Kostenloser Perplexity Checker Wortvorhersagbarkeit messen

Wie überrascht ein Sprachmodell über jedes nächste Wort in einem Satz ist. Das Modell weist jedem Kandidatenwort eine Wahrscheinlichkeit zu, bevor es weiterliest, und Perplexität fasst zusammen, wie weit die beste Vermutung des Modells typischerweise vom Wort abweicht, das tatsächlich erscheint. Vertraute Formulierungen halten die Vermutungen eines Modells nah, daher ist der Score niedrig. Spezifische, weniger gebräuchliche Wortwahl hält das Modell auf Trab, daher steigt der Score. Das ist eine Messung auf Wortebene. Zwei Textstellen können dieselbe Satzstruktur teilen und dennoch unterschiedliche Scores erhalten, sobald Sie betrachten, welche Wörter sie ausfüllen.

Nein, und das steht auch ganz offen auf der Seite. Echte Perplexität erfordert, dass ein echtes Sprachmodell über Ihren Text läuft und die Vorhersagen für das nächste Wort bewertet, das ist eine Arbeit, die eine Browserseite nicht genau leisten kann. Was sich direkt messen lässt, ist die Zutat, die ein Autor tatsächlich kontrolliert, der Wortschatzumfang. Das wird hier gemeldet, ein Längen-unempfindlicher MATTR-Score, Ihr Type-Token-Verhältnis, und die Wörter, die Ihr Entwurf am häufigsten wiederholt, und es wird als Schätzung berichtet, statt als Behauptung.

Das Type-Token-Verhältnis teilt die Anzahl der unterschiedlichen Wörter in einer Textpassage, die Types, durch die gesamte Wortanzahl, die Tokens. Ein Absatz mit hundert Wörtern, der aus siebzig unterschiedlichen Wörtern besteht, erzielt 0.70. Die Zahl sinkt automatisch, wenn eine Passage länger wird, weil Artikel, Pronomen und Verknüpfungen sich wiederholen müssen, egal wie unterschiedlich der Rest des Wortschatzes ist. Daher ist das einfache TTR nicht geeignet, um einen Absatz mit einem ganzen Kapitel zu vergleichen, weshalb der Überschriftenscore auf dieser Seite MATTR statt dem Roh-TTR verwendet.

Nein. Der Prüfer gibt nur Wortschatzstatistiken aus, einen MATTR-Wert, ein Type-Token-Verhältnis und eine Liste wiederholter Wörter. Er beurteilt keine Urheberschaft. Wiederholte Formulierungen treten in unbearbeiteten KI-Entwürfen häufig auf, deshalb ist die Prüfung nützlich, aber auch viele menschliche Autorinnen und Autoren wiederholen sich, und ein vielfältiger Wortschatz ist ebenso für ein Modell wie für einen Menschen erreichbar. Die Zahlen beschreiben den Text, sie enthalten keine Aussage darüber, wer oder was ihn erzeugt hat.

Nein. Der Score ist eine Funktion der Wörter auf der Seite, berechnet jedes Mal auf dieselbe Weise, unabhängig davon, wie oft Sie ihn ausführen. Was die Zahl verändert, ist das Bearbeiten des Wortschatzes selbst. Tauschen Sie ein wiederholtes Verb gegen ein spezifischeres aus, verschiebt sich der Score, weil sich der Text verschoben hat, und aus keinem anderen Grund.

Varieren Sie den Satz um einen Begriff herum, niemals den Begriff selbst. Wissenschaftliche Prosa hängt von einem definierten Konzept ab, das bei jeder Nennung exakt denselben Namen behält; den Begriff bei der vierten Erwähnung durch einen Synonym auszutauschen, wirkt für eine prüfende Person wie Ungenauigkeit statt wie Stil. Die produktive Vielfalt liegt in den Verben, Verbindern und Beschreibungen rund um diese feststehenden Begriffe. Ein Absatz, der „die Ergebnisse zeigen“ dreimal wiederholt, hat eine echte Lösung: Ergebnisse können bestätigen, eingrenzen, widersprechen oder verkomplizieren, und jedes dieser Verben sagt etwas genauer als „zeigen“ es je getan hat.