AI Detector न्यूनतम शब्द संख्या: Turnitin, GPTZero और अन्य को कितने शब्द चाहिए

AI डिटेक्टर की न्यूनतम शब्द-गणना उपकरण पर निर्भर करती है। कुछ उपकरण, जैसे Turnitin, को कम से कम 300 शब्दों के योग्य गद्य की आवश्यकता होती है, लेकिन अन्य, जैसे ZeroGPT, एक सुसंगत परिणाम उत्पन्न करने के लिए कम से कम 150 से 200 शब्द लिखने की सलाह देते हैं। चाहे आपका डिटेक्टर कुछ सौ शब्दों से कम पर कुछ दिखाए या नहीं, आपका परिणाम कम विश्वसनीय होता है।

कुछ अभी भी प्रत्येक अनुच्छेद के लिए एक प्रतिशत प्रदान करते हैं, और छोटे पाठों के लिए स्कोर कम सटीक होते हैं। TextPulse Research के शोधकर्ताओं ने 25,561 मानव-लिखित अकादमिक पाठों और उनके AI पुनर्लेखनों के युग्मों के साथ इसका परीक्षण किया। 300 शब्दों पर, उन्होंने एक वर्गीकारक को इस तरह समायोजित किया कि वह AI पुनर्लेखनों के 95% को पकड़ सके। इसने मानव पाठों के 33.9% को भी चिह्नित किया। 25 शब्दों पर, इसने 67.6% को चिह्नित किया।

AI पहचान के लिए कितने शब्दों की आवश्यकता होती है?

AI पहचान को विश्वसनीय होने के लिए कुछ सौ शब्दों की आवश्यकता होती है, एक स्थिर परिणाम। विश्वसनीयता लगभग 100 शब्दों से नीचे सबसे तेज़ी से गिरती है। अधिकांश विश्वसनीयता TextPulse अध्ययन में लगभग 150 शब्दों पर स्थापित हुई थी। इसके बाद, सटीकता अधिक धीरे-धीरे बढ़ी, 150 शब्दों पर 84.0% से 300 शब्दों पर 86.8% तक।

अन्य शोध समान सीमाओं की ओर संकेत करते हैं। Journal of Artificial Intelligence Research में 2025 का एक सर्वेक्षण, जिसे TextPulse पेपर में उद्धृत किया गया है, अब तक रिपोर्ट किए गए आँकड़ों को संकलित करता है। सांख्यिकीय और सूक्ष्म-समायोजित वर्गीकारकों को सटीक रूप से काम करने के लिए लगभग 100 शब्दों की आवश्यकता होती है। कई मानक डिटेक्टरों को पूर्ण प्रदर्शन तक पहुँचने के लिए लगभग 120 शब्दों की आवश्यकता होती है, और सबसे शक्तिशाली मॉडलों का पता लगाने के लिए लगभग 200 शब्दों की आवश्यकता होती है।

जैसे-जैसे कोई डिटेक्टर अधिक टोकन देखता है, टोकन वे शब्द-खंड हैं जिनके साथ एक भाषा मॉडल काम करता है, मानव और AI पाठ के बीच अंतर करना आसान हो जाता है। जब किसी डिटेक्टर ने किसी छोटे उत्तर में केवल कुछ टोकन ही देखे हों, तब किसी भी निष्कर्ष के लिए बहुत अधिक साक्ष्य नहीं होता। इसमें शामिल perplexity, burstiness, और अन्य मापों की व्याख्या AI डिटेक्टर कैसे काम करते हैं के मार्गदर्शक में की गई है।

उपकरण के अनुसार AI डिटेक्टर की न्यूनतम शब्द-गणना: Turnitin, GPTZero और अन्य

प्रत्येक विक्रेता अपनी स्वयं की न्यूनतम सीमा या मार्गदर्शन निर्धारित करता है, और वे सभी एक ही इकाई का उपयोग नहीं करते। Turnitin योग्य गद्य के शब्दों की गणना करता है। अन्य विक्रेता लंबाई की सिफारिश करते हैं या यह वर्णित करते हैं कि जैसे-जैसे कोई पाठ लंबा होता है, सटीकता कैसे बदलती है।

डिटेक्टर	पाठ की लंबाई के बारे में विक्रेता क्या कहता है
Turnitin	AI स्कोर उत्पन्न होने से पहले कम से कम 300 शब्दों का योग्य गद्य, जो पहले के 150-शब्द न्यूनतम से बढ़ाया गया है क्योंकि अधिक पाठ के साथ सटीकता बढ़ती है
GPTZero	जैसे-जैसे अधिक पाठ प्रस्तुत किया जाता है, सटीकता बेहतर होती है। पूरे दस्तावेज़ों का वर्गीकरण अनुच्छेदों की तुलना में अधिक सटीक होता है, और अनुच्छेदों का वर्गीकरण एकल वाक्यों की तुलना में अधिक सटीक होता है
ZeroGPT	स्थिर परिणाम के लिए कम से कम 150 से 200 शब्दों की अनुशंसा की जाती है, और 500 से 1,000 शब्द या अधिक विश्वसनीयता को और बढ़ाते हैं। बहुत छोटे या भारी रूप से संपादित अंश "कम संकेत ले जाते हैं"
Pangram	पूर्ण वाक्यों में लिखे गए लंबे पाठ पर सबसे अच्छा काम करता है। कंपनी छोटे बुलेट सूचियों या अत्यधिक सूत्रबद्ध पाठ की जाँच करने के विरुद्ध सलाह देती है
Sapling	इसके प्रकाशित पहचान और गलत-सकारात्मक आँकड़े लंबे पाठों पर लागू होते हैं। छोटे पाठों में "भिन्न सटीकता दरें हो सकती हैं"

यह वह न्यूनतम सीमा है जिसका अधिकांश छात्र सामना करते हैं, क्योंकि Turnitin कई विश्वविद्यालयों के शिक्षण प्लेटफ़ॉर्म में अंतर्निहित डिटेक्टर है। AI लेखन रिपोर्ट में 300 शब्दों के योग्य गद्य से नीचे कोई स्कोर नहीं दिया जाता। इस न्यूनतम सीमा से नीचे के खंड स्कोर और 20% से कम स्कोर के लिए Turnitin द्वारा प्रदर्शित तारांकन चिह्न को Turnitin AI का पता कैसे लगाता है के मार्गदर्शक में शामिल किया गया है।

स्क्रीन पर दिखा प्रतिशत यह नहीं दर्शाता कि किसी पाठ ने उपकरण की अपनी अनुशंसित लंबाई पूरी की है, क्योंकि कई उपभोक्ता जाँचकर्ता एकल अनुच्छेद को भी स्कोर कर देंगे। 2023 में, OpenAI के AI पाठ वर्गीकारक को इनपुट के रूप में कम से कम 1,000 वर्णों की आवश्यकता थी। OpenAI ने कहा कि यह छोटे पाठों पर बहुत अविश्वसनीय था और अपनी कम सटीकता दर के कारण इसे छह महीने बाद हटा दिया।

पाठ की लंबाई के अनुसार AI डिटेक्टर की सटीकता: TextPulse शोध ने क्या पाया

TextPulse का पाठ लंबाई और AI पहचान विश्वसनीयता पर कार्यपत्र केवल लंबाई को देखता है, पाठों की अन्य सभी विशेषताओं से अलग करके। डेटासेट में 25,561 पाठ युग्म शामिल हैं, जहाँ मानव पाठ और उसका AI पुनर्लेखन, दोनों कम से कम 300 शब्द लंबे हैं। प्रत्येक पाठ को 25, 50, 100, 150, 200, 250 और 300 शब्दों तक काटा गया। प्रत्येक शब्द लंबाई के लिए, वर्गीकारक को प्रशिक्षित और परीक्षण किया गया।

एक ही पाठ हर लंबाई पर दिखाई देते हैं, अर्थात विषय, अनुशासन और AI मॉडल स्थिर रखे गए हैं। पुनर्लेखन छह मॉडल परिवारों में आठ भिन्न AI मॉडल संयोजनों से आते हैं। वर्गीकारक 45 शैलीगत विशेषताओं का आकलन करता है, जैसे शब्द लंबाई और शब्दावली विविधता। यह एक शोध उपकरण है, यह पत्र इस बारे में कोई दावा नहीं करता कि वाणिज्यिक डिटेक्टर इन विशेषताओं या सीमाओं का उपयोग कैसे कर सकते हैं। वाणिज्यिक उपकरणों के परीक्षणों के लिए क्या AI डिटेक्टर सटीक हैं पर मार्गदर्शिका देखें।

पाठ लंबाई	सटीकता	जब AI पुनर्लेखनों के 95% पकड़े जाते हैं, तब गलत रूप से चिह्नित मानव पाठ	जब मानव पाठों के 1% को गलत रूप से चिह्नित किया जाता है, तब पकड़े गए AI पुनर्लेखन
25 शब्द	73.9%	67.6%	17.2%
50 शब्द	78.2%	58.8%	28.0%
100 शब्द	82.3%	49.4%	40.5%
150 शब्द	84.0%	44.1%	47.9%
200 शब्द	85.2%	40.1%	50.5%
250 शब्द	86.1%	36.7%	54.2%
300 शब्द	86.8%	33.9%	56.5%
पूर्ण पाठ	88.4%	28.6%	60.6%

AI पहचान के लिए, छोटी पाठ सटीकता तालिका के हर स्तंभ में बदतर है, और सटीकता वाला स्तंभ हानि को कम करके दिखाता है। एक उपयोगी निर्णय के लिए पैमाने के किसी भी छोर के पास एक स्कोर चाहिए, और छोटे पाठ मानव तथा AI दोनों स्कोर को मध्य की ओर धकेलते हैं। कटऑफ को 95% AI पुनर्लेखनों को पकड़ने के लिए सेट करने पर, वर्गीकार 100 शब्दों पर मानव पाठों के लगभग आधे को गलत रूप से चिह्नित करता है। कटऑफ को केवल 1% मानव पाठों को चिह्नित करने के लिए सेट करने पर, यह 25 शब्दों पर 17.2% AI पुनर्लेखनों को पकड़ता है।

AUC, जो वर्गीकार के दोनों समूहों को अलग करने की क्षमता का पेपर का मुख्य माप है, 25 शब्दों पर 0.817 से बढ़कर 300 शब्दों पर 0.940 हो गया। पूर्ण पाठों पर, जिनमें मानव पक्ष के लिए औसत 466 शब्द थे, यह 0.950 तक पहुँचा। इस वृद्धि का सबसे तीव्र भाग 100 शब्दों से नीचे आया, और 150 शब्दों के बाद प्रत्येक चरण ने कम वृद्धि जोड़ी।

छोटे पाठ पर गलत सकारात्मक परिणाम क्यों बढ़ते हैं

लंबे दस्तावेज़ों पर आधारित एक डिटेक्टर का छोटे दस्तावेज़ों पर गलत सकारात्मक दर बहुत अधिक होती है। पेपर ने एक वर्गीकार प्रस्तुत किया जो पूर्ण-लंबाई के पाठों पर प्रशिक्षित था और छोटे पाठों के वर्गीकरण के लिए डिफ़ॉल्ट थ्रेशोल्ड पर उपयोग किया गया था। मानव पाठों के लिए प्रणाली की गलत सकारात्मक दर 300 शब्दों पर 16.1% से लेकर 100 शब्दों पर 39.1% और 25 शब्दों पर 69.8% तक थी।

AI पुनर्लेखनों का इसका पता लगाना उसी सीमा में लगभग अपरिवर्तित रहा, 300 शब्दों पर 88.4% से 25 शब्दों पर 92.4% तक। अतिरिक्त त्रुटियाँ मानव लेखन पर गलत चिह्न थे। पेपर छोटे इनपुट पर वर्गीकार का वर्णन उन्हें AI कहने की दिशा में व्यवस्थित रूप से पक्षपाती के रूप में करता है।

कारण यांत्रिक है। टाइप-टोकन अनुपात, किसी पाठ में भिन्न शब्दों का हिस्सा, जैसे-जैसे पाठ छोटा होता है, बढ़ता है, क्योंकि एक छोटा नमूना किसी शब्द को दोहराने के कम अवसर देता है। अध्ययन में मानव पाठों का औसत अनुपात पूर्ण लंबाई पर 0.47 और 25 शब्दों पर 0.87 था। पूर्ण-लंबाई वाले AI पुनर्लेखनों का औसत 0.55 था।

पूर्ण-लंबाई वाले पाठों पर प्रशिक्षित यह क्लासिफ़ायर यह सीख जाएगा कि लगभग 0.55 का अनुपात AI और मानव लेखन के बीच विभाजन करता है। हर 25-शब्दों का पाठ, चाहे उसे किसी ने भी लिखा हो, इस अनुपात से काफी ऊपर होता है और AI पक्ष की ओर धकेला जाता है। शोधपत्र यह बताता है कि तैनात डिटेक्टर को हर बार इनपुट लंबाई बदलने पर पुनः प्रशिक्षित नहीं किया जाता। Turnitin की प्रकाशित गलत सकारात्मक दर के लिए मार्गदर्शिका यह बताती है कि उस आँकड़े में क्या शामिल है और क्या बाहर रखा गया है।

छोटे पाठों का वर्गीकरण कठिन क्यों होता है

छोटे पाठ डिटेक्टर को उस हर चीज़ की कम मात्रा देते हैं जिसे वह मापता है। कम शब्दों का अर्थ है तुलना के लिए कम टोकन, और कम वाक्यों का अर्थ है मापने के लिए कम लय। अध्ययन में, 25-शब्दों के पाठ में औसतन 1.6 वाक्य थे, 50-शब्दों के पाठ में 2.7 वाक्य, और 300-शब्दों के पाठ में 13.4 वाक्य थे।

वाक्य-लंबाई में भिन्नता, जिसे अक्सर burstiness कहा जाता है, वाक्यों की आपस में तुलना पर निर्भर करती है। अध्ययन में इसने पूर्ण पाठों पर मानव और AI पाठों को 0.71 मानक विचलनों से अलग किया, और 100 शब्दों पर 0.31 से। 50 शब्दों पर, यह अंतर प्रभावी रूप से शून्य था। जो डिटेक्टर burstiness पर निर्भर करता है, उसे इसे विश्वसनीय रूप से मापने के लिए कई वाक्यों की आवश्यकता होती है।

इस शक्ति का अधिक भाग शब्द-स्तर पर बना रहता है। औसत शब्द लंबाई और लंबे शब्दों की दर ने 25 शब्दों पर अपनी विभेदक शक्ति का लगभग दो-तिहाई बनाए रखा। लेकिन ओवरलैप में भी वृद्धि हुई: 50 शब्दों पर दोनों समूहों के स्कोर केंद्र की ओर सिमटने लगते हैं। प्रत्येक समूह का बड़ा अनुपात ओवरलैप में आ जाता है।

उद्धृत या मानक वाक्यांश भी छोटे पाठ में अधिक महत्व रखते हैं। 50-शब्दों के उत्तर में लगभग तीन वाक्य होते हैं, इसलिए प्रत्येक वाक्य डिटेक्टर को दिखने वाली चीज़ का लगभग एक-तिहाई होता है। उनमें से किसी एक में दी गई उद्धृत परिभाषा का भार 2,000-शब्दों के निबंध के भीतर उसी वाक्य की तुलना में कहीं अधिक होता है।

चर्चा पोस्ट, सार, संक्षिप्त-उत्तर परीक्षाएँ और कवर पत्र

चर्चा-बोर्ड पोस्ट

200-शब्दों की आवश्यकता के लिए लिखा गया पोस्ट Turnitin की 300-शब्दों की न्यूनतम सीमा से नीचे होता है, इसलिए Turnitin उसे कोई AI score नहीं देता। अन्य उपकरण फिर भी उसे स्कोर कर सकते हैं। 200 शब्दों पर, अध्ययन के वर्गीकार ने मानव पाठों के 40.1% को गलत रूप से चिह्नित किया, जब उसे AI पुनर्लेखनों के 95% को पकड़ने के लिए सेट किया गया था, जबकि पूर्ण पाठों पर यह 28.6% था।

सार

250-शब्दों का जर्नल सारांश न्यूनतम सीमा के निकट है, और सारांश सघन, औपचारिक लेखन होते हैं। TextPulse के एक पूर्व अध्ययन में पाया गया कि जिन मानव-लिखित पाठों को एक वर्गीकारक गलत वर्गीकृत करता है, वे सबसे अधिक औपचारिक होते हैं। लंबाई संबंधी पेपर पाठ की लंबाई को झूठे चिह्नों के दूसरे, अलग कारण के रूप में जोड़ता है, और एक छोटा, औपचारिक सारांश इन दोनों के संपर्क में आता है। यदि किसी सारांश पर प्रश्न उठता है, तो पूर्ण पेपर की जाँच करने से डिटेक्टर को वह लंबाई मिलती है जिसकी उसके विक्रेता द्वारा अनुशंसा की जाती है।

संक्षिप्त-उत्तर परीक्षाएँ

50 से 100 शब्दों के उत्तर उस सीमा में आते हैं जहाँ अध्ययन के आँकड़े सबसे तेज़ी से गिरते हैं। 50 शब्दों पर, AI पुनर्लेखनों के 95% को पकड़ने के लिए सेट किए गए एक वर्गीकारक ने 58.8% मानव पाठों को गलत रूप से चिह्नित किया। पेपर का निष्कर्ष है कि 50 शब्दों से नीचे, कोई भी व्यावहारिक कटऑफ उपयोगी परिणाम नहीं देता। यह जोड़ता है कि छोटे पाठ पर निर्णय न देना, उसे स्कोर करने से अधिक विश्वसनीय है।

कवर पत्र

नौकरी या जर्नल प्रस्तुति के लिए एक-पृष्ठ का कवर पत्र कुछ सौ शब्दों का होता है, और उसका बड़ा भाग निर्धारित वाक्यांशों का अनुसरण करता है। Pangram अत्यधिक सूत्रबद्ध पाठ की जाँच के विरुद्ध सलाह देता है। यदि किसी कवर पत्र की जाँच की जाती है, तो किसी भी स्कोर को व्यापक त्रुटि-सीमा वाले अनुमान के रूप में लें।

जब आपका पाठ न्यूनतम सीमा से नीचे हो, तब क्या करें

पाठ को वैसे ही छोड़ दें जैसा आपने लिखा है, और उसके बजाय स्कोर को संदर्भ दें। ये चरण लेखक और स्कोर की समीक्षा करने वाले व्यक्ति, दोनों पर लागू होते हैं।

1. पाठ में अनावश्यक भराव न जोड़ें। न्यूनतम सीमा तक पहुँचने के लिए लिखे गए अतिरिक्त शब्द उस रचना को बदल देते हैं जिसे आपसे लिखने को कहा गया था, और तब स्कोर भरे हुए संस्करण का वर्णन करता है।
2. जहाँ संभव हो, पूरे दस्तावेज़ की जाँच करें। एक पूर्ण निबंध या अध्याय डिटेक्टर को उसकी अनुशंसित लंबाई देता है, और छोटा खंड एक लंबे पाठ के भाग के रूप में स्कोर किया जाता है।
3. वाक्य दृश्य देखें। जो डिटेक्टर वाक्यों को स्कोर करते हैं, वे दिखाते हैं कि कौन-सी पंक्तियाँ परिणाम को संचालित करती हैं, और छोटे पाठ में यह अक्सर एक या दो वाक्य होते हैं, जैसे कोई उद्धृत परिभाषा।
4. अपने मसौदे और संस्करण इतिहास रखें। वे दिखाते हैं कि पाठ कैसे विकसित हुआ, और किसी छोटे अंश पर दिया गया स्कोर यह नहीं दिखा सकता।
5. पूछें कि स्कोर का उपयोग कैसे किया जाएगा। विक्रेता की अपनी अनुशंसित लंबाई से नीचे के पाठ पर प्राप्त परिणाम एक कमजोर संकेत है, और समीक्षक को उसे उसी तरह तौलना चाहिए।

कर्मचारियों के लिए, यह लेख-विवेचना एक सरल नियम की ओर संकेत करती है: अधिक पाठ की आवश्यकता रखें, या निर्धारित लंबाई से कम पर कोई निर्णय न दें। Turnitin की 300-शब्द सीमा इसी प्रकार का नियम है। एक बार पूर्ण रिपोर्ट उपलब्ध हो जाने पर, एक अच्छा Turnitin स्कोर क्या है के लिए मार्गदर्शिका बताती है कि उसकी व्याख्या कैसे की जाए।

TextPulse छोटे पाठ को कैसे संभालता है

TextPulse किसी AI detector का उपयोग नहीं करता और detector स्कैन नहीं बेचता। TextPulse हर ह्यूमनाइज़ेशन के बाद एक Human Score (0 से 100) प्रदर्शित करता है। यह स्कोर ऐप के भीतर किया गया एक आकलन है, जो आपके पाठ के पुनर्लेखन की गहराई, शब्दावली की विविधता, टोकन वितरण और वाक्य-लंबाई में भिन्नता पर आधारित है। इस स्कोर की गणना के लिए किसी detector का उपयोग नहीं किया गया था।

AI Humanizer को प्रति ह्यूमनाइज़ेशन कम से कम 50 शब्दों की आवश्यकता होती है, और यह Pro पर प्रति चरण अधिकतम 500 शब्द तथा Plus पर 1,000 शब्द लेता है। Document Humanizer 15,000 शब्दों तक लंबाई वाली पूरी अंग्रेज़ी .docx फ़ाइल के साथ काम कर सकता है। इसे शरीर पाठ के कम से कम 50 शब्दों की आवश्यकता होती है, और यह शीर्षक, सूचियाँ, तालिकाएँ, कैप्शन और संदर्भों को ज्यों का त्यों रखता है। दोनों को उन मसौदों में AI स्कोर कम करने के लिए बनाया गया है, जहाँ आपका पाठ्यक्रम या journal AI सहायता की अनुमति देता है।

अपने पाठ को detector में चिपकाने से पहले, मुफ़्त Word Counter का उपयोग करके उसकी लंबाई जाँचें। यह टूल शब्दों, spaces के साथ और बिना spaces के characters, sentences और unique words की गणना करता है, ताकि आप किसी पाठ की तुलना उस floor से कर सकें जो किसी भी unit में stated हो। लंबाई अध्ययन के बारे में सभी विवरण, प्रति-पाठ scores और analysis code सहित, Zenodo पर खुले रूप से उपलब्ध हैं, और research hub इस अध्ययन को अन्य TextPulse papers के साथ सूचीबद्ध करता है।