AI लेखन पैटर्न: वे शब्द, लय और विराम-चिह्न जो इसे उजागर करते हैं

इस वाक्य को एक बार पढ़िए और देखिए कि क्या आपको पहले से पता है कि यह कहाँ से आया है: शोधकर्ता प्रेरणा और उपलब्धि के बीच जटिल अंतःक्रिया को लगातार रेखांकित करते हैं, और कार्यों का एक बढ़ता हुआ निकाय इस बात पर प्रकाश डालता है कि शैक्षणिक सफलता में आत्म-नियमन कितनी महत्वपूर्ण भूमिका निभाता है। इसमें कुछ भी गलत नहीं है। हर उपवाक्य व्याकरणिक है, हर शब्द एक वास्तविक शब्द है, और कोई परीक्षक एक भी अंक नहीं काटेगा। लेकिन यह फिर भी ऐसा पढ़ा जाता है जैसे यह किसी मशीन से निकला हो, क्योंकि ऐसा ही हुआ। यही इस लेख का विषय है।

AI लेखन पैटर्न शब्द-चयन, वाक्य-लय, विराम-चिह्न और संरचना में वे दोहराए जाने वाले गुण हैं, जो मशीन-निर्मित गद्य को पहली नज़र में पहचानने योग्य बनाते हैं। ये चार स्तरों पर समूहित होते हैं: वे शब्द जिनकी ओर एक मॉडल जाता है, उसके वाक्यों का आकार, वह विराम-चिह्न जिन पर वह निर्भर करता है, और वह तरीका जिससे वह समग्र रूप से एक तर्क की संरचना करता है। इनमें से कोई एक अकेला कुछ सिद्ध नहीं करता। लेकिन एक ही अनुच्छेद के भीतर ये सब मिलकर अनदेखे नहीं रह जाते।

जो मशीन यह करती है उसे एक सांख्यिकीय डिटेक्टर कहा जाता है। यह इस आधार पर कि एक भाषा मॉडल क्या अपेक्षा करता है, हर शब्द की पूर्वानुमेयता का अंकन करता है। एक रिपोर्ट में उस अंक के पीछे का perplexity और burstiness गणित शामिल होता है, जिसका अधिक विस्तार से वर्णन AI detectors कैसे काम करते हैं पर एक अन्य लेख में किया गया है। इस लेख का शेष भाग AI लेखन के उन संकेतों की सूची है जिन्हें पाठक पृष्ठ पर सुन, गिन या इंगित कर सकता है। यह महत्वपूर्ण हो सकता है, भले ही कोई डिटेक्टर गलत हो, उपलब्ध न हो, या विषय से असंबद्ध हो। आगे जो कुछ है, उसके लिए न किसी मॉडल की आवश्यकता है और न किसी सदस्यता की।

AI लेखन पैटर्न यांत्रिक क्यों लगते हैं?

वाक्य-स्तर पर एक भाषा मॉडल एक व्यक्ति से भिन्न कुछ कर रहा होता है, वह बार-बार सांख्यिकीय रूप से संभावित अगले शब्द का चयन करता है, एक ऐसी प्रणाली के भीतर जिसे विशिष्ट होने के बजाय सक्षम लगने के लिए प्रशिक्षित किया गया है। उस पैमाने पर क्षमता चिकना, सही, और जल्दी भूल जाने योग्य गद्य उत्पन्न करती है, और यही यांत्रिक अनुभूति का मूल है। पाठक अक्सर यह नहीं कह पाता कि ऐसे अनुच्छेद में क्या गलत है, केवल इतना कि वह सपाट पढ़ा जाता है, और नीचे दिए गए चार स्तर वही स्थान हैं जहाँ यह सपाटपन रहता है।

शब्द-चयन वह स्तर है जिसे पाठक सबसे पहले नोटिस करते हैं, औपचारिक, नाटकीय शब्द वहाँ प्रकट होते हैं जहाँ उनका होना नहीं चाहिए। वाक्य-लय अधिक शांत होती है, एक ऐसा अनुच्छेद जिसमें हर वाक्य लगभग समान लंबाई तक चलता है। विराम-चिह्न और स्वरूपण अपनी अलग पहचान रखते हैं, एक डैश का सार्वभौमिक जोड़ की तरह उपयोग, एक बुलेट सूची ऐसे पाठ को तोड़ती है जो लेखक के मन में कभी सूची था ही नहीं। संरचना सबसे कम दिखाई देने वाली होती है, एक ऐसा अंश जो अपने ही शीर्षक को दोहराता है, ठीक तीन बिंदुओं को समेटता है, फिर स्वयं का सार प्रस्तुत करके समाप्त होता है।

शब्दों से शुरू करें, इन्हें सबसे आसानी से इंगित किया जा सकता है, और इनका सबसे अच्छा दस्तावेजीकरण हुआ है।

AI किन शब्दों का अत्यधिक उपयोग करता है?

आप इन औपचारिक, थोड़े नाटकीय शब्दों को बार-बार देखते हैं: "delve", "underscore", "showcase" और "pivotal" सबसे अधिक दस्तावेजीकृत शब्दों में हैं। Dmitry Kobak और तीन सह-लेखकों ने इस भाषा की पहचान करने का प्रयास किया। उन्होंने 2010 से 2024 तक के 15.1 million PubMed abstracts का विश्लेषण किया और ऐसे शब्दों का एक समूह पहचाना जिनकी आवृत्ति ChatGPT के जारी होने पर तेज़ी से बढ़ी। "delve" सबसे आगे निकल गया, Science Advances में July 2025 में प्रकाशित अध्ययन ने 2024 में इसकी आवृत्ति को 2023 से पहले की तुलना में लगभग 28 गुना अधिक आँका। इसके बाद सबसे निकट "underscore" और "showcase" थे। लेखकों का अनुमान है कि 2024 के कम से कम 13.5 percent abstracts में AI सहायता के संकेत हैं, और कुछ देशों तथा प्रकाशकों में यह 40 percent से ऊपर पहुँचता है।

मॉडल इन विशिष्ट शब्दों पर क्यों एकत्रित होते हैं, यह स्वयं पैटर्न की तुलना में कम निश्चित है। एक COLING 2025 अध्ययन ने इक्कीस अधिक-प्रतिनिधित्व वाले शब्दों को मॉडल संरचना, प्रशिक्षण डेटा और चैटबॉट्स को fine-tune करने के लिए प्रयुक्त मानवीय प्रतिक्रिया के विरुद्ध परखा, और पाया कि प्रतिक्रिया चरण सबसे संभावित योगदानकर्ता है, हालांकि वह प्रभाव को पूरी तरह स्पष्ट नहीं करता। व्याख्या पर भी अभी बहस जारी है, PNAS पत्रिका में 2026 के एक आदान-प्रदान ने इस पर आपत्ति की कि शब्द-आवृत्ति में बदलाव AI उपयोग को कितनी प्रत्यक्षता से मापता है, यह याद रखने योग्य है, इससे पहले कि यहाँ किसी एक आँकड़े को निर्विवाद तथ्य मान लिया जाए।

यह केवल जर्नल सारों के लिए ही सत्य नहीं है। आधे मिलियन छात्र और AI-जनित निबंधों की तुलना करने वाले एक अध्ययन में, शोधकर्ताओं ने इन लेखों की लंबाई और शब्द-चयन की तुलना की और पाया कि मानव निबंध कुल मिलाकर अधिक लंबे थे और उन्होंने अधिक व्यापक शब्दावली का उपयोग किया। ICLR 2024 और NeurIPS 2023 सहित चार मशीन लर्निंग सम्मेलनों में प्रस्तुत सहकर्मी समीक्षाओं के एक अध्ययन में, शोधकर्ताओं ने उसी तकनीक का उपयोग करके अनुमान लगाया कि समीक्षा-पाठ का छह से पंद्रह प्रतिशत भाग एक LLM द्वारा पर्याप्त रूप से संशोधित किया गया था। जब इसे समय-सीमा के निकट जमा किया गया, तब इसके एक LLM से प्रभावित होने की संभावना अधिक थी।

AI द्वारा अत्यधिक प्रयुक्त शब्द या वाक्यांश	इसके बजाय एक सावधान लेखक क्या उपयोग करता है
delve (into)	देखना, जांचना
underscore	दिखाना, जोर देना
showcase	प्रस्तुत करना, प्रदर्शित करना
pivotal	मुख्य, निर्णायक
robust	मजबूत, विश्वसनीय
intricate	जटिल, विस्तृत
meticulous	सावधान, गहन
tapestry	मिश्रण, विविधता
testament	संकेत, प्रमाण
boasts	है, शामिल करता है
foster	प्रोत्साहित करना, समर्थन करना
garner	प्राप्त करना, आकर्षित करना
multifaceted	बहुआयामी, जटिल
holistic	समग्र, संपूर्ण
nuanced	सावधान, सटीक
invaluable	उपयोगी, मूल्यवान
realm	क्षेत्र, इलाका
embark on	शुरू करना, आरंभ करना
unlock	खोलना, संभव बनाना
interplay	संबंध, कड़ी

इनमें से कोई भी शब्द अपने आप में गलत नहीं है। किसी निष्कर्ष को robust बताने वाला methods section इस शब्द का सही उपयोग कर रहा है, और किसी जटिल कानूनी तर्क का वर्णन करने वाला इतिहासकार किसी chatbot के सामने स्वीकारोक्ति नहीं कर रहा है। जो चीज़ machine-made लगती है, वह है घनत्व, एक ही अनुच्छेद में इन शब्दों में से तीन या चार का आ जाना, बिना किसी विशिष्ट काम के, उस तरह से एक के ऊपर एक रखा जाना जैसे एक model उन्हें रखता है, क्योंकि उनमें से हर एक स्वतंत्र रूप से सबसे सुरक्षित अगला विकल्प था। TextPulse के free AI word cleaner से एक त्वरित जाँच इस घनत्व को सीधे चिह्नित कर देती है।

AI वाक्य सभी एक जैसी लंबाई के क्यों लगते हैं?

एक model हर वाक्य को उसी तरह बनाता है जैसे उसने पिछला वाक्य बनाया था, किसी एक जगह छह शब्दों में किसी बिंदु को संक्षेपित करने और कहीं और उसे तीस शब्दों तक फैलाने के बजाय, इसलिए आउटपुट पूरे समय लगभग एक ही लंबाई पर बना रहता है। यह भिन्नता, या उसका अभाव, ऐसी चीज़ है जिसे आप एक अनुच्छेद को ज़ोर से पढ़कर सुन सकते हैं, जो detector द्वारा उसी अंतर्निहित गुण से निकाले गए burstiness score से अलग अभ्यास है।

दो छोटे-छोटे व्यवहार निकट से देखने पर लय को उजागर कर देते हैं। एक model वाक्य को एक लटकते हुए participle के साथ समाप्त करना पसंद करता है, जो जानकारी जोड़े बिना महत्व की ओर संकेत करता है, जैसे किसी दावे के बाद आगे के शोध की आवश्यकता पर बल देना या क्षेत्र में एक व्यापक परिवर्तन को प्रतिबिंबित करना। यह संतुलित सुनाई देने के लिए युग्मित संरचना की ओर भी जाता है, जैसे method is not only efficient but also scalable। एक बार कहा जाए, तो यह संरचना साधारण है। हर अनुच्छेद में कहा जाए, तो यह ऐसे लगता है जैसे संज्ञाएँ बदल दी गई हों और एक template हो।

तीन का नियम

वाक्यांश स्तर पर भी, तीन के समूह model की डिफ़ॉल्ट लय हैं, किसी संज्ञा से पहले तीन विशेषण, सूची में तीन उदाहरण, एक के बाद एक समान तरीके से बनी तीन उपवाक्य। कभी-कभार तीन के समूह हमेशा से English का हिस्सा रहे हैं। सही जगह रखा गया तीन का समूह किसी भी चीज़ का लक्षण नहीं है। संकेत आवृत्ति है। समस्या तीन नहीं है। समस्या यह है कि तीन लगभग हर अनुच्छेद में दिखाई दे रहा है।

गिनती करना बिना किसी विशेष प्रशिक्षण के भी इसका अधिकांश भाग पकड़ने के लिए पर्याप्त है। एक अनुच्छेद पढ़ें और प्रत्येक वाक्य की लंबाई शब्दों में चिह्नित करें। यदि आपके सभी चिह्न पिछले चिह्न से कुछ शब्दों के भीतर हैं, तो लय ही संकेत है। गिनती को स्वचालित करने और उसका चार्ट बनाने के लिए TextPulse के free burstiness checker का उपयोग करें, जो ऐसे अंश के लिए उपयोगी है जो एक समय में एक वाक्य देखकर आँकने के लिए बहुत लंबा हो।

Em Dash और विराम चिह्नों के अन्य संकेत

यह चिह्न प्रमुख विकल्प क्यों बन गया

Em dash संभवतः मशीन लेखन में सबसे अधिक दोषी ठहराया जाने वाला विराम चिह्न है। आप इसे उस लंबे dash के रूप में जानते होंगे जो वाक्य के दो हिस्सों को जोड़ने के लिए comma, colon या full stop की जगह लेता है। Em dash नया नहीं है और यह AI द्वारा आविष्कृत कोई चीज नहीं है। जब से style guides मौजूद हैं, Chicago से AP तक, उन्होंने आपको इसे बलाघात और व्यवधान के लिए उपयोग करने की अनुमति दी है। और बहुत से कार्यरत लेखक इसका जानबूझकर उपयोग करते हैं।

इसके मशीन आउटपुट में इतनी बार दिखाई देने का संभावित कारण साधारण है: यह चिह्न उस संपादित, पेशेवर रूप से संयोजित गद्य में सामान्य है जिस पर language models को प्रशिक्षित किया जाता है, और यह एक वाक्य को full stop पर पहुँचे बिना आगे बढ़ते रहने देता है। प्रवाहपूर्ण, जुड़ा हुआ पाठ उत्पन्न करने के लिए निर्मित एक model अक्सर इस लचीलेपन की ओर जाता है, हाथ से मसौदा तैयार करते समय अधिकांश लोगों की तुलना में अधिक बार।

यह कितनी बार होता है, यह इस पर बहुत निर्भर करता है कि किस system ने पाठ तैयार किया। mid-2025 में किए गए एक side-by-side test run में छह chatbots को एक ही prompt दिया गया और चिह्नों की गिनती की गई: तीन systems ने इसे छह सौ शब्दों से कम में आठ या नौ बार लौटाया, एक ने इसे लगभग एक हजार शब्दों में दो बार उपयोग किया, और दो ने इसका उपयोग बिल्कुल नहीं किया। आवृत्ति उस model का गुण है जिसने आपके सामने अनुच्छेद तैयार किया है, AI लेखन का कोई स्थिर गुण नहीं। OpenAI ने November 2025 में एक setting जोड़ी जो user को ChatGPT से कहने देती है कि वह इस चिह्न का उपयोग करना बंद करे और वास्तव में उसका पालन करे, जिससे अब यह संकेत भी आंशिक रूप से वैकल्पिक हो गया है।

इनमें से कोई भी बात उस चिह्न को स्वयं किसी चीज़ का प्रमाण नहीं बनाती। बहुत-से सावधान लेखक इसे जानबूझकर उपयोग करते हैं, और बहुत-से छात्र-निबंध, जिन्होंने कभी किसी chatbot को नहीं छुआ, वे भी इसका उपयोग करते हैं, कभी-कभी इसलिए कि किसी शिक्षक ने उन्हें ऐसा करना सिखाया था। जाँचने योग्य बात घनत्व है: हर दूसरी वाक्य में उस चिह्न पर निर्भर एक पृष्ठ, उस पृष्ठ से अलग पढ़ा जाता है जो उसे जानबूझकर दो बार उपयोग करता है। TextPulse का free em dash remover उस घनत्व की जाँच करता है और प्रत्येक उदाहरण के लिए उपयुक्त comma, colon, full stop या hyphen सुझाता है।

बुलेट, बोल्ड टेक्स्ट और हेडर

वही स्तर वाक्य के नीचे के स्वरूपण निर्णयों को भी समेटता है। गद्य के बीच में एक बुलेटेड सूची, जो लेखक के मन में कभी सूची थी ही नहीं। दस्तावेज़ के बाकी हिस्से में sentence case होने पर title case में headings। हर bullet point की शुरुआत में एक bolded phrase, जैसे एक mini headline। इनमें से कोई भी विराम-चिह्न नहीं है, लेकिन ये सभी एक ही जगह से आते हैं, एक model जो chat window के लिए formatting कर रहा है, जहाँ visual structure उन transitions का स्थान ले लेती है जिन्हें prose सामान्यतः वहन करता है।

संरचना और तर्क का आकार

अंतिम स्तर वाक्य के ऊपर स्थित होता है और उसे किसी शब्द-प्रतिस्थापन से ठीक करना सबसे कठिन होता है, क्योंकि वह स्वयं तर्क का आकार है। एक machine-written section अक्सर अपनी ही heading को थोड़े अलग शब्दों में दोहराकर शुरू होता है, फिर दो या तीन supporting points के माध्यम से आगे बढ़ता है जिन्हें लगभग समान महत्व दिया जाता है, चाहे वास्तव में उनमें से प्रत्येक कितना भी महत्वपूर्ण क्यों न हो, और फिर यह सारांश देकर समाप्त होता है कि उसने अभी क्या कहा, न कि कुछ नया जोड़कर।

एक संबंधित आदत लंबी रचनाओं में लगातार दिखाई देती है: एक section बताता है कि कोई चीज़ किसमें अच्छी है, however जैसे किसी शब्द पर मोड़ लेता है, उसी सुव्यवस्थित तीन में चुनौतियों को सूचीबद्ध करता है, फिर ऐसे भविष्य की ओर संकेत करता है जो संभवतः उन्हें हल कर देगा। वास्तविक तर्क इससे अधिक असमतल होते हैं। एक human writer आमतौर पर अन्य दो की तुलना में एक बिंदु की अधिक परवाह करता है, उसे अधिक स्थान देता है, और पाठक के प्रति सममित समापन का ऋणी नहीं होता।

यह भी वह स्तर है जहाँ सूत्रबद्ध अकादमिक लेखन मशीन-लेखन के साथ भ्रामक रूप से समान दिख सकता है, क्योंकि किसी methods section या literature review से एक निश्चित संरचना का पालन करने की अपेक्षा की जाती है। अंतर उसी संरचना के भीतर स्थित होता है। मशीन-लिखित literature review किसी क्षेत्र के सामान्य बिंदुओं का सामान्य क्रम में उल्लेख करता है। मानव-लिखित review यह तर्क देता है कि कौन से बिंदु महत्वपूर्ण हैं और क्यों, यहाँ तक कि एक कठोर template के भीतर भी, क्योंकि वास्तव में एक स्थिति का बचाव किया जा रहा होता है।

आपके द्वारा न लिखे गए पाठ का मूल्यांकन

सबसे अधिक महत्व वाले चार संकेत

विशिष्टता का अंतर उस पाठक के लिए सबसे मजबूत संकेत है जिसके पास कोई उपकरण नहीं है। मशीन-तैयार गद्य ऐसे दावे करता है जो सामान्यता के हर स्तर पर सही प्रतीत होते हैं और किसी एक स्तर से बंधे नहीं होते। वह रिपोर्ट करता है कि शोध ने प्रश्न की जाँच की है, लेकिन किसी अध्ययन का नाम नहीं देता, कि प्रभाव महत्वपूर्ण है, लेकिन उसका आकार नहीं बताता, कि यह प्रथा क्षेत्र में सामान्य है, लेकिन किसी फर्म या वर्ष का नाम नहीं देता। समान शब्द-सीमा में काम करने वाला मानव लेखक उन शब्दों को एक ठोस बात पर खर्च करने की प्रवृत्ति रखता है, क्योंकि उसके पास एक ठोस बात थी और वह उसे शामिल करना चाहता था।

ऐसे उद्धरण जो सत्यापित नहीं हो पाते, सूची में एकमात्र ऐसा संकेत हैं जो साक्ष्य के करीब पहुँचते हैं, और वे सबसे दुर्लभ भी हैं। किसी वास्तविक journal को श्रेय देते हुए, अत्यंत सटीक रूप से स्वरूपित, और ऐसे पहचानकर्ता के साथ जो कोई रिकॉर्ड वापस नहीं देता, एक reference दुर्घटनावश बनाना बहुत कठिन है। जिस submission के बारे में आप अनिश्चित हैं, उसमें किसी और चीज़ को जाँचने से पहले तीन references जाँचें। इसमें दो मिनट लगते हैं, और यह या तो प्रश्न को समाप्त कर देता है या तालिका से सबसे मजबूत संकेत को हटा देता है।

शब्दावली घनत्व वह संकेत है जिसकी ओर अधिकांश पाठक सबसे पहले जाते हैं, और वही है जो सबसे अधिक गलत दिशा में जाता है। संकेत किसी एक शब्द में नहीं, बल्कि घनत्व में होता है। एक अकेला औपचारिक क्रिया-शब्द सामान्य अकादमिक register है, जबकि एक ही अनुच्छेद में पाँच ऐसे शब्द, जिनका कोई विशिष्ट कार्य नहीं है, एक pattern हैं। लंबे submission में हाथ से गिनती करना धीमा होता है, और TextPulse का free AI word cleaner समूहों को स्वतः चिह्नित करता है, जिससे एक अस्पष्ट धारणा पृष्ठ पर सीधे दिखाए जा सकने वाली चीज़ में बदल जाती है।

चार में से सबसे सूक्ष्म वह रजिस्टर है जो कभी टूटता नहीं। एक मानव लेखक लगभग हमेशा दो हजार शब्दों में कहीं न कहीं थोड़ा-सा असंगत कुछ करता है, तीन लंबे वाक्यों के बाद एक छोटा वाक्य, कोष्ठकों में एक टिप्पणी, एक ऐसा निर्णय जिसे उसे करना आवश्यक नहीं था, एक ऐसा शब्द जिसे उसने इसलिए चुना क्योंकि उसे वह पसंद था। मशीन-तैयार गद्य पहली पंक्ति से अंतिम पंक्ति तक एक ही रजिस्टर बनाए रखता है। कुछ विधाएँ इन सब चीज़ों को निषिद्ध करती हैं, इसलिए यह संकेत किसी methods section की तुलना में personal statement में बहुत कम मूल्यवान होता है।

वे संकेत जो मजबूत लगते हैं और नहीं होते

निर्दोष व्याकरण कुछ भी सिद्ध नहीं करता। वर्तनी और विराम-चिह्न दो दशकों से स्वचालित हो चुके हैं, और कोई भी सावधान लेखक जब checker चलाता है तो वही साफ़-सुथरी सतह प्राप्त करता है। औपचारिक रजिस्टर भी कुछ सिद्ध नहीं करता, क्योंकि औपचारिकता ही वह चीज़ है जिसकी अधिकांश academic और professional विधाओं को नीति के अनुसार आवश्यकता होती है। headings, bold text और bullet lists का अधिक उपयोग house-style की आदत है, और यह किसी और चीज़ से बहुत पहले से ऐसा है, तथा बहुत से लेखकों को इसमें वर्षों पहले प्रशिक्षित किया गया था, उससे पहले कि कोई chatbot यह किसी को दिखाता। विराम-चिह्न की आदतों का भी वही कम महत्व है, और विशेष रूप से em dash से उससे कहीं अधिक भार उठाने को कहा गया है जितना एक चिह्न उठा सकता है।

Detector scores भी इसी समूह में आते हैं, और यह बात लोगों को अक्सर चकित करती है। एक score इस बारे में सांख्यिकीय निर्णय है कि पाठ कितना पूर्वानुमेय है, और पूर्वानुमेय गद्य वही है जो सावधान मनुष्य हर दिन लिखते हैं, और इसी तरह false positives उत्पन्न होते हैं। Detector output एक निर्णय के लिए केवल एक input है, जिसे किसी व्यक्ति को अभी भी करना होता है, और TextPulse's AI detectors कैसे काम करते हैं, इस पर explainer यह स्पष्ट करता है कि संख्या किस चीज़ को माप रही है, इससे पहले कि कोई उसे verdict माने।

जब कोई पाठ कई संकेतों को एक साथ सक्रिय कर दे, तब क्या करें

पहले जाँचने योग्य चीज़ की जाँच करें। तीन उद्धरण, एक संख्या और एक नामित तथ्य लें, और उनमें से प्रत्येक की पुष्टि करें। यह एक ही चरण उस पाठ को, जो सतही है, उस पाठ से अलग करता है जो गढ़ा गया है, और इन दोनों के लिए बहुत अलग प्रतिक्रियाएँ चाहिए। इसके बाद, प्रस्तुतिकरण की तुलना उसी व्यक्ति द्वारा पहले पर्यवेक्षण के तहत लिखी गई किसी चीज़ से करें, क्योंकि एक ही लेखक के भीतर रजिस्टर में अचानक बदलाव किसी एक दस्तावेज़ के किसी भी निरपेक्ष पठन से अधिक महत्व रखता है। फिर लेखक से केवल वही प्रश्न पूछें जिसका उत्तर केवल वही अपने पाठ के बारे में दे सकता है, यह स्रोत स्पष्ट विकल्प के बजाय क्यों चुना गया, तीसरे खंड में मूल रूप से क्या तर्क दिया जाने वाला था, किस अनुच्छेद ने उन्हें सबसे अधिक कठिनाई दी। जो व्यक्ति वह चीज़ लिखता है, वह तुरंत उत्तर देता है।

उस नीति का पालन करें जो वास्तव में मौजूद है, न कि उस नीति का जो आप लिखते। अधिकांश संस्थाएँ अब यह निर्दिष्ट करती हैं कि चिंता कौन उठा सकता है, कौन सा साक्ष्य स्वीकार्य है और लेखक को क्या बताया जाता है, और उस क्रम को छोड़ देना ही एक उचित प्रश्न को शिकायत में बदल देता है। इस समस्या के दूसरे पक्ष पर मौजूद लेखक, जिन्हें बताया जाता है कि उनका अपना काम मशीन-निर्मित जैसा पढ़ता है, के पास करने के लिए एक अलग काम होता है, और TextPulse's AI humanizer पाठ से गणना किए गए अनुमानित Human Score की रिपोर्ट करता है, न कि किसी detector से प्राप्त कोई निर्णय।

अपने ही मसौदों पर वही परीक्षण लागू करना अधिक कठिन है, और क्या आपका लेखन AI जैसा सुनाई देता है का अपना अलग पृष्ठ है। स्वयं शब्दावली को अलग से सूचीबद्ध किया गया है, उन शब्दों की सूची में जो ChatGPT को उजागर करते हैं।

ये 9 संकेत एक प्रश्न पूछने का कारण हैं, और वह प्रश्न हमेशा एक ही होता है, यह पाठ ऐसा क्या जानता है जो एक धाराप्रवाह अनुमान नहीं जानता होगा? पहले इसे उद्धरणों पर पूछें। किसी भी प्रस्तुतिकरण का यही वह हिस्सा है जो अपने आप उत्तर देता है, बिना किसी पर किसी भी बात का आरोप लगाए जाने की आवश्यकता के।

क्या ये संकेत सिद्ध करते हैं कि कोई पाठ AI-लिखित है?

कोई एक संकेत कुछ भी सिद्ध नहीं करता, और न ही इन सबका पूरा समूह। किसी संपादक या प्रोफेसर के दबाव में, एक सावधान अकादमिक लेखक इन विशेषताओं में से कई, जैसे सर्वनामों की कमी, वाले अनुच्छेद बना सकता है, लेकिन किसी chatbot की सहायता के बिना। गैर-देशी अंग्रेज़ी लेखक कक्षा में सिखाए गए सुरक्षित शब्दों का भी उपयोग कर सकते हैं, और जिन छात्रों को औपचारिक संयोजकों का उपयोग करना सिखाया गया है, वे भी इनमें से कई विशेषताओं का उपयोग कर सकते हैं। शब्दों की सूची कदाचार का प्रमाण नहीं है, यह एक गलती है जो सावधान लेखकों पर झूठा आरोप लगा सकती है। हमें इस गलती को उजागर करना चाहिए, न कि इसे चुपचाप दोहराना चाहिए।

कोई उपकरण जिम्मेदारी से जो कर सकता है, वह पैटर्न दिखाना है, लेखन पर निर्णय देना नहीं। TextPulse के AI humanizer के साथ हमें जो प्रस्तुत करना है, वह अपने सामने मौजूद पाठ के आधार पर Human Score का एक अनुमान है। यह इस बात का आकलन है कि एक मसौदा इन सतही पैटर्नों के मुकाबले कहाँ स्थित है, न कि किसी detector का निर्णय और न ही इस बात का वादा कि कल कोई अलग उपकरण क्या कहेगा। यह एक संख्या है जिसे आप निर्णय के लिए प्रारंभिक बिंदु के रूप में उपयोग कर सकते हैं, जैसे spellchecker किसी शब्द को चिह्नित करता है, बिना यह तय किए कि उसके आसपास का वाक्य अच्छा है या नहीं।

ऊपर दिया गया प्रत्येक संकेत अपनी अलग पृष्ठ रखता है। शब्दावली स्वयं ChatGPT को उजागर करने वाले शब्दों पर एक लेख में सूचीबद्ध है, जिसमें em dash की आदत और मॉडल किसी एक विशेष क्रिया पर क्यों टिकते हैं पर अलग-अलग विवेचन हैं। व्यापक लेबल भी शामिल हैं: AI slop का क्या अर्थ है, AI fluff का क्या अर्थ है, और यह बताने के लिए एक व्यावहारिक मार्गदर्शिका कि क्या कुछ AI द्वारा लिखा गया था। यदि चिंता आपकी अपनी मसौदा-रचनाओं को लेकर है, न कि किसी और की, तो अपने लेखन से AI शब्द हटाने पर एक लेख उपलब्ध है।

अगली बार जब आप अपना गद्य पढ़ रहे हों और उसमें कुछ ठीक न लग रहा हो, तो उसे बदलने के लिए केवल कोई समानार्थी शब्द न खोजें। इसके बजाय उसे ज़ोर से पढ़कर देखें। हर वाक्य में शब्दों की संख्या गिनें। अपने आप से पूछें कि वहाँ हर शब्द वास्तव में क्या कर रहा है। यही वह दृष्टि है जिसे एक सावधान संपादक इस सबका कोई नाम होने से बहुत पहले अपनाता था।