Artículos expertos sobre cómo humanizar textos de IA, obtener puntuaciones bajas en detectores de IA, preservar citas y escribir mejores trabajos académicos.
Un estudio de Stanford de 2023 encontró que los detectores de IA leían erróneamente la escritura fluida en inglés de hablantes no nativos como si fuera generada por máquina a una tasa mucho mayor que la escritura de hablantes nativos. Aquí se explica el mecanismo detrás de esa diferencia y lo que ocurrió cuando los mismos ensayos se reescribieron con un vocabulario más rico.
La burstiness mide cuánto varían las longitudes de las frases en un pasaje, no cuánto se extiende la frase media. Esta entrada explica de dónde procede el término, cómo se calcula realmente la dispersión y por qué la salida de un language model tiende a estabilizarse en un intervalo estrecho de longitudes.
La perplejidad es el número que produce un modelo de lenguaje para describir cuán sorprendido estuvo por tus elecciones de palabras. Esta publicación rastrea la métrica hasta su origen en 1977, desarrolla la fórmula y explica por qué el mismo pasaje puede obtener puntuaciones distintas según qué modelo lo lea.
Los proveedores publican tasas de falsos positivos inferiores al 1 por ciento. Investigadores independientes que probaron los mismos detectores en escritura en inglés de no nativos hallaron tasas superiores al 60 por ciento. Esto es lo que muestran las pruebas.
Los detectores de IA no reconocen la escritura de máquina como lo hace un lector. Miden cuán predecible es tu texto y luego convierten eso en una puntuación. Una vez que eso se entiende, tanto la tecnología como sus fallos tienen más sentido.
Las publicaciones sin traducción en su idioma están en el blog en inglés.