Fachartikel, wie man KI-Text menschlicher macht, bei AI-Detektoren niedrig abschneidet, Zitate bewahrt und bessere wissenschaftliche Arbeiten schreibt.
Eine Stanford-Studie von 2023 stellte fest, dass AI-Detektoren flüssiges nicht muttersprachliches Englisch viel häufiger als maschinell erzeugt missverstehen als muttersprachliches Schreiben. Hier ist der Mechanismus hinter dieser Lücke und was geschah, als dieselben Aufsätze mit einem reicheren Wortschatz umgeschrieben wurden.
Burstiness misst, wie stark die Satzlängen über einen Textabschnitt schwanken, nicht wie lang der durchschnittliche Satz ist. Dieser Beitrag erklärt, woher der Begriff stammt, wie die Streuung tatsächlich berechnet wird und warum die Ausgabe eines language model dazu neigt, sich in einem engen Bereich von Satzlängen zu bewegen.
Perplexity ist die Zahl, die ein Sprachmodell erzeugt, um zu beschreiben, wie überrascht es von Ihrer Wortwahl war. Dieser Beitrag verfolgt die Metrik bis zu ihrem Ursprung im Jahr 1977, arbeitet die Formel durch und erklärt, warum derselbe Abschnitt je nach Modell, das ihn liest, unterschiedlich bewertet werden kann.
Anbieter veröffentlichen falschpositive Raten unter 1 Prozent. Unabhängige Forschende, die dieselben Detektoren an nicht muttersprachlichem Englisch testeten, fanden Raten über 60 Prozent. Hier ist, was die Evidenz zeigt.
AI-Detektoren erkennen maschinelles Schreiben nicht so, wie es ein Leser tut. Sie messen, wie vorhersagbar Ihr Text ist, und wandeln dies dann in einen Wert um. Sobald das klar ist, werden sowohl die Technologie als auch ihre Grenzen verständlicher.
Beiträge ohne Übersetzung in Ihrer Sprache sind im englischen Blog verfügbar.