Turnitin কি মানবিককৃত AI টেক্সট শনাক্ত করতে পারে?
Turnitin বলে তার AI লেখন সূচক ইতিমধ্যেই humanizer-এর মাধ্যমে চালানো টেক্সটকে অন্তর্ভুক্ত করে। সেই দাবির অর্থ কী এবং কী নয়, কেন মানবিককৃত নথি কখনও উচ্চ স্কোর পায় এবং কখনও পায় না, এবং যাই হোক না কেন সংখ্যাটি একজন শিক্ষার্থীর কাছে কতটা মূল্যবান, তা এখানে ব্যাখ্যা করা হয়েছে।
Turnitin এই প্রশ্নের উত্তর নিজস্ব সহায়তা সাইটে দেয়, এবং উত্তরটি সাধারণ বিতর্কের উভয় পক্ষের যেকোনোটির চেয়ে বেশি নির্দিষ্ট। এর AI লেখন সূচক, Turnitin says, ইতিমধ্যেই এমন AI-উৎপাদিত বিষয়বস্তুর সনাক্তকরণ অন্তর্ভুক্ত করে, যা সনাক্তকরণ এড়াতে humanized করা হয়েছে বা bypasser-এর মাধ্যমে প্রক্রিয়াকৃত হয়েছে। এটি এমন এক বিক্রেতার নিজের পণ্যের বর্ণনা। এটি শুরু করার জন্যও সঠিক স্থান, কারণ এটি জানায় মডেলটি কী কী অন্তর্ভুক্ত করার দাবি করে।
তাহলে, Turnitin কি humanized text সনাক্ত করতে পারে? প্রশ্নটির একটি আরও সংকীর্ণ এবং বেশি কার্যকর রূপ আছে। Turnitin-এর মডেল কোনো humanizer-এর fingerprint খোঁজে না এবং কোনো tool-এর তালিকাও রাখে না। এটি গদ্যকে sentence by sentence ভিত্তিতে স্কোর করে, লেখাটি machine-generated text-এর পরিসংখ্যানগত pattern-এর সঙ্গে কতটা ঘনিষ্ঠভাবে মেলে তার ওপর, তারপর সেই স্কোরগুলো পুরো document জুড়ে গড় করে। কোনো humanized passage এখনও উচ্চ স্কোর পাবে কি না, তা নির্ভর করে rewrite সেই pattern-এর কতটা বদলেছে, এবং document-এর কতটা অংশ আদৌ পুনর্লিখিত হয়েছে তার ওপর।
Turnitin কি humanized text সনাক্ত করতে পারে? Turnitin কী দাবি করে
তাদের প্রকাশিত অবস্থান সরলভাবে yes। humanizer-এর মাধ্যমে প্রক্রিয়াকৃত বিষয়বস্তু এটি সনাক্ত করতে পারে কি না, এই প্রশ্নের উত্তরে তাদের নির্দেশনায় বলা হয়েছে: "Yes, Turnitin's AI indicator includes detection of AI-generated content that may have been humanized or passed through a bypasser to avoid detection." একই পৃষ্ঠায় AI paraphrasing tools-এর ক্ষেত্রেও একই উত্তর দেওয়া হয়েছে।
এই দাবি প্রতিবেদনে কোথাও দ্বিতীয় কোনো সংখ্যা হিসেবে দেখা যায় না। Turnitin এটি একক AI writing percentage-এর মধ্যে অন্তর্ভুক্ত করে, এবং সেই percentage-এর প্রকাশিত সংজ্ঞা সরাসরি তা বলে: এটি এমন text অন্তর্ভুক্ত করে, যেটি model-এর মতে সম্ভবত AI দ্বারা generated, অথবা সম্ভবত generated হয়ে পরে AI paraphraser বা bypasser দ্বারা modified হয়েছে। একটি score আছে, এবং model যতটা সক্ষম, rewrite-টিকেও সেটি ইতিমধ্যেই বিবেচনায় নেয়।
সাবধানে পড়ুন, এটি নির্ভুলতা সম্পর্কে নয়, বরং অন্তর্ভুক্তি সম্পর্কে একটি বক্তব্য। Turnitin বলছে, মডেলটি তৈরি করার সময় humanized text-কে পরিধির মধ্যে ধরা হয়েছিল। তবে এটি মোটেও এই কথা বলে না যে প্রতিটি humanized document উচ্চ স্কোর পায়, এবং তাদের নিজস্ব প্রকাশিত পরিসংখ্যান, আরও নিচে, এমন একটি model বর্ণনা করে যা পৃথক বাক্যকে অনিশ্চিত হিসেবে বিবেচনা করে।
AI Writing Indicator আসলে কী স্কোর করছে
এটি শতাংশ নয়। এটি text-এর একটি ভগ্নাংশ, তাই এটি confidence level নয়। এটি পরিমাপ করে আপনার document-এর মধ্যে কতটা text আমাদের model-এর মতে AI generated হওয়ার সম্ভাবনা রাখে। আমরা একে qualified text বলি, যার অর্থ দীর্ঘ-রূপ লেখার বিন্যাসে থাকা গদ্য বাক্য। এতে bullet lists, code, tables বা সংক্ষিপ্ত fragment অন্তর্ভুক্ত নয়। আর এই কারণেই একই paper-এর জন্য আপনি ভিন্ন সংখ্যা দেখতে পারেন, নির্ভর করে তার কতটা অংশ চলমান গদ্য।
এর অন্তর্নিহিত mechanism যথেষ্ট সহজভাবে কল্পনা করা যায়। Turnitin একটি document-কে প্রায় কয়েকশো শব্দের overlapping segment-এ ভাগ করে, প্রতিটি segment-এ প্রায় পাঁচ থেকে দশটি বাক্য থাকে, এবং সেগুলো এমনভাবে overlap করা হয় যাতে প্রতিটি বাক্য context-এর মধ্যে স্কোর পায়। প্রতিটি বাক্য 0 এবং 1-এর মধ্যে একটি মান পায়। এরপর segment score-গুলো document জুড়ে গড় করা হয়, যাতে instructor যে একক সংখ্যা দেখেন তা তৈরি হয়। Turnitin কীভাবে AI শনাক্ত করে তার ধাপে ধাপে বিবরণ প্রতিটি পর্যায় আরও বিশদে ব্যাখ্যা করে।
এই averaging step humanized text-এর ক্ষেত্রে pipeline-এর অন্য যেকোনো অংশের চেয়ে বেশি গুরুত্বপূর্ণ, এবং এটিই সেই অংশ যা প্রায় কেউই হিসাবের মধ্যে আনে না। instructor যে figure পড়েন তা segment-level judgement-এর arithmetic mean। একটি document অর্ধেক পুনর্লিখিত হতে পারে এবং পুনর্লিখনের মানের সঙ্গে খুব কম সম্পর্ক থাকা কারণে মাঝামাঝি কোথাও অবস্থান করতে পারে।
কেন Humanized Output কখনও কখনও তবু উচ্চ স্কোর পায়
সবচেয়ে সাধারণ কারণ হলো কভারেজ। একটি humanizer যদি ভূমিকা এবং উপসংহারে প্রয়োগ করা হয়, তবে সাহিত্য পর্যালোচনা এবং আলোচনা অপরিবর্তিত থেকে যায়, এবং সেই অংশগুলো তাদের মূল স্কোর সরাসরি গড়ে নিয়ে আসে। একটি দীর্ঘ অধ্যায়ে, প্রারম্ভিক পৃষ্ঠাগুলো পুনর্লিখন করলে কয়েকটি সেগমেন্ট বদলে যায় এবং বাকি অংশ ঠিক আগের মতোই থাকে, ফলে লেখক যে মাত্রার কাজকে উল্লেখযোগ্য বলে মনে করেছিলেন, তার তুলনায় একটি ছোট পরিবর্তন দেখা যায়।
দ্বিতীয় কারণ হলো পুনর্লিখনের গভীরতা। এমন একটি প্রয়োগ, যা শব্দভান্ডার প্রতিস্থাপন করে কিন্তু বাক্যের দৈর্ঘ্য, উপবাক্যের ক্রম এবং সংযোগের পছন্দ অপরিবর্তিত রাখে, তা classifier যে ধরনটির ওপর প্রশিক্ষিত হয়েছে, সেটিকে অনেকটাই অক্ষত রাখে। model গদ্যের আকৃতি স্কোর করে, তাই সেই আকৃতির ভেতরে কোন শব্দ বসছে তা বদলানো অধিকাংশ মানুষের ধারণার চেয়ে কম প্রভাব ফেলে। একটি free perplexity checker দেখাবে, পুনর্লিখনের পরও একটি অংশ কতটা পূর্বানুমেয়ভাবে পড়া যায়, এবং এটি আগে ও পরে শব্দস্তরের তুলনার চেয়ে বেশি তথ্যবহ signal।
তৃতীয় কারণ হলো, একটি পুনর্লিখন নিজেরই নিয়মিততা স্থাপন করতে পারে। যে software প্রতিটি অনুচ্ছেদে একই transformation প্রয়োগ করে, তা পুরোনোটির মতোই নিয়মিত একটি নতুন pattern তৈরি করবে। যদি প্রতিটি বাক্যের ভেতর দিয়ে একই ধরনের joint cut করা হয়, অথবা যদি প্রতিটি বাক্যে একই স্থানে একই ধরনের hedging clause যোগ করা হয়, তবে classifier-এর কাছে সেই বাক্যগুলো সমানভাবে দেখা হবে, যেমন শুরুতেই যদি সবগুলোর দৈর্ঘ্য একই হতো, তেমনই।
| পরিস্থিতি | AI স্কোর কী করে | কেন |
|---|---|---|
| নথির কেবল একটি অংশ পুনর্লিখিত হয়েছিল | প্রত্যাশার চেয়ে কমে | অস্পর্শিত অংশগুলো তাদের মূল স্কোর গড়ে বহন করে |
| শব্দভান্ডার বদলানো হয়েছে, বাক্যগঠন অপরিবর্তিত রাখা হয়েছে | খুব সামান্য সরে | শ্রেণিবিন্যাসকারীটি বাক্য-স্তরের ধরনকে স্কোর করে, যা অদলবদলটি জায়গায় রেখে গেছে |
| সারা জুড়ে বাক্যগুলো সত্যিই পুনর্গঠিত হয়েছে | আরও বেশি সরে | মডেলটি যে একরূপ ছন্দ চিনতে প্রশিক্ষিত হয়েছিল, তা ভেঙে যায় |
| 300 শব্দের কম গদ্য জমা দেওয়া হয়েছে | একেবারেই কোনো স্কোর তৈরি হয় না | Turnitin শতাংশ দেখানোর আগে 300 শব্দের যোগ্য গদ্য চায় |
| ফল 20 শতাংশের নিচে নেমে আসে | সংখ্যার বদলে একটি তারকা চিহ্ন | Turnitin এই পরিসরের ফলকে কম নির্ভরযোগ্য হিসেবে চিহ্নিত করে |
একই পুনর্লিখন কখনও কখনও কেন কম স্কোর দেয়
একটি মানবিককৃত নথি পুনর্লিখনের সঙ্গে সম্পর্কহীন কারণে কম স্কোর নিয়ে ফিরে আসতে পারে। Turnitin-কে কোনো AI শতাংশ তৈরি করার আগে অন্তত 300 শব্দের যোগ্য গদ্য দরকার, এবং নির্ভুলতা সামান্য বেশি পাঠ্যে উন্নত হয়, এই ঘোষিত কারণে এটি মূল 150 শব্দ থেকে এই ন্যূনতম সীমা বাড়িয়েছিল। একটি সংক্ষিপ্ত প্রতিফলনধর্মী অংশ কোনো সংখ্যা দেয় না, এবং অনুপস্থিত স্কোর একটি পরিষ্কার স্কোরের সমান নয়।
Turnitin 20 শতাংশের নিচের একটি পরিসরকে সুনির্দিষ্ট শতাংশ না দিয়ে একটি তারকা চিহ্ন দিয়ে চিহ্নিত করে, কারণ এই পরিসরের মধ্যে false positives-এর ঘটনা বেশি। চালুর সময়, শিক্ষা-সংক্রান্ত প্রতিবেদনে এই আচরণের কথাও বলা হয়েছিল, যেখানে উল্লেখ করা হয় যে 20 শতাংশের কম AI-written বলে রিপোর্ট হওয়া ফলাফলে false positives-এর হার বেশি ছিল, এবং তাই Turnitin disclaimers যোগ করেছিল। এই ব্যান্ডে থাকা একটি নথিকে এমন একটি পরিসর হিসেবে চিহ্নিত করা হয়েছে, যা Turnitin নির্ভুলভাবে রিপোর্ট করতে অস্বীকার করে, এবং এটি cleared হওয়ার থেকে ভিন্ন বিষয়।
এছাড়াও, এর সবকিছুর উপরে একটি প্রাতিষ্ঠানিক নিয়ন্ত্রণস্তর আছে। Turnitin কেবল তখনই AI লেখন সনাক্তকরণের জন্য একটি জমা প্রক্রিয়া করে, যখন প্রতিষ্ঠানটি এই বৈশিষ্ট্যটি চালু করে, এবং প্রশাসকেরা এটি পুরো অ্যাকাউন্ট জুড়ে নিষ্ক্রিয় করতে পারেন। Vanderbilt University 2023 সালের August মাসে ঠিক সেটাই করেছিল, Turnitin-এর তখন প্রকাশিত 1 শতাংশ false-positive হারকে প্রায় 75,000 বার্ষিক জমার বিপরীতে উল্লেখ করে, non-native English writers-দের বিরুদ্ধে পক্ষপাত, এবং মডেলটি কীভাবে কাজ করে সে সম্পর্কে স্বচ্ছতার অভাবের কথা বলে। যে শিক্ষার্থীর প্রতিষ্ঠানে এই বৈশিষ্ট্যটি বন্ধ থাকে, তার কোনো জমাতেই AI স্কোর থাকে না, তা humanized হোক বা অন্য কিছু।
আর যেখানে পুনর্লিখনটি সত্যিই কাঠামোগত ছিল, সেখানে স্কোর কমে যেতে পারে, কারণ পরিমাপিত ধরনটি বদলে গেছে। Turnitin লেখন-প্যাটার্ন থেকে গণনা করা একটি অনুমান জানায়, তাই যে পাঠ্যের প্যাটার্ন ভিন্ন, তার স্কোরও ভিন্ন হয়। এই প্রক্রিয়াটি দুই দিকেই কাজ করে, আর সেটাই অস্বস্তিকর অংশ, কারণ মূল মানব-লেখনও কখনও কখনও ঠিক একই কারণে উচ্চ স্কোর পায়।
আপনার নিজস্ব পেপারকে মানবসদৃশ করুন
আপনার AI-সহায়তাপ্রাপ্ত লেখাকে রূপান্তর করুন এবং গুরুত্বপূর্ণ শব্দ বা উদ্ধৃতি স্পর্শ না করে সেটিকে মানবসদৃশ শোনান।
প্রতিটি Humanizer বিক্রেতা কী দাবি করে, এবং কী নথিভুক্ত আছে
একটি নিয়ম সারণিটিকে নিয়ন্ত্রণ করে। মাঝের কলামে বিক্রেতার নিজস্ব বিপণন ভাষা আছে, যা তার নিজস্ব সাইট থেকে নেওয়া, যেখানে সেই সাইটটি তা সরবরাহ করতে পারে। ডানদিকের কলামে প্রতিটি দাবির পেছনে বাস্তবে কী দাঁড়িয়ে আছে তা নথিভুক্ত করা হয়েছে, যা অধিকাংশ ক্ষেত্রে কোনো dataset, date বা method-ই নয়। এই ব্র্যান্ডগুলোর জন্য কোনো প্রকাশ্য head-to-head test নেই।
| Brand | বিক্রেতা যা দাবি করে | যা নথিভুক্ত আছে |
|---|---|---|
| Undetectable.ai | পণ্য বৈশিষ্ট্য হিসেবে AI detector অতিক্রম করার কথা তালিকাভুক্ত করে, তবে এর সঙ্গে কোনো সংখ্যা যুক্ত করে না, এবং যদি আউটপুটকে মানবসৃষ্ট না বলে চিহ্নিত করা হয়, তবে humanization-এর খরচ ফেরত দেওয়ার প্রস্তাব দেয় | এই ফেরত একটি বাণিজ্যিক শর্ত, দাবিটির পক্ষে কোনো dataset, date বা detector-by-detector ফলাফল নেই |
| QuillBot | নিজস্ব পৃষ্ঠাগুলিতে humanizer বৈশিষ্ট্যের জন্য detection বা bypass-এর কোনো দাবি করে না। এর পৃথক AI detector-কে কেবল AI-generated content শনাক্তকারী হিসেবে বর্ণনা করা হয় | QuillBot সাধারণ writing suite-এর মধ্যে humanizer বিক্রি করে এবং এর জন্য কোনো Turnitin-specific দাবি করে না |
| WriteHuman | Humanizer Leaderboard-এ number one হিসেবে স্থান পেয়েছে, এবং গুরুতর লেখার জন্য premium AI humanizer হিসেবে বর্ণিত হয়েছে | Leaderboard-এ কোনো methodology বা sample উল্লেখ নেই, এবং WriteHuman র্যাঙ্কিংটির সঙ্গে কোনো numeric accuracy figure সংযুক্ত করে না |
| Walter Writes AI | Turnitin-specific দাবি ছাড়াই 80+ ভাষাজুড়ে বিস্তৃত humanization বাজারজাত করে | কোনো দিকেই test data নেই |
| HIX Bypass | Turnitin-specific figure ছাড়াই detector-by-detector bypass পৃষ্ঠা বাজারজাত করে | HIX Bypass এবং BypassGPT পৃথক domain-এ পৃথক product, তাই কোনটি কোনো দাবি বর্ণনা করছে তা নিশ্চিত করুন |
| StealthGPT | Turnitin-এ 98% human average এবং GPTZero-তে 95%, প্রতিটি 30 sample-এর একটি stated run থেকে zero detections সহ, এবং subscriber detected হলে money-back guarantee | Self-reported. সংখ্যাগুলোর পাশে কোনো dataset, sample selection, date বা method প্রকাশ করা হয়নি, এবং 30 document হলো এমন একটি দাবির জন্য ছোট run, যেখানে model লক্ষ লক্ষ submission স্কোর করে |
| Phrasly | নিজেকে AI detection remover হিসেবে অবস্থান করে, test data প্রকাশ করে না | কোনো দিকেই public claim নেই। review-এ প্রচলিত figure গুলি secondhand, এবং নীতিগতভাবে এখানে বাদ দেওয়া হয়েছে |
| Grammarly | এর rewriting-কে detection bypass হিসেবে মোটেই বাজারজাত করে না। এর AI detector পৃষ্ঠা 99% detection accuracy এবং RAID's independent benchmark-এ number one ranking দাবি করে | একই Grammarly পৃষ্ঠায় বলা হয়েছে যে কোনো AI detector 100% accurate নয়। এর Authorship feature text-কে human typed, AI created, বা Grammarly edited হিসেবে চিহ্নিত করে |
| TextPulse | Turnitin AI-এ 92.33% pass rate, Originality.ai-এ 89.12% এবং GPTZero-তে 87.91%, 2,000-document academic corpus-এ মাপা | TextPulse দ্বারা মাপা এবং প্রকাশিত, তাই উপরের প্রতিটি figure-এর মতোই self-reported। corpus size এবং detector-গুলি নামসহ উল্লেখ আছে, তবে কোনো individual document-এর জন্য detector outcome প্রতিশ্রুত নয় |
সেই সারণি থেকে তিনটি বিষয় বেরিয়ে আসে। এই সরঞ্জামগুলোর বেশিরভাগই এমন কোনো ডিটেক্টর দাবি প্রকাশ করে না, যা আদৌ যাচাই করা যায়। কয়েকটি একটি সংখ্যার সঙ্গে নমুনা আকার জুড়ে দেয়, যা এই শ্রেণির বাকি অংশের তুলনায় বেশি। আর তাদের কেউই এমন কোনো ডেটাসেট প্রকাশ করে না, যা কোম্পানির বাইরে কেউ নিজে চালিয়ে দেখতে পারে। তবে প্রতিটি ব্র্যান্ড যেখানে প্রাপ্য, সেখানে কৃতিত্ব দেওয়া উচিত। Undetectable.ai তার দাবির পেছনে একটি রিফান্ড রাখে, যা বিশেষণের বদলে একটি নির্দিষ্ট অঙ্গীকার। WriteHuman প্রতিটি স্তরের জন্য সুনির্দিষ্ট অনুরোধ ও শব্দসীমা প্রকাশ করে, তাই একজন ক্রেতা জানেন তিনি কী পাচ্ছেন। Grammarly একই পাতায় নিজের নির্ভুলতার সংখ্যা যোগ্যতাসহ উপস্থাপন করে, যেখানে সেটি তৈরি করা হয়েছে, যা অধিকাংশ ডিটেক্টর বিক্রেতার তুলনায় বেশি। আর QuillBot একেবারেই bypass দাবি না করার সিদ্ধান্ত নেওয়া তালিকার সবচেয়ে প্রতিরক্ষাযোগ্য অবস্থান।
কেন বিক্রেতার বাইরে কেউ এই সংখ্যাগুলো যাচাই করতে পারে না
Turnitin pass rate দাবি করা কোনো humanizer বিক্রেতা এমন রানগুলোর কথা বলছে, যা সে নিজের নিয়ন্ত্রিত অ্যাকাউন্ট দিয়ে, নিজের নির্বাচিত নথিতে, এমন এক তারিখে চালিয়েছে, যা সে সাধারণত উল্লেখ করে না, এবং এমন একটি classifier-এর বিরুদ্ধে, যেটি Turnitin নতুন ভাষা মডেল প্রকাশের সঙ্গে সঙ্গে সংশোধন করে। StealthGPT-এর 30-নমুনার সংখ্যার ক্ষেত্রেও এটি সত্য, এবং এই সাইট যে 2,000-নথির সংখ্যা প্রকাশ করে, তার ক্ষেত্রেও সমানভাবে সত্য। corpus size একটি সংখ্যার মধ্যে কতটা noise থাকে, তা বদলায়। এটি কোনো self-report-কে audit-এ পরিণত করে না।
সমস্যার অন্য অর্ধেক হলো, Turnitin-এর নিজস্ব যে মডেলগুলোর তালিকা এটি detect করতে পারে বলে দাবি করে, তা নতুন release আসার সঙ্গে সঙ্গে সম্পাদিত হয়। গত ত্রৈমাসিকের classifier-এর বিরুদ্ধে মাপা সেই pass rate কেবল গত ত্রৈমাসিকের classifier-ই বর্ণনা করে, আর কিছু নয়। কেন এর ফলে কেউ Turnitin bypass করার জন্য সেরা AI humanizer নাম দিতে পারে না, তা আলাদাভাবে ব্যাখ্যা করা হয়েছে। প্রতিটি humanizer homepage-এর প্রতিটি সংখ্যা, এই সাইটেরটিও অন্তর্ভুক্ত, একটি snapshot, যার সঙ্গে এমন একটি তারিখ থাকে, যা বিক্রেতা হয়তো কখনোই প্রকাশ করেনি।
একটি bypass দাবি কেনার আগে কীভাবে পড়তে হবে
চারটি প্রশ্ন একটি বিবেচনাযোগ্য দাবিকে উপেক্ষাযোগ্য দাবি থেকে আলাদা করে, এবং এগুলো উপরের সারণির প্রতিটি সারিতে প্রযোজ্য, শেষ সারিটিও অন্তর্ভুক্ত।
- কতগুলি নথি পরীক্ষা করা হয়েছিল, এবং সেগুলি কে বেছে নিয়েছিল? নমুনার আকার ছাড়া একটি শতাংশ কেবল একটি সংখ্যা পরা স্লোগান।
- কোন তারিখে, এবং কোন detector version-এর বিরুদ্ধে? নতুন language models প্রকাশিত হওয়ার সঙ্গে সঙ্গে detection models সংশোধিত হয়, এবং তারিখবিহীন pass rate দ্রুত পুরোনো হয়ে যায়।
- গ্যারান্টিটি কি refund, নাকি একটি ফলাফল? money-back প্রতিশ্রুতি সামান্য আর্থিক ঝুঁকি স্থানান্তর করে, এবং academic integrity panel সম্পর্কে একেবারেই কিছু করে না।
- vendor কী বলে, একটি citation, একটি technical term, বা একটি block quotation-এর কী হয়? অধিকাংশ humanizer পৃষ্ঠা কিছুই বলে না, যা নিজেই একটি উত্তর।
সেই শেষ প্রশ্নটি detector arithmetic-এর চেয়ে বেশি কিছু নির্ধারণ করে, যে কেউ academic work জমা দিলে। একটি rewrite যা ভালো score করে এবং methods sentence-কে নীরবে generalise করে, তা সেই জিনিসটির মূল্য আপনার কাছ থেকে নিয়ে নেয়, যার ভিত্তিতে আপনাকে মূল্যায়ন করা হচ্ছিল। TextPulse's academic humanizer APA, MLA, IEEE, Chicago, Harvard এবং Vancouver জুড়ে citation preservation নথিভুক্ত করে, pass চালানোর আগে exact vocabulary lock করার জন্য freeze terms, এবং peer-reviewed academic text-এ training, যেখানে output Flesch-Kincaid grade 13 to 18-এ সীমাবদ্ধ। এগুলি text-এর সঙ্গে কী ঘটে সে সম্পর্কে দাবি, যা detector সম্পর্কে একটি percentage-এর থেকে ভিন্ন ধরনের দাবি, এবং একজন পাঠক এক মিনিটের মধ্যে output-এ সেগুলি যাচাই করতে পারেন।
যে কোনো অবস্থাতেই Score একজন Student-এর জন্য কী বোঝায়
Turnitin স্পষ্টভাবে বলে যে AI writing indicator misconduct-এর একটি finding নয়। Turnitin-এর product page স্পষ্টভাবে বলে যে Turnitin Originality "does not make a determination of misconduct through our AI writing detection (or similarity checking) technology." এটি আরও স্পষ্ট করে যে Turnitin শিক্ষকদের তাদের institution-এর policies-এর ভিত্তিতে একটি informed decision নিতে সহায়তা করার জন্য information সরবরাহ করে। এটি আরও স্মরণ করিয়ে দিয়ে পুনরুচ্চারিত হয় যে model "may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student."
শিক্ষার্থীরা ডিফল্টভাবে স্কোরটি দেখে না। Turnitin স্পষ্টভাবে বলে যে AI writing detection indicator এবং report শিক্ষার্থীদের কাছে দৃশ্যমান নয়, এবং তা দেখার একমাত্র উপায় হলো একজন instructor reportটি PDF হিসেবে ডাউনলোড করে তা হস্তান্তর করা। কোনো শিক্ষার্থী নিজের draft পরীক্ষা করলে সে ভিন্ন data-তে প্রশিক্ষিত একটি ভিন্ন tool পরীক্ষা করছে, এবং এই দুই সংখ্যার একমত হওয়ার কোনো বাধ্যবাধকতা নেই।
এতে যে অংশটি কোনো score মীমাংসা করে না, তা থেকে যায়। AI assistance আদৌ অনুমোদিত ছিল কি না, তা course এবং institution-এর প্রশ্ন, এবং একটি AI use policy তা এমনভাবে উত্তর দেয়, যেভাবে কোনো percentage কখনও দেয় না। অনুমোদিত, disclosed use-এর ক্ষেত্রে একটি উচ্চ score হলো evidence-সহ একটি conversation। policy যে undisclosed use নিষিদ্ধ করে, সেই undisclosed use-এর ক্ষেত্রে একটি নিম্ন score তবু undisclosed use-ই থাকে।
নিজের draft সম্পাদনা করা একজন writer-এর জন্য, এই সবকিছুর practical reading হলো score লেখার অনুসরণ করে। Turnitin-এর model একটি পুরো document জুড়ে sentence-level pattern মাপে, তাই আংশিক rewrite আংশিক পরিবর্তন আনে এবং vocabulary pass প্রায় কোনো পরিবর্তনই আনে না। how to humanize AI text-এর পূর্ণ walkthrough সেই structural edits নিয়ে কাজ করে, যা pattern বদলায়, এবং যে ক্রমে তা সবচেয়ে বেশি বদলায়।
TextPulse-এর AI humanizer এই structural edits পুরো document জুড়ে একসঙ্গে প্রয়োগ করে এবং text থেকেই গণনা করা একটি estimated Human Score জানায়, কোনো named detector কী বলবে তার prediction নয়। কোনো tool Turnitin outcome-এর প্রতিশ্রুতি দিতে পারে না, কারণ কোনো tool Turnitin-এর model-এর ভেতরে দেখতে পারে না। যে product অন্যথা দাবি করে, তা এমন একটি result বর্ণনা করছে, যা পর্যবেক্ষণ করার কোনো উপায় তার নেই।
humanizer এবং paraphraser-এর মধ্যে পার্থক্য এখানে গুরুত্বপূর্ণ, যেমন গুরুত্বপূর্ণ paraphrased text কেন তবু flagged হয় তার কারণও।
সংখ্যাটি এর সবচেয়ে কম আকর্ষণীয় অংশ। ফলাফল নির্ধারণ করে এর পরের বিশ মিনিট, যখন একজন মূল্যায়নকারী এটি দেখেন: কাগজটি তার কাজের ধারা, একটি খসড়া ইতিহাস, নোটের একটি সেট, এমন উৎস দেখাতে পারে কি না, যেগুলো লেখক না খুলেই নিয়ে কথা বলতে পারেন। এই প্রমাণ সেই ব্যক্তির কাছে থাকে, যিনি কাজটি করেছেন, এবং এটি এমন একটি স্কোরের পরেও টিকে থাকে, যেটিকে পুনর্লিখন সরাতে ব্যর্থ হয়েছে।
সচরাচর জিজ্ঞাসিত প্রশ্ন
Turnitin-এর নিজস্ব নির্দেশনা বলে যে এর AI সূচক এমন বিষয়বস্তুর শনাক্তকরণ অন্তর্ভুক্ত করে, যা humanized করা হয়েছে বা bypasser-এর মাধ্যমে চালানো হয়েছে বলে মনে হতে পারে। পণ্যটি বাস্তবে যা আউটপুট করে তা হলো যোগ্য টেক্সটের একটি শতাংশ, লেখকত্ব সম্পর্কে কোনো রায় নয়। তাই can Turnitin detect humanized text প্রশ্নের ব্যবহারিক উত্তর হলো, স্কোরটি দেখায় পুনর্লিখনের মধ্যে মেশিন-লেখার ধরন কতটা টিকে ছিল।
Content strategist at TextPulse, here since the company started. Mark writes the product and technical coverage: how the humanizer works under the hood, what changes in each release, and what a specification actually means for your writing. His reviews of writing software come from using them on real documents rather than reading a feature list.
