AI Humanizer तुलना अध्ययन: समान अकादमिक पाठों के साथ क्या हुआ

हमारे AI humanizer तुलना अध्ययन में, प्रत्येक humanizer ने समान 48 शैक्षणिक पाठों को मानव लेखन शैली की ओर स्थानांतरित किया, और उपकरणों में सबसे अधिक अंतर इस बात में था कि उन्होंने क्या बनाए रखा। कुछ ने अर्थ, उद्धरण और संख्याओं को स्रोत के निकट रखा। अन्य ने काल्पनिक संख्याएँ और नाम या नई व्याकरणिक त्रुटियाँ जोड़ीं, और वे आउटपुट अक्सर वही थे जिन्हें किसी detector ने मानव के रूप में लेबल किया।

TextPulse Research ने अगस्त 2026 में AI humanizer तुलना अध्ययन किया और 29 अगस्त को इसे एक कार्यपत्र के रूप में प्रकाशित किया। TextPulse इसमें उपयोग किए गए उपकरणों में से एक है, इसलिए प्रत्येक उपकरण को समान इनपुट मिले और प्रत्येक माप एक सार्वजनिक स्क्रिप्ट है। पूर्ण कार्यपत्र में प्रत्येक तालिका, आकृति और स्क्रिप्ट है, और सभी 432 पुनर्लिखित पाठ सार्वजनिक हैं।

AI humanizer तुलना अध्ययन ने क्या परीक्षण किया

अध्ययन ने प्रत्येक humanizer को समान 48 पाठ दिए। प्रत्येक पाठ एक काल्पनिक अनुभवजन्य अध्ययन के परिणाम और चर्चा खंड का था, जिसे एक AI मॉडल ने लिखा था और जिसकी लंबाई लगभग 301 शब्द थी। चार मॉडल परिवारों ने 12-12 पाठ लिखे: OpenAI, Google, डीपसीक और एंथ्रॉपिक। पाठों में चार अनुशासन और तीन उद्धरण शैलियाँ शामिल थीं, इसलिए प्रत्येक टूल को संख्याएँ, लेखक नाम और संदर्भ चिह्न मिले जिन्हें उसे बनाए रखना था।

डिज़ाइन का भाग	अध्ययन ने क्या उपयोग किया
स्रोत पाठ	48 एआई-लिखित परिणाम और चर्चा खंड, प्रत्येक 264 से 344 शब्द
उन्हें किसने लिखा	OpenAI, Google, DeepSeek और Anthropic मॉडल से प्रत्येक के 12 पाठ
अनुशासन	चिकित्सा और स्वास्थ्य, भौतिक और संगणकीय विज्ञान, सामाजिक विज्ञान, मानविकी
उद्धरण शैलियाँ	एपीए लेखक-वर्ष, संख्यात्मक कोष्ठक, कोई उद्धरण नहीं
पाठों में जाँचे गए तथ्य	404 तकनीकी शब्द, 887 संख्याएँ, 124 उद्धरण
प्रत्येक उपकरण कैसे चला	डिफ़ॉल्ट सेटिंग पर इसकी वेब पेज में एक बार चिपकाया गया, आउटपुट जैसा मिला वैसा रखा गया
तिथियाँ	26 से 28 अगस्त 2026
detectors	Turnitin, प्रत्येक उपकरण के लिए एक document, और GPTZero, प्रत्येक पाठ अलग से

एक humanizer का काम AI आउटपुट को फिर से लिखना है, इसलिए अध्ययन की शुरुआत AI आउटपुट से हुई, जिसमें तथ्यों की एक सत्यापित सूची थी। किसी भी पुनर्लेखन से पहले, प्रत्येक मॉडल ने उन शब्दों, संख्याओं और उद्धरणों को सूचीबद्ध किया था जिनका उसने उपयोग किया था। सूचीबद्ध प्रत्येक वस्तु की तुलना पाठ से की गई, और उसमें से जो भी वस्तु अनुपस्थित थी, उसे हटा दिया गया। इससे प्रत्येक पाठ के लिए एक निश्चित सूची बची, इसलिए अध्ययन यह ठीक-ठीक गिन सका कि प्रत्येक humanizer ने क्या रखा, क्या बदला, या क्या गढ़ा।

प्रत्येक पाठ को प्रत्येक टूल के वेब पृष्ठ में एक बार, टूल की डिफ़ॉल्ट सेटिंग पर, डाला गया, और आउटपुट को उसी रूप में सहेजा गया जैसा वह वापस आया था। किसी ने किसी आउटपुट को संपादित नहीं किया। कुछ टूल्स ने 48 से कम पाठ संसाधित किए, क्योंकि मुफ्त स्तर इस बात को सीमित करते हैं कि एक टूल कितने पाठ लेगा। 24 पाठों का एक मूल सेट प्रत्येक टूल के लिए समान था, उसी क्रम में। TextPulse ने सभी 48 संसाधित किए।

अध्ययन ने मानवीकृत पाठ को कैसे मापा

एक detector स्कोर आपको बताता है कि किसी पाठ ने किसी एक दिन किसी एक detector को कैसा दिखा। यह इस बारे में कुछ नहीं कहता कि क्या पुनर्लेखन अभी भी वही परिणाम रिपोर्ट करता है। अध्ययन ने पहले प्रत्येक आउटपुट को पाठ स्वयं पर और दूसरे detectors पर स्कोर किया। छात्रों या शोधकर्ताओं के लिए, ऐसा पेपर होना महत्वपूर्ण है जो अभी भी वही कहता हो जो डेटा कहता है, ऐसी गद्य में जो इस तरह लगे कि उसे किसी व्यक्ति ने लिखा है।

माप	यह क्या जाँचता है	यह एक शोध-पत्र में क्यों महत्वपूर्ण है
अर्थ	पुनर्लेखन स्रोत के कितना निकट है, 0 से 1 तक के समानता स्कोर के रूप में	कम स्कोर का अर्थ है कि अनुच्छेद अब कुछ और कहता है
उद्धरण बने रहे	पाठ के भीतर के उद्धरणों का वह हिस्सा जो समान लेखक और वर्ष के साथ अभी भी मौजूद है	बदला हुआ वर्ष संदर्भ सूची के साथ मेल को तोड़ देता है
संख्याएँ बनी रहीं	जाँची गई संख्याओं का वह हिस्सा जो अभी भी पाठ में है	खोया हुआ नमूना आकार या पी-मूल्य परिणाम को बदल देता है
गढ़ी गई वस्तुएँ	आउटपुट में वे संख्याएँ और नाम जो स्रोत में कभी नहीं थे	गढ़ा गया आँकड़ा अध्ययन के बारे में एक झूठा कथन है
जोड़ी गई व्याकरण त्रुटियाँ	प्रति 1,000 शब्द नई त्रुटियाँ, लैंग्वेजटूल के साथ गिनी गईं	त्रुटियाँ अंक और समीक्षक का विश्वास दोनों घटाती हैं
पठन-स्तर	फ्लेश-किंकैड ग्रेड में परिवर्तन	AI पाठ का ग्रेड स्तर प्रकाशित मानवीय गद्य से अधिक होता है
शैली स्थिति	पाठ की स्थिति, सामान्य मानवीय और सामान्य AI लेखन के बीच	शैलीमितीय डिटेक्टर इन विशेषताओं पर प्रतिक्रिया करते हैं
लंबाई	स्रोत की तुलना में आउटपुट की लंबाई, 0.70 से 1.30 गुना तक को बना हुआ माना जाता है	जो उपकरण किसी पाठ को आधा कर देता है, उसने सामग्री हटा दी है

शैली स्थिति एक पैमाने से आती है जिसे TextPulse ने 121,092 शैक्षणिक पाठों की 47 शैली विशेषताओं से विकसित किया था, जैसा कि हमारे शैलीमितीय वर्गीकरण शोध-पत्र में वर्णित है। सामान्य मानवीय शैक्षणिक पाठ 0 पर होता है और सामान्य AI पाठ 100 पर। हम मानवीय पाठों के मध्य आधे, (-36 से 33) को मानवीय सीमा कहते हैं।

शब्दावली का स्कोर हमारे AI शब्दावली शोध-पत्र की 1,057 शब्दों की सूची के विरुद्ध किया गया था। उनमें से 581 ऐसे शब्द हैं जिन्हें AI मॉडल लोगों की तुलना में अधिक उपयोग करते हैं, और 476 का झुकाव दूसरी दिशा में है। अध्ययन ने गिना कि प्रत्येक उपकरण ने प्रति 1,000 शब्द कितने AI-झुकाव वाले शब्द हटाए।

प्रत्येक humanizer ने पाठ के साथ क्या किया

अध्ययन में प्रत्येक उपकरण ने अपने आउटपुट को शैली पैमाने के मानवीय छोर की ओर स्थानांतरित किया। अपरिष्कृत AI पाठों का औसत 138 था, जो सामान्य AI पाठ के 100 से आगे था। पुनर्लेखन के बाद, कुछ उपकरण मानवीय सीमा तक पहुँच गए और अन्य लगभग आधे रास्ते पर रुक गए। प्रत्येक उपकरण ने AI-उन्मुख शब्दावली भी हटाई और पठन-स्तर को कम किया, इसलिए परिवर्तन की दिशा पूरे क्षेत्र में समान थी।

दो प्रकार की विशेषताएँ किसी पाठ को पैमाने पर सबसे अधिक आगे बढ़ाती हैं। पहला युग्म औसत शब्द-लंबाई और लंबे शब्दों का अनुपात है। "help" से "facilitate" में पुनर्लेखन पाठ को अधिक AI-जैसा बना देगा, क्योंकि इससे औसत शब्द-लंबाई बढ़ती है और लंबे शब्दों का अनुपात बढ़ता है। दूसरा वाक्य-लंबाई की विविधता है, जो मानवीय दिशा की ओर धकेलती है। ऐसा अनुच्छेद जिसमें सभी वाक्य 22 से 26 शब्दों के हों, समतल होता है, लेकिन ऐसा अनुच्छेद जिसमें 9-शब्द वाले वाक्य के साथ 31-शब्द वाला वाक्य भी हो, विविध होता है।

उद्देश्य पठन-स्तर को कम करना है। AI द्वारा लिखे गए अकादमिक पाठ का फ्लेश-किंकेड ग्रेड प्रकाशित मानवीय अकादमिक गद्य की तुलना में अधिक होता है। इसलिए, यदि यह नीचे जाता है, तो लेखन उस सादे शैली के अधिक निकट हो जाता है जिसमें शोधकर्ता लिखते हैं। शैलीमितीय डिटेक्टर्स इसी पर प्रतिक्रिया देते हैं। यही वे परिवर्तन भी हैं जो किसी मसौदे को पढ़ने में आसान बनाते हैं। जब तक सामग्री अपरिवर्तित रहती है, दोनों लक्ष्य एक साथ चलते हैं।

मानवीयकृतक किसी वाक्य को कैसे बदलते हैं पर हमारा लेख इन संपादनों को एक-एक वाक्य के स्तर पर दिखाता है। अध्ययन मापन जोड़ता है, प्रत्येक परिवर्तन ने पाठ को कितनी दूर तक स्थानांतरित किया, और अर्थ तथा तथ्यों के संदर्भ में इसकी क्या लागत थी।

जहाँ उपकरण भिन्न थे: अर्थ, उद्धरण और संख्याएँ

उपकरणों की अवधारण दरें भिन्न थीं। उदाहरण के लिए, अध्ययन भर में 29 से 100 प्रतिशत तक उद्धरण बनाए रखे गए। प्रति आउटपुट 0.06 से 4.44 तक गढ़ी गई वस्तुएँ दिखाई दीं। प्रति 1,000 शब्दों पर 0.65 से 4.91 तक नई व्याकरणिक त्रुटियाँ दिखाई दीं। गढ़ी गई वस्तुओं में नमूना आकार, प्रतिशत, विश्वास सीमाएँ, लेखक नाम और संस्थान शामिल थे, जिनका स्रोत ने कभी उल्लेख नहीं किया था।

नाम और इकाइयाँ अधिक सूक्ष्म तरीकों से गायब हो गईं। जब किसी टूल ने किसी सांख्यिकी को पुनर्लेखन किया, तो उसने अक्सर इकाई हटा दी, इसलिए "कोहेन का d" एक प्रभाव आकार बन गया और "सेल्सियस" डिग्री बन गया। लेखक के नाम उनकी उद्धृतियों के साथ ही गायब हो गए। प्रजातियों, युग और उपकरणों के नामों को एक विवरण से बदल दिया गया। जो पाठक किसी परिणाम की जाँच करना चाहता है, उसे उन नामों की आवश्यकता होती है, इसलिए इन प्रत्येक हानियों को एक हानि माना जाता है।

पुनर्लेखन की गहराई और निष्ठा विपरीत दिशाओं में खींचती हैं। जो उपकरण शब्दों का एक तिहाई बदलता है, वह अर्थ को अधिक आसानी से बनाए रखता है। जो उपकरण उनमें से अधिकांश को बदलता है, उसके पास कुछ खो देने के अधिक अवसर होते हैं। बदले गए शब्दों का अनुपात 35 से 68 प्रतिशत तक था। शोधकर्ता जो परिणाम चाहता है, वह एक गहरा पुनर्लेखन है जो फिर भी अर्थ को बनाए रखता है। यह संयोजन दुर्लभ था।

अध्ययन ने छिपे हुए वर्णों की भी खोज की, अदृश्य वर्ण, गैर-मानक रिक्तियाँ और सिरिलिक या ग्रीक वर्णमालाओं के समान दिखने वाले अक्षर। कुछ humanizers detector के परिणाम को बदलने के लिए इन्हें जोड़ते हैं। इस अध्ययन में किसी भी उपकरण ने ऐसा कुछ नहीं जोड़ा, इसलिए किसी भी आउटपुट ने उस कारण से गुणवत्ता द्वार में विफलता नहीं पाई।

केवल detector का परिणाम एक कमजोर humanizer मानक क्यों है

केवल एक detector का परिणाम humanizer को परखने का अधूरा मानक है। AI humanizer तुलना अध्ययन में, जिन आउटपुट्स को GPTZero ने सबसे अधिक बार मानव-लिखित बताया, वे उन टूल्स से आए जिन्होंने अधिक संख्याएँ और नाम गढ़े, अधिक उद्धरण हटाए या व्याकरण की अधिक त्रुटियाँ जोड़ीं। किसी detector के अनुमान को बदलने का सबसे आसान तरीका यह है कि पाठ जो कहता है, उसी को बदल दिया जाए। ऐसा पुनर्लेखन उसी शोधपत्र को नुकसान पहुँचाता है जिसकी मदद के लिए वह किया गया था।

दोनों पक्षों को एक साथ मापने के लिए, अध्ययन ने एक गुणवत्ता द्वार निर्धारित किया। इसे पार करने के लिए, किसी आउटपुट में कम से कम 0.95 का अर्थ स्कोर और अपनी उद्धृतियों का कम से कम 90 प्रतिशत होना आवश्यक था। इसमें कोई गढ़ी हुई संख्याएँ या नाम, कोई छिपे हुए वर्ण नहीं होने चाहिए थे, और लंबाई सहनशीलता के भीतर होनी चाहिए थी। तब GPTZero का human लेबल केवल उन आउटपुटों के लिए गिना गया जो द्वार को पार कर गए थे। यह द्वार हर उपकरण के लिए समान था।

प्रत्येक उपकरण का आउटपुट एक दस्तावेज़ में रखा गया, जिसमें प्रति पृष्ठ एक पाठ था। अध्ययन में दस्तावेज़ के लिए Turnitin का एक AI प्रतिशत उपयोग किया गया। Turnitin 20 प्रतिशत से कम के लिए संख्या के बजाय एक तारांकन चिह्न का उपयोग करता है। डिटेक्टरों के परिणाम अध्ययन की तिथियों पर डिटेक्टर के एक संस्करण से प्राप्त अनुमान हैं। हमने अपनी मार्गदर्शिका में आपके Turnitin AI स्कोर को पढ़ने के बारे में लिखा है, कि Turnitin AI स्कोर का क्या अर्थ है।

मानवीकरण तुलना में TextPulse का प्रदर्शन

TextPulse अध्ययन के संयुक्त सूचकांक में पहले स्थान पर रहा, जो पुनर्लेखन की गहराई, अर्थ, शैली स्थिति, व्याकरण और सामग्री अखंडता को समान भार देता है। TextPulse के स्कोर इन पाँच मापों के लिए 0.811 थे और जब गेटेड डिटेक्टर माप जोड़ा गया, तब 0.843 थे। यह इसलिए अच्छा रहा क्योंकि इसमें कोई कमजोर माप नहीं था। इसने प्रत्येक पाठ का आधे से अधिक भाग पुनर्लेखित किया और उस तथ्यात्मक सामग्री को बनाए रखा जिस पर एक शोधपत्र निर्भर करता है।

माप	TextPulse परिणाम
बदले गए शब्द	52 प्रतिशत
अर्थ बनाए रखा गया, स्रोत से समानता	0.971, लगभग 97 प्रतिशत
उद्धरण बनाए रखे गए	99 प्रतिशत
संख्याएँ बनाए रखी गईं	87 प्रतिशत
नामित संस्थाएँ बनाए रखी गईं	95 प्रतिशत
जोड़ी गई व्याकरण त्रुटियाँ	प्रति 1,000 शब्द 0.65, अध्ययन में सबसे कम
गढ़ी गई वस्तुएँ	प्रति आउटपुट 0.48, पचास में एक आउटपुट में एक गढ़ा हुआ नाम
पठन स्तर	3.6 ग्रेड कम, सबसे बड़ी गिरावट
एआई-झुकाव वाले हटाए गए शब्द	प्रति 1,000 शब्द 39, अध्ययन में सबसे अधिक
शैली स्थिति	29, मानव सीमा के भीतर
लंबाई सहनशीलता के भीतर आउटपुट	48 में से 47
गुणवत्ता गेट पार करने वाले आउटपुट	67 प्रतिशत
सभी आउटपुट के एक दस्तावेज़ के लिए Turnitin AI स्कोर	24 प्रतिशत, अध्ययन में सबसे कम, संयुक्त रूप से
गेट पार करने वाले आउटपुट पर GPTZero मानव लेबल	10.4 प्रतिशत, 48 में से 5, अध्ययन में सबसे अधिक

शैक्षणिक उपयोग के लिए दो परिणाम सबसे अधिक महत्वपूर्ण हैं। जिन उपकरणों ने कम से कम आधे शब्द बदले, उनमें TextPulse ने अर्थ को सबसे अच्छी तरह बनाए रखा। जिन उपकरणों का अर्थ स्कोर 0.97 या उससे अधिक था, उनमें इसने सबसे अधिक शब्द बदले। अध्ययन में कोई अन्य उपकरण दोनों समूहों में नहीं था। शैक्षणिक लेखन के लिए एक humanizer को यही संयोजन चाहिए, क्योंकि हल्का पुनर्लेखन AI शैली को यथावत छोड़ देता है और तथ्यों को हटाने वाला गहरा पुनर्लेखन निष्कर्षों को बदल देता है।

GPTZero ने TextPulse के 48 आउटपुट में से 9 को मानव के रूप में लेबल किया, और उनमें से 5 ने गुणवत्ता द्वार भी पार किया, जो अध्ययन में सबसे ऊँचा द्वारबद्ध परिणाम था। TextPulse आउटपुट के Turnitin दस्तावेज़ का स्कोर 24 प्रतिशत AI था, जो सबसे कम स्कोर के लिए संयुक्त रूप से बराबर था। अन्य दस्तावेज़ों के स्कोर 28 से 74 प्रतिशत तक थे। detector परिणाम अनुमान होते हैं, और इसी कारण अध्ययन उन्हें पाठ मापों के साथ प्रस्तुत करता है।

अध्ययन आपको क्या नहीं बता सकता

AI humanizer तुलना अध्ययन अपनी सीमाएँ स्वयं सूचीबद्ध करता है। पाठ AI मॉडल द्वारा एक निश्चित प्रॉम्प्ट पर लिखे गए थे, और वास्तविक मसौदे अधिक लंबे तथा कम समान होते हैं। प्रत्येक टूल 26 और 28 अगस्त 2026 के बीच, अपनी डिफ़ॉल्ट सेटिंग पर, एक बार चलाया गया। विक्रेता अपने टूल को अद्यतन करते हैं, इसलिए परिणाम उन तिथियों का वर्णन करते हैं और उन्हें एक स्नैपशॉट के रूप में पढ़ा जाना चाहिए।

विभिन्न टूल्स के पास पाठों की संख्या अलग होती है, क्योंकि वे मुफ्त पाठों की एक निश्चित मात्रा तक सीमित होते हैं जिन्हें टूल संसाधित करेगा। इसके परिणामस्वरूप कम पाठों वाले टूल्स के लिए विश्वास अंतराल भी बड़े होते हैं। Turnitin प्रति document एक स्कोर उत्पन्न करता है और इसलिए प्रति पाठ स्कोर का प्रसार नहीं होता। GPTZero एक detector है, एक मॉडल संस्करण (2026-08-09-आधार)।

TextPulse ने अध्ययन बनाया और उसमें शामिल टूल्स में से एक है। प्रत्येक टूल को समान इनपुट्स दिए गए। प्रोटोकॉल के अनुसार, सभी माप सार्वजनिक रूप से उपलब्ध स्क्रिप्ट्स हैं, और सभी कच्चे परिणाम साझा किए गए हैं। इसका अर्थ है कि कोई भी व्यक्ति संख्याओं को फिर से चला सकता है, या उन्हें अलग तरह से भारित कर सकता है। स्रोत पाठ, सभी 432 आउटपुट्स, डिटेक्टर रिप्लाइज़ और स्क्रिप्ट्स सार्वजनिक हैं।

अपने स्वयं के मसौदे पर निष्कर्षों का उपयोग कैसे करें

ये निष्कर्ष एक संक्षिप्त जाँच में बदल जाते हैं, जिसे आप किसी भी humanizer के बाद चला सकते हैं, हमारे सहित। अपने मसौदे की तुलना उन बातों के लिए पाठ से करें जिन्हें अध्ययन ने गिना था। एक ही खंड पर इसमें कुछ मिनट लगते हैं।

1. अपने मसौदे के विरुद्ध हर संख्या की जाँच करें: नमूना आकार, प्रतिशत, p-मूल्य और विश्वास अंतराल।
2. हर पाठ्य-उद्धरण में वही लेखक और वर्ष जाँचें, फिर उसे अपनी संदर्भ सूची से मिलाएँ।
3. बदले हुए नामों को देखें: उपकरण, प्रजातियाँ, डेटासेट, इकाइयाँ और लेखक नाम।
4. ऐसे दावों को पढ़ें जो अधिक प्रबल हो गए हैं, जैसे "हो सकता है संकेत दे" को "दर्शाता है" के रूप में पुनर्लेखित किया गया हो।
5. लंबाई की तुलना करें। स्रोत से बहुत छोटा आउटपुट संभवतः सामग्री छोड़ चुका है।
6. पुनर्लेखन द्वारा जोड़ी गई व्याकरणिक त्रुटियों को पकड़ने के लिए पाठ को ज़ोर से पढ़ें।

इन जाँचों में लंबाई सबसे तेज़ है। अध्ययन में, 0.70 और 1.30 गुना स्रोत लंबाई के बीच का आउटपुट रखा गया माना गया। TextPulse ने 48 में से 47 आउटपुट उस सीमा के भीतर रखे, औसतन स्रोत की 1.14 गुना लंबाई पर, इसलिए इसके आउटपुट मसौदों से कुछ अधिक लंबे थे।

पाठ्य-उद्धरणों को हाथ से जाँचने में सबसे अधिक समय लगता है। अध्ययन में, TextPulse ने उनमें से 99 प्रतिशत को बनाए रखा, और इसके परिवर्तन प्रस्तुति में थे, जैसे कोष्ठकीय उद्धरण का कथात्मक उद्धरण में बदल जाना। उद्धरणों को बनाए रखने वाले AI humanizer पर हमारी पोस्ट बताती है कि अपने संदर्भ चिह्नों में क्या देखना है।

मुफ़्त बर्स्टिनेस चेककर मापता है कि आपके मसौदे में वाक्य लंबाइयाँ कितनी बदलती हैं। विविध वाक्य लंबाई उन विशेषताओं में से एक है जिन्हें अध्ययन का पैमाना मानव लेखन की ओर भार देता है। कीमतों सहित क्रमबद्ध मार्गदर्शिका के लिए, हमारी शैक्षणिक लेखन के लिए सर्वोत्तम AI humanizer मार्गदर्शिका देखें। जब आप पुनर्लेखन के लिए तैयार हों, तो TextPulse AI humanizer आपके संख्याओं, नामों और उद्धरणों को बनाए रखने के लिए बनाया गया है, और परिणाम के लिए एक अनुमानित Human Score रिपोर्ट करता है।