مطالعه مقایسهای Humanizerهای هوش مصنوعی: چه بر سر همان متن‌های دانشگاهی آمد
TextPulse Research همان 48 متن دانشگاهی را از هر humanizer عبور داد و هر خروجی را امتیازدهی کرد. آنچه ابزارها تغییر دادند، آنچه حفظ کردند، و عملکرد TextPulse.
در مطالعه مقایسهای humanizerهای هوش مصنوعی ما، هر humanizer همان 48 متن دانشگاهی را به سوی سبک نوشتاری انسانی برد، و ابزارها بیش از همه در آنچه حفظ کردند با هم تفاوت داشتند. برخی معنا، ارجاعات و اعداد را نزدیک به منبع نگه داشتند. برخی دیگر اعداد و نام‌های ساختگی یا خطاهای دستوری تازه افزودند، و آن خروجیها اغلب همان‌هایی بودند که یک detector آنها را انسانی برچسب زد.
TextPulse Research مطالعهٔ مقایسهٔ humanizerهای AI را در اوت 2026 انجام داد و آن را در 29 اوت به‌صورت یک مقالهٔ کاری منتشر کرد. TextPulse یکی از ابزارهای آن است، بنابراین هر ابزار همان ورودی‌ها را دریافت کرد و هر سنجش یک اسکریپت عمومی است. مقالهٔ کاری کامل همهٔ جدول‌ها، شکل‌ها و اسکریپتها را دارد و همهٔ 432 متنِ بازنویسی‌شده عمومی هستند.
مطالعه مقایسهای humanizerهای هوش مصنوعی چه چیزی را آزمود
این مطالعه به هر humanizer همان 48 متن را داد. هر متن بخش نتایج و بحث یک مطالعه تجربی ساختگی بود که توسط یک مدل هوش مصنوعی نوشته شده بود و حدود 301 واژه داشت. چهار خانواده مدل هر کدام 12 متن نوشتند: OpenAI، Google، DeepSeek و Anthropic. متنها چهار رشته و سه سبک ارجاع‌دهی را پوشش می‌دادند، بنابراین هر ابزار با اعداد، نام نویسندگان و نشانگرهای ارجاعی روبه‌رو شد که باید آنها را حفظ می‌کرد.
| بخش طراحی | مطالعه از چه چیزی استفاده کرد |
|---|---|
| متن‌های منبع | 48 بخش نتایج و بحث نوشتهشده توسط هوش مصنوعی، هر کدام 264 تا 344 واژه |
| نویسندگان آنها | هر کدام 12 متن از مدل‌های OpenAI، Google، DeepSeek و Anthropic |
| رشته‌ها | پزشکی و سلامت، علوم فیزیکی و محاسباتی، علوم اجتماعی، علوم انسانی |
| سبک‌های ارجاع‌دهی | APA نویسنده-سال، براکت‌های عددی، بدون ارجاع |
| حقایق بررسی‌شده در متنها | 404 اصطلاح فنی، 887 عدد، 124 ارجاع |
| نحوه اجرای هر ابزار | یک بار در صفحه وب آن، در setting پیشفرض، جای‌گذاری شد، و خروجی همان‌طور که بازگردانده شد حفظ شد |
| تاریخ‌ها | 26 تا 28 August 2026 |
| detectorها | Turnitin، یک سند برای هر ابزار، و GPTZero، هر متن به‌طور جداگانه |
وظیفه یک humanizer بازنویسی خروجی AI است، بنابراین این مطالعه از خروجی AI با یک فهرست تأییدشده از حقایق آغاز شد. پیش از هر بازنویسی، هر مدل اصطلاحات، اعداد و استنادات به‌کاررفته را فهرست کرد. هر مورد فهرست‌شده با متن مقایسه شد، و هر موردی که در آن وجود نداشت حذف شد. این کار برای هر متن یک فهرست ثابت باقی گذاشت، بنابراین مطالعه می‌توانست دقیقاً شمارش کند که هر humanizer چه چیزی را حفظ کرد، چه چیزی را تغییر داد یا چه چیزی را ابداع کرد.
هر متن یک بار در صفحه وب هر ابزار وارد شد، با تنظیم پیشفرض آن ابزار، و خروجی دقیقاً همان‌گونه که بازگشت ذخیره شد. هیچ‌کس هیچ خروجی را ویرایش نکرد. برخی ابزارها کمتر از 48 متن را پردازش کردند، زیرا سطوح رایگان تعداد متنی را که یک ابزار می‌پذیرد محدود میکنند. یک مجموعه اصلی 24 متنی برای هر ابزار یکسان بود، و به همان ترتیب قرار داشت. TextPulse همه 48 متن را پردازش کرد.
این مطالعه چگونه یک متن انسانی‌شده را اندازه‌گیری کرد
نمرهٔ detector به شما میگوید یک متن در یک روز برای یک detector چگونه به نظر رسیده است. این نمره هیچ چیز دربارهٔ این نمی‌گوید که آیا بازنویسی هنوز همان نتایج را گزارش می‌کند یا نه. این مطالعه ابتدا هر خروجی را روی خودِ متن و سپس روی detectorها امتیازدهی کرد. برای دانشجویان یا پژوهشگران، مهم است که مقاله‌ای داشته باشند که هنوز همان چیزی را بگوید که داده‌ها می‌گویند، در نثری که انگار یک انسان آن را نوشته است.
| معیار | آنچه بررسی می‌کند | چرا در یک مقاله اهمیت دارد |
|---|---|---|
| معنا | اینکه بازنویسی تا چه اندازه به منبع نزدیک است، به صورت یک امتیاز شباهت از 0 تا 1 | امتیاز پایین‌تر یعنی این بند اکنون چیز دیگری میگوید |
| استنادهای حفظ‌شده | سهم استنادهای درون‌متنی که همچنان با همان نویسنده و همان سال باقی مانده‌اند | تغییر سال، تطابق با فهرست منابع را بر هم می‌زند |
| اعداد حفظ‌شده | سهم اعداد بررسی‌شده که همچنان در متن هستند | از دست رفتن حجم نمونه یا مقدار p نتیجه را تغییر میدهد |
| موارد ساخته‌شده | اعداد و نام‌های موجود در خروجی که منبع هرگز نداشته است | یک رقم ساخته‌شده، گزاره‌ای نادرست درباره مطالعه است |
| خطاهای دستوری افزوده‌شده | خطاهای جدید به ازای هر 1,000 واژه، شمارش‌شده با LanguageTool | خطاها از نمره و اعتماد داور می‌کاهند |
| پایه خواندن | تغییر در پایه Flesch-Kincaid | متن AI سطح پایه بالاتری از نثر انسانی منتشرشده دارد |
| جایگاه سبکی | جایگاه متن میان نوشتار معمول انسانی و نوشتار معمول AI | آشکارسازهای سبک‌سنجی به این ویژگی‌ها واکنش نشان می‌دهند |
| طول | طول خروجی در برابر منبع، 0.70 تا 1.30 برابر به عنوان حفظ‌شده شمارش می‌شود | ابزاری که یک متن را نصف می‌کند، محتوا را حذف کرده است |
جایگاه سبکی از یک مقیاس می‌آید که TextPulse بر پایه 47 ویژگی سبکی از 121,092 متن دانشگاهی توسعه داده است، که در مقاله طبقه‌بندی سبک‌سنجی ما توصیف شده است. متن دانشگاهی معمول انسانی در 0 قرار دارد و متن معمول AI در 100. ما نیمه میانی متن‌های انسانی, (-36 تا 33) را دامنه انسانی می‌نامیم.
واژگان در برابر فهرستی از 1,057 واژه از مقاله واژگان AI ما امتیازدهی شد. از میان آنها، 581 واژه‌هایی هستند که مدل‌های AI بیش از انسان‌ها به کار می‌برند، و 476 واژه در جهت دیگر متمایل‌اند. این مطالعه شمارش کرد که هر ابزار به ازای هر 1,000 واژه چند واژه متمایل به AI را حذف کرد.
هر humanizer با متن چه کرد
هر ابزار در این مطالعه خروجیهای خود را به سوی انتهای انسانیِ مقیاس سبک جابه‌جا کرد. متن‌های هوش مصنوعیِ بدون ویرایش به طور میانگین 138 بودند، که از متن معمول هوش مصنوعی در 100 فراتر می‌رفت. پس از بازنویسی، برخی ابزارها به بازه انسانی رسیدند و برخی دیگر حدود نیمه راه متوقف شدند. هر ابزار همچنین واژگان متمایل به هوش مصنوعی را حذف کرد و پایه خواندن را پایین آورد، بنابراین جهت تغییر در سراسر این حوزه یکسان بود.
دو نوع ویژگی بیش از همه یک متن را در امتداد این مقیاس جابه‌جا میکنند. جفت نخست، میانگین طول واژه و نسبت واژههای بلند است. بازنویسی از "help" به "facilitate" متن را بیشتر شبیه هوش مصنوعی می‌کند، زیرا میانگین طول واژه را افزایش میدهد و نسبت واژههای بلند را بالا می‌برد. دومی تنوع طول جمله است که به سوی انسانی بودن سوق میدهد. پاراگرافی که همه جمله‌های آن 22 تا 26 واژه دارند یکنواخت است، اما پاراگرافی که یک جمله 9 واژه‌ای را با یک جمله 31 واژه‌ای ترکیب می‌کند متنوع است.
هدف این است که به پایه خواندن پایین‌تری برسیم. متن دانشگاهیِ نوشتهشده با هوش مصنوعی نسبت به نثر دانشگاهیِ انسانیِ منتشرشده، نمره Flesch-Kincaid بالاتری دارد. بنابراین، اگر این نمره پایین بیاید، نوشتار بیشتر شبیه سبک ساده‌ای می‌شود که پژوهشگران در آن می‌نویسند. همین چیزی است که آشکارسازهای سبک‌سنجی به آن واکنش نشان می‌دهند. اینها همچنین همان تغییراتی هستند که پیش‌نویس را آسان‌تر برای خواندن میکنند. این دو هدف تا زمانی هم‌راستا می‌مانند که محتوا دست‌نخورده بماند.
نوشته ما درباره اینکه humanizers چگونه یک جمله را تغییر می‌دهند این ویرایش‌ها را جمله به جمله نشان میدهد. این مطالعه اندازه‌گیری را اضافه می‌کند: هر تغییر تا چه اندازه متن را جابه‌جا کرد، و این کار از نظر معنا و واقعیت‌ها چه هزینه‌ای داشت.
جایی که ابزارها تفاوت داشتند: معنا، ارجاعات و اعداد
ابزارها در نرخ‌های حفظ خود تفاوت داشتند. برای نمونه، در سراسر مطالعه، بین 29 تا 100 درصد از ارجاعات حفظ شدند. بین 0.06 تا 4.44 مورد ساختگی در هر خروجی ظاهر شد. بین 0.65 تا 4.91 خطای دستوریِ جدید به ازای هر 1,000 واژه ظاهر شد. موارد ساختگی شامل حجم نمونه، درصدها، حدود اطمینان، نام نویسندگان و مؤسساتی بود که منبع هرگز به آنها اشاره نکرده بود.
نامها و واحدها به شیوه‌ای کم‌صدا‌تر ناپدید شدند. وقتی یک ابزار یک آمار را بازنویسی می‌کرد، اغلب واحد را حذف می‌کرد، بنابراین "Cohen's d" به یک اندازه اثر تبدیل میشد و "Celsius" به درجه. نام نویسندگان همراه با ارجاعاتشان ناپدید میشد. نام گونه‌ها، دوره‌ها و ابزارها با یک توصیف جایگزین می‌شدند. خواننده‌ای که بخواهد یک نتیجه را بررسی کند به آن نامها نیاز دارد، بنابراین هر یک از این فقدان‌ها به حساب می‌آید.
عمق بازنویسی و وفاداری در جهت‌های مخالف عمل میکنند. ابزاری که یک‌سوم واژه‌ها را تغییر میدهد، معنا را آسان‌تر حفظ می‌کند. ابزاری که بیشتر آنها را تغییر میدهد، فرصت‌های بیشتری برای از دست دادن چیزی دارد. سهم واژههای تغییر یافته از 35 تا 68 درصد متغیر بود. نتیجه‌ای که یک پژوهشگر می‌خواهد، یک بازنویسی عمیق است که همچنان معنا را حفظ کند. این ترکیب نادر بود.
این مطالعه همچنین به دنبال نویسه‌های پنهان بود: نویسه‌های نامرئی، فاصله‌های غیراستاندارد و حروفی که از الفباهای سیریلیک یا یونانی شبیه‌نما هستند. برخی humanizerها اینها را اضافه میکنند تا نتیجه یک detector را تغییر دهند. هیچ ابزاری در این مطالعه هیچ‌کدام را اضافه نکرد، بنابراین هیچ خروجی‌ای به این دلیل از دروازه کیفیت عبور نکرد.
مقاله خود را انسانی‌سازی کنید
متنِ کمک‌گرفته از AI خود را دگرگون کنید و کاری کنید طبیعی به نظر برسد، بدون دست زدن به واژههای مهم یا ارجاع‌ها.
چرا نتیجه یک detector به‌تنهایی معیار ضعیفی برای humanizer است
نتیجهٔ detector به‌تنهایی یک معیار ناقص برای humanizer است. در مطالعهٔ مقایسهٔ humanizerهای AI، خروجیهایی که GPTZero بیشتر از همه human تشخیص داد، بیشتر از ابزارهایی می‌آمدند که عددها و نام‌های بیشتری را از خودشان ساخته بودند، ارجاع‌های بیشتری را حذف کرده بودند یا خطاهای دستوری بیشتری اضافه کرده بودند. ساده‌ترین راه برای تغییر برآورد یک detector این است که خودِ متن را عوض کنید. بازنویسی‌ای از این دست، مقاله‌ای را که قرار بود به آن کمک کند، شکست میدهد.
برای سنجش هم‌زمان هر دو جنبه، این مطالعه یک دروازه کیفیت تعیین کرد. برای عبور از آن، یک خروجی باید امتیاز معنا دست‌کم 0.95 و دست‌کم 90 درصد از ارجاعات خود را می‌داشت. همچنین نباید هیچ عدد یا نام اختراعی، هیچ نویسه پنهان و هیچ اختلافی در طول فراتر از تلرانس می‌داشت. در این صورت، برچسب انسانی GPTZero فقط برای خروجیهایی به حساب می‌آمد که از دروازه عبور کرده بودند. این دروازه برای همه ابزارها یکسان بود.
خروجی هر ابزار در یک سند قرار گرفت، با یک متن در هر صفحه. این مطالعه برای سند از درصد هوش مصنوعی یک Turnitin استفاده کرد. Turnitin برای کمتر از 20 درصد به جای عدد از علامت ستاره استفاده می‌کند. نتایج آشکارسازها برآوردهایی هستند که از یک نسخه آشکارساز در تاریخ‌های مطالعه به دست آمده‌اند. ما درباره خواندن امتیاز هوش مصنوعی Turnitin شما در راهنمای خود درباره اینکه امتیاز هوش مصنوعی Turnitin چه معنایی دارد نوشتیم.
عملکرد TextPulse در مقایسه humanizer
TextPulse در شاخص ترکیبی مطالعه در رتبه نخست قرار گرفت، شاخصی که به عمق بازنویسی، معنا، جایگاه سبک، دستور زبان و یکپارچگی محتوا وزن برابر میدهد. امتیازهای TextPulse برای آن پنج سنجه 0.811 بود و وقتی سنجه آشکارسازِ دروازه‌ای اضافه شد 0.843 شد. این ابزار عملکرد خوبی داشت زیرا هیچ سنجه ضعیفی نداشت. بیش از نیمی از هر متن را بازنویسی کرد و واقعیت‌هایی را که یک مقاله به آنها وابسته است حفظ کرد.
| سنجه | نتیجه TextPulse |
|---|---|
| واژههای تغییر یافته | 52 درصد |
| معنای حفظ‌شده, شباهت به منبع | 0.971, حدود 97 درصد |
| ارجاعات حفظ‌شده | 99 درصد |
| اعداد حفظ‌شده | 87 درصد |
| موجودیت‌های نام‌دار حفظ‌شده | 95 درصد |
| خطاهای دستور زبان افزوده‌شده | 0.65 در هر 1,000 واژه, کمترین در مطالعه |
| موارد ساخته‌شده | 0.48 در هر خروجی, یک نام ساخته‌شده در یکی از هر پنجاه خروجی |
| پایه خواندن | 3.6 پایه پایین‌تر, بیشترین کاهش |
| واژههای متمایل به AI حذف‌شده | 39 در هر 1,000 واژه, بیشترین در مطالعه |
| جایگاه سبک | 29, در محدوده انسانی |
| خروجیهای درون تلورانس طول | 47 از 48 |
| خروجیهایی که از دروازه کیفیت عبور کردند | 67 درصد |
| امتیاز هوش مصنوعی Turnitin, یک سند از همه خروجیها | 24 درصد, کمترین در مطالعه, مشترک |
| برچسب انسانی GPTZero روی خروجیهایی که از دروازه عبور کردند | 10.4 درصد, 5 از 48, بالاترین در مطالعه |
دو نتیجه برای کاربرد دانشگاهی از همه مهم‌ترند. در میان ابزارهایی که دست‌کم نیمی از واژه‌ها را تغییر دادند، TextPulse معنا را بهتر از همه حفظ کرد. در میان ابزارهایی که امتیاز معنا 0.97 یا بالاتر داشتند، بیشترین تعداد واژه را تغییر داد. هیچ ابزار دیگری در این مطالعه در هر دو گروه نبود. یک humanizer برای نگارش دانشگاهی به همین ترکیب نیاز دارد، زیرا بازنویسی سبک، سبک AI را در متن باقی می‌گذارد و بازنویسی عمیق که داده‌ها را حذف می‌کند، یافته‌ها را تغییر میدهد.
GPTZero 9 مورد از 48 خروجی TextPulse را human برچسب زد، و 5 مورد از آنها نیز از دروازه کیفیت عبور کردند، که بالاترین نتیجه با دروازه در این مطالعه بود. سند Turnitin برای خروجیهای TextPulse امتیاز 24 درصد AI گرفت، که با پایین‌ترین امتیاز برابر بود. اسناد دیگر از 28 تا 74 درصد امتیاز گرفتند. نتایج detector برآورد هستند، و مطالعه به همین دلیل آنها را در کنار سنجه‌های متنی گزارش می‌کند.
این مطالعه چه چیزی را نمی‌تواند به شما بگوید
مطالعهٔ مقایسهٔ humanizerهای AI محدودیت‌های خودش را فهرست می‌کند. متنها را مدل‌های AI با یک prompt ثابت نوشته بودند و پیش‌نویس‌های واقعی طولانی‌تر و کم‌یکنواخت‌تر هستند. هر ابزار یک‌بار، با تنظیم پیشفرض خودش، بین 26 و 28 اوت 2026 اجرا شد. فروشندگان ابزارهایشان را به‌روزرسانی میکنند، پس نتایج فقط آن تاریخ‌ها را توصیف میکنند و باید به‌عنوان یک نمای لحظه‌ای خوانده شوند.
ابزارهای مختلف تعدادهای متفاوتی از متنها را دارند، چون به تعداد معینی از متن‌های رایگان که ابزار پردازش می‌کند محدود هستند. این همچنین باعث بازه‌های اطمینان بزرگ‌تر برای ابزارهایی با متن‌های کمتر می‌شود. Turnitin برای هر سند یک نمره تولید می‌کند و بنابراین پراکندگی نمره‌ها به‌ازای هر متن را ندارد. GPTZero یک detector است، یک نسخهٔ مدل (2026-08-09-base).
TextPulse این مطالعه را انجام داد و یکی از ابزارهای آن است. به هر ابزار همان ورودی‌ها داده شد. طبق protocol، همهٔ سنجه‌ها اسکریپت‌های عمومی در دسترس هستند و همهٔ نتایج خام هم به اشتراک گذاشته شده‌اند. این یعنی هر کسی میتواند دوباره اعداد را اجرا کند یا آنها را به‌طور متفاوت وزن بدهد. متن‌های اصلی، هر 432 خروجی، پاسخ‌های detector و اسکریپتها عمومی هستند.
چگونه از یافته‌ها بر روی پیش‌نویس خود استفاده کنید
یافته‌ها به یک check کوتاه تبدیل می‌شوند که می‌توانید بعد از هر humanizer، از جمله ابزار ما، اجرا کنید. خروجی را با پیش‌نویس خود از نظر چیزهایی که study شمرده است مقایسه کنید. روی یک بخش، چند دقیقه بیشتر طول نمی‌کشد.
- هر عدد را با پیش‌نویس خود تطبیق دهید: اندازه‌های نمونه، درصدها، مقدارهای p و بازه‌های اطمینان.
- هر ارجاع درون‌متنی را از نظر همان نویسنده و سال بررسی کنید، سپس آن را با فهرست منابع خود تطبیق دهید.
- به نام‌هایی که تغییر کردهاند توجه کنید: ابزارها، گونه‌ها، مجموعه‌داده‌ها، واحدها و نام نویسندگان.
- جملاتی را بخوانید که ادعا را قوی‌تر کردهاند، مانند «ممکن است نشان دهد» که به «نشان میدهد» بازنویسی شده است.
- طول را مقایسه کنید. خروجی‌ای که بسیار کوتاه‌تر از متن مبدأ باشد، احتمالاً بخشی از محتوا را حذف کرده است.
- متن را با صدای بلند بخوانید تا خطاهای دستوری‌ای را که بازنویسی اضافه کرده است، پیدا کنید.
طول، سریع‌ترینِ این بررسی‌هاست. در مطالعه، خروجی‌ای که بین 0.70 تا 1.30 برابر طول متن مبدأ بود، به‌عنوان حفظ‌شده محسوب شد. TextPulse 47 مورد از 48 خروجی را درون آن بازه نگه داشت، با میانگین 1.14 برابر متن مبدأ، بنابراین خروجیهای آن اندکی بلندتر از پیش‌نویس‌ها بودند.
ارجاع‌ها از نظر دستی، بیشترین زمان را برای بررسی می‌گیرند. در مطالعه، TextPulse 99 درصد از آنها را حفظ کرد، و تغییرات آن در شیوه ارائه بود، مانند ارجاعی که درون پرانتز بود و به ارجاعی روایی تبدیل شد. مطلب ما درباره یک humanizer هوش مصنوعی که ارجاع‌ها را حفظ می‌کند توضیح میدهد که در نشانگرهای ارجاع خودتان به چه چیزهایی توجه کنید.
بررسی‌کننده رایگان burstiness اندازه می‌گیرد که طول جمله‌ها در پیش‌نویس شما تا چه اندازه با هم تفاوت دارند. تنوع در طول جمله یکی از ویژگی‌هایی است که مقیاس مطالعه به نفع نوشتار انسانی وزن میدهد. برای یک راهنمای رتبه‌بندی‌شده همراه با قیمت‌ها، به راهنمای ما درباره بهترین humanizer هوش مصنوعی برای نگارش دانشگاهی مراجعه کنید. وقتی آماده بازنویسی شدید، TextPulse AI humanizer طوری ساخته شده است که اعداد، نامها و ارجاع‌های شما را حفظ کند و یک Human Score برآوردی برای نتیجه گزارش دهد.
سؤالات متداول
مطالعه مقایسهای humanizerهای هوش مصنوعی یک مقاله کاری است که TextPulse Research در اوت 2026 منتشر کرد. این مطالعه همان 48 متن دانشگاهیِ نوشتهشده با هوش مصنوعی را از هر humanizer با تنظیم پیشفرض آن عبور داد و 432 خروجی را از نظر معنا، ارجاعات، اعداد، حقایق ساختگی، دستور زبان، سبک و دو آشکارساز امتیازدهی کرد. متنها، خروجیها و اسکریپتها عمومی هستند.
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.
