بهترین انسانی‌ساز AI برای عبور از Turnitin

برای کار دانشگاهی که Turnitin آن را می‌خواند، از TextPulse استفاده کنید. در یک پیکره دانشگاهی 2,000 سندی، خروجی انسان‌سازی‌شده آن در 92.33% موارد از تشخیص نوشتار هوش مصنوعی Turnitin عبور کرد، در Originality.ai در 89.12% و در GPTZero در 87.91%. این‌ها اندازه‌گیری‌های خودِ فروشنده هستند، با همین برچسب، و از هر چیز دیگری که تقریباً در این دسته منتشر می‌شود، شواهد بیشتری به شمار می‌آیند. به همان اندازه مهم برای یک فصلِ تحویل‌داده‌شده این است که TextPulse بخش‌هایی از یک سند دانشگاهی را که بازنویسی معمولاً به آن‌ها آسیب می‌زند حفظ می‌کند, استنادهای درون‌متنی و مدخل‌های فهرست منابع در سراسر APA، MLA، IEEE، Chicago، Harvard و Vancouver، اصطلاحات فنی که با freeze terms قفل شده‌اند، و آمارهایی که بدون تغییر منتقل می‌شوند.

بخش باقی‌مانده این صفحه قسمت مفید است: این‌که چه چیزی واقعاً امتیاز AI در Turnitin را تغییر می‌دهد، چرا ابزارهای بازنویسی اغلب عدد را بدتر می‌کنند نه بهتر، و پیش از آن‌که به هر ابزاری برای یک فصل اعتماد کنید، چه چیزهایی را باید بررسی کنید.

دانشگاه‌ها در عمل چه چیزی را مجاز می‌دانند

از اینجا شروع کنید، زیرا این موضوع آنچه را که می‌خواهید انجام دهید تغییر می‌دهد. بیشتر مؤسسات کمک هوش مصنوعی را مجاز می‌دانند و افشای آن را الزامی می‌کنند. راهنمای Oxford هوش مصنوعی را به‌عنوان پشتیبانی مشروع برای مطالعه در نظر می‌گیرد و استفاده بدون اعلام را تخلف می‌شمارد. Elsevier اجازه می‌دهد از هوش مصنوعی مولد برای بهبود خوانایی و زبان، همراه با یک اعلامیه در دست‌نوشته، استفاده شود، و موضع COPE منطق این امر را توضیح می‌دهد: یک ابزار نمی‌تواند مسئول کار باشد، بنابراین باید یک نویسنده انسانیِ نام‌برده مسئول باشد و باید بگوید ابزار چه کرده است.

بنابراین هدف، پنهان کردن کمک AI نیست. هدف، افشای آن است، ارجاع دادن به مدل در جایی که بخش شما می‌خواهد، و ارائه نثری است که مانند نگارش دانشگاهی خودتان خوانده شود، نه خروجی خام مدل. الگوی بیانیه افشای AI و راهنمای ما برای ارجاع دادن به ChatGPT این عبارت‌بندی را پوشش می‌دهند. یک humanizer نیمه دوم این کار را انجام می‌دهد.

چه چیزی واقعاً امتیاز AI در Turnitin را تغییر می‌دهد

شاخص نگارش AI در Turnitin به دنبال عبارت‌های ممنوعه نمی‌گردد و نمی‌داند کدام ابزار متن شما را تولید کرده است. این شاخص میزان پیش‌بینی‌پذیری نگارش را می‌سنجد. مدل، سند را در بخش‌های همپوشانِ چندصدواژه‌ای می‌خواند، هر جمله را در مقیاسی از 0 برای انسانی تا 1 برای AI امتیاز می‌دهد، و این امتیازها را در سراسر سند میانگین می‌گیرد. آنچه در واقع، جمله به جمله، می‌پرسد این است که یک مدل زبانی با چه میزان اطمینان می‌توانست هر واژه بعدی را حدس بزند.

نثر تولیدشده در این سنجه امتیاز بالایی می‌گیرد، زیرا یک مدل در هر گام یک واژه محتمل را برگزیده است. از اینجا دو ویژگی نتیجه می‌شود، و این دو همان‌هایی هستند که بازنویسی باید تغییر دهد.

• پیش‌بینی‌پذیری انتخاب واژه. مدل‌ها بیش از حد از یک واژگان قابل‌تشخیص استفاده می‌کنند: moreover, furthermore, delve, underscore, plays a crucial role. جایگزین کردن این‌ها با واژه‌هایی که یک پژوهشگر در حوزه شما واقعاً به کار می‌برد، امتیاز را واژه به واژه پایین می‌آورد. فهرست ما از واژه‌ها و عبارت‌هایی که نگارش AI را لو می‌دهند فهرست مشخص این موارد است.
• یکنواختی ساختار جمله. این همان چیزی است که مردم آن را دست‌کم می‌گیرند. خروجی مدل با طول جمله‌ای به‌طرز چشمگیری یکنواخت و با شکلی تکراری از بندها ارائه می‌شود. نگارش دانشگاهی انسانی، که طی روزها و با سرعت‌های متفاوت تولید می‌شود، بسیار بیشتر تنوع دارد. شکستن این یکنواختی، جدا کردن برخی جمله‌ها و پیوستن برخی دیگر به‌گونه‌ای که طول و آهنگ واقعاً متنوع شود، امتیاز را بیش از جابه‌جایی واژگان تغییر می‌دهد، زیرا واریانس به‌طور مستقیم اندازه‌گیری می‌شود.

ابزاری که فقط نخستینِ آن دو کار را انجام می‌دهد، یک بازنویس است، و همین تمایز همان جایی است که بیشترِ ناامیدی در این دسته از آن ناشی می‌شود. سازوکار کامل در how AI detectors work آمده است.

چرا بازنویسی اغلب امتیاز را بدتر می‌کند

گزارش Turnitin یک دسته‌بندی واحد برای AI ندارد. دو دسته دارد. در کنار متنی که به عنوان AI generated علامت‌گذاری می‌شود، مستندات Turnitin به طور جداگانه متنی را علامت‌گذاری می‌کند که "احتمالاً با استفاده از یک ابزار بازنویسی AI یا word spinner بازنگری شده است"، و بیان می‌کند که نشانگر آن شامل شناسایی محتوایی است که "ممکن است انسانی‌سازی شده باشد یا برای اجتناب از شناسایی از یک bypasser عبور داده شده باشد".

این دو واقعیت را با هم بخوانید، و حالت شکست روشن است. عبور دادن متن AI از یک بازنویسِ جایگزین‌کنندهٔ مترادف، واژه‌های ظاهرشده را تغییر می‌دهد، در حالی که آهنگ جمله و پیش‌بینی‌پذیری آن تقریباً در همان سطح قبلی باقی می‌ماند. پیش‌نویس از ناحیهٔ علامت‌گذاری‌شده خارج نمی‌شود، بلکه از یک دستهٔ علامت‌گذاری‌شده به دستهٔ دیگری منتقل می‌شود، و اکنون علاوه بر آن، نشانِ اضافیِ بازنویسی ماشینی را نیز با خود دارد. به همین دلیل است که متن بازنویسی‌شده همچنان علامت‌گذاری می‌شود، و چرا تفاوت میان یک humanizer و یک بازنویس مهم‌ترین نکتهٔ عملی برای فهمیدن پیش از انتخاب ابزار است.

گزارش Turnitin در عمل چه چیزی را نشان می‌دهد

چند سازوکار خودِ گزارش ارزش دانستن دارند، زیرا نحوهٔ خواندن یک عدد را تغییر می‌دهند.

این درصد، متن واجد شرایط را پوشش می‌دهد، یعنی جملات نثری در نوشتار بلند، و یک فایل باید پیش از آنکه هر نمره‌ای اصلاً تولید شود، دست‌کم 300 واژه از آن داشته باشد. نمره‌هایی که زیر 20% قرار می‌گیرند، به جای عدد با یک ستاره نمایش داده می‌شوند، زیرا Turnitin در آن بازه نرخ خطای به‌طور قابل اندازه‌گیری بالاتری گزارش می‌کند. نشانگر AI از نمره شباهت جداست و این دو از یکدیگر مستقل‌اند، به همین دلیل دانستن اینکه هر گزارش به کدام اتهام اشاره دارد اهمیت دارد. دانشجویان به طور پیش‌فرض نشانگر AI را نمی‌بینند، اما مدرسان و مدیران آن را می‌بینند.

در مورد دقت، Turnitin نرخ مثبت کاذب در سطح سند را برای اسنادی با 20% یا بیشتر نوشتار AI، کمتر از 1% و در سطح جمله‌های برجسته‌شده منفرد، حدود 4% منتشر می‌کند. همچنین صریحاً بیان می‌کند که مدل "may not always be accurate" و "should not be used as the sole basis for adverse actions against a student" است. یک درصد، شواهدی برای بحث است، نه حکم نهایی، و چگونگی پاسخ دادن اگر به استفاده از AI متهم شدید آن گفت‌وگو را پوشش می‌دهد.

چرا ارجاعات تعیین می‌کنند که بازنویسی دوام می‌آورد یا نه

اگر بازنویسی سند را خراب کند، نمره پایین بی‌ارزش است. این همان شکستی است که بیشتر مردم هرگز به آن فکر نمی‌کنند تا زمانی که برای خودشان رخ دهد.

یک humanizer بدون قاعده ارجاع، "(Nguyen et al., 2024, p. 213)" را به عنوان متن عادیِ قابل بازنویسی در نظر می‌گیرد. نام خانوادگی جابه‌جا می‌شود، عبارت داخل پرانتز در جمله حل می‌شود، شماره صفحه ناپدید می‌شود. هر ویرایش روان خوانده می‌شود، و هر کدام ارجاعی را می‌شکند که ارزیاب آن را با فهرست شما تطبیق خواهد داد. اصطلاحات نیز به همین شکل شکست می‌خورند: "randomly assigned" که بی‌صدا به "randomly distributed" تبدیل می‌شود، روش متفاوتی را توصیف می‌کند، و نام یک ابزار سنجشِ اعتبارسنجی‌شده فقط یک صورت درست دارد. آمار، مورد سوم است، جایی که جابه‌جایی یک رقم اعشار، یک یافته را تغییر می‌دهد.

هیچ‌یک از این موارد توسط یک آشکارساز شناسایی نمی‌شود، و همه آن‌ها توسط یک ناظر شناسایی می‌شوند. TextPulse هر مورد را به‌صورت یک رفتار نام‌گذاری‌شده مدیریت می‌کند: ارجاعات که در هر شش سبک ارجاع‌دهی، هم در شکل‌های پرانتزی و هم روایی، به‌صورت لفظ‌به‌لفظ حفظ می‌شوند، freeze terms که پیش از اجرای فرایند، هر نام سازه یا ابزار را قفل می‌کنند، آمار و اندازه‌های اثر که به‌طور خودکار حفظ می‌شوند، و لحن که در بازه نمره 13 تا 18 Flesch-Kincaid نگه داشته می‌شود، همان‌گونه که خوانندگان دانشگاهی انتظار دارند. اسناد همچنین به‌صورت کامل پردازش می‌شوند، نه به‌صورت قطعه‌قطعه، بنابراین هیچ درزی وجود ندارد که در آن اصطلاحات میان گذرها دچار تغییر شوند.

چرا هیچ فروشنده‌ای نمی‌تواند نتیجه‌ای در Turnitin را تضمین کند

این را باید یک‌بار و به‌روشنی گفت. طبقه‌بند Turnitin درون مؤسسه شما، روی فایلی که ارسال می‌کنید، در روزی که آن را ارسال می‌کنید، اجرا می‌شود و با ورود مدل‌های زبانی جدید دوباره آموزش می‌بیند. هیچ ابزار بازنویسی آن گزارش را نمی‌بیند، و فروشنده آن ابزار نیز هیچ دیدی نسبت به آن ندارد. هر محصولی که عبور تضمین‌شده‌ای را وعده می‌دهد، در واقع اجراهایی را توصیف می‌کند که خودش به حساب خود، روی اسنادی که خودش انتخاب کرده، و در برابر نسخه‌ای از یک طبقه‌بند که از آن زمان جابه‌جا شده است، انجام داده است.

کاری که یک فروشنده می‌تواند به‌طور معتبر انجام دهد، اندازه‌گیری در مقیاس بزرگ و انتشار نتیجه همراه با نام‌بردن از پیکره است، و این همان معیاری است که بنچمارک 2,000-document TextPulse برای برآورده کردن آن طراحی شده است، و همان معیاری است که ارزش دارد همه ادعاهای دیگر با آن سنجیده شوند.

چگونه جایگزین‌ها را ارزیابی کنیم

اگر در حال سنجش ابزارهای دیگر هستید، چهار بررسی آن‌ها را به‌سرعت از هم جدا می‌کند، و همان چهار بررسی‌ای هستند که در مقایسه کامل humanizerهای AI ما به کار رفته‌اند.

• روی پاراگراف خودتان آزمون کنید. متن واقعی را با دو یا سه ارجاع و چند اصطلاح تعریف‌شده جای‌گذاری کنید، سپس خروجی را خط به خط بخوانید. آیا نام‌خانوادگی‌ها، سال‌ها و شماره‌های صفحه دقیقاً همان‌جایی هستند که گذاشته بودید، و آیا هر اصطلاح فنی با یک مترادف نزدیک به‌طور مفید جایگزین شده است.
• سقف واژه در هر نوبت را بررسی کنید، نه کل ماهانه را. ابزاری که برای هر درخواست به 600 یا 750 واژه محدود شده است، یک فصل را به قطعاتی تقسیم می‌کند، و یکپارچه‌سازی درزها کاری دستی است که قیمت هرگز از آن یاد نمی‌کند.
• بپرسید هدف لحن چیست. بازنویسی برای این‌که انسانی‌تر به نظر برسد، معمولاً یعنی بازنویسی برای این‌که محاوره‌ای‌تر به نظر برسد، که برای یک خبرنامه درست است و برای یک بخش روش‌ها نادرست.
• شواهد را بر صفت‌ها ترجیح دهید. اندازه یک پیکره نام‌گذاری‌شده و نام‌گذاری‌شده detectors یک ادعای قابل بررسی است. سیاست بازپرداخت یک فرایند خدمات مشتری است، و پس از آن می‌رسد که یک فصل از پیش ارسال شده است.

حکم نهایی

برای سندی که Turnitin آن را خواهد خواند، TextPulse ابزاری است که باید استفاده شود. این ابزار به‌جای شعار، نرخ عبور سنجیده را منتشر می‌کند، بر سند دانشگاهی بنا شده است نه بر غلبه بر یک detector نام‌گذاری‌شده، و ارجاعات، اصطلاحات و آمارهایی را حفظ می‌کند که تعیین می‌کنند آیا کار شما در برابر خواننده انسانی، که از نمره مهم‌تر است، دوام می‌آورد یا نه.

از آن به شیوه صادقانه استفاده کنید، که همان شیوه‌ای است که دوام می‌آورد: اگر دانشکده شما اجازه می‌دهد، پیش‌نویس را با کمک AI تهیه کنید، آن کمک را با همان عبارتی که مؤسسه شما می‌خواهد افشا کنید، در صورت لزوم مدل را ارجاع دهید، و پیش‌نویس را از طریق TextPulse academic humanizer اجرا کنید تا نثر به‌صورت نوشته خودتان خوانده شود نه نوشته یک مدل. سپس پیش از ارسال، خودتان آن را بخوانید، زیرا هیچ ابزاری آن بازبینی نهایی را جایگزین نمی‌کند.