الگوهای نوشتار AI: واژه‌ها، ریتم و نشانه‌گذاری که آن را لو می‌دهند

این جمله را یک بار بخوانید و ببینید آیا از قبل می‌دانید از کجا آمده است: پژوهشگران همچنان بر تعامل پیچیده میان انگیزش و پیشرفت تأکید می‌کنند، و مجموعه‌ای رو به رشد از پژوهش‌ها نقش کلیدی خودتنظیمی را در موفقیت تحصیلی برجسته می‌کند. هیچ چیز نادرستی در آن نیست. هر بند از نظر دستوری درست است، هر واژه یک واژه واقعی است، و هیچ ارزیابى حتی یک امتیاز هم کم نمی‌کند. اما همچنان طوری خوانده می‌شود که انگار از دل یک ماشین بیرون افتاده است، چون همین‌طور هم هست. این همان چیزی است که این نوشته درباره آن است.

الگوهای نوشتاری AI عادت‌های تکرارشونده در انتخاب واژه، آهنگ جمله، نشانه‌گذاری و ساختار هستند که نثرِ پیش‌نویس‌شده توسط ماشین را در نگاه اول قابل تشخیص می‌کنند. این الگوها در چهار سطح جمع می‌شوند: واژه‌هایی که یک مدل به سراغشان می‌رود، شکل جمله‌هایش، نشانه‌گذاری‌ای که بر آن تکیه می‌کند، و شیوه‌ای که یک استدلال را به‌طور کلی سامان می‌دهد. هیچ‌یک از آن‌ها به‌تنهایی چیزی را ثابت نمی‌کند. اما در کنار هم، درون یک بند، نادیده گرفتنشان دشوار است.

ماشینی که این کار را انجام می‌دهد یک آشکارساز آماری نام دارد. این ابزار بر اساس آنچه یک مدل زبانی انتظار دارد، میزان پیش‌بینی‌پذیری هر واژه را امتیازدهی می‌کند. یک گزارش، ریاضیات perplexity و burstiness را در پسِ آن امتیاز در بر دارد، که در نوشته‌ای دیگر درباره how AI detectors work با جزئیات بیشتری پوشش داده شده است. بقیه این مقاله فهرستی از نشانه‌های نوشتاری AI است که یک خواننده می‌تواند آن‌ها را بشنود، بشمارد یا روی صفحه به آن‌ها اشاره کند. این موضوع می‌تواند مهم باشد، حتی اگر یک آشکارساز اشتباه کند، در دسترس نباشد، یا به اصل موضوع مربوط نباشد. آنچه در ادامه می‌آید به هیچ مدل و هیچ اشتراکی نیاز ندارد.

چرا الگوهای نوشتاری AI ربات‌گونه به نظر می‌رسند؟

یک مدل زبانی در سطح جمله کاری متفاوت از یک انسان انجام می‌دهد: بارها و بارها محتمل‌ترین واژه بعدی را برمی‌گزیند، درون سامانه‌ای که برای متقاعدکننده بودن آموزش دیده است نه متمایز بودن. شایستگی در آن مقیاس نثری روان، درست و فراموش‌شدنی تولید می‌کند، و همین ریشه احساس ربات‌گونه بودن است. یک خواننده اغلب نمی‌تواند بگوید دقیقاً چه چیزی در چنین بندی نادرست است، فقط می‌داند که خوانش آن تخت است، و چهار سطح زیر همان جایی هستند که این تختی در آن قرار دارد.

انتخاب واژه نخستین سطحی است که خوانندگان متوجه آن می‌شوند: واژه‌های رسمی و نمایشی که در جایی ظاهر می‌شوند که به آن تعلق ندارند. آهنگ جمله آرام‌تر است، پاراگرافی که در آن هر جمله تقریباً به یک اندازه طول می‌کشد. نشانه‌گذاری و قالب‌بندی نیز امضای خاص خود را دارند، خط تیره‌ای که مانند مفصل همه‌کاره به کار می‌رود، فهرستی گلوله‌ای که متنی را از هم می‌گسلد که در ذهن نویسنده هرگز فهرست نبوده است. ساختار کم‌نمایان‌ترین بخش است، بخشی که عنوان خود را بازگو می‌کند، دقیقاً سه نکته را پوشش می‌دهد، سپس با خلاصه‌کردن خود به پایان می‌رسد.

با واژه‌ها آغاز کنید: آسان‌ترین بخش برای اشاره، و بهترین بخش از نظر مستندسازی.

AI از چه واژه‌هایی بیش از حد استفاده می‌کند؟

این واژه‌های رسمی و اندکی نمایشی را بارها و بارها می‌بینید: "delve"، "underscore"، "showcase" و "pivotal" از جمله مستندترین‌ها هستند. Dmitry Kobak و سه همکار دیگر برای شناسایی این زبان دست به کار شدند. آنان 15.1 میلیون چکیده PubMed را از 2010 تا 2024 تحلیل کردند و گروهی از واژه‌ها را شناسایی کردند که هم‌زمان با انتشار ChatGPT، افزایش شدیدی در بسامد نشان دادند. "delve" بیشترین فاصله را گرفت، این مطالعه که در Science Advances در July 2025 منتشر شد، بسامد آن را در 2024 حدود 28 برابر بیشتر از پیش از 2023 برآورد کرد. نزدیک‌ترین موارد بعدی "underscore" و "showcase" بودند. نویسندگان برآورد می‌کنند که دست‌کم 13.5 درصد از چکیده‌های 2024 نشانه‌هایی از کمک AI دارند، و این رقم در برخی کشورها و ناشران به بیش از 40 درصد می‌رسد.

اینکه چرا مدل‌ها به این واژه‌های خاص همگرا می‌شوند، از خود الگو کمتر قطعی است. یک مطالعه COLING 2025 بیست‌ویک واژه بیش‌نمایان را در برابر معماری مدل، داده‌های آموزشی و بازخورد انسانیِ به‌کاررفته برای تنظیم دقیق چت‌بات‌ها آزمود و مرحله بازخورد را محتمل‌ترین عامل دانست، بی‌آنکه اثر را به‌طور کامل توضیح دهد. تفسیر این موضوع نیز همچنان محل بحث است: یک تبادل نظر در 2026 در مجله PNAS بر این نکته تأکید کرد که تغییر بسامد واژه تا چه اندازه به‌طور مستقیم استفاده از AI را می‌سنجد، و پیش از آنکه هر رقم منفردی در اینجا به‌عنوان واقعیت قطعی تلقی شود، باید این نکته را به خاطر سپرد.

این فقط درباره چکیده‌های مجلات صادق نیست. در یک مطالعه که نیم میلیون مقاله دانشجویی و مقاله‌های تولیدشده توسط AI را مقایسه کرد، پژوهشگران طول مقاله‌ها و انتخاب واژگان را مقایسه کردند و دریافتند که مقاله‌های انسانی در مجموع طولانی‌تر بودند و واژگان گسترده‌تری به کار می‌بردند. در یک مطالعه درباره داوری‌های همتا که به چهار کنفرانس یادگیری ماشین، از جمله ICLR 2024 و NeurIPS 2023، ارسال شده بود، پژوهشگران از همان روش استفاده کردند تا برآورد کنند که بین شش تا پانزده درصد از متن داوری به‌طور قابل توجهی توسط یک LLM تغییر یافته بود. احتمال این که یک LLM بر آن اثر گذاشته باشد، وقتی که نزدیک به مهلت ارسال ثبت شده بود، بیشتر بود.

واژه یا عبارتی که AI بیش از حد به کار می‌برد	آنچه یک نویسنده دقیق به جای آن به کار می‌برد
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

هیچ‌یک از این واژه‌ها به‌خودی‌خود نادرست نیست. بخشی از روش‌ها که یک یافته را robust می‌نامد، این واژه را درست به کار می‌برد، و یک تاریخ‌نگار که یک استدلال حقوقی پیچیده را توصیف می‌کند، در حال اعتراف به یک chatbot نیست. آنچه ماشینی به نظر می‌رسد، تراکم است: سه یا چهار تا از این واژه‌ها در یک بند، بی‌آنکه کار مشخصی انجام دهند، روی هم چیده شده‌اند، همان‌گونه که یک model آن‌ها را روی هم می‌چیند، چون هرکدام جداگانه امن‌ترین انتخاب بعدی بوده‌اند. یک بررسی سریع با free AI word cleaner در TextPulse این تراکم را مستقیماً علامت‌گذاری می‌کند.

چرا جمله‌های AI همگی طولی یکسان به نظر می‌رسند؟

یک model هر جمله را همان‌گونه می‌سازد که جمله پیشین را ساخته بود، نه اینکه یک نکته را در یک جا در شش واژه فشرده کند و در جایی دیگر آن را در طول سی واژه باز کند، بنابراین خروجی در سراسر متن تمایل دارد تقریباً طولی یکسان داشته باشد. آن تنوع، یا فقدان آن، چیزی است که می‌توان با بلند خواندن یک بند شنید، تمرینی متفاوت از امتیاز burstiness که یک detector از همان ویژگی زیربنایی محاسبه می‌کند.

دو عادت کوچک‌تر، این ریتم را از نزدیک آشکار می‌کنند. یک model دوست دارد جمله را با یک participle معلق به پایان برساند که به اهمیت اشاره می‌کند بی‌آنکه اطلاعاتی بیفزاید، ادعایی که با برجسته کردن نیاز به پژوهش بیشتر یا بازتاب دادن یک تغییر گسترده‌تر در این حوزه دنبال می‌شود. همچنین به یک ساختار جفتی روی می‌آورد تا متوازن به نظر برسد، در این مایه که روش نه‌تنها کارآمد است بلکه مقیاس‌پذیر نیز هست. اگر یک‌بار گفته شود، این ساختار نامعمول نیست. اگر در هر بند گفته شود، شبیه یک الگو به نظر می‌رسد که فقط اسم‌ها در آن عوض شده‌اند.

قاعده سه‌تایی

در سطح عبارت نیز، گروه‌های سه‌تایی ریتم پیش‌فرض model هستند: سه صفت پیش از یک اسم، سه مثال در یک فهرست، سه بند که پشت سر هم به یک شیوه ساخته شده‌اند. گروه‌های سه‌تایی گاه‌به‌گاه همیشه بخشی از English بوده‌اند. یک گروه سه‌تایی که در جای درست قرار گرفته باشد، نشانه هیچ چیز خاصی نیست. نشانه واقعی، فراوانی است. سه‌تایی بودن مشکل نیست. مشکل آن است که سه‌تایی تقریباً در هر بند ظاهر شود.

شمارش برای تشخیص بیشتر این موارد، بدون هیچ آموزش ویژه‌ای، کافی است. یک بند را بخوانید و طول هر جمله را بر حسب واژه علامت بزنید. اگر همه علامت‌های شما در فاصله‌ای چند واژه‌ای از علامت قبلی باشند، ریتم همان نشانه است. از free burstiness checker در TextPulse استفاده کنید تا شمارش را خودکار کند و آن را به صورت نمودار نشان دهد، که برای متنی که آن‌قدر طولانی است که نتوان آن را جمله به جمله با نگاه سنجید، مفید است.

خط تیره بلند و دیگر نشانه‌های نگارشیِ آشکارکننده

چرا این نشانه به گزینه اصلی تبدیل شد

خط تیره بلند احتمالاً متهم‌ترین نشانه نگارشی در نوشتار ماشینی است. شاید آن را به عنوان خط تیره بلندی بشناسید که برای پیوند دادن دو نیمه یک جمله، جای ویرگول، دونقطه یا نقطه را می‌گیرد. خط تیره بلند چیز تازه‌ای نیست و چیزی نیست که AI آن را ابداع کرده باشد. تا زمانی که راهنماهای سبک وجود داشته‌اند، از Chicago تا AP، استفاده از آن را برای تأکید و گسست مجاز دانسته‌اند. و بسیاری از نویسندگان حرفه‌ای آن را عمداً به کار می‌برند.

احتمالاً دلیل این که آن را این‌قدر زیاد در خروجی ماشینی می‌بینیم، امری عادی است: این نشانه در نثر ویرایش‌شده و حروف‌چینی‌شده‌ای که مدل‌های زبانی بر آن آموزش می‌بینند رایج است، و به جمله اجازه می‌دهد بدون متعهد شدن به یک نقطه، به حرکت خود ادامه دهد. مدلی که برای تولید متنی روان و پیوسته ساخته شده است، اغلب به سراغ این انعطاف‌پذیری می‌رود، بیشتر از آنچه بیشتر مردم هنگام پیش‌نویس‌نویسی دستی انجام می‌دهند.

این که هر چند وقت یک‌بار رخ می‌دهد، به‌طور چشمگیری بسته به این که کدام سامانه متن را تولید کرده باشد، متفاوت است. یک آزمون مقایسه‌ای که در میانه 2025 انجام شد، همان دستور را به 6 چت‌بات داد و نشانه‌ها را شمرد: 3 سامانه آن را 8 یا 9 بار در کمتر از 600 واژه بازگرداندند، یکی آن را 2 بار در نزدیک به 1000 واژه به کار برد، و 2 سامانه اصلاً از آن استفاده نکردند. فراوانی، ویژگیِ هر مدلی است که بند پیش روی شما را تولید کرده است، نه خصیصه‌ای ثابت از نوشتار AI. OpenAI در November 2025 یک تنظیم اضافه کرد که به کاربر اجازه می‌دهد به ChatGPT بگوید از این نشانه استفاده نکند و واقعاً هم از آن پیروی کند، و این یعنی حتی این نشانه آشکارکننده نیز اکنون تا حدی اختیاری است.

هیچ‌یک از این‌ها خودِ نشانه را به شاهدی بر هیچ چیز تبدیل نمی‌کند. بسیاری از نویسندگان دقیق عمداً از آن استفاده می‌کنند، و بسیاری از انشاهای دانش‌آموزی که هرگز به یک chatbot دست نزده‌اند نیز از آن استفاده می‌کنند، گاهی چون معلمی به آن‌ها آموخته است. آنچه ارزش بررسی دارد تراکم است: صفحه‌ای که در هر جمله دوم به این نشانه تکیه می‌کند، متفاوت از صفحه‌ای خوانده می‌شود که عمداً دو بار از آن استفاده می‌کند. free em dash remover در TextPulse این تراکم را بررسی می‌کند و برای هر مورد، ویرگول، دونقطه، نقطه یا خط تیره‌ای را که لازم است پیشنهاد می‌دهد.

گلوله‌ها، متن بولد و سرعنوان‌ها

همان سطح، تصمیم‌های قالب‌بندیِ پایین‌تر از جمله را دربر می‌گیرد. فهرستی گلوله‌ای در میانه نثری که هرگز در ذهن نویسنده فهرست نبوده است. سرعنوان‌هایی به صورت title case در حالی که بقیه سند به صورت sentence case است. یک عبارت بولد در آغاز هر مورد فهرست، مانند یک سرعنوان کوچک. هیچ‌یک از این‌ها نشانه‌گذاری نیستند، اما همگی از یک جا می‌آیند: مدلی که برای پنجره گفت‌وگو قالب‌بندی می‌کند، جایی که ساختار بصری جایگزین گذارهایی می‌شود که نثر معمولاً بر عهده می‌گیرد.

ساختار و شکل استدلال

آخرین سطح بالاتر از جمله قرار دارد و اصلاح آن با جابه‌جایی یک واژه دشوارترین کار است، زیرا خودِ شکل استدلال است. بخشی که به‌صورت ماشینی نوشته شده است، اغلب با بازگوییِ عنوان خود با واژه‌هایی اندکی متفاوت آغاز می‌شود، سپس از دو یا سه نکته پشتیبان می‌گذرد که صرف‌نظر از این‌که هر کدام واقعاً تا چه اندازه اهمیت دارند، تقریباً وزن یکسانی دارند، و در پایان به‌جای افزودن چیزی تازه، آنچه را که همین حالا گفته است خلاصه می‌کند.

یک عادت مرتبط نیز در نوشته‌های بلندتر پیوسته دیده می‌شود: بخشی توضیح می‌دهد که چیزی در چه چیزهایی خوب عمل می‌کند، با واژه‌ای مانند however تغییر جهت می‌دهد، چالش‌ها را در همان قالب مرتبِ سه‌تایی فهرست می‌کند، سپس به آینده‌ای اشاره می‌کند که احتمالاً آن‌ها را حل خواهد کرد. استدلال‌های واقعی از این الگو ناهموارترند. یک نویسنده انسانی معمولاً به یک نکته بیش از دو نکته دیگر اهمیت می‌دهد، برای آن فضای بیشتری می‌گذارد، و خود را موظف به یک پایان متقارن در برابر خواننده نمی‌داند.

این همچنین سطحی است که در آن نوشتار دانشگاهیِ قالبی می‌تواند به‌طور فریبنده‌ای شبیه نوشتار ماشینی به نظر برسد، زیرا یک بخش روش‌ها یا یک مرور ادبیات قرار است از شکلی ثابت پیروی کند. تفاوت درون همان شکل قرار دارد. یک مرور ادبیاتِ نوشته‌شده توسط ماشین، نکات معمول یک حوزه را به همان ترتیب معمول نام می‌برد. یک متن انسانی درباره این است که کدام نکات اهمیت دارند و چرا، حتی درون یک الگوی سخت، زیرا در واقع از یک موضع دفاع می‌شود.

ارزیابی متنی که خودتان ننوشته‌اید

چهار نشانه‌ای که بیشترین ارزش را دارند

شکافِ در سطحِ مشخص‌بودن، قوی‌ترین نشانه‌ای است که برای خواننده‌ای بدون هیچ ابزار دیگری در دسترس است. نثرِ پیش‌نویس‌شده توسط ماشین، ادعاهایی مطرح می‌کند که در هر سطحی از کلیت برقرارند و به هیچ‌یک از آن‌ها سنجاق نشده‌اند. گزارش می‌کند که پژوهش این پرسش را بررسی کرده است، بی‌آنکه مطالعه‌ای را نام ببرد، که اثر معنادار است، بی‌آنکه اندازه‌ای بدهد، که این رویه در آن بخش رایج است، بی‌آنکه شرکتی یا سالی را نام ببرد. نویسنده انسانی که با همان محدودیت واژگانی کار می‌کند، معمولاً آن واژه‌ها را صرف یک چیز عینی می‌کند، زیرا یک چیز عینی در اختیار داشته و خواسته است همان را وارد متن کند.

ارجاع‌هایی که به نتیجه نمی‌رسند، تنها نشانه‌ای در این فهرست‌اند که تا حدی به شواهد نزدیک می‌شوند، و در عین حال نادرترین نیز هستند. یک منبع که بی‌نقص قالب‌بندی شده، به یک مجله واقعی نسبت داده شده، و شناسه‌ای دارد که هیچ رکوردی برنمی‌گرداند، به‌سختی می‌تواند به‌طور تصادفی تولید شده باشد. پیش از آنکه هر چیز دیگری را در یک ارسال بررسی کنید که درباره آن مطمئن نیستید، سه منبع را بررسی کنید. این کار دو دقیقه زمان می‌برد و یا پرسش را پایان می‌دهد یا قوی‌ترین نشانه را از روی میز برمی‌دارد.

چگالی واژگانی نشانه‌ای است که بیشتر خوانندگان نخست به آن رجوع می‌کنند و همان نشانه‌ای است که بیشترین خطا را دارد. سیگنال، چگالی است نه هر واژه منفرد. یک فعل رسمیِ واحد، ثبت دانشگاهیِ معمول است، اما پنج مورد از آن در یک بند که هیچ کار مشخصی انجام نمی‌دهند، یک الگو است. شمارش دستی در یک ارسال طولانی کند است، و پاک‌کننده رایگان واژه‌های AI در TextPulse خوشه‌ها را به‌طور خودکار علامت‌گذاری می‌کند، و این یک برداشت مبهم را به چیزی تبدیل می‌کند که می‌توانید در صفحه به آن اشاره کنید.

از میان چهار مورد، ظریف‌ترین، ثباتی در لحن است که هرگز نمی‌شکند. یک نویسنده انسانی تقریباً همیشه در میان دو هزار واژه، اندکی از آهنگ خارج می‌شود, یک جمله کوتاه پس از سه جمله بلند، یک توضیح معترضه در پرانتز، یک داوری که لازم نبود انجام دهد، یا واژه‌ای که فقط چون دوستش داشت برگزیده است. نثرِ پیش‌نویس‌شده توسط ماشین از نخستین سطر تا آخرین سطر یک لحن را حفظ می‌کند. ژانرهایی وجود دارند که همه این چیزها را منع می‌کنند، بنابراین این نشانه در یک بخش روش‌شناسی بسیار کم‌اهمیت‌تر از یک بیانیه شخصی است.

نشانه‌هایی که قوی به نظر می‌رسند و نیستند

دستور زبان بی‌نقص هیچ چیزی را ثابت نمی‌کند. املا و نشانه‌گذاری دو دهه است که خودکار شده‌اند، و هر نویسنده دقیقی که از یک ابزار بررسی استفاده کند، همان سطح تمیز را به دست می‌آورد. لحن رسمی نیز چیزی را ثابت نمی‌کند، زیرا رسمیت همان چیزی است که بیشتر ژانرهای دانشگاهی و حرفه‌ای طبق سیاست به آن نیاز دارند. استفاده گسترده از تیترها، متن پررنگ و فهرست‌های گلوله‌ای، پیش از آنکه هر چیز دیگری باشد، یک عادتِ سبک‌نامه‌ای است، و بسیاری از نویسندگان سال‌ها پیش از آنکه یک چت‌بات آن را به کسی نشان دهد، به آن عادت داده شده بودند. عادت‌های نشانه‌گذاری نیز همین وزن اندک را دارند، و به‌ویژه em dash بیش از آنچه یک نشانه بتواند بر دوش بکشد، بار بر دوش آن گذاشته شده است.

امتیازهای آشکارساز نیز در همین گروه قرار می‌گیرند، و این معمولاً مردم را شگفت‌زده می‌کند. یک امتیاز، داوری آماری درباره میزان پیش‌بینی‌پذیری متن است، و نثرِ پیش‌بینی‌پذیر همان چیزی است که انسان‌های دقیق هر روز تولید می‌کنند، و همین است که اساساً موجب مثبت‌های کاذب می‌شود. خروجی آشکارساز تنها یکی از داده‌های ورودی برای تصمیمی است که هنوز یک انسان باید بگیرد، و توضیح TextPulse درباره اینکه آشکارسازهای AI چگونه کار می‌کنند پیش از آنکه کسی آن را به‌منزله حکم نهایی تلقی کند، روشن می‌کند که این عدد چه چیزی را می‌سنجد.

وقتی یک متن چندین نشانه را برمی‌انگیزد چه باید کرد

ابتدا موارد قابل بررسی را بررسی کنید. سه ارجاع، یک عدد و یک واقعیت نام‌دار را بیرون بکشید و هر یک را راستی‌آزمایی کنید. همین یک گذر، متنی نازک را از متنی ساختگی جدا می‌کند، و این دو به پاسخ‌هایی بسیار متفاوت نیاز دارند. سپس، ارسال را با چیزی که همان شخص پیش‌تر تحت نظارت نوشته است مقایسه کنید، زیرا یک تغییر ناگهانی در سبک درون نوشته‌های یک نویسنده، از هر خوانش مطلقی از یک سند وزن بیشتری دارد. بعد، پرسشی بپرسید که فقط نویسنده بتواند درباره متن خودش پاسخ دهد: چرا این منبع، نه بدیلِ بدیهی، بخش سوم در اصل قرار بود چه استدلالی را پیش ببرد، کدام بند بیشترین دشواری را برای او ایجاد کرد. کسی که آن متن را نوشته است، بی‌درنگ پاسخ می‌دهد.

از سیاستی پیروی کنید که وجود دارد، نه سیاستی که خودتان می‌نوشتید. بیشتر مؤسسات اکنون مشخص می‌کنند چه کسی می‌تواند نگرانی را مطرح کند، چه شواهدی قابل پذیرش است و به نویسنده چه چیزی گفته می‌شود، و نادیده گرفتن این توالی همان چیزی است که یک پرسش معقول را به شکایت تبدیل می‌کند. نویسندگانی در سوی دیگر این مسئله، که به آنان گفته شده کارشان به‌صورت پیش‌نویس ماشینی خوانده می‌شود، وظیفه‌ای متفاوت دارند، و TextPulse's AI humanizer یک Human Score برآوردی را گزارش می‌کند که از خود متن محاسبه شده است، نه حکمی از سوی هر detector.

اعمال همین آزمون بر پیش‌نویس‌های خودتان دشوارتر است، و اینکه آیا نوشتار شما شبیه AI به نظر می‌رسد صفحه‌ای جداگانه دارد. خود واژگان نیز جداگانه فهرست شده‌اند، در فهرستی از واژه‌هایی که ChatGPT را لو می‌دهند.

این 9 نشانه دلیلی برای طرح یک پرسش هستند، و آن پرسش همیشه همان است: این متن چه چیزی را می‌داند که یک حدس روان آن را نمی‌دانست؟ نخست آن را درباره ارجاعات بپرسید. این همان بخشی از هر ارسال است که خود به خود پاسخ می‌دهد، بی‌آنکه لازم باشد کسی به چیزی متهم شود.

آیا این نشانه‌ها ثابت می‌کنند که یک متن با AI نوشته شده است؟

هیچ نشانه‌ای به‌تنهایی چیزی را ثابت نمی‌کند، و مجموعه کامل آن‌ها هم همین‌طور است. زیر فشار یک ویراستار یا استاد، یک نویسنده دانشگاهی دقیق می‌تواند پاراگراف‌هایی با چندین ویژگی از این‌ها، مانند نبود ضمیرها، بسازد، اما بدون کمک یک chatbot. نویسندگان غیربومی انگلیسی نیز ممکن است از واژه‌های امنی استفاده کنند که در کلاس به آن‌ها آموزش داده شده است، و دانشجویانی که برای استفاده از پیوندواژه‌های رسمی آموزش دیده‌اند نیز ممکن است بسیاری از این ویژگی‌ها را به کار ببرند. یک فهرست واژگان، اثبات تخلف نیست؛ این یک خطاست که می‌تواند نویسندگان دقیق را به‌اشتباه متهم کند. ما باید این خطا را برجسته کنیم، نه این‌که بی‌صدا آن را تکرار کنیم.

آنچه یک ابزار می‌تواند به‌طور مسئولانه انجام دهد، نشان دادن الگو است، نه داوری درباره نوشته. آنچه ما با TextPulse's AI humanizer باید ارائه کنیم، برآوردی از یک Human Score بر پایه متنی است که پیش روی آن قرار دارد. این، خوانشی از این است که یک پیش‌نویس در برابر این الگوهای سطحی در چه جایگاهی قرار می‌گیرد، نه حکمی از سوی هر detector و نه وعده‌ای درباره این‌که ابزار دیگری فردا چه خواهد گفت. این یک عدد است که می‌توانید آن را به‌عنوان نقطه آغاز برای یک تصمیم به کار ببرید، همان‌گونه که یک spellchecker واژه‌ای را علامت می‌زند، بی‌آن‌که تصمیم بگیرد آیا جمله پیرامون آن خوب است یا نه.

هر نشانه بالا صفحه‌ای جداگانه دارد. خود واژگان در نوشته‌ای درباره واژه‌ها و عبارت‌هایی که ChatGPT را لو می‌دهند فهرست شده‌اند، با بررسی‌های جداگانه‌ای درباره عادت به em dash و درباره این‌که چرا مدل‌ها به‌طور خاص به یک فعل روی می‌آورند. برچسب‌های کلی‌تر نیز پوشش داده شده‌اند: AI slop چه معنایی دارد، AI fluff چه معنایی دارد، و یک راهنمای عملی برای تشخیص این‌که آیا چیزی را AI نوشته است یا نه. اگر نگرانی شما پیش‌نویس‌های خودتان است، نه نوشته‌های شخص دیگری، نوشته‌ای هم درباره حذف واژه‌های AI از نوشته‌تان وجود دارد.

دفعه بعد که در حال خواندن نثر خود هستید و چیزی در آن کاملا درست به نظر نمی‌رسد، فقط به دنبال یک مترادف برای جایگزین کردن آن نگردید. به جای آن، سعی کنید آن را با صدای بلند بخوانید. تعداد واژه‌های هر جمله را بشمارید. از خود بپرسید هر واژه دقیقا آنجا چه می‌کند. این همان نوع خوانشی است که یک ویراستار دقیق مدت‌ها پیش از آنکه هیچ‌یک از این‌ها نامی داشته باشد، انجام می‌داد.