Швидкий розвиток великих мовних моделей (LLM) призвів до зростання інтересу до використання синтетичних даних для навчання майбутніх моделей. Однак це створює самоспоживаючий цикл перенавчання, коли моделі навчаються на власних виходах і можуть спричинити зниження продуктивності та виникнення упереджень. У цьому дослідженні ми представляємо концепцію циклу самоспоживаючої перформативної дії (SCPL) та досліджуємо роль синтетичних даних у формуванні упереджень під час цих динамічних ітеративних процесів навчання. Ми розробляємо стратегію відбору на основі винагороди для зменшення упередженості, рухаючись до більш надійних систем, що самовдосконалюються.