AI টেক্সটকে মানবিক করার উপায় নিয়ে বিশেষজ্ঞ প্রবন্ধ, AI detectors এ স্কোর কমানো, উদ্ধৃতি সংরক্ষণ, এবং আরও ভালো একাডেমিক পেপার লেখার নির্দেশনা।
ইচ্ছাকৃতভাবে perplexity এবং burstiness বাড়ানো সাধারণত শুধু আরও ভালোভাবে লেখা বোঝায়: বাক্যের দৈর্ঘ্য ভিন্ন করা, clause-এর গঠন মিশিয়ে ব্যবহার করা, এবং যে শব্দটি সত্যিই মানায় সেটি বেছে নেওয়া, কেবল যে শব্দটি উপরিতলে মানানসই মনে হয় তা নয়। নির্দিষ্ট আগে ও পরে উদাহরণ, এবং কোথায় এটি craft হওয়া বন্ধ করে খারাপ ধারণা হয়ে যায়।
GPTZero perplexity এবং burstiness-কে বিখ্যাত করেছিল, তারপর নীরবে দুটিকেই বাদ দেয়। এখন এর শ্রেণিবিন্যাসক কী মাপে, একটি প্রতিবেদন আসলে কী দেখায়, এবং টুলটি নিজের সীমাবদ্ধতা কোথায় বলে, তা এখানে দেওয়া হলো.
Perplexity মনোযোগ পায়, কিন্তু এর অন্তর্নিহিত গণিত হলো টোকেন সম্ভাবনা: মডেলের পরবর্তী শব্দের ওপর বণ্টন আসলে কী ধারণ করে, কেন detection গণিত raw probability-এর বদলে log space-এ চলে, এবং কীভাবে per-token score-এর একটি ধারাবাহিকতা একটি সংখ্যায় পরিণত হয়।
GPTZero perplexity এবং burstiness-কে পরিচিত করেছিল, তারপর 2023 সালের শরতে নীরবে উভয়কেই একটি deep-learning classifier-এর পক্ষে বাদ দেয়। এই পোস্টে কী বদলাল, GPTZero এবং Turnitin আজ আসলে কী নথিভুক্ত করে, এবং কেন এই দুই পরিসংখ্যান এখনও ব্যাখ্যা করে যে machine text কেন শনাক্তযোগ্য, যদিও কোনো vendor আর সেগুলো সরাসরি গণনা করে না।
ধরা পড়া খুব কমই শতাংশ স্কোর দ্বারা চালু হওয়া একক মুহূর্ত। এটি ধাপ, প্রমাণের মানদণ্ড এবং আপিলের অধিকারসহ একটি নির্ধারিত প্রক্রিয়া, যার বেশির ভাগই প্রথম কথোপকথনের পর আর এগোয় না। প্রকাশিত বিশ্ববিদ্যালয় পদ্ধতি ব্যবহার করে, অনুমানের বদলে, এই প্রক্রিয়াটি শুরু থেকে শেষ পর্যন্ত আসলে কেমন দেখায়, তা এখানে দেওয়া হলো।
এখানে শনাক্তকরণ সফটওয়্যারের গুরুত্ব অধিকাংশ শিক্ষার্থীর ধারণার চেয়ে কম। এই লেখায় ব্যাখ্যা করা হয়েছে, একজন প্রফেসর যিনি ইতিমধ্যে আপনার কাজ পড়েছেন, তিনি কী লক্ষ্য করেন যখন একটি খসড়া আর আপনার মতো শোনায় না, পরীক্ষকদের একটি গুরুত্বপূর্ণ অন্ধ গবেষণা থেকে শুরু করে সেই নির্দিষ্ট, যাচাইযোগ্য লক্ষণ পর্যন্ত, যা কেউ স্ক্যান চালানোর অনেক আগেই দেখা দেয়।
আপনার ভাষায় অনুবাদ না থাকা পোস্টগুলো ইংরেজি ব্লগে রয়েছে।