Srovnávací studie AI humanizerů: Co se stalo se stejnými akademickými texty

V naší studii porovnávající AI humanizer každý humanizer převedl stejných 48 akademických textů směrem k lidskému stylu psaní a nástroje se nejvíce lišily v tom, co zachovaly. Některé zachovaly význam, citace a čísla blízko zdroje. Jiné přidaly vymyšlená čísla a jména nebo nové gramatické chyby a tyto výstupy byly často právě těmi, které detektor označil jako lidské.

TextPulse Research provedl studii porovnávající AI humanizer v srpnu 2026 a zveřejnil ji jako working paper dne 29. srpna. TextPulse je jedním z nástrojů v ní, takže každý nástroj dostal stejné vstupy a každé měření je veřejný skript. Úplný working paper obsahuje všechny tabulky, obrázky a skripty a všech 432 přepsaných textů je veřejně dostupných.

Co studie porovnávající AI humanizer testovala

Studie dala každému humanizeru stejných 48 textů. Každý z nich byl částí Výsledky a diskuse z vymyšlené empirické studie, napsané modelem AI a dlouhé přibližně 301 slov. Čtyři rodiny modelů napsaly po 12 textech: OpenAI, Google, DeepSeek a Anthropic. Texty pokrývaly čtyři disciplíny a tři citační styly, takže každý nástroj se setkal s čísly, jmény autorů a značkami odkazů, které musel zachovat.

Část návrhu	Co studie použila
Zdrojové texty	48 částí Výsledky a diskuse napsaných AI, každá o délce 264 až 344 slov
Kdo je napsal	12 textů od modelů OpenAI, Google, DeepSeek a Anthropic
Disciplíny	Medicína a zdraví, fyzikální a výpočetní vědy, společenské vědy, humanitní vědy
Citační styly	APA autor-rok, číselné závorky, bez citací
Zkontrolovaná fakta v textech	404 odborných termínů, 887 čísel, 124 citací
Jak každý nástroj běžel	Vložen jednou do své webové stránky na výchozím nastavení, výstup ponechán tak, jak byl vrácen
Data	26. až 28. srpna 2026
Detektory	Turnitin, jeden dokument na nástroj, a GPTZero, každý text samostatně

Úkolem humanizéru je přepsat výstup AI, takže studie vycházela z výstupu AI s ověřeným seznamem faktů. Před jakýmkoli přepisem každý model vypsal termíny, čísla a citace, které použil. Každá uvedená položka byla porovnána s textem a každá položka, která v něm chyběla, byla odstraněna. Tím vznikl pevný seznam pro každý text, takže studie mohla přesně spočítat, co každý humanizér zachoval, změnil nebo vymyslel.

Každý text byl vložen do webové stránky každého nástroje jednou, při výchozím nastavení nástroje, a výstup byl uložen přesně tak, jak se vrátil. Nikdo výstup neupravoval. Některé nástroje zpracovaly méně než 48 textů, protože bezplatné verze omezují, kolik textů nástroj přijme. Jádrová sada 24 textů byla pro každý nástroj stejná, ve stejném pořadí. TextPulse zpracoval všech 48.

Jak studie měřila humanizovaný text

Skóre detektoru vám říká, jak text vypadal jednomu detektoru v jeden den. Neříká nic o tom, zda přepsaná verze stále uvádí stejné výsledky. Studie nejprve hodnotila každý výstup na samotném textu a teprve poté na detektorech. Pro studenty nebo výzkumné pracovníky je důležité mít práci, která stále říká to, co říkají data, v próze, která zní, jako by ji napsal člověk.

Metrika	Co kontroluje	Proč na tom v článku záleží
Význam	Jak blízko je přepsaná verze ke zdroji, jako skóre podobnosti od 0 do 1	Nižší skóre znamená, že odstavec nyní říká něco jiného
Zachované citace	Podíl citací v textu, které zůstaly se stejným autorem a rokem	Změněný rok naruší shodu se seznamem literatury
Zachovaná čísla	Podíl kontrolovaných čísel, která v textu stále jsou	Ztracená velikost vzorku nebo p-hodnota mění výsledek
Vymyšlené položky	Čísla a názvy ve výstupu, které zdroj nikdy neobsahoval	Vymyšlený údaj je nepravdivé tvrzení o studii
Přidané gramatické chyby	Nové chyby na 1,000 slov, počítané pomocí LanguageTool	Chyby snižují známku i důvěru recenzenta
Úroveň čtení	Změna ve stupni Flesch-Kincaid	Text AI má vyšší úroveň než publikovaná lidská próza
Pozice stylu	Pozice textu mezi typickým lidským a typickým AI psaním	Stylometrické detektory reagují na tyto rysy
Délka	Délka výstupu vůči zdroji, 0.70 až 1.30násobek se počítá jako zachované	Nástroj, který zkrátí text na polovinu, odstranil obsah

Pozice stylu vychází z měřítka, které TextPulse vyvinul z 47 stylových rysů ze 121,092 akademických textů (popsáno v našem článku o stylometrické klasifikaci). Typický lidský akademický text je na 0 a typický text AI je na 100. Střední polovinu lidských textů (-36 až 33) nazýváme lidským rozsahem.

Slovní zásoba byla hodnocena proti seznamu 1,057 slov z našeho článku o slovní zásobě AI. Z nich 581 jsou slova, která modely AI používají více než lidé, a 476 se přiklání opačným směrem. Studie počítala, kolik slov s tendencí k AI každý nástroj odstranil na 1,000 slov.

Co každý humanizer udělal s textem

Každý nástroj ve studii posunul své výstupy směrem k lidskému konci stylové škály. Neupravené texty vytvořené AI dosahovaly v průměru 138, tedy nad typickým textem AI na hodnotě 100. Po přepsání některé nástroje dosáhly lidského rozmezí a jiné se zastavily přibližně v polovině. Každý nástroj také odstranil slovní zásobu nakloněnou AI a snížil čtenářskou úroveň, takže směr změny byl v celém oboru stejný.

Dva druhy rysů posouvají text po škále nejvíce. První dvojicí je průměrná délka slova a podíl dlouhých slov. Přepsání z "help" na "facilitate" učiní text více podobným AI, protože zvýší průměrnou délku slova a zvýší podíl dlouhých slov. Druhým je proměnlivá délka vět, která posouvá směrem k lidskému. Odstavec, v němž mají všechny věty 22 až 26 slov, je plochý, ale odstavec, který kombinuje devítislovnou větu s jednatřicetislovnou, je proměnlivý.

Cílem je dosáhnout nižší čtenářské úrovně. Akademický text napsaný AI má vyšší Flesch-Kincaid grade než publikovaná lidská akademická próza. Pokud tedy klesne, přibližuje to psaní prostému stylu, v němž píší výzkumníci. Na to stylometrické detektory reagují. To jsou také změny, které činí návrh snáze čitelným. Oba cíle jsou v souladu, pokud obsah zůstává zachován.

Náš příspěvek na jak humanizery mění větu ukazuje tyto úpravy jednu větu po druhé. Studie přidává měření, tedy o kolik každá změna posunula text a co to stálo z hlediska významu a faktů.

Kde se nástroje lišily: význam, citace a čísla

Nástroje se lišily ve svých mírách zachování. Například napříč studií bylo zachováno mezi 29 a 100 procenty citací. Na výstup připadalo mezi 0.06 a 4.44 vymyšlených položek. Na 1,000 slov připadalo mezi 0.65 a 4.91 nových gramatických chyb. Vymyšlené položky byly velikosti vzorků, procenta, intervaly spolehlivosti, jména autorů a instituce, které zdroj nikdy nezmínil.

Jména a jednotky mizely jemnějším způsobem. Když nástroj přeformuloval statistiku, často vynechal jednotku, takže "Cohen's d" se změnilo na velikost efektu a "Celsius" na stupně. Jména autorů mizela spolu s jejich citacemi. Názvy druhů, epoch a přístrojů byly nahrazeny popisem. Čtenář, který chce ověřit výsledek, tato jména potřebuje, takže každá z těchto ztrát se počítá.

Hloubka přepisu a věrnost působí opačným směrem. Nástroj, který změní třetinu slov, snáze zachová význam. Nástroj, který změní většinu z nich, má více příležitostí něco ztratit. Podíl změněných slov se pohyboval od 35 do 68 procent. Výsledek, který výzkumník chce, je hluboký přepis, který si stále zachovává význam. Tato kombinace byla vzácná.

Studie také hledala skryté znaky: neviditelné znaky, nestandardní mezery a písmena podobná těm z cyrilice nebo řecké abecedy. Některé humanizery je přidávají, aby změnily výsledek detektoru. Žádný nástroj v této studii žádné nepřidal, takže žádný výstup kvůli tomu neselhal v kontrole kvality.

Proč je samotný výsledek detektoru slabým měřítkem humanizeru

Výsledek detektoru sám o sobě je neúplným měřítkem humanizeru. Ve studii porovnávající AI humanizer byly výstupy, které GPTZero nejčastěji označil jako lidské, z nástrojů, jež vymýšlely více čísel a jmen, vynechávaly více citací nebo přidávaly více gramatických chyb. Nejjednodušší způsob, jak změnit odhad detektoru, je změnit to, co text říká. Takový přepis selhává v práci, které měl pomoci.

Aby bylo možné měřit obě strany současně, studie stanovila kontrolní hranici kvality. Aby ji výstup splnil, potřeboval dosáhnout skóre významu alespoň 0.95 a zachovat alespoň 90 procent svých citací. Také nesměl obsahovat vymyšlená čísla nebo jména, skryté znaky a jeho délka musela být v rámci tolerance. Označení GPTZero jako lidský pak platilo jen pro výstupy, které tuto hranici splnily. Hranice byla pro každý nástroj stejná.

Výstup každého nástroje byl vložen do jednoho dokumentu, s jedním textem na stránku. Studie použila jednu hodnotu Turnitin AI percentage pro dokument. Turnitin používá místo čísla hvězdičku pro méně než 20%. Výsledky detektorů jsou odhady z jedné verze detektoru v datech studie. O tom, jak číst své Turnitin AI score, jsme psali v našem průvodci na co znamená Turnitin AI score.

Jak si TextPulse vedl v porovnání humanizerů

TextPulse se ve studii umístil na prvním místě v kompozitním indexu studie, který přikládá stejnou váhu hloubce přepisu, významu, stylové pozici, gramatice a integritě obsahu. Skóre TextPulse bylo 0.811 pro těchto pět měřítek a 0.843 po přidání měřítka gated detector. Vedl si dobře, protože neměl žádná slabá měřítka. Přepsal více než polovinu každého textu a zachoval fakta, na nichž je článek závislý.

Měřítko	Výsledek TextPulse
Změněná slova	52%
Zachovaný význam (podobnost se zdrojem)	0.971, asi 97%
Zachované citace	99%
Zachovaná čísla	87%
Zachované pojmenované entity	95%
Přidané gramatické chyby	0.65 na 1,000 slov, nejméně ve studii
Vymyšlené položky	0.48 na výstup, v jednom z padesáti výstupů vymyšlené jméno
Čtenářská úroveň	o 3.6 stupně nižší, největší pokles
Odstraněná slova s tendencí k AI	39 na 1,000 slov, nejvíce ve studii
Stylová pozice	29, uvnitř lidského rozmezí
Výstupy v rámci tolerance délky	47 z 48
Výstupy, které prošly quality gate	67%
Turnitin AI score, jeden dokument se všemi výstupy	24%, nejnižší ve studii (shodně)
Štítek GPTZero human na výstupech, které prošly gate	10.4% (5 z 48), nejvyšší ve studii

Dva výsledky jsou pro akademické použití nejdůležitější. Mezi nástroji, které změnily alespoň polovinu slov, TextPulse nejlépe zachoval význam. Mezi nástroji s hodnotou významu 0.97 nebo vyšší změnil nejvíce slov. Žádný jiný nástroj ve studii nebyl v obou skupinách. Humanizer pro akademické psaní potřebuje tuto kombinaci, protože lehká úprava ponechává styl AI na místě a hluboká úprava, která vypouští fakta, mění zjištění.

GPTZero označil 9 z 48 výstupů TextPulse za lidské a 5 z nich zároveň prošlo branou kvality, což je nejvyšší výsledek s branou ve studii. Dokument Turnitin s výstupy TextPulse získal 24 procent AI, což je shodně nejnižší skóre. Ostatní dokumenty dosáhly 28 až 74 procent. Výsledky detektorů jsou odhady, a studie je proto uvádí vedle textových měr.

Co vám studie nemůže říci

Srovnávací studie AI humanizerů uvádí i svá vlastní omezení. Texty byly napsány modely AI na pevně daný prompt a skutečné návrhy jsou delší a méně jednotné. Každý nástroj běžel jednou, ve výchozím nastavení, mezi 26 a 28 August 2026. Dodavatelé své nástroje aktualizují, takže výsledky popisují tato data a je třeba je číst jako snímek stavu.

Různé nástroje mají různý počet textů, protože jsou omezeny na určité množství bezplatných textů, které nástroj zpracuje. To také vede k širším intervalům spolehlivosti u nástrojů s menším počtem textů. Turnitin generuje jedno skóre na dokument, a proto nemá rozptyl skóre na text. GPTZero je jeden detektor, jedna verze modelu (2026-08-09-base).

TextPulse studii vytvořil a je jedním z nástrojů v ní. Každému nástroji byly zadány stejné vstupy. Podle protokolu jsou všechna měření veřejně dostupné skripty a všechny surové výsledky jsou sdíleny. To znamená, že kdokoli může výpočty zopakovat nebo je vážit jinak. Zdrojové texty, všech 432 výstupů, odpovědi detektorů a skripty jsou veřejné.

Jak použít zjištění na vlastní návrh

Zjištění se promění v krátkou kontrolu, kterou můžete provést po jakémkoli humanizeru, včetně našeho. Porovnejte výstup se svým návrhem podle věcí, které studie počítala. U jedné části to zabere několik minut.

1. Zkontrolujte každé číslo vůči svému návrhu: velikosti vzorků, procenta, hodnoty p a intervaly spolehlivosti.
2. Zkontrolujte každou citaci v textu, zda má stejného autora a rok, a poté ji porovnejte se seznamem literatury.
3. Hledejte názvy, které se změnily: nástroje, druhy, datové soubory, jednotky a jména autorů.
4. Čtěte s ohledem na tvrzení, která se zesílila, například když bylo „may indicate“ přepsáno jako „shows“.
5. Porovnejte délku. Výstup, který je výrazně kratší než zdroj, pravděpodobně vynechal obsah.
6. Přečtěte si text nahlas, abyste zachytili gramatické chyby, které přepsání přidalo.

Délka je nejrychlejší z těchto kontrol. Ve studii se za zachovaný považoval výstup v rozmezí 0.70 až 1.30násobku délky zdroje. TextPulse zachoval 47 z 48 výstupů uvnitř tohoto pásma, v průměru na 1.14násobku délky zdroje, takže jeho výstupy byly o něco delší než návrhy.

Citace se ručně kontrolují nejdéle. Ve studii TextPulse zachoval 99 procent z nich a jeho změny se týkaly prezentace, například závorková citace byla převedena na narativní. Náš příspěvek o AI humanizer that preserves citations vysvětluje, na co se ve vlastních značkách odkazů zaměřit.

free burstiness checker měří, do jaké míry se v návrhu liší délky vět. Proměnlivá délka vět je jedním z rysů, které stupnice ve studii váží ve prospěch lidského psaní. Pro seřazeného průvodce s cenami se podívejte na náš průvodce best AI humanizer for academic writing. Až budete připraveni k přepsání, TextPulse AI humanizer je navržen tak, aby zachoval vaše čísla, názvy a citace, a uvádí odhadované Human Score výsledku.