AI লেখার ধরণ: যে শব্দ, ছন্দ এবং যতিচিহ্ন তা ফাঁস করে

এই বাক্যটি একবার পড়ে দেখুন, আপনি কি ইতিমধ্যেই জানেন এটি কোথা থেকে এসেছে: গবেষকেরা অনুপ্রেরণা এবং অর্জনের মধ্যে জটিল পারস্পরিক ক্রিয়াকে ক্রমাগত গুরুত্ব দিচ্ছেন, এবং ক্রমবর্ধমান গবেষণাসাহিত্য দেখাচ্ছে যে একাডেমিক সাফল্যে self-regulation একটি মুখ্য ভূমিকা পালন করে। এর মধ্যে কোনো ভুল নেই। প্রতিটি clause ব্যাকরণসম্মত, প্রতিটি শব্দই প্রকৃত শব্দ, এবং কোনো marker একটি পয়েন্টও কেটে নিত না। কিন্তু তবু এটি এমন শোনায় যেন এটি কোনো machine থেকে পড়ে এসেছে, কারণ সেটাই হয়েছে। এই অংশটি সেই বিষয় নিয়েই।

AI writing patterns হলো শব্দ নির্বাচন, বাক্যের ছন্দ, punctuation এবং গঠনে এমন পুনরাবৃত্ত অভ্যাস, যা machine-drafted গদ্যকে চোখে দেখেই শনাক্তযোগ্য করে তোলে। এগুলি চারটি স্তরে গুচ্ছবদ্ধ হয়, model যে শব্দগুলির দিকে হাত বাড়ায়, তার বাক্যগুলির আকৃতি, যে punctuation-এর ওপর তা নির্ভর করে, এবং সামগ্রিকভাবে একটি যুক্তিকে যেভাবে গঠন করে। এদের কোনো একটিই একা কিছু প্রমাণ করে না। কিন্তু একসঙ্গে, একটি অনুচ্ছেদের মধ্যে, এগুলি উপেক্ষা করা কঠিন।

যে machine এটি করে, তাকে statistical detector বলা হয়। এটি প্রতিটি শব্দ কতটা পূর্বানুমেয়, language model কী প্রত্যাশা করে তার ভিত্তিতে, তা স্কোর করে। একটি report-এ সেই score-এর অন্তর্নিহিত perplexity এবং burstiness গণিত থাকে, যা how AI detectors work বিষয়ে অন্য একটি অংশে আরও বিস্তারিতভাবে আলোচিত হয়েছে। এই নিবন্ধের বাকি অংশটি AI writing-এর এমন লক্ষণগুলির একটি তালিকা, যা একজন পাঠক পৃষ্ঠায় শুনতে, গণনা করতে বা আঙুল দিয়ে দেখাতে পারেন। এটি গুরুত্বপূর্ণ হতে পারে, এমনকি detector ভুল হলেও, অনুপলব্ধ হলেও, বা মূল বিষয়ের বাইরে হলেও। এখানে যা অনুসরণ করছে, তার জন্য কোনো model বা subscription-এর প্রয়োজন নেই।

AI Writing Patterns কেন robotic শোনায়?

একটি language model sentence স্তরে একজন মানুষের থেকে ভিন্ন কিছু করছে, এটি বারবার পরিসংখ্যানগতভাবে সম্ভাব্য পরবর্তী শব্দটি বেছে নিচ্ছে, এমন একটি system-এর মধ্যে যা স্বতন্ত্র হওয়ার চেয়ে দক্ষ শোনার জন্য প্রশিক্ষিত। সেই মাত্রায় competence মসৃণ, সঠিক, কিন্তু বিস্মৃতিযোগ্য গদ্য তৈরি করে, আর সেখান থেকেই robotic অনুভূতির উৎপত্তি। একজন পাঠক প্রায়ই বলতে পারেন না এমন একটি অনুচ্ছেদে ঠিক কী ভুল, শুধু এটুকু বলতে পারেন যে এটি নিস্তেজ পড়ায়, এবং নিচের চারটি স্তরেই সেই নিস্তেজতা বাস করে।

শব্দচয়ন হলো সেই স্তর, যা পাঠকেরা প্রথমে লক্ষ করেন: আনুষ্ঠানিক, নাটকীয় শব্দ, যা যেখানে থাকার কথা নয়, সেখানে এসে পড়ে। বাক্যের ছন্দ আরও নীরব, এমন একটি অনুচ্ছেদ যেখানে প্রতিটি বাক্য মোটামুটি একই দৈর্ঘ্যে চলে। যতিচিহ্ন এবং বিন্যাসেরও নিজস্ব স্বাক্ষর আছে, একটি ড্যাশ সর্বজনীন সংযোগকারীর মতো ব্যবহৃত হয়, একটি বুলেট তালিকা এমন পাঠ্যকে ভেঙে দেয়, যা লেখকের মনে কখনও তালিকা ছিল না। গঠন সবচেয়ে কম দৃশ্যমান, এমন একটি অংশ যা নিজের শিরোনামই আবার বলে, ঠিক তিনটি বিষয় আচ্ছাদন করে, তারপর নিজেকেই সংক্ষেপে উপসংহার টানে।

শুরু করুন শব্দগুলো দিয়ে: নির্দেশ করা সবচেয়ে সহজ, এবং সবচেয়ে ভালোভাবে নথিভুক্ত।

AI কোন শব্দগুলো অতিরিক্ত ব্যবহার করে?

আপনি এই আনুষ্ঠানিক, সামান্য নাটকীয় শব্দগুলো বারবার দেখেন: "delve", "underscore", "showcase" এবং "pivotal" সবচেয়ে বেশি নথিভুক্তগুলোর মধ্যে আছে। Dmitry Kobak এবং তিনজন সহলেখক ভাষাটি শনাক্ত করার উদ্দেশ্যে কাজ শুরু করেন। তাঁরা 2010 থেকে 2024 পর্যন্ত 15.1 million PubMed abstracts বিশ্লেষণ করেন এবং এমন একদল শব্দ শনাক্ত করেন, যাদের ব্যবহারের হার ChatGPT প্রকাশিত হওয়ার পর দ্রুত বেড়ে যায়। "delve" সবচেয়ে দূর পর্যন্ত এগোয়, Science Advances-এ July 2025-এ প্রকাশিত ওই গবেষণা অনুমান করে যে 2024 সালে এর ব্যবহার 2023-এর আগের সময়ের তুলনায় প্রায় 28 গুণ বেশি ছিল। পরের অবস্থানে ছিল "underscore" এবং "showcase"। লেখকদের অনুমান, 2024-এর অন্তত 13.5 percent abstracts-এ AI সহায়তার চিহ্ন আছে, এবং কিছু দেশ ও প্রকাশকের ক্ষেত্রে এই হার 40 percent-এরও বেশি।

মডেলগুলো কেন এই নির্দিষ্ট শব্দগুলোর দিকে ঝোঁকে, তা নিজস্ব প্যাটার্নের তুলনায় কম নিশ্চিত। COLING 2025-এর একটি গবেষণায় একুশটি অতিপ্রতিনিধিত্বশীল শব্দকে model architecture, training data এবং chatbots fine-tune করতে ব্যবহৃত human feedback-এর বিরুদ্ধে পরীক্ষা করা হয়, এবং feedback পর্যায়টিকেই সবচেয়ে সম্ভাব্য অবদানকারী হিসেবে পাওয়া যায়, যদিও প্রভাবটি পুরোপুরি ব্যাখ্যা করা যায়নি। ব্যাখ্যাটি নিয়েও বিতর্ক আছে: journal PNAS-এ 2026 সালের একটি exchange word-frequency-এর পরিবর্তন AI ব্যবহারের মাত্রা কতটা সরাসরি মাপে, সে বিষয়ে আপত্তি তোলে, এবং এখানে কোনো একক সংখ্যাকে চূড়ান্ত সত্য হিসেবে ধরার আগে এটি মনে রাখা উচিত।

এটি শুধু জার্নাল সারসংক্ষেপের ক্ষেত্রেই সত্য নয়। অর্ধ মিলিয়ন ছাত্রলিখিত এবং AI-উৎপাদিত প্রবন্ধের তুলনামূলক একটি গবেষণায়, গবেষকেরা প্রবন্ধগুলির দৈর্ঘ্য এবং শব্দচয়ন তুলনা করে দেখেন যে মানব-লিখিত প্রবন্ধগুলি সামগ্রিকভাবে বেশি দীর্ঘ ছিল এবং আরও বিস্তৃত শব্দভান্ডার ব্যবহার করেছিল। চারটি machine learning সম্মেলনে জমা দেওয়া peer review নিয়ে একটি গবেষণায়, যার মধ্যে ICLR 2024 এবং NeurIPS 2023 অন্তর্ভুক্ত, গবেষকেরা একই কৌশল ব্যবহার করে অনুমান করেন যে review পাঠ্যের 6 থেকে 15 শতাংশ একটি LLM দ্বারা উল্লেখযোগ্যভাবে পরিবর্তিত হয়েছিল। এটি deadline-এর কাছাকাছি জমা দেওয়া হলে একটি LLM দ্বারা প্রভাবিত হওয়ার সম্ভাবনা বেশি ছিল।

AI যে শব্দ বা বাক্যাংশ অতিরিক্ত ব্যবহার করে	একজন সতর্ক লেখক এর বদলে যা ব্যবহার করেন
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

এই শব্দগুলোর কোনোটিই একা একা ভুল নয়। কোনো পদ্ধতি-অধ্যায়ে কোনো ফলাফলকে robust বলা হলে সেখানে শব্দটি সঠিকভাবেই ব্যবহৃত হচ্ছে, আর কোনো ইতিহাসবিদ যদি জটিল একটি আইনি যুক্তি বর্ণনা করেন, তবে তিনি কোনো chatbot-এর কাছে স্বীকারোক্তি দিচ্ছেন না। যেটি যন্ত্রনির্মিত বলে পড়ে, তা হলো ঘনত্ব, একটি অনুচ্ছেদে এই শব্দগুলোর তিন বা চারটি, কোনো নির্দিষ্ট কাজ না করে, এমনভাবে স্তূপীকৃত যে একটি model সেগুলোকে স্তূপ করে, কারণ প্রতিটি শব্দই স্বাধীনভাবে পরবর্তী সবচেয়ে নিরাপদ পছন্দ ছিল। TextPulse-এর free AI word cleaner দিয়ে দ্রুত একবার দেখে নিলে এই ঘনত্ব সরাসরি ধরা পড়ে।

AI বাক্যগুলো কেন সব একই দৈর্ঘ্যের মতো শোনায়?

একটি model প্রতিটি বাক্যকে আগের বাক্যটির মতোই গড়ে তোলে, কোনো এক জায়গায় ছয়টি শব্দে একটি বক্তব্য সংকুচিত করার বদলে অন্য কোথাও সেটিকে ত্রিশটি শব্দজুড়ে খুলে না দিয়ে, ফলে আউটপুটটি সাধারণত সর্বত্র প্রায় একই দৈর্ঘ্যে থাকে। এই ভিন্নতা, বা তার অনুপস্থিতি, আপনি একটি অনুচ্ছেদ জোরে পড়ে শুনে টের পেতে পারেন, যা detector একই অন্তর্নিহিত বৈশিষ্ট্য থেকে হিসাব করা burstiness score-এর থেকে ভিন্ন একটি অনুশীলন।

দুটি ছোট অভ্যাস কাছ থেকে দেখলে এই ছন্দ ফাঁস করে দেয়। একটি model এমন একটি dangling participle দিয়ে বাক্য শেষ করতে পছন্দ করে, যা তথ্য না বাড়িয়ে তাৎপর্যের দিকে ইঙ্গিত করে, যেমন কোনো দাবি, তারপর আরও গবেষণার প্রয়োজনীয়তা তুলে ধরা, অথবা ক্ষেত্রটিতে একটি বৃহত্তর পরিবর্তনের প্রতিফলন ঘটানো। এটি ভারসাম্যপূর্ণ শোনাতে জোড়া গঠনের দিকেও হাত বাড়ায়, যেমন method is not only efficient but also scalable। একবার বলা হলে, এই গঠনটি বিশেষ কিছু নয়। প্রতিটি অনুচ্ছেদে বলা হলে, এটি এমন শোনায় যেন বিশেষ্যগুলো বদলে দেওয়া একটি template।

ত্রয়ের নিয়ম

বাক্যাংশের স্তরেও, তিনের দল model-এর ডিফল্ট ছন্দ: একটি বিশেষ্যের আগে তিনটি বিশেষণ, একটি তালিকায় তিনটি উদাহরণ, পরপর একইভাবে গঠিত তিনটি clause। মাঝে মাঝে তিনের দল ইংরেজির অংশ হয়েই এসেছে। সঠিক জায়গায় বসানো তিনের দল কোনো কিছুরই লক্ষণ নয়। আসল ইঙ্গিত হলো ঘনত্ব। সমস্যা তিন নয়। সমস্যা হলো প্রায় প্রতিটি অনুচ্ছেদে তিনের উপস্থিতি।

গণনা করাই বিশেষ কোনো প্রশিক্ষণ ছাড়াই এর অধিকাংশ ধরার জন্য যথেষ্ট। একটি অনুচ্ছেদ পড়ুন এবং প্রতিটি বাক্যের দৈর্ঘ্য শব্দে চিহ্নিত করুন। যদি আপনার সব চিহ্ন শেষটির থেকে কয়েকটি শব্দের মধ্যেই থাকে, তবে সেই ছন্দই হলো সংকেত। TextPulse-এর free burstiness checker ব্যবহার করে গণনা স্বয়ংক্রিয় করুন এবং তা চিত্রায়িত করুন, যা এমন একটি অংশের জন্য উপযোগী, যা একেকটি বাক্য আলাদা করে চোখে মেপে দেখা খুব দীর্ঘ।

এম ড্যাশ এবং অন্যান্য যতিচিহ্নগত সংকেত

কেন এই চিহ্নটি প্রধান পছন্দ হয়ে উঠল

এম ড্যাশ সম্ভবত যান্ত্রিক লেখায় সবচেয়ে বেশি দোষারোপ করা যতিচিহ্ন। আপনি এটিকে হয়তো সেই দীর্ঘ ড্যাশ হিসেবে জানেন, যা একটি বাক্যের দুই অংশকে যুক্ত করতে কমা, কোলন বা পূর্ণচ্ছেদকে প্রতিস্থাপন করে। এম ড্যাশ নতুন নয়, এবং এটি AI উদ্ভাবিত কোনো বিষয়ও নয়। Chicago থেকে AP পর্যন্ত, যতদিন থেকে শৈলী নির্দেশিকা আছে, ততদিন ধরে সেগুলো জোর দেওয়া এবং বিরতির জন্য এটি ব্যবহারের অনুমতি দিয়েছে। আর অনেক পেশাদার লেখক এটি ইচ্ছাকৃতভাবে ব্যবহার করেন।

এটি যান্ত্রিক আউটপুটে এত ঘন ঘন দেখা যাওয়ার সম্ভাব্য কারণটি সাধারণ: এই চিহ্নটি সম্পাদিত, পেশাগতভাবে বিন্যস্ত গদ্যে প্রচলিত, আর ভাষা মডেলগুলো এমন লেখাতেই প্রশিক্ষিত হয়, এবং এটি একটি বাক্যকে পূর্ণচ্ছেদে থামিয়ে না দিয়ে এগিয়ে যেতে দেয়। সাবলীল, সংযুক্ত পাঠ্য উৎপাদনের জন্য নির্মিত একটি মডেল এই নমনীয়তাকে প্রায়ই বেছে নেয়, হাতে খসড়া করার সময় অধিকাংশ মানুষের তুলনায় আরও বেশি বার।

এটি কত ঘন ঘন দেখা যাবে, তা কোন সিস্টেম পাঠ্যটি তৈরি করেছে তার ওপর ব্যাপকভাবে নির্ভর করে। 2025 সালের মাঝামাঝি একটি পাশাপাশি পরীক্ষায় ছয়টি চ্যাটবটকে একই প্রম্পট দেওয়া হয়েছিল এবং চিহ্নগুলো গণনা করা হয়েছিল: তিনটি সিস্টেম ছয়শোর কম শব্দে এটি আট বা নয়বার ফিরিয়ে দেয়, একটি প্রায় এক হাজার শব্দে এটি দুবার ব্যবহার করে, এবং দুটি একেবারেই ব্যবহার করেনি। ঘনত্ব হলো আপনার সামনে থাকা অনুচ্ছেদটি যে মডেল তৈরি করেছে তার বৈশিষ্ট্য, AI লেখার কোনো স্থির গুণ নয়। OpenAI November 2025-এ একটি সেটিং যোগ করে, যা ব্যবহারকারীকে ChatGPT-কে এই চিহ্ন ব্যবহার না করতে বলতে এবং বাস্তবে তা মানতে দেয়, ফলে এখন এই সংকেতটিও আংশিকভাবে ঐচ্ছিক হয়ে গেছে।

এর কোনোটাই চিহ্নটিকেই কোনো কিছুর প্রমাণ করে না। অনেক সতর্ক লেখক এটি ইচ্ছাকৃতভাবে ব্যবহার করেন, এবং অনেক ছাত্রের প্রবন্ধ, যেগুলো কখনও কোনো chatbot স্পর্শ করেনি, সেগুলোও এটি ব্যবহার করে, কখনও কখনও কারণ একজন শিক্ষক তাদের তা শিখিয়েছেন। যাচাই করার মতো বিষয় হলো ঘনত্ব: যে পৃষ্ঠা প্রতি দ্বিতীয় বাক্যে এই চিহ্নের ওপর নির্ভর করে, তা এমন পৃষ্ঠার তুলনায় ভিন্নভাবে পড়া যায়, যেখানে এটি ইচ্ছাকৃতভাবে দুবার ব্যবহার করা হয়েছে। TextPulse-এর free em dash remover এই ঘনত্ব পরীক্ষা করে এবং প্রতিটি ক্ষেত্রে কমা, কোলন, full stop বা hyphen প্রস্তাব করে।

বুলেট, Bold Text এবং Headers

একই স্তরটি বাক্যের নিচের formatting সিদ্ধান্তগুলোকে অন্তর্ভুক্ত করে। গদ্যের মাঝখানে একটি bulleted list, যা লেখকের মনে কখনও list ছিল না। বাকি document sentence case-এ থাকলেও title case-এ headings। প্রতিটি bullet point-এর শুরুতে mini headline-এর মতো একটি bolded phrase। এগুলোর কোনোটিই punctuation mark নয়, কিন্তু সবই একই জায়গা থেকে আসে, একটি model যা chat window-এর জন্য formatting করছে, যেখানে visual structure গদ্য সাধারণত যে transitions বহন করে, তার বিকল্প হয়ে দাঁড়ায়।

গঠন এবং যুক্তির আকৃতি

শেষ স্তরটি বাক্যের উপরে অবস্থান করে এবং একটি word swap দিয়ে সংশোধন করা সবচেয়ে কঠিন, কারণ এটি নিজেই যুক্তির আকৃতি। machine-written section প্রায়ই নিজের heading-টিকেই সামান্য ভিন্ন শব্দে পুনরাবৃত্তি করে শুরু হয়, তারপর দুই বা তিনটি supporting point-এর মধ্য দিয়ে এগোয়, যেগুলো প্রত্যেকটির প্রকৃত গুরুত্ব যতই ভিন্ন হোক না কেন, মোটামুটি সমান ওজন পায়, তারপর নতুন কিছু যোগ করার বদলে সে刚 যা বলেছে তারই সারসংক্ষেপ দিয়ে শেষ করে।

একটি সম্পর্কিত অভ্যাস দীর্ঘতর লেখায় নিয়মিত দেখা যায়: একটি section বলে কোনো কিছু কী ভালোভাবে করে, however-এর মতো একটি শব্দে মোড় নেয়, একই সুশৃঙ্খল তিনটি চ্যালেঞ্জ তালিকাভুক্ত করে, তারপর এমন একটি ভবিষ্যতের দিকে ইঙ্গিত করে যা সম্ভবত সেগুলো সমাধান করবে। বাস্তব যুক্তি এর চেয়ে বেশি অসমান। একজন মানব লেখক সাধারণত অন্য দুইটির তুলনায় একটি বিষয়ে বেশি গুরুত্ব দেন, সেটির জন্য বেশি জায়গা দেন, এবং পাঠকের কাছে একটি সমমিত সমাপ্তির ঋণী নন।

এটিও সেই স্তর, যেখানে সূত্রবদ্ধ একাডেমিক লেখা যান্ত্রিক লেখার সঙ্গে প্রতারণামূলকভাবে সাদৃশ্যপূর্ণ দেখাতে পারে, কারণ একটি পদ্ধতি-অংশ বা সাহিত্যসমীক্ষা একটি নির্দিষ্ট কাঠামো অনুসরণ করার কথা। পার্থক্যটি সেই কাঠামোর ভেতরেই থাকে। যন্ত্র-লিখিত সাহিত্যসমীক্ষা কোনো ক্ষেত্রের প্রচলিত বিষয়গুলোকে প্রচলিত ক্রমে কেবল উল্লেখ করে। মানব-লিখিতটি, এমনকি কঠোর টেমপ্লেটের মধ্যেও, কোন বিষয়গুলো গুরুত্বপূর্ণ এবং কেন, তা নিয়ে যুক্তি উপস্থাপন করে, কারণ সেখানে একটি বাস্তব অবস্থান রক্ষা করা হচ্ছে।

এই লক্ষণগুলো কি প্রমাণ করে যে একটি লেখা AI-লিখিত?

কোনো একক লক্ষণই কিছু প্রমাণ করে না, এবং এদের পূর্ণ সমষ্টিও তা করে না। কোনো সম্পাদক বা অধ্যাপকের চাপের মুখে, একজন সতর্ক একাডেমিক লেখক chatbot-এর সাহায্য ছাড়াই এমন অনুচ্ছেদ তৈরি করতে পারেন, যেখানে এই বৈশিষ্ট্যগুলোর কয়েকটি, যেমন সর্বনামের অভাব, থাকে। যাঁরা মাতৃভাষী নন, এমন English লেখকেরাও ক্লাসে শেখানো নিরাপদ শব্দ ব্যবহার করতে পারেন, এবং যেসব শিক্ষার্থীকে আনুষ্ঠানিক সংযোজক ব্যবহার করতে শেখানো হয়েছে, তাঁরাও এই বৈশিষ্ট্যগুলোর অনেকগুলো ব্যবহার করতে পারেন। শব্দের একটি তালিকা অসদাচরণের প্রমাণ নয়, এটি একটি ভুল, যা সতর্ক লেখকদের অন্যায়ভাবে অভিযুক্ত করতে পারে। আমাদের উচিত এই ভুলটিকে চিহ্নিত করা, নীরবে তা পুনরাবৃত্তি করা নয়।

কোনো টুল দায়িত্বশীলভাবে যা করতে পারে, তা হলো প্যাটার্ন দেখানো, লেখার বিচার করা নয়। TextPulse-এর AI humanizer দিয়ে আমরা যা দিতে পারি, তা হলো সামনে থাকা লেখার ভিত্তিতে একটি Human Score-এর আনুমানিক মান। এটি হলো এই খসড়াটি এই পৃষ্ঠতলীয় প্যাটার্নগুলোর তুলনায় কোথায় অবস্থান করছে, তার একটি পাঠ, কোনো detector-এর রায় নয় এবং আগামীকাল অন্য কোনো টুল কী বলবে, সে সম্পর্কে কোনো প্রতিশ্রুতিও নয়। এটি এমন একটি সংখ্যা, যা আপনি সিদ্ধান্তের প্রারম্ভিক বিন্দু হিসেবে ব্যবহার করতে পারেন, যেমন spellchecker কোনো শব্দকে চিহ্নিত করে, কিন্তু তার আশেপাশের বাক্যটি আদৌ ভালো কি না, তা নির্ধারণ করে না।

উপরে উল্লিখিত প্রতিটি চিহ্নের নিজস্ব একটি পৃষ্ঠা আছে। শব্দভান্ডারটিকেই ChatGPT প্রকাশ করে এমন শব্দ বিষয়ে একটি নিবন্ধে তালিকাভুক্ত করা হয়েছে, আর em dash ব্যবহারের অভ্যাস এবং মডেল কেন বিশেষভাবে একটি ক্রিয়াপদের দিকে ঝোঁকে বিষয়ে পৃথক আলোচনা আছে। বৃহত্তর শ্রেণিবিভাগগুলিও অন্তর্ভুক্ত করা হয়েছে: AI slop কী বোঝায়, AI fluff কী বোঝায়, এবং কোনো কিছু AI দ্বারা লেখা হয়েছে কি না তা নির্ণয়ের একটি ব্যবহারিক নির্দেশিকা। যদি উদ্বেগটি অন্য কারও নয়, আপনার নিজের খসড়া নিয়ে হয়, তবে আপনার লেখন থেকে AI শব্দ অপসারণ বিষয়ে একটি নিবন্ধ আছে।

পরের বার যখন আপনি আপনার গদ্য পড়ছেন এবং তার মধ্যে কিছু একটা একেবারে ঠিক মনে হচ্ছে না, তখন শুধু একটি সমার্থক শব্দ খুঁজে সেটি বদলে দেবেন না। তার বদলে জোরে পড়ে দেখুন। প্রতিটি বাক্যে শব্দের সংখ্যা গণনা করুন। নিজেকে জিজ্ঞাসা করুন, প্রতিটি শব্দ সেখানে ঠিক কী করছে। কোনো কিছুর নামকরণ হওয়ার অনেক আগেই একজন সতর্ক সম্পাদক ঠিক এইভাবেই পাঠ করছিলেন।