بررسی Pangram AI Detector: ابزاری که پژوهشگران پیوسته آن را اعتبارسنجی میکنند
Pangram نرخ مثبت کاذبی در حدود 1 در 10,000 منتشر میکند، و برخلاف بیشتر فروشندگان آشکارساز، اکنون پژوهش مستقل تازهای دارد که در همان جهت اشاره میکند. یک مطالعه داوریشده در 2026 از Vrije Universiteit Brussel نشان داد که این ابزار، در میان چهار ابزار، تنها ابزاری بود که نتایج رضایتبخشی را در مقالههای سطح کارشناسی ارشد به دست آورد. در اینجا میبینید مطالعات چه چیزی را اندازهگیری کردند، شواهد هنوز در کجا ضعیف است، و هیچ امتیاز آشکارساز چه چیزی را نمیتواند ثابت کند.
Pangram یک آشکارساز هوش مصنوعی است که پژوهشگران مستقل پیوسته آن را برجسته میکنند، و همین باعث میشود ارزش بررسی دقیقتری نسبت به جدول امتیازدهی معمول فروشندگان داشته باشد. سازنده آن، Pangram Labs، نرخ مثبت کاذب را حدود 1 در 10,000 و دقت تیتر را 99.98 percent اعلام میکند. اینها اعداد خود شرکت هستند، که بر اساس معیارهای سنجش خود آن اندازهگیری شدهاند. آنچه Pangram را از بیشتر این حوزه متمایز میکند این است که، برای یک بار، پژوهشهای بیرونی اخیر در همان جهت کلی اشاره میکنند.
دو ارزیابی مستقل در طول سال گذشته منتشر شدند, یک مطالعه داوریشده از Vrije Universiteit Brussel که Springer آن را در June 2026 منتشر کرد، و یک مقاله کاری از University of Chicago Booth School که Chicago Booth Review در December 2025 به آن پرداخت. هر دو Pangram را بهطور روشن بالاتر از رقبای شناختهشدهتر، از جمله Turnitin، GPTZero، و Copyleaks قرار دادند. هیچیک از این دو مطالعه امتیاز هیچ آشکارسازی را بهتنهایی دلیلی بر چیزی درباره یک سند مشخص نمیداند، و هر دو نیز همین را تصریح میکنند.
آنچه در ادامه میآید، آن چیزی است که Pangram درباره خود ادعا میکند، آنچه این دو مطالعه در عمل سنجیدند، جایی که شواهد هنوز اندک است، و اینکه صعود این ابزار درباره بقیه حوزه آشکارسازی چه میگوید.
Pangram چیست و چه کسانی از آن استفاده میکنند
Pangram Labs یک شرکت کوچک است که در 2023 در Brooklyn توسط پژوهشگران هوش مصنوعی که پیشتر در Tesla و Google کار کرده بودند، بنیانگذاری شد. این محصول متنِ چسباندهشده یا بارگذاریشده را بررسی میکند و برآوردی از اینکه چه مقدار از آن توسط هوش مصنوعی تولید شده است ارائه میدهد، همراه با برجستهسازی در سطح جمله، و نیز تشخیص تصویر و بررسی سرقت ادبی در طرحهای پولی.
پایگاه کاربران آن با Turnitin متفاوت به نظر میرسد. Turnitin به مؤسسات فروخته میشود و درون سامانههای مدیریت یادگیری اجرا میشود؛ Pangram را هر کسی با یک حساب رایگان میتواند اجرا کند، و این یعنی دانشجویان، ویراستاران، کارکنان مجلات، و خوانندگان پذیرش آن را مستقیماً استفاده میکنند. این ابزار تازهوارد این بازار است، و بهطور فزاینده همان ابزاری است که پژوهشگران یکپارچگی دانشگاهی برای یافتن نقطه مقایسه به سراغش میروند، دقیقاً چون در آزمونهایی که ابزارهای جاافتاده از پس آن برنمیآیند، همچنان عملکرد خوبی دارد.
ادعاهای فروشنده
Pangram's homepage 99.98 درصد دقت را تبلیغ میکند و بیان میکند که نرخ مثبت کاذب آن, یعنی نرخی که در آن اسناد انسانی بهاشتباه بهعنوان AI علامتگذاری میشوند, در حال حاضر 1 در 10,000 است. یک نوشتهٔ وبلاگی شرکت دربارهٔ مثبتهای کاذب, که توسط CTO آن نوشته شده است, این رقم کلی را بر حسب ژانر تفکیک میکند: 0.004 درصد برای مقالات دانشگاهی, 0.001 درصد برای چکیدههای علمی, همراه با نقاط ضعف آشکاری که خود شرکت افشا میکند, مانند 0.05 درصد برای شعر و 0.23 درصد برای دستور پخت. شرکت همچنین ادعا میکند که مدل آن همچنان متن AI را پس از آنکه توسط ابزارهای موسوم به humanizer پردازش شده است, تشخیص میدهد.
همهٔ اینها اعداد خوداظهاری از مجموعهدادههای آزمون خودِ فروشنده هستند, و همان نوشته نیز احتیاطهای خودِ فروشنده را در بر دارد: مدل در متن طولانیتر که با جملات کامل نوشته شده باشد بهترین عملکرد را دارد, و شرکت توصیه میکند که فهرستهای گلولهای کوتاه یا متن بسیار قالبی غربال نشوند. هر دو سوی این موضوع را در نظر داشته باشید. این ادعاها بهطور غیرمعمولی دقیق و بهطور غیرمعمولی پایین هستند, و با این حال تا زمانی که کسی بیرون از شرکت آنها را بررسی نکند, همچنان صرفاً ادعا هستند.
آنچه شواهد مستقل نشان میدهند
قویترین آزمون تا امروز، یک مطالعه داوریشده توسط همتا از Van Vlasselaer، Van Droogenbroeck، و Spruyt در Vrije Universiteit Brussel است که در ژوئن 2026 در International Journal for Educational Integrity منتشر شد. این تیم 160 مقاله دانشگاهی در سطح کارشناسی ارشد، هر یک دستکم 4,000 واژه، ساخت: 40 مقاله که پیش از 2019 توسط دانشجویان واقعی نوشته شده بودند، 40 مقاله که بهطور کامل با GPT-4o Deep Research تولید شده بودند، 40 مقاله ترکیبی، و 40 مقاله که ابتدا با هوش مصنوعی تولید شده و سپس عمداً انسانیسازی شده بودند. همه آنها را از Turnitin، GPTZero، Copyleaks، و Pangram عبور دادند.
در مورد مقالههای کاملاً تولیدشده با هوش مصنوعی، این مطالعه گزارش میکند که Turnitin، GPTZero، و Copyleaks «بهطور کامل در شناسایی محتوای تولیدشده با هوش مصنوعی ناکام ماندند». Turnitin برای هر یک از آن 40 مقاله، امتیازی بین 0 تا 20 درصد AI ثبت کرد. میانه امتیازهای هر سه ابزار موجود، همگی برای مقالههایی که 100 درصد بهصورت ماشینی نوشته شده بودند، زیر 20 درصد قرار داشت. Pangram در همان مجموعه به دقت سختگیرانه 65 درصد و دقت فراگیر 97.5 درصد رسید و یک مقاله را بهاشتباه طبقهبندی کرد. در مجموعه انسانیسازیشده، Pangram در 37 مورد از 40 مورد، محتوای AI را بهدرستی شناسایی کرد، با دقت سختگیرانه 92.5 درصد، در حالی که GPTZero به 2.5 درصد، Copyleaks به 22.5 درصد، و Turnitin به 50 درصد رسید.
| ابزار | مقالههای کاملاً AI, دقت سختگیرانه | مقالههای AI انسانیسازیشده, دقت سختگیرانه | مقالههای انسانی که بهدرستی پاک شناخته شدند |
|---|---|---|---|
| Pangram | 65% | 92.5% | 100% |
| Turnitin | 0% | 50% | 100% |
| GPTZero | 0% | 2.5% | 100% |
| Copyleaks | 0% | 22.5% | 100% |
داده دوم یک مقاله کاری از Brian Jabarian و Alex Imas در Chicago Booth است که در Chicago Booth Review در دسامبر 2025 خلاصه شده است. این پژوهش با آزمودن آشکارسازها بر حدود 2,000 متن نوشتهشده توسط انسان در شش رسانه، بهعلاوه نسخههای AI از چهار مدل frontier، نشان داد که نرخ مثبت کاذب Pangram در بیشتر آستانههای تصمیمگیری عملاً صفر بود، با دقتی که هرگز در پیکره آنان به زیر 99.8 percent نرسید و منفیهای کاذب بین 2 و 4 percent، بسته به مدل. پژوهشگران پیشنهاد میکنند که مؤسسات پیش از اعتماد عملیاتی به هر آشکارساز، یک سقف سیاستی سختگیرانه اتخاذ کنند، برای نمونه، نه بیش از 0.5 percent از نوشته انسانی برچسبگذاری شود. به تفاوت وضعیت توجه کنید, مقاله Booth یک مقاله کاری است، هنوز داوری همتا نشده است، و متن AI دستنخورده را آزمود، نه مقالات دانشگاهی انسانیسازیشده را.
مثبتهای کاذب و اینکه چه کسانی آسیب میبینند
مثبتهای کاذب جایی هستند که آسیب آشکارسازها در آن متمرکز میشود، و الگویی که در سراسر این صنعت مستند شده این است که برچسبها بهطور نامتناسب بر نویسندگان انگلیسی غیر بومی میافتند. مطالعه VUB دقیقاً از این جهت ارزش خواندن دارد: 40 مقاله انسانی آن همگی توسط انگلیسیزبانان غیر بومی نوشته شده بودند، و هر چهار ابزار، از جمله Pangram، 100 percent آنها را پاک تشخیص دادند. این نتیجه واقعاً دلگرمکننده است، و همچنین یعنی 40 مقاله. نمونهای با این اندازه نمیتواند نرخی مانند 0.004 percent را تأیید کند؛ فقط آزمون داخلی بسیار بزرگتر خود فروشنده چنین اعداد دقیقی را تولید میکند، و هیچ طرف بیرونی آنها را در آن مقیاس بازتولید نکرده است.
بخش دنیای واقعیِ مطالعه نشان میدهد که چرا احتیاط حتی در برابر معیارهای خوب هم باقی میماند. وقتی پژوهشگران Pangram را روی 1,163 پایاننامه واقعی کارشناسی ارشد از 2024 و 2025 اجرا کردند، این ابزار 45.5 درصد از آنها را در سطحی مشخص علامتگذاری کرد، با میانه سهم برآوردی AI برابر با 30 درصد در میان موارد علامتگذاریشده، و برای هیچیک از آن پایاننامهها حقیقت مرجع وجود ندارد. نویسندگان صریحاند: امتیازهای تشخیص، نشانههای اولیه مفیدی هستند و هرگز نباید تنها مدرک در تصمیمهای پرمخاطره باشند. دانشجویی که با اتهام روبهرو است، همچنان به راههای مبتنی بر فرایند برای نشان دادن نویسندگی نیاز دارد، فارغ از اینکه کدام آشکارساز آن عدد را تولید کرده است.
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.
قیمتگذاری و دسترسی
سایت Pangram پس از ثبتنام برای یک حساب کاربری، 20 بررسی رایگان در روز ارائه میدهد و اشتراکهای پولی، حجم اعتبار و ویژگیهایی مانند تشخیص سرقت ادبی را اضافه میکنند. این مدل دسترسی به همان اندازه که اعداد دقت اهمیت دارند، مهم است: برخلاف Turnitin که نویسنده فقط زمانی با آن مواجه میشود که یک مؤسسه آن را علیه او اجرا کند، Pangram را میتوان مستقیماً بررسی کرد، بنابراین نویسنده میتواند همان نوع سیگنالی را ببیند که یک ارزیاب ممکن است پیش از هرگونه ارسال مشاهده کند.
Pangram در چشمانداز آشکارسازها کجا قرار میگیرد
خلاصه نویسندگان VUB از این حوزه صریح است: "از میان چهار ابزار تشخیص AI که در اینجا بررسی شدند، در این لحظه فقط یکی نتایج رضایتبخشی تولید کرد." این جمله به همان اندازه که درباره ابزارهای موجود میگوید، درباره Pangram هم میگوید. Turnitin، ابزاری که بیشتر مؤسسات در عمل به آن تکیه میکنند، در مجموعه کاملاً AI generated امتیاز صفر گرفت، و سابقه مستند جداگانه آن در مثبت کاذب از پیش دانشگاهها را واداشته است که امتیازهای آن را با احتیاط به کار ببرند. همه این ابزارها ویژگیهای آماری متن را اندازهگیری میکنند، و سازوکارهای زیربنایی هم توضیح میدهند که چرا رویکرد آموزشی جدیدتر Pangram میتواند پیشی بگیرد و هم اینکه چرا هر یک از آنها همچنان احتمالاتی باقی میمانند.
داوری صادقانه این است که Pangram در حال حاضر، بر پایه شواهد اخیر، با فاصله زیاد، بهترین آشکارساز پشتیبانیشده در آزمونهای مستقل است. اما آن شواهد نیز محدودند. دو مطالعه، یکی داوریشده و یکی نه، هر دو از سال گذشته، عمدتاً به زبان انگلیسی، و بیشتر شامل متنهای دانشگاهی و وبیِ بلند. تشخیص، یک مسابقه تسلیحاتی در برابر مدلهایی است که هر سهماهه تغییر میکنند، و ابزاری که در 2026 پیشتاز است، آن برتری را فقط تا نسل بعدی متن حفظ میکند. امتیاز Pangram برآوردی با کالیبراسیون بهتر از برآوردهای رقبا ارائه میکند. با این حال، همچنان یک برآورد است، نه شاهدی بر این که هر شخص معینی چه کاری انجام داده است.
مقایسه کامل را ببینید
Pangram یکی از ابزارها در حوزهای شلوغ و ناهمگون است. برای این که ببینید در مقایسه با Turnitin، GPTZero، Copyleaks، ZeroGPT و دیگران بر اساس همان معیارها چگونه عمل میکند، راهنمای کامل مقایسه آشکارسازهای AI را ببینید.
یافتههای پژوهش خود ما
در مطالعه توافق آشکارسازهای TextPulse Research، نه آشکارساز تجاری هوش مصنوعی همان 90 متن دانشگاهی را ارزیابی کردند. یکی از آنها متنی ترکیبی با 455 واژه بود: آغاز و پایانی انسانی پیرامون بخش میانی 168 واژهای تولیدشده با هوش مصنوعی. Pangram به این متن نمره 34% هوش مصنوعی داد، در حالی که داوری ابزارهای دیگر درباره همان واژهها از 0% تا 95.7% متغیر بود. مقاله کامل، پیکره و ماتریس نمرات هر ابزار به صورت آزاد در TextPulse Research در دسترس است.
سؤالات متداول
ادعاهای خود Pangram 99.98 درصد دقت و نرخ مثبت کاذب حدود 1 در 10,000 است که بر پایه معیارهای داخلی اندازهگیری شدهاند. بهطور غیرمعمول برای این صنعت، پژوهش مستقل تازه نیز همین جهت را نشان میدهد: یک مطالعه داوریشده در June 2026 از Vrije Universiteit Brussel نشان داد که این ابزار، در میان چهار ابزار، تنها ابزاری بود که توانست مقالههای سطح کارشناسی ارشدِ کاملا تولیدشده توسط AI و انسانیسازیشده را بهطور قابل اعتماد شناسایی کند، و یک مقاله کاری Chicago Booth نرخ مثبت کاذب نزدیک به صفر را در پیکره خود گزارش کرد. شواهد مستقل قوی هستند، اما تازه و از نظر دامنه محدودند.
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.
