Proč jsou detektory AI zaujaté proti nerodilým anglickým pisatelům

Detektory AI zaujaté proti nerodilým mluvčím nejsou subjektivní stížností. Recenzovaná studie Stanfordu z roku 2023 to měřila přímo. Výzkumníci otestovali sedm široce používaných detektorů GPT na 91 skutečných esejích TOEFL napsaných nerodilými mluvčími angličtiny a na 88 esejích napsaných americkými žáky osmého ročníku, poté porovnali, jak si obě skupiny vedly.

Detektory četly eseje osmého ročníku správně téměř pokaždé. U esejí TOEFL, napsaných dospělými, kteří již složili zkoušku jazykové způsobilosti z angličtiny na úrovni postgraduálního studia, vrátilo stejných sedm nástrojů průměrnou míru falešně pozitivních výsledků 61.22 percent. Osmdesát devět z devadesáti jedné eseje, téměř 98 percent, bylo alespoň jedním z těchto sedmi nástrojů označeno jako vygenerované AI.

Přehled TextPulse o širších důkazech o přesnosti detektorů AI shrnuje tento hlavní závěr i žaloby, do nichž se od té doby promítl. To, co je téměř všude, kde je studie citována, vynecháno, je mechanismus, proč se próza mluvčího angličtiny na úrovni postgraduálního studia vůbec čte jako strojově vytvořená, a co se změní, když se tak přestat číst.

Detektory AI zaujaté proti nerodilým mluvčím, mechanismus

Detektor nikdy nečte význam. Čte, jak předvídatelné je každé slovo vzhledem ke slovům, která mu předcházela, a hodnotí úryvek nízko, když model mohl většinu z něj předem odhadnout. Lexikální rozmanitost, tedy jak širokou slovní zásobu autor využívá místo opakování menší sady bezpečných slov, a syntaktická předvídatelnost, tedy jak těsně struktura vět sleduje nejběžnější vzorec daného jazyka místo toho, aby jej obměňovala, jsou dvě vlastnosti jazykové produkce, které toto skóre snižují.

Rozdíl je důležitý, protože se oba jevy na stránce projevují odlišně. Lexikální rozmanitost se týká samotných slov: autor, který ve třech různých větách sáhne po výrazech „obtain“, „acquire“ a „secure“, působí pestřeji než ten, kdo třikrát napíše „get“, i když jsou jinak věty totožné. Syntaktická předvídatelnost se týká struktury: podmět, sloveso, předmět, opakované znovu a znovu, spíše než věta, která začíná vedlejší větou nebo končí neočekávaným slovem. Autor píšící v druhém jazyce pod zkouškovými podmínkami má všechny důvody zvolit bezpečnější verzi obojího.

Psaní v druhém jazyce spolehlivě vykazuje méně obojího, a nikoli jako nedostatek. Autor pracující v dalším jazyce se opírá o slovní zásobu a větné vzorce, které mají největší pravděpodobnost správnosti, protože špatný odhad stojí více, když jazyk ještě není zcela automatizovaný. Studie ze Stanfordu, která doložila zaujatost detektoru, cituje soubor výzkumů z aplikované lingvistiky přesně k tomuto vzorci, ustálenému dávno předtím, než existovaly detektory AI: snížená lexikální bohatost, snížená lexikální rozmanitost a jednodušší větná stavba jsou doložené, měřitelné rysy psaní v druhém jazyce, nikoli známka čehokoli jiného.

Tento rozdíl mezi rodilým a nerodilým psaním se projevuje jako rozdíl v perplexity, tedy ve stejné metrice, kterou detektor používá k rozhodnutí, zda byl úryvek vygenerován strojem. Nižší perplexity působí více strojově bez ohledu na to, kdo text vytvořil, a psaní v nerodilém jazyce se na této škále nachází níže z důvodů, které nemají nic společného s chatbotem. Zda je právě tento rozdíl skutečně tím, co detektory pohání, a nikoli náhodou, je otázka, kterou lze testovat. Tým ze Stanfordu ji testoval přímo.

Co se stalo, když byly stejné eseje přepsány s bohatší slovní zásobou

Výzkumníci vzali stejných 91 TOEFL esejí, které vyvolaly průměrnou míru falešně pozitivních výsledků 61.22 percent, a požádali ChatGPT, aby je upravil pomocí jediného pokynu: "Enhance the word choices to sound more like that of a native speaker." Nic na obsahu, argumentaci ani gramatice se nemělo měnit. Po této jediné úpravě průměrná míra falešně pozitivních výsledků napříč stejnými sedmi detektory klesla na 11.77 percent, tedy o téměř padesát procentních bodů, a počet esejí, které všechny detektory jednomyslně označily, klesl z osmnácti na jednu.

Výzkumníci poté experiment provedli obráceně. Vzali 88 esejí žáků osmého ročníku, psaných rodilými mluvčími, které detektory původně téměř pokaždé vyhodnotily správně, a požádali ChatGPT, aby zjednodušil jejich volbu slov, jako by byly napsány nerodilým mluvčím. Průměrná míra falešně pozitivních výsledků u těchto stejných esejí napsaných rodilými mluvčími vzrostla z 5.19 percent na 56.65 percent. Autorství esejí se nezměnilo. Změnila se pouze slovní zásoba a detektory sledovaly slovní zásobu.

Perplexity se v obou směrech pohybovala souběžně s mírou chybné klasifikace, prudce vzrostla, když byly TOEFL eseje jazykově obohaceny, a prudce klesla, když byly eseje žáků osmého ročníku zjednodušeny. Autoři z toho vyvozují jednoznačný závěr, že to, na co detektory ve skutečnosti reagovaly, nikdy nebylo autorství. Byla to volba slov, vlastnost, kterou může nést slovní zásoba libovolného autora bez ohledu na to, kde se naučil anglicky.

Jak konzistentní je zkreslení napříč různými detektory

Na mnohém se těchto sedm detektorů neshodlo, s výjimkou směru, kterým se chyba ubírala. Každý z nich označoval TOEFL eseje mnohem častěji než eseje žáků osmého ročníku, avšak s velmi rozdílnými rozdíly.

Detektor	Míra falešně pozitivních výsledků, eseje TOEFL	Míra falešně pozitivních výsledků, eseje rodilých mluvčích
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
detektor OpenAI	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

To jsou údaje z roku 2023, měřené na nástrojích v podobě, v jaké tehdy existovaly. Některé se od té doby zcela změnily, OpenAI v červenci 2023, čtyři měsíce po tomto testu, svůj vlastní detektor vypnula poté, co zjistila, že správně označil pouze 26 procent skutečně textu napsaného AI, zatímco stále chybně označoval 9 procent lidského psaní. To, co se nezměnilo, je směr této mezery. Širší benchmark zaujatosti, vytvořený speciálně k testování detektorů napříč demografickými a jazykovými kategoriemi, publikovaný v prosinci 2025 a použitý proti čtyřem novějším open-source nástrojům, stále uváděl konzistentně nižší recall u nedostatečně zastoupených skupin autorů.

Projevuje se tato zaujatost stále i u novějších detektorů?

Studie ze Stanfordu je nyní několik generací AI stará a její vlastní autoři sami uvedli omezení, malý pilotní vzorek a detektory postavené převážně na GPT-2, což je mnohem menší a starší model než ten, který pohání detekci dnes. To vyvolává oprávněnou otázku. Uzavřela lepší technologie tuto mezeru?

Nejnovější specializovaný test říká, že zatím ne. Ve studii z února 2026 z Univerzity Sultána Kábúse výzkumníci testovali dva současné komerční detektory, Turnitin a Originality, na 192 textech kombinujících autentické studentské psaní EFL z doby před ChatGPT, profesionální lidské psaní, text generovaný AI a hybridní lidsko-AI text. Výsledky ukázaly celkovou přesnost 69 procent a 61 procent u těchto dvou nástrojů, přičemž přesnost u hybridní kategorie, tedy u druhu psaní, který ve skutečnosti vzniká při redakční úpravě, klesla téměř na nulu. Tatáž studie také odhalila druhé zkreslení probíhající souběžně s tím jazykovým, přesnost u vědeckého psaní byla o 28 až 38 procentních bodů nižší než u humanitního psaní.

Žádný z těchto závěrů se netýká jediného vadného produktu. Dvě odlišné architektury detektorů, testované s odstupem tří let na různých korpusech různými výzkumnými týmy, stále dospívají ke stejnému výsledku, psaní formované žánrovou konvencí nebo druhým jazykem se těmto nástrojům jeví blíže tomu, co označují za strojově vytvořené, než psaní, které není ani jedno z toho. TextPulse's free tools umožňují autorovi ověřit tentýž statistický profil dříve, než se cokoli z toho dostane k detektoru instituce.

Nezávislé důkazy, že rozdíl je skutečný, nikoli artefakt testování

Prvním problémem výsledků TOEFL je, že by bylo možné tvrdit, že se vztahují jen na malou pilotní studii z roku 2023. Na to tatáž výzkumná skupina odpověděla v jiné studii využívající data, která s detektory vůbec nesouvisejí. Zkoumali 1.574 prací přijatých na ICLR 2023, významnou konferenci o strojovém učení, a omezili vzorek na abstrakty odevzdané a posouzené předtím, než ChatGPT existoval.

Autoři působící v zemích, kde angličtina není primárním jazykem, psali abstrakty se statisticky významně nižší perplexitou než autoři působící v zemích, kde je angličtina rodným jazykem, a tento rozdíl přetrval i po kontrole toho, jak vysoko byl každý článek hodnocen recenzenty. Tento vzorek nemohl být ovlivněn nikým, kdo se snažil znít více nebo méně jako chatbot. ChatGPT byl od vydání vzdálen tři měsíce, když se uzavřelo období pro podávání příspěvků. Rozdíl v perplexitě mezi rodilým a nerodilým akademickým psaním není něco, co detektory vymyslely. Je to něco, co zdědily.

Statistická analýza detekce AI z roku 2026 jako testovacího problému nabízí formální verzi téhož závěru. Kdykoli skupina autorů produkuje jazyk, který se v souhrnu překrývá s typickým výstupem AI, musí mít jakýkoli detektor se skutečnou schopností zachytit text napsaný AI pro tuto konkrétní skupinu vyšší míru falešně pozitivních výsledků, což je matematická vlastnost testování rozmanité populace, nikoli vada jednoho nástroje. Autoři, pro něž angličtina není rodným jazykem, jsou nejjasněji doloženým případem právě takového překryvu.

Co to znamená pro autory píšící v druhém jazyce

Nic z toho není argumentem pro to, psát méně jako sám sebe. Je to důvod vědět, co je skutečně měřeno, než přijde skóre. Detektor, který čte váš text jako předvídatelný, zachycuje skutečnou statistickou vlastnost psaní v druhém jazyce, nikoli důkaz, že jste použili nástroj, který jste nepoužili.

Výzkumníci ze Stanfordu, kteří provedli původní studii, upozorňují na nepříjemný důsledek vlastního zjištění, stejná úprava slovní zásoby, která snižuje riziko falešně pozitivního výsledku, je také takovým typem revize, kterou by autor mohl chtít zcela z jiných důvodů, jasnější formulace, přesnější slovo, bez ohledu na jakýkoli detektor. Stránka TextPulse pro akademické autory píšící v ESL popisuje, jak takový typ revize vypadá na skutečných větách, odděleně od čehokoli, co souvisí s detekčním skóre.

Novější detektory začínají tento vzorec výslovně zohledňovat. Pangram, jeden z novějších komerčních vstupů na trh, ve své vlastní technické dokumentaci uvádí, že jeho klasifikátor není zaujatý proti autorům, pro něž angličtina není rodným jazykem, ačkoli toto tvrzení pochází od dodavatele, nikoli z nezávislého testování. bezplatný kontrolor perplexity ukazuje stejné základní měření, které kterýkoli z těchto nástrojů vypočítá z textu, aniž by se koncept nejprve kamkoli odesílal.

Dva praktické doplňky stojí ve stejné skupině, kdy používat a, an a the, což je jediný nejčastější zdroj tohoto vzorce, a obecněji jak znít přirozeně v anglickém akademickém psaní.

Výzkum se i po dvou letech dál hromadí stejným směrem, napříč různými týmy, různými detektory a různými návrhy testů. Co se neudrželo v tempu, je široce přijímaná institucionální reakce, auditovat detektor vůči škále autorů, než mu bude svěřen kterýkoli z nich, a ne až poté, co byl konkrétní student již obviněn. Dokud se to nestane běžnou praxí, leží důkazní břemeno pro vyvrácení falešného označení přesně na těch autorech, o nichž tento výzkum říká, že jej s největší pravděpodobností obdrží.