Γιατί οι ανιχνευτές AI είναι μεροληπτικοί απέναντι σε μη φυσικούς αγγλόφωνους συγγραφείς

Οι ανιχνευτές AI που είναι μεροληπτικοί απέναντι σε μη φυσικούς ομιλητές δεν αποτελούν υποκειμενικό παράπονο. Μια αξιολογημένη από ομοτίμους μελέτη του 2023 στο Stanford το μέτρησε άμεσα. Οι ερευνητές έθεσαν σε δοκιμή επτά ευρέως χρησιμοποιούμενους ανιχνευτές GPT σε 91 πραγματικές εκθέσεις TOEFL γραμμένες από μη φυσικούς ομιλητές της αγγλικής και σε 88 εκθέσεις γραμμένες από Αμερικανούς μαθητές της όγδοης τάξης, και στη συνέχεια συνέκριναν πώς βαθμολογήθηκε κάθε ομάδα.

Οι ανιχνευτές διάβασαν τις εκθέσεις της όγδοης τάξης σωστά σχεδόν κάθε φορά. Στις εκθέσεις TOEFL, γραμμένες από ενήλικες που είχαν ήδη περάσει εξέταση επάρκειας στην αγγλική γλώσσα επιπέδου μεταπτυχιακών σπουδών, τα ίδια επτά εργαλεία έδωσαν μέσο ποσοστό ψευδώς θετικών 61.22 percent. Ογδόντα εννέα από τις ενενήντα μία εκθέσεις, σχεδόν 98 percent, επισημάνθηκαν ως παραγόμενες από AI από τουλάχιστον ένα από τα επτά εργαλεία.

Η επισκόπηση του TextPulse για τα ευρύτερα τεκμήρια σχετικά με την ακρίβεια των ανιχνευτών AI καλύπτει αυτό το βασικό εύρημα και τις αγωγές στις οποίες έχει έκτοτε συμβάλει. Αυτό που παραλείπεται σχεδόν παντού όπου η μελέτη παρατίθεται είναι ο μηχανισμός, γιατί η πρόζα ενός ομιλητή της αγγλικής σε επίπεδο μεταπτυχιακών σπουδών διαβάζεται εξαρχής ως μηχανικά παραγόμενη, και τι αλλάζει όταν παύει να διαβάζεται έτσι.

Οι ανιχνευτές AI που είναι μεροληπτικοί απέναντι σε μη φυσικούς ομιλητές, ο μηχανισμός

Ένας ανιχνευτής δεν διαβάζει ποτέ για το νόημα. Διαβάζει για το πόσο προβλέψιμη είναι κάθε λέξη, δεδομένων των λέξεων που προηγήθηκαν, και βαθμολογεί ένα απόσπασμα χαμηλά όταν το μοντέλο θα μπορούσε να είχε μαντέψει το μεγαλύτερο μέρος του εκ των προτέρων. Η λεξιλογική ποικιλία, δηλαδή πόσο ευρύ λεξιλόγιο αξιοποιεί ένας συγγραφέας αντί να επαναλαμβάνει ένα μικρότερο σύνολο ασφαλών λέξεων, και η συντακτική προβλεψιμότητα, δηλαδή πόσο στενά η δομή της πρότασης ακολουθεί το πιο συνηθισμένο πρότυπο της γλώσσας αντί να το διαφοροποιεί, είναι δύο ιδιότητες της γλωσσικής παραγωγής που μειώνουν αυτή τη βαθμολογία.

Η διάκριση έχει σημασία επειδή τα δύο εμφανίζονται διαφορετικά στη σελίδα. Η λεξική ποικιλία αφορά τις ίδιες τις λέξεις: ένας συγγραφέας που επιλέγει τα «obtain», «acquire» και «secure» σε τρεις διαφορετικές προτάσεις διαβάζεται ως πιο ποικίλος από έναν που γράφει «get» τρεις φορές, ακόμη και όταν οι προτάσεις είναι κατά τα άλλα πανομοιότυπες. Η συντακτική προβλεψιμότητα αφορά τη δομή: υποκείμενο, ρήμα, αντικείμενο, επαναλαμβανόμενα ξανά και ξανά, αντί για μια πρόταση που αρχίζει με δευτερεύουσα πρόταση ή τελειώνει με μια απροσδόκητη λέξη. Ένας συγγραφέας δεύτερης γλώσσας που εργάζεται υπό εξεταστικές συνθήκες έχει κάθε λόγο να καταφεύγει στην ασφαλέστερη εκδοχή και των δύο.

Η γραφή στη δεύτερη γλώσσα εμφανίζει αξιόπιστα λιγότερα και από τα δύο, και όχι ως έλλειμμα. Ένας συγγραφέας που λειτουργεί σε μια πρόσθετη γλώσσα στηρίζεται στο λεξιλόγιο και στα μοτίβα προτάσεων που είναι πιθανότερο να είναι σωστά, επειδή η λανθασμένη εικασία κοστίζει περισσότερο όταν η γλώσσα δεν έχει ακόμη γίνει πλήρως αυτόματη. Η εργασία του Stanford που τεκμηρίωσε την προκατάληψη του ανιχνευτή παραπέμπει σε ένα σώμα έρευνας εφαρμοσμένης γλωσσολογίας ακριβώς για αυτό το μοτίβο, το οποίο είχε καθιερωθεί πολύ πριν υπάρξουν ανιχνευτές AI: μειωμένος λεξικός πλούτος, μειωμένη λεξική ποικιλία και απλούστερη δομή προτάσεων τεκμηριώνονται, μετρώνται και αποτελούν χαρακτηριστικά της γραφής στη δεύτερη γλώσσα, και όχι ένδειξη οτιδήποτε άλλου.

Αυτό το χάσμα ανάμεσα στη μητρική και στη μη μητρική γραφή εμφανίζεται ως διαφορά perplexity, η ίδια μέτρηση που εκτελεί ένας ανιχνευτής για να αποφασίσει αν ένα απόσπασμα δημιουργήθηκε από μηχανή. Η χαμηλότερη perplexity διαβάζεται ως πιο μηχανική, ανεξάρτητα από το ποιος την παρήγαγε, και η γραφή στη μη μητρική γλώσσα βρίσκεται χαμηλότερα σε αυτή την κλίμακα για λόγους που δεν έχουν καμία σχέση με ένα chatbot. Το αν αυτό το χάσμα είναι πράγματι αυτό που οδηγεί τους ανιχνευτές, και όχι μια σύμπτωση, είναι ένα ελέγξιμο ερώτημα. Η ομάδα του Stanford το δοκίμασε άμεσα.

Τι συνέβη όταν τα ίδια δοκίμια ξαναγράφτηκαν με πλουσιότερο λεξιλόγιο

Οι ερευνητές πήραν τα ίδια 91 TOEFL essays που είχαν προκαλέσει μέσο ποσοστό ψευδώς θετικών 61.22 percent και ζήτησαν από το ChatGPT να τα αναθεωρήσει με μία μόνο οδηγία: "Enhance the word choices to sound more like that of a native speaker." Τίποτε σχετικά με το περιεχόμενο, το επιχείρημα ή τη γραμματική δεν ζητήθηκε να αλλάξει. Μετά από αυτή τη μία επεξεργασία, το μέσο ποσοστό ψευδώς θετικών στους ίδιους επτά detectors έπεσε στο 11.77 percent, δηλαδή κατά σχεδόν πενήντα ποσοστιαίες μονάδες, και ο αριθμός των essays που κάθε detector χαρακτήρισε ομόφωνα ως προβληματικά έπεσε από δεκαοκτώ σε ένα.

Στη συνέχεια, οι ερευνητές έτρεξαν το πείραμα αντίστροφα. Πήραν τα 88 native-speaker eighth-grade essays, τα οποία οι detectors είχαν αρχικά βαθμολογήσει σωστά σχεδόν κάθε φορά, και ζήτησαν από το ChatGPT να απλοποιήσει τις επιλογές λέξεών τους σαν να είχαν γραφτεί από μη φυσικό ομιλητή. Το μέσο ποσοστό ψευδώς θετικών σε αυτά τα ίδια essays γραμμένα από φυσικούς ομιλητές εκτινάχθηκε από 5.19 percent σε 56.65 percent. Τα essays δεν άλλαξαν συγγραφέα. Μόνο το λεξιλόγιο άλλαξε, και οι detectors ακολούθησαν το λεξιλόγιο.

Η perplexity κινήθηκε παράλληλα με το ποσοστό λανθασμένης ταξινόμησης και προς τις δύο κατευθύνσεις, αυξήθηκε απότομα όταν τα TOEFL essays εμπλουτίστηκαν και μειώθηκε απότομα όταν τα eighth-grade essays απλοποιήθηκαν. Οι συγγραφείς καταλήγουν σε ένα σαφές συμπέρασμα από αυτό, ότι σε ό,τι πραγματικά ανταποκρίνονταν οι detectors δεν ήταν ποτέ η συγγραφή. Ήταν η επιλογή λέξεων, μια ιδιότητα που μπορεί να φέρει το λεξιλόγιο κάθε συγγραφέα, ανεξάρτητα από το πού έμαθε αγγλικά.

Πόσο συνεπής είναι η μεροληψία μεταξύ διαφορετικών detectors

Οι επτά detectors δεν συμφώνησαν σε πολλά, εκτός από την κατεύθυνση προς την οποία κινούνταν το σφάλμα. Καθένας από αυτούς χαρακτήριζε τα TOEFL essays πολύ συχνότερα από ό,τι τα eighth-grade essays, αλλά με πολύ διαφορετικά περιθώρια.

Ανιχνευτής	Ποσοστό ψευδώς θετικών, εκθέσεις TOEFL	Ποσοστό ψευδώς θετικών, εκθέσεις φυσικών ομιλητών
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
OpenAI's detector	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

Αυτά είναι στοιχεία του 2023, μετρημένα σε εργαλεία όπως υπήρχαν τότε. Έκτοτε αρκετά έχουν αλλάξει πλήρως: η OpenAI έκλεισε τον δικό της ανιχνευτή τον Ιούλιο του 2023, τέσσερις μήνες μετά από αυτή τη δοκιμή, αφού διαπίστωσε ότι εντόπιζε σωστά μόνο το 26 percent του πραγματικού κειμένου που είχε γραφτεί από AI, ενώ εξακολουθούσε να χαρακτηρίζει λανθασμένα το 9 percent της ανθρώπινης γραφής. Αυτό που δεν έχει αλλάξει είναι η κατεύθυνση του χάσματος. Ένα ευρύτερο σημείο αναφοράς μεροληψίας, κατασκευασμένο ειδικά για να δοκιμάζει ανιχνευτές σε δημογραφικές και γλωσσικές κατηγορίες, δημοσιευμένο τον Δεκέμβριο του 2025 και εφαρμοσμένο σε τέσσερα νεότερα εργαλεία ανοικτού κώδικα, εξακολουθούσε να αναφέρει σταθερά χαμηλότερη ανάκληση για ομάδες συγγραφέων που υποεκπροσωπούνται.

Εμφανίζεται ακόμη αυτή η μεροληψία σε νεότερους ανιχνευτές;

Η μελέτη του Stanford είναι πλέον αρκετές γενιές AI παλιά, και οι ίδιοι οι συγγραφείς της ανέφεραν οι ίδιοι τον περιορισμό: ένα μικρό πιλοτικό δείγμα, και ανιχνευτές που βασίζονταν κυρίως στο GPT-2, ένα πολύ μικρότερο και παλαιότερο μοντέλο από εκείνο που τροφοδοτεί σήμερα την ανίχνευση. Αυτό θέτει ένα εύλογο ερώτημα. Έχει η καλύτερη τεχνολογία κλείσει το χάσμα;

Η πιο πρόσφατη ειδική δοκιμή λέει όχι ακόμη. Σε μια μελέτη του Φεβρουαρίου 2026 από το Sultan Qaboos University, οι ερευνητές δοκίμασαν δύο τρέχοντες εμπορικούς ανιχνευτές, Turnitin και Originality, απέναντι σε 192 κείμενα που συνδύαζαν αυθεντική προ του ChatGPT γραφή φοιτητών EFL, επαγγελματική ανθρώπινη γραφή, κείμενο παραγόμενο από AI και υβριδικό ανθρώπινο AI κείμενο. Τα αποτελέσματα έδειξαν συνολική ακρίβεια 69 percent και 61 percent για τα δύο εργαλεία, ενώ η ακρίβεια στην υβριδική κατηγορία, το είδος γραφής που στην πράξη παράγει μια φάση επιμέλειας, έπεσε κοντά στο μηδέν. Η ίδια μελέτη αποκάλυψε επίσης μια δεύτερη μεροληψία που λειτουργεί παράλληλα με τη γλωσσική, η ακρίβεια στην επιστημονική γραφή ήταν 28 to 38 ποσοστιαίες μονάδες χαμηλότερη από ό,τι στην ανθρωπιστική γραφή.

Κανένα από τα δύο ευρήματα δεν αφορά ένα μόνο ελαττωματικό προϊόν. Δύο διαφορετικές αρχιτεκτονικές ανιχνευτών, δοκιμασμένες με διαφορά τριών ετών σε διαφορετικά σώματα κειμένων από διαφορετικές ερευνητικές ομάδες, καταλήγουν στο ίδιο αποτέλεσμα, η γραφή που διαμορφώνεται από τη συμβατική μορφή του είδους ή από μια δεύτερη γλώσσα βρίσκεται πιο κοντά σε αυτό που αυτά τα εργαλεία αποκαλούν μηχανικά παραγόμενο από ό,τι η γραφή που δεν είναι ούτε το ένα ούτε το άλλο. Τα δωρεάν εργαλεία του TextPulse επιτρέπουν σε έναν συγγραφέα να ελέγξει αυτό το ίδιο στατιστικό προφίλ πριν από το να φτάσει οτιδήποτε σε έναν ανιχνευτή ενός ιδρύματος.

Ανεξάρτητες Αποδείξεις ότι το Χάσμα είναι Πραγματικό, όχι Τεχνούργημα της Δοκιμής

Το πρώτο πρόβλημα με τα αποτελέσματα του TOEFL είναι ότι θα μπορούσε να υποστηριχθεί πως αφορούν μόνο μια μικρή πιλοτική μελέτη του 2023. Σε αυτό απάντησε η ίδια ερευνητική ομάδα σε άλλη μελέτη που χρησιμοποίησε δεδομένα τα οποία δεν έχουν καμία σχέση με ανιχνευτές. Εξέτασαν 1,574 εργασίες που έγιναν δεκτές στο ICLR 2023, ένα σημαντικό συνέδριο μηχανικής μάθησης, περιορίζοντας το δείγμα σε περιλήψεις που υποβλήθηκαν και αξιολογήθηκαν πριν υπάρξει το ChatGPT.

Οι συγγραφείς με έδρα σε χώρες όπου τα αγγλικά δεν είναι η κύρια γλώσσα έγραψαν περιλήψεις με σημαντικά χαμηλότερη perplexity από τους συγγραφείς με έδρα σε χώρες όπου τα αγγλικά είναι η μητρική γλώσσα, και η διαφορά παρέμεινε ακόμη και αφού ελέγχθηκε πόσο υψηλά αξιολογήθηκε κάθε εργασία από τους κριτές. Αυτό το δείγμα δεν θα μπορούσε να έχει διαμορφωθεί από κανέναν που προσπαθούσε να ακούγεται περισσότερο ή λιγότερο σαν chatbot. Το ChatGPT απείχε τρεις μήνες από την κυκλοφορία του όταν έκλεισε η περίοδος υποβολών. Το χάσμα perplexity μεταξύ γηγενούς και μη γηγενούς ακαδημαϊκής γραφής δεν είναι κάτι που επινόησαν οι ανιχνευτές. Είναι κάτι που κληρονόμησαν.

Μια στατιστική ανάλυση του 2026 για την ανίχνευση AI ως πρόβλημα ελέγχου προσφέρει μια τυπική εκδοχή του ίδιου συμπεράσματος. Κάθε φορά που μια ομάδα συγγραφέων παράγει γλώσσα που επικαλύπτεται, στο σύνολό της, με τυπική έξοδο AI, κάθε ανιχνευτής με πραγματική ικανότητα να εντοπίζει κείμενο γραμμένο από AI πρέπει να φέρει υψηλότερο ποσοστό ψευδώς θετικών για τη συγκεκριμένη ομάδα, μια μαθηματική ιδιότητα του ελέγχου ενός ποικιλόμορφου πληθυσμού και όχι ελάττωμα σε οποιοδήποτε μεμονωμένο εργαλείο. Οι συγγραφείς αγγλικών ως μη μητρικής γλώσσας αποτελούν την πιο σαφή τεκμηριωμένη περίπτωση ακριβώς αυτής της επικάλυψης.

Τι σημαίνει αυτό για τους συγγραφείς σε δεύτερη γλώσσα

Τίποτε από αυτά δεν αποτελεί επιχείρημα για να γράφετε λιγότερο σαν τον εαυτό σας. Είναι λόγος να γνωρίζετε τι μετριέται στην πραγματικότητα πριν εμφανιστεί μια βαθμολογία. Ένας ανιχνευτής που διαβάζει το κείμενό σας ως προβλέψιμο εντοπίζει μια πραγματική στατιστική ιδιότητα της γραφής σε δεύτερη γλώσσα, όχι απόδειξη ότι χρησιμοποιήσατε ένα εργαλείο που δεν χρησιμοποιήσατε.

Οι ερευνητές του Stanford που διεξήγαγαν την αρχική μελέτη επισημαίνουν μια δυσάρεστη συνέπεια του ίδιου τους του ευρήματος, η ίδια προσαρμογή λεξιλογίου που μειώνει τον κίνδυνο ψευδώς θετικών είναι επίσης το είδος αναθεώρησης που ένας συγγραφέας ίσως θα ήθελε για εντελώς διαφορετικούς λόγους, σαφέστερη διατύπωση, μια πιο ακριβή λέξη, ανεξάρτητα από οποιονδήποτε ανιχνευτή. Η σελίδα του TextPulse για ακαδημαϊκούς συγγραφείς ESL καλύπτει πώς μοιάζει αυτό το είδος αναθεώρησης σε πραγματικές προτάσεις, ανεξάρτητα από οτιδήποτε σχετίζεται με μια βαθμολογία ανίχνευσης.

Οι νεότεροι ανιχνευτές αρχίζουν να λαμβάνουν ρητά υπόψη αυτό το μοτίβο. Το Pangram, ένας από τους πιο πρόσφατους εμπορικούς νεοεισερχόμενους, αναφέρει στη δική του τεχνική τεκμηρίωση ότι ο ταξινομητής του δεν είναι μεροληπτικός εις βάρος συγγραφέων που δεν έχουν τα αγγλικά ως μητρική γλώσσα, αν και ο ισχυρισμός αυτός προέρχεται από τον προμηθευτή και όχι από ανεξάρτητη δοκιμή. Ένας δωρεάν ελεγκτής perplexity δείχνει την ίδια υποκείμενη μέτρηση που υπολογίζουν οποιαδήποτε από αυτά τα εργαλεία από ένα κείμενο, χωρίς να αποστέλλει πρώτα το προσχέδιο οπουδήποτε.

Δύο πρακτικοί συνοδοί βρίσκονται στο ίδιο σύμπλεγμα: πότε να χρησιμοποιείτε το a, το an και το the, που είναι η πιο συχνή μεμονωμένη πηγή του μοτίβου, και πώς να ακούγεστε φυσικοί στη ακαδημαϊκή γραφή στα αγγλικά γενικότερα.

Η έρευνα συνεχίζει να συσσωρεύεται προς την ίδια κατεύθυνση δύο χρόνια μετά, σε διαφορετικές ομάδες, διαφορετικούς ανιχνευτές και διαφορετικούς σχεδιασμούς δοκιμών. Αυτό που δεν έχει συμβαδίσει είναι μια ευρέως υιοθετημένη θεσμική απάντηση: ο έλεγχος ενός ανιχνευτή ως προς ένα εύρος συγγραφέων πριν του εμπιστευθεί κανείς οποιονδήποτε από αυτούς, αντί αφού ένας συγκεκριμένος φοιτητής έχει ήδη κατηγορηθεί. Μέχρι αυτό να γίνει ρουτίνα, το βάρος της απόδειξης ότι μια ψευδής ένδειξη είναι λανθασμένη πέφτει ακριβώς στους συγγραφείς για τους οποίους η έρευνα αυτή λέει ότι είναι οι πιο πιθανό να λάβουν μία.