Bezplatná kontrola perplexity Měří předvídatelnost na úrovni slov
Perplexity měří úzkou věc, jak moc je jazykový model překvapen dalším slovem ve větě. Tato bezplatná kontrola perplexity to přibližně zachycuje z hlediska, které můžete skutečně upravit, tedy rozmanitosti slov, hodnocené pomocí na délku odolné míry MATTR, prostého poměru typů a tokenů a seznamu slov, o která se váš návrh opírá nejvíce. Úzká, opakovaná slovní zásoba udržuje odhady modelu snadné a pozornost čtenáře nízkou ze stejného důvodu. Rytmus na úrovni vět je samostatná otázka, kterou pokrývá kontrola burstiness, tato stránka zůstává u jediného slova.
Odhaduje rozmanitost slov pomocí skóre MATTR odolného vůči délce, vašeho type-token ratio a slov, na která se váš návrh nejvíce spoléhá.
0 / 1,000 slov
84,000+
Mezinárodní výzkumní pracovníci
Průměrné hodnocení
Důvěřují mu výzkumní pracovníci publikující v
Jak kontrola perplexity hodnotí návrh
Vložte text, který chcete ohodnotit
K zahájení stačí odstavec, celý oddíl poskytne nejstabilnější výsledek. Funguje jakýkoli výzkumný nebo AI asistovaný návrh.
Přečtěte si skóre slovní zásoby
MATTR na stupnici 0-100 s hodnoticím pásmem, spolu s poměrem typů a tokenů a počtem jedinečných slov.
Řešte opakování, na kterém záleží
Seznam opakovaných slov ukazuje, kde se návrh opírá o příliš málo slov. Měňte slovesa a spojky kolem klíčových termínů, samotné termíny ponechte beze změny.
Jak tato kontrola měří předvídatelnost na úrovni slov
Stabilní bez ohledu na délku
Prostý TTR s rostoucí délkou textu klesá už jen proto, že se spojky a členy musí opakovat, což nenápadně znevýhodňuje delší texty. Hlavní číslo zde je MATTR, počítané v průběžném padesátislovném okně, takže dvoustránkový oddíl i desetistránková kapitola jsou posuzovány podle stejného standardu.
Pojmenovává opakující se viníky
Jedno číslo neříká, co je třeba opravit. Seznam slov přesně řadí, které termíny nesou příliš velkou část textu, přičemž běžná funkční slova jsou nejprve odfiltrována.
Stejná metrika jako jinde na tomto webu
Jde o totožný výpočet rozmanitosti slov, který je zobrazen na dlaždici perplexity v editačním zobrazení TextPulse humanizeru, zde však běží na vašem vlastním zařízení.
Prostá měření
Výstupem jsou lexikální data, skóre, poměr, seznam. Není k nim připojeno žádné autorství, protože žádné z těchto čísel to nemůže poctivě podpořit.
Co perplexity měří a co opomíjí
Modelování jazyka dalo perplexity její původní úkol: ohodnotit, jak dobře model predikuje další token sekvence, kterou ještě neviděl. Model, který dál hádá správně, protože text před ním čerpá z důvěrně známých, ohranáých formulací, produkuje nízké číslo. Model, jehož top odhad stále míjí, protože autor pořád volí konkrétní a méně běžná slova, produkuje vyšší číslo. Tento termín se z inženýrství vytratil poté, co si čtenáři všimli hrubé shody: text, který stroj vnímá jako dobře předvídatelný, často působí jako předvídatelný i člověku při listování stránkami, ze stejného základního důvodu, a jeden z těchto důvodů je to, že detektory určené k odhalování AI textu skórují predikovatelnost už na startu.
Webová stránka nedokáže spustit skutečný language model, takže tento kontroler měří jednu ingredienci perplexity, která je bez něj dostupná: jak moc se vaše slovní zásoba opakuje. Základní měření, typ-token ratio, počítá různá slova vůči celkovému počtu slov, a má známou chybu: poměr automaticky klesá, jakmile se pasáž prodlužuje, protože funkční slova se musí vracet bez ohledu na to, jak autor obměňuje zbytek. MATTR to řeší posouváním pevného padesátislovného rámce přes text a průměrováním poměru uvnitř každé pozice, čímž udrží krátký abstrakt a celou kapitolu na srovnatelné úrovni. Nízký výsledek téměř vždy vede ke stejné příčině: malá hrst slov dělá většinu práce, ten druh měřitelného signálu který jsme zjistili ve studii o stylometrických rysech, který nese většinu rozdílu mezi lidským a AI akademickým psaním.
Ne každá opakování je chyba hodná opravy. Studie, která jednou pojmenuje určitý konstrukt, musí jej po zbytek rukopisu pojmenovávat přesně takto, a recenzent, který si všimne, že se název mezi synonyma posouvá, to čte jako problém definice, nikoli jako volbu stylu. Opakování, které stojí za to odstranit, se nachází kolem těchto opravených termínů, mimo samotné termíny, tedy v slovesech, spojkách a popisných frázích, které vykonávají práci v okolí. Výměna unaveného slovesa za přesnější zvyšuje skóre jako vedlejší efekt toho, že věta skutečně říká víc, a to je pořadí, ve kterém se tyto dvě věci mají dít.
Volba slov je jen jedna osa prózy, která působí přirozeně. Rytmus na úrovni vět se měří odděleně pomocí burstiness checker; konkrétní slovní zásoba, kterou AI při tvorbě textu nadměrně používá, dostává vlastní průchod od AI word cleaner. Když je potřeba přepisovat předvídatelné formulace místo toho, aby se pouze měřily, je to práce TextPulse humanizer.
Which words to vary, and which to keep fixed
A vocabulary score rewards editing some parts of a draft and punishes editing others. Telling the two apart is most of the revision skill.
Everyday connective language
A paragraph that runs "the results show" three times has a variety problem with a one-line fix: results can confirm, narrow, contradict or complicate, and every one of those verbs says something more exact than "show". The same logic covers connectors: however, although, whereas and despite each draw a distinction that a recycled "but" erases.
Defined constructs and key terms
A paper that names "working memory capacity" once has to keep naming it exactly that on every later page. Swapping in "cognitive load" halfway through for variety's sake changes the claim, and a reviewer reads that kind of drift as a definitional problem, not a style choice. Expect your key terms to top the repeated-word list this checker produces; that repetition is doing its job.
Synonym padding
Trading a plain word for a rare one to move the number does not help: "use" says nothing more once it becomes "utilize". Real variety comes from making a more specific claim, not from dressing up an identical one. If a swap adds no precision, the plain word was already correct.
Kdo používá perplexity checker
Studenti bakalářského a magisterského studia
Zjistěte, na kterých slovech je esej závislá, a pak si procvičujte nahrazování rámce argumentu novým zněním místo jeho opakování.
Akademičtí pracovníci a doktorandi
Zachyťte opakované sloveso dříve, než se s ním recenzent setká tucetkrát v rukopisu, zejména v rychle sepsaných částech výsledků a diskuse.
Obsahové a SEO týmy
Opakující se slovní zásoba působí na lidi i hodnoticí systémy jako šablona. Projděte text kontrolou, než ponese podpis autora.
Autoři píšící v druhém jazyce
Menší aktivní slovní zásoba v druhém jazyce se nejprve projeví opakováním. Sledujte skóre, jak se váš aktivní rozsah postupně rozšiřuje.
Předvídatelná formulace je snadno rozpoznatelná.
Oprava se vztahuje na celý návrh.
TextPulse humanizer přepisuje slovní zásobu, formulace i rytmus vět v celém rukopisu, zatímco význam a vaše terminologie zůstávají zachovány, přičemž každá změna je zobrazena v tracked changes, abyste ji mohli po řádcích přijmout nebo odmítnout.