Nada Bahasa di Era LLM: Apakah Pengaruh Bahasa Ibu Masih Terdengar dalam Tulisan Akademik?

      Dunia penulisan akademik telah mengalami transformasi besar dalam dekade terakhir. Dari sekadar kamus daring dan mesin penerjemah neural, kini para peneliti dapat memanfaatkan Model Bahasa Besar (LLM) yang sangat canggih. Alat-alat ini mampu menulis ulang seluruh bagian teks, menghaluskan tata bahasa, dan menyarankan kosakata yang lebih tepat. Pergeseran ini, yang didorong oleh kemajuan teknologi AI, telah menimbulkan pertanyaan menarik: apakah tulisan akademik menjadi lebih homogen, sehingga jejak bahasa ibu (L1) penulis non-penutur asli semakin sulit terdeteksi?

      Sebuah studi menarik dari Nabelanita Utami dan Ryohei Sasano dari Graduate School of Informatics, Nagoya University, menyelidiki fenomena ini. Penelitian mereka, "Can We Still Hear the Accent? Investigating the Resilience of Native Language Signals in the LLM Era" (Sumber: arxiv.org/abs/2604.08568), menganalisis tren identifikasi bahasa ibu (Native Language Identification/NLI) pada makalah-makalah yang diterbitkan di ACL Anthology. Mereka membagi makalah tersebut ke dalam tiga era teknologi: pra-jaringan saraf (NN), pra-LLM, dan pasca-LLM, untuk melihat bagaimana performa NLI berubah seiring waktu.

Evolusi Alat Bantu Penulisan dan Dampaknya

      Dahulu, penulis non-penutur asli bahasa Inggris menggunakan kamus atau alat terjemahan mesin sederhana. Alat-alat ini membantu dalam penerjemahan kata atau frasa, tetapi gaya penulisan secara keseluruhan tetap mencerminkan pengaruh bahasa ibu penulis. Namun, dengan munculnya terjemahan mesin neural (NMT) dan khususnya LLM seperti GPT-4, para peneliti kini memiliki asisten penulisan yang jauh lebih kuat. LLM dapat mengidentifikasi dan memperbaiki nuansa linguistik, mengubah struktur kalimat, dan bahkan menulis ulang bagian-bagian teks secara substansial.

      Kemampuan LLM untuk membuat teks terdengar lebih "mirip penutur asli" telah membawa kekhawatiran tentang homogenisasi tulisan. Ini mirip dengan efek "translationese" yang diamati pada teks yang diterjemahkan mesin, di mana hasilnya menjadi disederhanakan dan distandarisasi. Penelitian lain juga mencatat penyebaran kosakata "spesifik LLM" seperti penggunaan berlebihan kata "delve" atau "showcases," yang menunjukkan bahwa suara linguistik unik penulis digantikan oleh gaya bahasa Inggris yang lebih standar.

Mengapa Identifikasi Bahasa Ibu (NLI) Menjadi Penting?

      Identifikasi Bahasa Ibu (NLI) adalah tugas memprediksi bahasa ibu seorang penulis berdasarkan gaya tulisannya. Ini adalah metrik yang sangat berguna untuk mengukur perubahan dalam lanskap penulisan akademik. Awalnya, NLI difokuskan pada korpus pembelajar (misalnya, esai TOEFL) yang mengandalkan kesalahan tata bahasa yang jelas untuk mendeteksi interferensi L1. Namun, menerapkan NLI pada tulisan akademik menghadirkan tantangan unik, karena para peneliti biasanya sangat fasih berbahasa Inggris.

      Dalam konteks tulisan akademik dengan kefasihan tinggi, "sidik jari" bahasa ibu bukanlah kesalahan yang jelas, melainkan preferensi halus yang sering kali terkait dengan aturan linguistik bahasa ibu penulis. Ini sering termanifestasi sebagai "transfer retoris" – preferensi yang berbeda secara budaya, bukan hanya kesalahan sintaksis sederhana. Dengan demikian, NLI menjadi alat yang canggih untuk mengukur seberapa jauh LLM telah mengikis ciri khas linguistik ini.

Metodologi Penelitian: Membangun Jejak Linguistik

      Untuk menguji hipotesis homogenisasi tulisan, para peneliti membangun dua dataset: set pelatihan skala besar dari arXiv, dan set evaluasi berkualitas tinggi dari ACL Anthology. Set evaluasi ini dibagi menjadi tiga era teknologi berdasarkan rilis besar dalam teknologi terjemahan mesin dan LLM:

• Pra-NN (≤2015): Era sebelum jaringan saraf menjadi dominan dalam penerjemahan mesin.
• Pra-LLM (2016–2022): Era setelah Google Neural Machine Translation dirilis pada 2016, tetapi sebelum dominasi LLM seperti GPT-4.
• Pasca-LLM (2023–2025): Era setelah rilis GPT-4 pada tahun 2023, menandai meluasnya penggunaan LLM dalam penulisan.

      Kerangka kerja pelabelan semi-otomatis digunakan untuk mengidentifikasi bahasa ibu penulis. Proses ini menggabungkan metadata afiliasi institusional penulis dengan prediksi asal nama oleh LLM (menggunakan Qwen3-8B). Untuk memastikan konsistensi sinyal bahasa ibu dalam setiap makalah, penelitian ini hanya menyertakan makalah dengan lima atau kurang penulis dan memerlukan konsensus latar belakang bahasa yang ketat di antara penulis kunci (pertama, kedua, dan terakhir).

      Delapan bahasa target dipilih karena ketersediaan data yang memadai di ketiga era: Inggris Amerika, Inggris Britania, Prancis, Jerman, Italia, Mandarin, Jepang, dan Korea. Dengan model klasifikasi yang di-fine-tune menggunakan data pelatihan arXiv, para peneliti mengukur akurasi NLI di setiap era. Model ini dirancang untuk menangkap karakteristik gaya spesifik bahasa ibu penulis, bukan sekadar kesalahan tata bahasa.

Temuan Kunci: Penurunan Performa NLI yang Konsisten

      Hasil penelitian menunjukkan penurunan yang konsisten dalam performa NLI (baik akurasi maupun F1-score) seiring waktu. Ini menguatkan hipotesis bahwa alat bantu penulisan yang semakin canggih, terutama LLM, secara signifikan melemahkan sinyal bahasa ibu dalam tulisan akademik. Artinya, tulisan menjadi lebih "standar" dan semakin sulit bagi algoritma AI untuk membedakan latar belakang linguistik penulis.

      Namun, yang menarik adalah anomali yang ditemukan di era pasca-LLM:

• Ketahanan Tak Terduga: Bahasa Mandarin (Chinese) dan Prancis (French) menunjukkan ketahanan yang tidak terduga atau bahkan tren yang menyimpang dari penurunan umum. Ini mungkin menunjukkan bahwa ciri-ciri linguistik dari bahasa-bahasa ini lebih resisten terhadap proses "penghalusan" oleh LLM, atau LLM sendiri mungkin belum sepenuhnya "memahami" nuansa gaya penulisan yang berasal dari budaya tersebut.
• Penurunan Tajam: Sebaliknya, bahasa Jepang (Japanese) dan Korea (Korean) menunjukkan penurunan performa NLI yang lebih tajam dari yang diperkirakan. Hal ini bisa mengindikasikan bahwa gaya penulisan dari latar belakang bahasa ini lebih mudah dihomogenkan atau disesuaikan oleh LLM.

Implikasi dan Penerapan Praktis

      Temuan penelitian ini memiliki beberapa implikasi penting:

• Pergeseran Komunikasi Ilmiah: Homogenisasi tulisan akademik dapat berdampak pada keragaman gaya komunikasi ilmiah global. Meskipun tujuannya adalah memfasilitasi pemahaman lintas budaya, ada risiko hilangnya kekayaan ekspresi linguistik.
• Deteksi Teks Buatan AI: Kemampuan untuk mendeteksi jejak bahasa ibu (atau ketiadaan jejak tersebut) bisa menjadi kunci dalam mengembangkan alat untuk mengidentifikasi apakah sebuah teks ditulis sepenuhnya oleh manusia atau dibantu secara signifikan oleh AI. Ini penting untuk integritas akademik dan profesional.
• Pengembangan LLM yang Lebih Canggih: Penelitian ini dapat mendorong pengembang LLM untuk mempertimbangkan bagaimana model mereka memengaruhi gaya penulisan dan apakah ada cara untuk menjaga atau bahkan memperkaya keragaman linguistik, bukan hanya menstandarkannya.
• Aplikasi di Luar Akademik: Teknologi NLI, meski dalam konteks ini digunakan untuk penelitian, memiliki potensi besar di berbagai bidang lain seperti forensik linguistik, personalisasi konten, atau analisis sentimen.

      Dengan semakin terintegrasinya AI dalam berbagai aspek kehidupan, pemahaman tentang bagaimana teknologi ini memengaruhi komunikasi manusia menjadi sangat krusial. Perusahaan seperti ARSA Technology, yang memiliki solusi AI kustom dan API AI ARSA, memahami pentingnya analisis data yang mendalam. Mereka telah berpengalaman sejak 2018 dalam membangun sistem AI dan IoT yang praktis dan memberikan dampak nyata di berbagai industri, mulai dari analitik video AI hingga sistem pengenalan wajah.

      Jika Anda tertarik untuk menjelajahi potensi AI dalam memahami data linguistik, mengoptimalkan proses bisnis, atau mengembangkan solusi cerdas lainnya, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis dan menemukan bagaimana teknologi AI dapat mengubah tantangan Anda menjadi keunggulan kompetitif.