Articles experts sur la manière d’humaniser le texte IA, de gagner un faible score sur les détecteurs IA et de préserver les citations.
Une étude Stanford de 2023 a constaté que les détecteurs d'IA interprétaient à tort des écrits en anglais fluides de locuteurs non natifs comme générés par machine à un taux bien plus élevé que les écrits de locuteurs natifs. Voici le mécanisme derrière cet écart, et ce qui s'est passé lorsque les mêmes essais ont été réécrits avec un vocabulaire plus riche.
La burstiness mesure l’ampleur des variations de la longueur des phrases dans un passage, et non la longueur de la phrase moyenne. Cet article explique d’où vient le terme, comment la dispersion est réellement calculée, et pourquoi la sortie d’un modèle de langage tend à se stabiliser dans une plage étroite de longueurs.
La perplexité est le nombre qu’un modèle de langue produit pour décrire à quel point vos choix de mots l’ont surpris. Cet article retrace la métrique jusqu’à son origine en 1977, examine la formule et explique pourquoi un même passage peut obtenir des scores différents selon le modèle qui le lit.
Les éditeurs publient des taux de faux positifs inférieurs à 1 pour cent. Des chercheurs indépendants ont testé les mêmes détecteurs sur des écrits en anglais de locuteurs non natifs et ont trouvé des taux supérieurs à 60 pour cent. Voici ce que montrent les preuves.
Les détecteurs d'IA ne reconnaissent pas l'écriture machine comme le ferait un lecteur. Ils mesurent à quel point votre texte est prévisible, puis transforment cela en score. Une fois cela compris, la technologie et ses limites deviennent plus claires.
Les articles sans traduction dans votre langue se trouvent sur le blog anglais.