Turnitin পাস করার জন্য সেরা AI Humanizer

Turnitin যে একাডেমিক কাজ পড়বে, তার জন্য TextPulse ব্যবহার করুন। 2,000-ডকুমেন্টের একটি একাডেমিক কর্পাসে, এর মানবায়িত আউটপুট Turnitin-এর AI লেখন সনাক্তকরণে 92.33% সময় উত্তীর্ণ হয়েছে, Originality.ai-এ 89.12% এবং GPTZero-তে 87.91%। এগুলি বিক্রেতার নিজস্ব পরিমাপ, এবং সেভাবেই চিহ্নিত, এবং এই শ্রেণিতে প্রায় অন্য যেকোনো প্রকাশনার তুলনায় এগুলি বেশি প্রমাণ। একটি জমা দেওয়া অধ্যায়ের জন্য আরও গুরুত্বপূর্ণ হলো, TextPulse একাডেমিক নথির সেই অংশগুলো সংরক্ষণ করে যেগুলো পুনর্লিখন সাধারণত ক্ষতিগ্রস্ত করে, যেমন in-text citations এবং reference entries, APA, MLA, IEEE, Chicago, Harvard এবং Vancouver জুড়ে, freeze terms দিয়ে লক করা প্রযুক্তিগত পরিভাষা, এবং অপরিবর্তিতভাবে বহন করা পরিসংখ্যান।

এই পৃষ্ঠার বাকি অংশটি হলো কার্যকর অংশ, Turnitin AI score-কে আসলে কী পরিবর্তন করে, কেন paraphrasing tools প্রায়ই সংখ্যাটিকে উন্নত করার বদলে খারাপ করে, এবং কোনো tool-কে একটি chapter-এর সঙ্গে বিশ্বাস করার আগে কী পরীক্ষা করা উচিত।

বিশ্ববিদ্যালয়গুলো আসলে কী অনুমতি দেয়

এখান থেকে শুরু করুন, কারণ এটি আপনি কী করতে চাইছেন তা বদলে দেয়। অধিকাংশ প্রতিষ্ঠান AI সহায়তা অনুমোদন করে এবং disclosure দাবি করে। Oxford's guidance AI-কে অধ্যয়নের জন্য বৈধ সহায়তা হিসেবে বিবেচনা করে এবং অপ্রকাশিত ব্যবহারকে লঙ্ঘন হিসেবে ধরে। Elsevier manuscript-এ একটি ঘোষণা সহ readability এবং language উন্নত করার জন্য generative AI অনুমোদন করে, এবং COPE's position যুক্তিটি ব্যাখ্যা করে, একটি tool কাজের জন্য দায়বদ্ধ হতে পারে না, তাই একজন নামযুক্ত মানব author-কে দায়বদ্ধ হতে হবে, এবং tool কী করেছে তা বলতে হবে।

অতএব লক্ষ্যটি AI সহায়তাকে লুকানো নয়। লক্ষ্যটি হলো তা প্রকাশ করা, আপনার বিভাগ যেখানে চায় সেখানে মডেলটি উদ্ধৃত করা, এবং এমন গদ্য জমা দেওয়া যা কাঁচা মডেল আউটপুটের বদলে আপনার নিজের একাডেমিক লেখার মতো পড়া যায়। আমাদের AI disclosure statement template এবং citing ChatGPT নির্দেশিকা এই ভাষ্যটি কভার করে। একটি humanizer এই কাজের দ্বিতীয় অংশটি সামলায়।

Turnitin AI স্কোর আসলে কী বাড়ায়

Turnitin-এর AI writing indicator নিষিদ্ধ বাক্যাংশ খোঁজে না, এবং আপনার পাঠ্য কোন টুল তৈরি করেছে তাও জানে না। এটি লেখাটি কতটা পূর্বানুমেয়, তা পরিমাপ করে। মডেলটি নথিটিকে কয়েকশো শব্দের ওভারল্যাপিং অংশে পড়ে, প্রতিটি বাক্যকে মানবের জন্য 0 থেকে AI-এর জন্য 1 স্কেলে নম্বর দেয়, এবং পুরো নথিজুড়ে সেই নম্বরগুলোর গড় বের করে। এটি আসলে প্রতিটি বাক্যের পর বাক্য জুড়ে যা জিজ্ঞাসা করছে, তা হলো একটি language model কতটা আত্মবিশ্বাসের সঙ্গে পরের প্রতিটি শব্দ অনুমান করতে পারত।

উৎপন্ন গদ্য এই মাপে বেশি স্কোর করে, কারণ একটি মডেল প্রতিটি ধাপে সম্ভাব্য একটি শব্দ বেছে নিয়েছে। এর ফলে দুটি বৈশিষ্ট্য দেখা দেয়, এবং পুনর্লিখনে এই দুটিই বদলাতে হয়।

• শব্দ নির্বাচনের পূর্বানুমেয়তা। মডেলগুলো শনাক্তযোগ্য শব্দভান্ডার অতিরিক্তভাবে বেছে নেয়, যেমন moreover, furthermore, delve, underscore, plays a crucial role. এগুলোর জায়গায় আপনার ক্ষেত্রের একজন গবেষক বাস্তবে যে শব্দ ব্যবহার করতেন, সেগুলো বসালে শব্দে শব্দে স্কোর কমে। AI লেখাকে প্রকাশ করে এমন শব্দ ও বাক্যাংশ এর আমাদের তালিকাটি নির্দিষ্ট তালিকা।
• বাক্যগঠনের একরূপতা। এটিই মানুষ প্রায়ই কম গুরুত্ব দেয়। মডেল আউটপুট আশ্চর্যজনকভাবে সমান বাক্যদৈর্ঘ্য এবং পুনরাবৃত্ত clause গঠনের সঙ্গে আসে। মানব একাডেমিক লেখা, যা ভিন্ন ভিন্ন গতিতে দিনের পর দিন তৈরি হয়, অনেক বেশি বৈচিত্র্যপূর্ণ। সেই একরূপতা ভাঙা, কিছু বাক্য ভেঙে ফেলা এবং কিছু বাক্য জোড়া লাগানো, যাতে দৈর্ঘ্য ও ছন্দ সত্যিই বদলায়, শব্দভান্ডার বদলের চেয়ে স্কোর বেশি পরিবর্তন করে, কারণ variance সরাসরি পরিমাপ করা হয়।

শুধু ওই দুইটি কাজের প্রথমটি করে এমন একটি টুল হলো paraphraser, এবং এই পার্থক্য থেকেই এই শ্রেণিতে অধিকাংশ হতাশা আসে। পূর্ণ কার্যপ্রণালী আছে how AI detectors work-এ।

কেন paraphrasing প্রায়ই স্কোরকে আরও খারাপ করে

Turnitin-এর প্রতিবেদনে একটিমাত্র AI শ্রেণি নেই। এতে দুটি আছে। AI generated হিসেবে চিহ্নিত পাঠ্যের পাশাপাশি, Turnitin's documentation আলাদাভাবে সেই পাঠ্যও চিহ্নিত করে, যা "likely revised using an AI-paraphrase tool or word spinner", এবং বলে যে এর indicator এমন বিষয়বস্তুর detection অন্তর্ভুক্ত করে, যা "may have been humanized or passed through a bypasser to avoid detection".

এই দুটি তথ্য একসঙ্গে পড়লে ব্যর্থতার ধরনটি স্পষ্ট হয়ে যায়। AI পাঠ্যকে synonym-swapping paraphraser-এর মধ্য দিয়ে চালালে কোন শব্দগুলো দেখা যাবে তা বদলে যায়, কিন্তু বাক্যের ছন্দ এবং পূর্বানুমেয়তা মোটামুটি আগের জায়গাতেই থাকে। খসড়াটি flagged zone ছেড়ে যায় না, এটি এক flagged category থেকে অন্যটিতে সরে যায়, এবং এখন তার ওপর machine paraphrasing-এর অতিরিক্ত signatureও বহন করে। এই কারণেই paraphrased text still gets flagged, এবং কেন the difference between a humanizer and a paraphraser হলো কোনো tool বেছে নেওয়ার আগে বোঝার জন্য এককভাবে সবচেয়ে ব্যবহারিক বিষয়।

Turnitin-এর প্রতিবেদন আসলে কী দেখায়

প্রতিবেদনটির কয়েকটি কার্যপ্রণালী জানা মূল্যবান, কারণ এগুলো একটি সংখ্যা কীভাবে পড়তে হবে তা বদলে দেয়।

এই শতাংশটি যোগ্য পাঠ্যকে অন্তর্ভুক্ত করে, অর্থাৎ দীর্ঘ-রূপ লেখার গদ্য বাক্যসমূহকে, এবং কোনো স্কোর তৈরি হওয়ার আগে একটি ফাইলে এর অন্তত 300 শব্দ থাকতে হয়। 20% এর নিচে নেমে যেত যে স্কোর, তা সংখ্যার বদলে একটি তারকা চিহ্ন দেখায়, কারণ Turnitin সেই পরিসরে পরিমাপযোগ্যভাবে বেশি ত্রুটির হার রিপোর্ট করে। AI সূচকটি similarity score থেকে পৃথক, এবং এই দুটি একে অপরের থেকে স্বাধীন, এ কারণেই কোন রিপোর্টটি কোন অভিযোগের সঙ্গে সম্পর্কিত তা জানা গুরুত্বপূর্ণ। শিক্ষার্থীরা ডিফল্টভাবে AI সূচকটি দেখে না, শিক্ষক ও প্রশাসকেরা তা দেখেন।

নির্ভুলতার বিষয়ে, Turnitin 20% বা তার বেশি AI লেখা থাকা নথির জন্য নথি-স্তরে 1% এর নিচে false positive rate প্রকাশ করে, এবং পৃথকভাবে হাইলাইট করা বাক্যের স্তরে প্রায় 4% বলে জানায়। এটি স্পষ্টভাবে আরও বলে যে মডেলটি "may not always be accurate" এবং "should not be used as the sole basis for adverse actions against a student". একটি শতাংশ আলোচনার জন্য প্রমাণ, চূড়ান্ত রায় নয়, এবং আপনার বিরুদ্ধে অভিযোগ উঠলে কীভাবে প্রতিক্রিয়া জানাতে হবে সেই আলোচনাটি ব্যাখ্যা করে।

কেন উদ্ধৃতি নির্ধারণ করে পুনর্লিখনটি টিকে থাকবে কি না

পুনর্লিখনটি যদি নথিটিকে ভেঙে দেয়, তবে কম স্কোরের কোনো মূল্য নেই। এটি সেই ব্যর্থতা, যা অধিকাংশ মানুষ কখনও বিবেচনা করে না, যতক্ষণ না তা তাদের সঙ্গে ঘটে।

যে humanizer-এর কোনো উদ্ধৃতি-নিয়ম নেই, তা "(Nguyen et al., 2024, p. 213)"-কে পুনর্লিখনের জন্য উপলব্ধ সাধারণ পাঠ্য হিসেবে বিবেচনা করে। পদবি সরে যায়, বন্ধনীর অংশটি বাক্যের মধ্যে মিশে যায়, পৃষ্ঠা নম্বর অদৃশ্য হয়ে যায়। প্রতিটি সম্পাদনাই সাবলীলভাবে পড়া যায়, এবং প্রতিটি সম্পাদনাই এমন একটি রেফারেন্স ভেঙে দেয়, যা একজন মূল্যায়নকারী আপনার তালিকার সঙ্গে মিলিয়ে দেখবে। পরিভাষাও একইভাবে ব্যর্থ হয়: "randomly assigned" নীরবে "randomly distributed" হয়ে যাওয়া একটি ভিন্ন পদ্ধতি বর্ণনা করে, এবং একটি বৈধকৃত যন্ত্রের নামের একটিই সঠিক রূপ থাকে। পরিসংখ্যান তৃতীয় ক্ষেত্র, যেখানে দশমিকের সামান্য স্থানান্তর একটি ফলাফল বদলে দেয়।

এর কোনোটিই কোনো ডিটেক্টর ধরতে পারে না, আর এর সবকিছুই একজন তত্ত্বাবধায়ক ধরতে পারেন। TextPulse প্রতিটি ক্ষেত্রে এটিকে একটি নামযুক্ত আচরণ হিসেবে পরিচালনা করে: ছয়টি রেফারেন্সিং স্টাইলে, parenthetical এবং narrative উভয় রূপে, উদ্ধৃতিগুলি হুবহু অপরিবর্তিত রাখা হয়, freeze terms যেকোনো construct বা instrument নামকে pass চালুর আগে লক করে, statistics এবং effect sizes স্বয়ংক্রিয়ভাবে অপরিবর্তিত থাকে, এবং register Flesch-Kincaid grade 13 to 18 band এ ধরে রাখা হয়, যা academic readers প্রত্যাশা করেন। Documents-ও খণ্ডে নয়, সম্পূর্ণভাবে process হয়, তাই terminology passগুলির মধ্যে সরে যাওয়ার মতো কোনো seam থাকে না।

কেন কোনো Vendor Turnitin ফলাফলের নিশ্চয়তা দিতে পারে না

এটি একবার স্পষ্টভাবে বলা দরকার। Turnitin's classifier আপনার institution-এর ভিতরে, আপনি যে file জমা দেন তার ওপর, আপনি যেদিন তা submit করেন সেদিন, চলে, এবং নতুন language models প্রকাশিত হলে এটি retrain করা হয়। কোনো rewriting tool সেই report দেখে না, এবং tool-এর vendor-এরও এতে কোনো visibility নেই। Guaranteed pass-এর প্রতিশ্রুতি দেয় এমন কোনো product আসলে তার নিজের account-এ, তার নির্বাচিত documents-এর ওপর, classifier-এর এমন একটি version-এর বিরুদ্ধে run-এর কথা বলছে, যা ইতিমধ্যে moved হয়েছে।

একজন vendor বিশ্বাসযোগ্যভাবে যা করতে পারেন তা হলো scale-এ measure করা এবং corpus-এর নামসহ result publish করা, এবং TextPulse-এর 2,000-document benchmark-এর উদ্দেশ্যও সেটিই পূরণ করা, আর অন্য যেকোনো claim-এর ক্ষেত্রেও সেটিই ধরে রাখার মানদণ্ড।

বিকল্পগুলো কীভাবে বিচার করবেন

আপনি যদি অন্য tools বিবেচনা করেন, চারটি check দ্রুত তাদের আলাদা করে, এবং এগুলোই আমাদের AI humanizers-এর পূর্ণ তুলনা-এ ব্যবহৃত একই চারটি check।

• নিজের অনুচ্ছেদে পরীক্ষা করুন। দুই বা তিনটি উদ্ধৃতি এবং কয়েকটি সংজ্ঞায়িত পরিভাষাসহ বাস্তব পাঠ্য পেস্ট করুন, তারপর আউটপুটটি লাইন ধরে পড়ুন। পদবিগুলি, বছর এবং পৃষ্ঠাসংখ্যা কি ঠিক সেই জায়গায় আছে যেখানে আপনি রেখেছিলেন, এবং কোনো প্রযুক্তিগত পরিভাষা কি সহায়কভাবে কাছাকাছি অর্থের কোনো সমার্থকে প্রতিস্থাপিত হয়েছে.
• প্রতি পাসে শব্দসীমা পরীক্ষা করুন, মাসিক মোট সীমা নয়। প্রতি অনুরোধে 600 বা 750 শব্দে সীমাবদ্ধ কোনো টুল একটি অধ্যায়কে খণ্ডে ভাগ করে, এবং সেই সংযোগস্থলগুলো মেলানো হাতে করা কাজ, যার মূল্য কখনও উল্লেখ করা হয় না.
• রেজিস্টার লক্ষ্য কী, তা জিজ্ঞাসা করুন। আরও মানবসুলভ শোনানোর জন্য পুনর্লিখন সাধারণত আরও কথোপকথনধর্মী শোনানোর জন্য পুনর্লিখন বোঝায়, যা একটি নিউজলেটারের জন্য ঠিক, কিন্তু একটি পদ্ধতি অংশের জন্য ভুল.
• বিশেষণ নয়, প্রমাণের ওজন বিবেচনা করুন। নামযুক্ত কর্পাসের আকার এবং নামযুক্ত ডিটেক্টরগুলি একটি যাচাইযোগ্য দাবি। রিফান্ড নীতি একটি গ্রাহকসেবা প্রক্রিয়া, এবং এটি তখন আসে যখন একটি অধ্যায় ইতিমধ্যে জমা দেওয়া হয়ে গেছে.

রায়

যে নথি Turnitin পড়বে, তার জন্য TextPulse হলো ব্যবহারযোগ্য টুল। এটি স্লোগানের বদলে পরিমাপিত পাস রেট প্রকাশ করে, এটি কোনো নামযুক্ত ডিটেক্টরকে পরাস্ত করার বদলে একাডেমিক নথিকে কেন্দ্র করে নির্মিত, এবং এটি উদ্ধৃতি, পরিভাষা ও পরিসংখ্যানকে সুরক্ষিত রাখে, যা নির্ধারণ করে আপনার কাজ সেই মানব পাঠকের কাছে টিকে থাকে কি না, যিনি স্কোরের চেয়ে বেশি গুরুত্বপূর্ণ.

এটি সৎভাবে ব্যবহার করুন, যা একই সঙ্গে টিকে থাকার উপায়ও, যদি আপনার বিভাগ তা অনুমতি দেয় তবে AI সহায়তায় খসড়া তৈরি করুন, আপনার প্রতিষ্ঠান যে ভাষা চায় সেই ভাষায় সেই সহায়তার কথা প্রকাশ করুন, যেখানে প্রয়োজন সেখানে মডেলটি উদ্ধৃত করুন, এবং খসড়াটি TextPulse academic humanizer দিয়ে চালান, যাতে গদ্যটি কোনো মডেলের নয়, আপনার নিজের লেখা হিসেবে পড়া যায়। তারপর জমা দেওয়ার আগে নিজে পড়ে দেখুন, কারণ কোনো টুলই সেই শেষবারের পাঠের বিকল্প নয়.