AI पहचान स्कोर कैसे कम करें

एक छात्र एक अनुच्छेद को एक detector से गुज़ारता है, 82 percent का score देखता है, एक भी sentence की संरचना को छुए बिना एक दर्जन शब्दों को synonyms से बदलता है, और फिर से जाँचता है। संख्या मुश्किल से बदलती है। पूरी बात यह है, कुछ edits लगभग कुछ नहीं बदलते, और एक edit बाकी सबके संयुक्त प्रभाव से भी अधिक बदलता है, ऐसे कारणों से जिनका software को मात देने से कोई संबंध नहीं है।

यह लेख इस क्रम में बताता है कि AI score कैसे कम करें, जो वास्तव में महत्वपूर्ण है, कौन से edits मुश्किल से दर्ज होते हैं, कौन से संख्या को पर्याप्त रूप से बदलते हैं, और कौन सा इसे सबसे अधिक बदलता है, और क्यों। यह यह भी बताता है कि संख्या वास्तव में क्या माप रही है, क्योंकि कम score चाहने का एक वास्तविक कारण है, अधिक स्पष्ट, अधिक विशिष्ट लेखन, और अपने आप में पीछा करने के लिए एक खराब लक्ष्य है।

एक AI Score वास्तव में क्या मापता है

एक language model अगले संभावित शब्द की बार बार भविष्यवाणी करके लिखता है, जिससे एक विशिष्ट statistical fingerprint बनता है, sentence lengths जो एक साथ समूहित होती हैं, transitions जो सुरक्षित विकल्पों के एक छोटे set से लिए जाते हैं, word choices जो उस context में अपेक्षित चीज़ के केंद्र के पास बैठती हैं। एक AI detection score इस बात का अनुमान है कि कोई passage उस fingerprint से कितनी निकटता से मेल खाता है, जिसे उसे पहचानने के लिए प्रशिक्षित एक classifier द्वारा उत्पन्न किया जाता है, न कि इस तथ्य का कि sentence किसने टाइप किया।

डिटेक्टर सभी इस संख्या को एक ही तरह से परिभाषित नहीं करते। Turnitin स्पष्ट रूप से कहता है कि उसका प्रतिशत "submission के भीतर उस योग्य पाठ की मात्रा को दर्शाता है जिसे Turnitin का AI writing detection model यह निर्धारित करता है कि संभवतः AI द्वारा उत्पन्न किया गया था," और यह स्पष्ट करता है कि यह चिह्नित पाठ का हिस्सा है, न कि कोई probability या confidence score। अन्य डिटेक्टर इसके बजाय वाक्य के स्तर पर confidence value के अधिक निकट कुछ आउटपुट करते हैं। किसी भी स्थिति में, इन संख्याओं के पीछे की कार्यप्रणाली का पूरा विवरण how AI detectors work में पढ़ना उपयोगी है। यहाँ जो बात महत्वपूर्ण है, वह अधिक सरल है: संख्या हमेशा एक सांख्यिकीय अनुमान होती है, और नीचे किया गया हर संपादन उन आँकड़ों को बदलकर काम करता है जिन्हें यह पढ़ने के लिए बनाया गया है, न कि इस तथ्य को छिपाकर कि इसमें एक model शामिल था।

पर्यायवाची शब्दों के बदलाव AI score को मुश्किल से ही बदलते हैं

किसी शब्द को कम प्रचलित पर्यायवाची से बदलने पर classifier जिस pattern का score कर रहा होता है, उसमें लगभग कुछ भी नहीं बदलता, क्योंकि इससे वाक्य की लंबाई, उपवाक्य संरचना और लय अपरिवर्तित रहती है। जो model समान वाक्य-आकृति को पहचानने के लिए प्रशिक्षित है, उसे इस बात से कोई फर्क नहीं पड़ता कि वाक्य enables कहता है या allows। उसे इस बात से फर्क पड़ता है कि लगातार तीन वाक्य लगभग समान लंबाई के हैं और एक ही तरह से शुरू होते हैं।

एक सपाट वाक्य इस प्रकार पढ़ा जाता है: "The platform enables users to efficiently accomplish routine tasks without additional training." शब्द दर शब्द बदला जाए, तो यह बनता है: "The platform allows users to efficiently complete routine tasks without extra training." समान लंबाई, समान उपवाक्य क्रम, समान लय। एक पाठक को थोड़ा अलग शब्द दिख सकता है। पूरे अनुच्छेद में वाक्य-स्तरीय pattern का score करने वाले classifier के पास काम करने के लिए लगभग कुछ नया नहीं होता।

यह स्टॉक शब्दावली को ठीक करने के विरुद्ध कोई तर्क नहीं है। facilitate, robust और myriad जैसे शब्द हटाने योग्य हैं, क्योंकि एक सावधान पाठक उन्हें पहचान लेता है, और एक निःशुल्क AI word cleaner उनमें से अधिकांश को कुछ ही सेकंड में पकड़ लेता है। यह इस अपेक्षा के विरुद्ध तर्क है कि वह चरण सारा भारी काम कर देगा। यदि शब्दावली पास के बाद स्कोर मुश्किल से बदलता है, तो यह अपेक्षित परिणाम है, न कि इस बात का संकेत कि वह पास विफल रहा।

वाक्य विविधता इसे और आगे ले जाती है

एक मॉडल एक समय में एक token की भविष्यवाणी करता है और उसके पास यह करने का कोई अंतर्निहित कारण नहीं होता कि वाक्य तीन को वाक्य दो से छोटा बनाए, इसलिए यदि उसे अकेला छोड़ दिया जाए, तो एक अनुच्छेद लंबाई और रूप के एक संकीर्ण दायरे में स्थिर हो जाता है। यह नियमितता, किसी एक शब्द की नहीं, अधिक मजबूत संकेत है, क्योंकि machine output पर प्रशिक्षित एक classifier ने उस पैटर्न को हजारों बार देखा होता है।

तीन सपाट वाक्य इस प्रकार पढ़े जाते हैं: "The results were significant. The findings supported the hypothesis. The data was analyzed using standard methods." विविधता के लिए पुनर्गठित करने पर, वही सामग्री इस प्रकार पढ़ी जाती है: "The results were significant, and they supported the hypothesis, though the standard analysis needed a second pass once two of the outlying cases were removed." अब एक ही वाक्य दावा और उसकी जटिलता को साथ लेकर चलता है, और पूरे अनुच्छेद में लंबाई तथा उपवाक्य संरचना में वास्तविक विविधता है। यही वह चीज है जिसे एक burstiness checker असमानता को अंकित करते समय माप रहा होता है, और यही कारण है कि यह संपादन स्कोर को शब्दावली पास की तुलना में अधिक बदलता है।

यह सब एक या दो पृष्ठों पर हाथ से करना कठिन नहीं है। अनुच्छेद को जोर से पढ़ें, उन किसी भी दो या तीन वाक्यों के क्रम को चिह्नित करें जो लंबाई और रूप में एक जैसे लगते हैं, और उनमें से एक को अलग कर दें या दो को एक में मिला दें, जिसमें अल्पविराम वास्तविक काम कर रहा हो। इस खंड के पीछे के वाक्य-स्तरीय संपादन चरण दर चरण, अधिक उदाहरणों के साथ, AI text को humanize करने के पूर्ण walkthrough में शामिल हैं।

आपका अपना साक्ष्य AI स्कोर को सबसे अधिक बदलता है

एक भाषा मॉडल को इस बात तक कोई पहुँच नहीं होती कि आपके प्रोजेक्ट में वास्तव में क्या हुआ। किसी अध्ययन के बारे में लिखने के लिए कहा जाने पर, वह सबसे सुरक्षित वाक्य-रचना पर लौट आता है जो उसी विषय पर लगभग किसी भी अध्ययन पर लागू हो सकती है, क्योंकि उसके पास यही एकमात्र सामग्री होती है। किसी विशिष्ट स्रोत से लिया गया विशिष्ट दावा रखने वाला वाक्य वह वाक्य नहीं है जिसे मॉडल केवल प्रॉम्प्ट के आधार पर उत्पन्न करता, और यही अंतर स्कोर को सबसे अधिक बदलता है।

एक सामान्य वाक्य: "The intervention had a positive effect on outcomes for participants." यह सैकड़ों अध्ययनों का वर्णन कर सकता है। लेखक की अपनी सामग्री का उपयोग करके पुनर्लिखित रूप: "Attendance records showed the effect held only for students who came to more than six sessions, a threshold the original design had not anticipated." यह अधिक लंबा, अधिक विशिष्ट है, और केवल इसी अध्ययन का वर्णन कर सकता है। उसी प्रॉम्प्ट को जारी रखने के लिए कहा गया एक संदर्भ मॉडल छह-सत्र वाले विवरण का अनुमान नहीं लगा सकता था, क्योंकि प्रॉम्प्ट में ऐसा कुछ नहीं था जिससे उसके अस्तित्व का संकेत मिलता।

यह भी वही संपादन है जो किसी भी detector की रिपोर्ट की परवाह किए बिना लेखन को सबसे अधिक सुधारता है, और यही वह बात है जिस पर ध्यान देना चाहिए। एक विशिष्ट संख्या, एक नामित सीमा, किसी स्रोत को सीधे उद्धृत करना बजाय उसे किसी अस्पष्ट दावे में paraphrase करने के, ये सब किसी पाठक के लिए अनुच्छेद को अधिक विश्वसनीय बनाते हैं, और यह तथ्य कि वे स्कोर भी बदलते हैं, लक्ष्य से अधिक एक दुष्प्रभाव के निकट है।

संपादन	स्कोर पर सामान्य प्रभाव	क्यों
शब्दों को समानार्थकों से बदलना	बहुत कम से लेकर नगण्य	वाक्य की लंबाई, संरचना और लय वही रहती है
वाक्य की लंबाई और संरचना में विविधता लाना	मध्यम से अधिक	वह समान पैटर्न टूटता है जिसे classifier पहचानने के लिए प्रशिक्षित होता है
अपना साक्ष्य या दावे जोड़ना	सबसे अधिक	ऐसी सामग्री प्रस्तुत होती है जिसे मॉडल केवल प्रॉम्प्ट से उत्पन्न नहीं कर सकता था

गलत लक्ष्य का पीछा किए बिना AI Score कैसे कम करें

ऊपर दिया गया प्रत्येक अंक एक अनुमान है, कोई अंतिम निर्णय नहीं। Turnitin अपनी ही प्रलेखन में यही कहता है, यह बताते हुए कि उसकी AI लेखन पहचान "may not always be accurate" और "should not be used as the sole basis for adverse actions against a student." कोई स्कोर ऐसे कारणों से बदल सकता है जिनका लेखकत्व से कोई संबंध नहीं होता, और यह उस लेखन पर भी स्थिर रह सकता है जो किसी व्यक्ति ने शुरू से लिखा हो। किसी संख्या को इस तथ्य की तरह लेना कि वाक्य किसने लिखा, इसी से इस विषय के इर्दगिर्द अधिकांश चिंता पैदा होती है, और यह वह नहीं है जिसका दावा वह संख्या करती है।

इसीलिए स्कोर को कम करना अपने आप में एक खराब लक्ष्य भी है। किसी संख्या के पीछे भागना लेखक को उन संपादनों की ओर धकेल सकता है जिन्हें स्वचालित करना सबसे आसान है, जैसे शब्दावली में बदलाव, कुछ उपवाक्यों का पुनर्विन्यास, जबकि उस संपादन को छोड़ देना जो सबसे महत्वपूर्ण है, वह है वह विशिष्ट सामग्री जोड़ना जो केवल लेखक के पास वास्तव में होती है। इस तरह अर्जित किया गया कम स्कोर रखने योग्य है।

कम स्कोर के पीछे भागना शैली की दृष्टि से भी किसी अनुच्छेद को गलत दिशा में ले जा सकता है, हर दावे को अत्यधिक सावधानी से कहना, योग्यतासूचक शब्दों की परतें चढ़ाना, ऐसे भराव वाक्य जोड़ना जो केवल लय तोड़ने के लिए मौजूद हों, न कि कुछ कहने के लिए। इनमें से कोई भी अंतर्निहित पैटर्न को ठीक नहीं करता, और ये सब अनुच्छेद को पढ़ने में बदतर बनाते हैं। जो संपादन वास्तव में स्कोर को बदलते हैं, वाक्य विविधता और विशिष्ट साक्ष्य, वही संपादन लेखन को अपने ही मानकों पर बेहतर भी बनाते हैं, जो तब एक उपयोगी जाँच है जब कोई संपादन सुधार के बजाय केवल भराव जैसा लगने लगे।

TextPulse का AI humanizer ऊपर बताए गए वाक्य-स्तरीय और संरचनात्मक संपादनों को एक पूरे दस्तावेज़ पर एक साथ लागू करता है, और उन्हीं संकेतों से गणना किए गए एक अनुमानित Human Score की रिपोर्ट करता है, न कि यह दावा कि कोई नामित detector इसे पास कर देगा। सही ढंग से उपयोग करने पर, यह लंबे दस्तावेज़ पर एक तेज़ प्रथम चरण है। फिर भी यह उस एक चीज़ को जोड़ नहीं सकता जो स्कोर को सबसे अधिक बदलती है, क्योंकि वास्तविक काम होने के समय वह कभी कमरे में था ही नहीं। वह हिस्सा लेखक के पास ही रहता है।

पहले दो पूर्व प्रश्नों का समाधान कर लेना उचित है: क्या AI humanizers वास्तव में काम करते हैं, और क्या वे उस काम पर उपयोग करने के लिए सुरक्षित हैं जिसे आप जमा करने का इरादा रखते हैं।

ऊपर दिया गया क्रम सीमित समय को समय-सीमा से पहले कहाँ खर्च करना है, इसकी एक प्राथमिकता सूची भी है। यदि समय कम है, तो पर्यायवाची चरण को छोड़ दें। उस अनुच्छेद को न छोड़ें, जिसमें आप वह विवरण वापस जोड़ते हैं जिसे आपके अलावा कोई और नहीं लिख सकता था, क्योंकि वही एक ऐसा संपादन है जिसे कोई भी पुनर्लेखन सॉफ़्टवेयर आपके स्थान पर नहीं कर सकता।