odgovarajućeg JSON zapisa: nema stavki.
ZAKLJUČANE ODLUKE
| Br. nalaza | Radnja | Uklonjeno / promijenjeno | Razlog iz recenzije |
|---|---|---|---|
| 2 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u izboru riječi.” → „Modeli u nekim zadacima konvergiraju prema stilskim značajkama konteksta.” | Izvor ne potvrđuje sve navedene manifestacije jednim nalazom. |
| 3 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u duljini odgovora.” → „Duljina odgovora može biti dio projektirane personalizacije, ali u dosjeu nije izravno potvrđena kao nalaz o konvergenciji.” | Tvrdnja je moguća kao projektna značajka, ali nije potvrđena kao empirijski nalaz. |
| 4 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u sintaksi, formalnosti i izravnosti.” → „Dosadašnji radovi najizravnije potvrđuju sintaktičku i registrsku prilagodbu.” | Formalnost i izravnost nisu potvrđene u istom nalazu. |
| 5 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u humoru i empatijskim formulacijama.” → „Humor i empatijske formulacije proučavaju se kao moguće relacijske ili korisničke strategije, ali dosje ne pokazuje da ih svi LLM-ovi stabilno prilagođavaju.” | Izvorni opseg je preširok. |
| 6 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba se može očitovati u organizaciji teksta.” → „Organizacija teksta može biti dio personaliziranog generiranja, ali u dosjeu nije zasebno empirijski potvrđena.” | Nema izravnog mjerenja organizacije teksta. |
| 9 | IZNOVA_IZVEDI_TVRDNJU | „Empirijski se najčešće mjeri promjena u jezičnom ponašanju...” → „Navedene studije mjere opažljive promjene jezičnog ponašanja, a ne ljudsko razumijevanje korisnika.” | Dokument treba izbjegavati generalizaciju na cijelu literaturu. |
| 11 | IZNOVA_IZVEDI_TVRDNJU | Definicija jezične konvergencije → „Jezična konvergencija označuje povećanje sličnosti u odabranim jezičnim značajkama između sugovornika.” | Definicija treba ostati neutralna prema razini jezika i mjeri. |
| 12 | IZNOVA_IZVEDI_TVRDNJU | Definicija pragmatičke prilagodbe → „Pragmatička prilagodba odnosi se na usklađivanje jezika sa situacijom, registrom i komunikacijskom funkcijom.” | Dosje ne navodi izravni teorijski izvor za zatvorenu definiciju. |
| 13 | IZNOVA_IZVEDI_TVRDNJU | Definicija personalizacije → „Personalizacija je generiranje odgovora uvjetovano korisničkim podacima, preferencijama, personom ili poviješću dijaloga.” | Definicija treba razlikovati personu agenta od modeliranja korisnika. |
| 23 | IZNOVA_IZVEDI_TVRDNJU | „To znači da ‘više prilagodbe’ nije automatski jednako ‘boljem razgovoru’.” → „Veća izmjerena konvergencija sama po sebi ne pokazuje da je razgovor komunikacijski bolji.” | Studija ne mjeri opću kvalitetu razgovora. |
| 28 | IZNOVA_IZVEDI_TVRDNJU | „Najvjerojatnije ne postoji jedan jedinstveni mehanizam za ton.” → „Dosadašnji radovi opisuju više izvora prilagodbe, uključujući kontekst, instrukcije, memoriju i kontrolu generiranja.” | Izvor ne dokazuje jedinstvenu teoriju mehanizma. |
| 29 | IZNOVA_IZVEDI_TVRDNJU | Popis obilježja → „U dosadašnjim radovima kao relevantni se pojavljuju dijaloški kontekst, persona, stilometrijske značajke i pragmatički signali.” | Cijeli popis nije potvrđen jednim izvorom. |
| 30 | IZNOVA_IZVEDI_TVRDNJU | „To je bolje opisati kao statističko zaključivanje...” → „Empirijski je sigurnije govoriti o opažljivoj promjeni izlaza nego o izravnom čitanju emocija.” | Mehanistički izraz „statističko zaključivanje” nije izravno izmjeren. |
| 35 | IZNOVA_IZVEDI_TVRDNJU | „Uspješno prepoznavanje obrasca nije isto...” → „Opaženo ponavljanje jezičnog obrasca ne pokazuje samo po sebi razumijevanje njegova društvenog uzroka.” | Napomena treba biti preciznije vezana uz opažanje i interpretaciju. |
| 36 | IZNOVA_IZVEDI_TVRDNJU | Šest slojeva prilagodbe → „U sustavima koji prilagođavaju stil mogu sudjelovati kontekst, instrukcije, primjeri, memorija i kontrola generiranja.” | Predtreniranje nije zasebno dokazano kao mehanizam prilagodbe tona. |
| 40 | IZNOVA_IZVEDI_TVRDNJU | Definicija empatije → „Oponašanje tona odnosi se na oblik odgovora, dok istraživanja chatbotova često mjere zasebne komponente empatije.” | Šira definicija nije izravno preuzeta iz jednog izvora. |
| 41 | IZNOVA_IZVEDI_TVRDNJU | „U ljudskom slučaju empatija...” → „U literaturi o chatbotovima empatija se često razdvaja na afektivnu komponentu i kognitivnu empatijsku točnost.” | Nova formulacija ostaje bliža otvorenom izvoru. |
| 42 | IZNOVA_IZVEDI_TVRDNJU | „LLM može proizvesti rečenicu...” → „Suosjećajan izlaz sam po sebi ne pokazuje subjektivni osjećaj ili ljudsku vrstu emocionalnog razumijevanja.” | Treba izbjegavati apsolutnu tvrdnju o unutarnjim stanjima. |
| 50 | IZNOVA_IZVEDI_TVRDNJU | „Riječ je o studiji slučaja.” → „Randomizirano istraživanje s 269 budućih nastavnika pokazalo je poboljšanje kvalitete obrazloženja i duljine naknadnih tekstova uz adaptivnu ChatGPT-povratnu informaciju, ali ne i značajnu razliku u točnosti odluke.” | Izvor studiju opisuje kao randomizirano kontrolirano istraživanje. |
| 52 | IZNOVA_IZVEDI_TVRDNJU | „Razina dokaza: niska do srednja...” → „Dokazi su širi za AI-povratnu informaciju nego za izolirani učinak oponašanja tona.” | Formalna skala nije izravno izvedena. |
| 53 | IZNOVA_IZVEDI_TVRDNJU | „U korisničkoj podršci stil odgovora utječe...” → „Konkretna i empatijska komunikacija može utjecati na korisničke procjene odgovora i zadovoljstvo.” | Nisu potvrđene sve četiri navedene dimenzije. |
| 57 | IZBACI_TVRDNJU | „Humor i opušteni jezik mogu povećati zadovoljstvo...” | Izvor govori o konkretnosti, apstraktnosti i „cuteness”, ne o humoru i ozbiljnosti neuspjeha. |
| 58 | IZNOVA_IZVEDI_TVRDNJU | „Sustav ne bi trebao automatski kopirati korisnikov bijes...” → „Sustav ne bi trebao automatski kopirati emocionalni intenzitet korisnika bez procjene konteksta i komunikacijske funkcije.” | Izvor ne daje izravnu normativnu zabranu kopiranja vulgarnosti. |
| 59 | IZNOVA_IZVEDI_TVRDNJU | Poslovni scenariji → „Personalizirano generiranje može se primjenjivati u korisničkim i organizacijskim sustavima, ali dosje ne daje zaseban dokaz za svaki navedeni scenarij.” | Popis je projektni, a ne empirijski potvrđen kao cjelina. |
| 60 | IZNOVA_IZVEDI_TVRDNJU | Tri razine stila → „U organizacijskim sustavima korisne su odvojene razine pravila brenda, korisničkih preferencija i kontekstualnih ograničenja.” | Dosje predlaže vlastitu taksonomiju bez izravne validacije. |
| 62 | IZNOVA_IZVEDI_TVRDNJU | „To nije nužno proturječje...” → „Nalazi nisu izravno usporedivi jer studije mjere različite oblike jezične prilagodbe na različitim modelima i korpusima.” | Nova formulacija izbjegava zaključak da neslaganje sigurno nije stvarno. |
| 65 | IZBACI_TVRDNJU | Tvrdnja o posebnoj važnosti za hrvatski jezik. | Opća tvrdnja o jezičnoj pristranosti ne potvrđuje posebnu tvrdnju o hrvatskom. |
| 66 | IZBACI_TVRDNJU | Tvrdnja o toplom odgovoru i slabijem sadržaju. | Potrebno je zasebno istraživanje koje uspoređuje percepciju i sadržajnu kvalitetu. |
| 73 | IZNOVA_IZVEDI_TVRDNJU | „Takav sloj može povećati konzistentnost...” → „Memorija preferencija može povećati konzistentnost, ali zahtijeva kontrolu relevantnosti, granica i pogrešnih inferencija.” | Dokument širi nalaz iz pregleda na pravne i upravljačke zahtjeve. |
| 75 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba radi razumljivosti...” → „Prilagodba radi razumljivosti ili pristupačnosti nije sama po sebi obuhvaćena zabranom; pravna procjena ovisi o tehnici, cilju, učinku i mogućoj šteti.” | AI Act ne uređuje svaku korisnu prilagodbu kao zasebnu kategoriju. |
| 77 | IZNOVA_IZVEDI_TVRDNJU | Obveza obavještavanja bez iznimke → „Relevantne obveze transparentnosti primjenjuju se od 2. kolovoza 2026., uz iznimke predviđene člankom 50.” | Izvorna formulacija preširoko opisuje obvezu. |
| 78 | IZNOVA_IZVEDI_TVRDNJU | Širi popis transparentnosti → „Osim zakonske obavijesti o interakciji s AI sustavom, sustavi mogu korisniku prikazati koje preferencije koriste i ponuditi kontrolu nad memorijom personalizacije.” | To je projektna preporuka, a ne izravni zakonski zahtjev. |
| 79 | IZBACI_TVRDNJU | Odlomak o inferiranju dobi, jezika, obrazovanja i drugih osobina. | Ograda o nesigurnosti ne zamjenjuje izvor za samu tvrdnju. |
| 80 | IZNOVA_IZVEDI_TVRDNJU | Dvije rečenice o neovisnosti sustava → „Sustav treba biti sposoban zadržati točnost i izraziti nesigurnost i kada se korisnički stav razlikuje od dostupnih dokaza.” | Nova formulacija izravno se veže uz nalaze o sycophancyju. |
| 83 | IZNOVA_IZVEDI_TVRDNJU | „Mnogi eksperimenti...” → „Dio dostupnih eksperimenata koristi model-model razgovore ili scenarijske zadatke, pa njihovu vanjsku valjanost treba procjenjivati oprezno.” | Izraz „mnogi” nije kvantificiran. |
| 85 | IZNOVA_IZVEDI_TVRDNJU | „Jezik i kultura...” → „Dostupni personalizirani dijaloški skupovi podataka jezično su i domenski neravnomjerno reprezentativni.” | Nova formulacija preciznije slijedi izvor. |
| 86 | IZBACI_TVRDNJU | Tvrdnja o LLM-ocjenjivačima i stilističkom biasu. | Za tvrdnju je potreban zaseban metodološki izvor. |
| 87 | IZNOVA_IZVEDI_TVRDNJU | „Nedostaju longitudinalni eksperimenti...” → „U dosjeu je identificiran ograničen broj longitudinalnih istraživanja, uključujući trotjedni preprint s preliminarnim nalazima.” | Tvrdnja da ih nedostaje nije isto što i tvrdnja da ih nema. |
| 92 | IZNOVA_IZVEDI_TVRDNJU | „Najčvršći zaključak...” → „Najstabilniji zaključak dosad jest da neki LLM-ovi mijenjaju opažljive jezične značajke ovisno o kontekstu, bez dokaza za ljudsko razumijevanje tona.” | Riječ „najčvršći” treba vezati uz jasnije određen zaključak. |
| 93 | IZNOVA_IZVEDI_TVRDNJU | „Prilagodba može poboljšati razumljivost...” → „U pojedinim obrazovnim i korisničkim scenarijima prilagodba može poboljšati razumljivost ili korisničke procjene.” | Učinak nije univerzalan. |
| 95 | IZNOVA_IZVEDI_TVRDNJU | Normativna završna rečenica → „Projektni cilj može biti prilagodba oblika i razine objašnjenja uz očuvanje istinitosti, sigurnosti i nadređenih ograničenja.” | Riječ je o normativnoj sintezi, ne o izravnom empirijskom nalazu. |
KOLATERALNA ŠTETA
| Odjeljak | Nalaz | Prijedlog |
|---|---|---|
| 2.2. Što modeli zapravo „čitaju” iz korisničkog tona? | Odjeljak je nakon zamjene popisa sveden na kraći opis relevantnih obilježja, ali naslov i preostali sadržaj još odgovaraju temi. | Nema obvezne intervencije. |
| 2.3. Kako se prilagodba tehnički ostvaruje? | Uklonjen je izvorni popis šest slojeva i ostala je jedna sažeta rečenica. | Vratiti u istraživačku fazu ako je potreban detaljniji tehnički prikaz. |
| 4.3. Percepcija korisnika nije isto što i kvaliteta odgovora | Odjeljak je ostao bez sadržaja nakon uklanjanja jedine rečenice. | Ukloniti naslov. |
| 6.3. Privatnost i inferiranje osobina | Odjeljak je ostao bez sadržaja nakon izbacivanja jedine tvrdnje. | Ukloniti naslov ili vratiti u istraživačku fazu. |
| 6.4. Sycophancy i gubitak neovisnosti | Odjeljak je sveden na jednu rečenicu. | Spojiti s nadređenim odjeljkom 6. ili vratiti u istraživačku fazu. |
| 7. Metodološka ograničenja dosadašnjih istraživanja | Izbačen je jedan podstavak, a nekoliko stavki je suženo. Odjeljak nije izgubio više od polovice sadržaja. | Nema obvezne intervencije. |
Provjera modaliteta: nema dodatno prijavljenih modaliteta nakon izvršenih radnji.
Šavovi: nisu preformulirani; prazni šavovi ostaju prijavljeni u odjeljcima 4.3. i 6.3.
PROVJERENO NA IZVORU
| Oznaka | Razina provjere | URL | Stranice na kojima su nalazi lokalizirani | Izostavljeno (iz A8) |
|---|---|---|---|---|
| I1 | SAMO_BIBLIOGRAFSKI_ZAPIS | 🔗 | — | Izdavački zapis ne daje dovoljno sadržajnog uvida za pojedinačne teorijske tvrdnje. |
| I2 | SAZETAK | 🔗 | — | Članak je usmjeren na izražajnost gesta u utjelovljenom agentu, a ne izravno na tekstualne LLM-ove. |
| I3 | SAZETAK | 🔗 | — | Pregledna sinteza ne dokazuje uzročni učinak svake pojedinačne jezične strategije. |
| I4 | SAZETAK | 🔗 | — | Few-shot nalaz odnosi se na učenje zadataka iz konteksta, a ne izravno na prepoznavanje tona. |
| I5 | SAZETAK | 🔗 | — | InstructGPT poboljšava slijeđenje uputa, ali i dalje čini jednostavne pogreške. |
| I6 | PUNI_TEKST | 🔗 | — | Pregled upozorava na jezičnu i domensku pristranost skupova podataka. |
| I7 | PUNI_TEKST | 🔗 | — | Studija koristi razgovore između modela s unaprijed zadanim jezičnim personama, pa ne pokazuje izravno prilagodbu stvarnom ljudskom korisniku. |
| I8 | PUNI_TEKST | 🔗 | — | LSM ovisi o rječniku, zadatku, korpusu i načinu generiranja. |
| I9 | PUNI_TEKST | 🔗 | — | Studija nalazi snažnu konvergenciju, ali autori upozoravaju da se mehanizmi modela i ljudi mogu razlikovati. |
| I10 | SAZETAK | 🔗 | — | ChatGPT 3.5 često prepoznaje impolitenost, ali je osjetljiv na kontekst, implikaturu i registar. |
| I11 | SAZETAK | 🔗 | — | Pregled obuhvaća širu AI-povratnu informaciju i naglašava heterogenost algoritama, zadataka i ishoda. |
| I12 | SAZETAK | 🔗 | — | Studija nije pokazala poboljšanje točnosti odluke, iako je poboljšala kvalitetu obrazloženja i angažman. |
| I13 | SAZETAK | 🔗 | — | Učinak ovisi o povjerenju, konfiguraciji usluge i ljudskoj intervenciji, a ne samo o jeziku. |
| I14 | SAZETAK | 🔗 | — | Studija ispituje konkretnost, apstraktnost i empatijsku točnost, ne opću empatiju ili humor. |
| I15 | PUNI_TEKST | 🔗 | — | Pregled naglašava da univerzalne vrijednosti trebaju ograničiti optimizaciju osobnih preferencija. |
| I16 | PUNI_TEKST | 🔗 | — | Rad koristi argumentirane političke upite i više modela, pa ne dokazuje jednak učinak u svim domenama. |
| I17 | SAZETAK | 🔗 | — | Nalazi su preliminarni jer je riječ o preprintu, a ne recenziranom članku. |
| I18 | SAŽETAK | 🔗 | — | AI RMF je dobrovoljan okvir, a ne obvezujući pravni standard niti poseban protokol za prilagodbu tona. |
| I19 | SAŽETAK | 🔗 | — | Zabrane iz članka 5. vrijede pod dodatnim uvjetima cilja, učinka i značajne štete. |
| I20 | PUNI_TEKST | 🔗 | — | Smjernice uređuju transparentnost prema članku 50., ali ne propisuju cijeli popis dodatnih korisničkih kontrola iz dosjea. |
KANDIDATI ZA UKLANJANJE
Nema stavki. Nijedan izvor nakon izmjena nije ostao bez oznake citata, imena autora u prozi ili naziva rada/instrumenta u tijelu dokumenta. Izvori nisu uklonjeni iz popisa literature.