40+ Szavak és kifejezések, amelyek elárulják a ChatGPT-t

2024-ben a PubMed-en indexelt biomedikai közlemények legalább nyolcada viselte az AI-asszisztencia lexikai jellegzetességeit, és egyes országokban és folyóiratokban az arány meghaladta az ötből kettőt. Senkinek sem kellett semmit bevallania. Néhány formális, kissé színpadias szó elvégezte a vallomást, együtt megjelenve egyetlen absztraktban sokkal gyakrabban, mint amit a véletlen megengedett volna.

Azok a szavak, amelyek elárulják ChatGPT-t, nem különösek. Mindennapi, formális angol szavak, amelyeket az ember kissé túl gyakran választ, olyan kombinációkban, amelyeket egy gondos szerző ritkán rakna egymás mellé egyetlen bekezdésen belül. Íme a teljes használható hivatkozás, több mint negyven ilyen szó, aszerint rendezve, hogy hol szoktak felbukkanni, és azzal együtt, hogy egy gondos szerkesztő mit választana helyettük. Némelyik elég híres ahhoz, hogy saját hírneve legyen. A legtöbb nem az, és éppen azért csúszik át az olvasó figyelmén, mert egyikük sem tűnik önmagában gyanúsnak. Azok a tágabb mechanizmusok, amelyek miatt mindez egyáltalán megtörténik, egy kapcsolódó írás tárgyát képezik, itt maga a lista a lényeg.

Miért árulják el ezek a szavak ChatGPT-t

Egy nyelvi modell úgy épít fel egy mondatot, hogy újra és újra a statisztikailag valószínű következő szót választja ki, egy olyan rendszerben, amelyet arra tanítottak, hogy hozzáértőnek hangozzon, ne pedig jellegzetesnek. Ez a szokás megmutatkozik a szóválasztásban, a mondatritmusban, az írásjelek használatában és a szerkezetben, amint azt a TextPulse útmutatója az AI írásmintáiról teljes egészében tárgyalja. A szóválasztás egyszerűen az a szint, amelyet az olvasó először észlel, mert ezt a legkönnyebb rámutatva megnevezni az oldalon.

A szóválasztás egy okból kap önálló tárgyalást, ellenőrizhető. Az olvasónak nincs szüksége detektor-előfizetésre ahhoz, hogy észrevegye, ha egy bekezdés egyszerre öt vagy hat formális, kevés információt hordozó szóra támaszkodik. Ezek megszámlálása olyan készség, amelyet bárki elsajátíthat annyi idő alatt, amennyi egyszer végigolvasni ezt a listát. A mondatritmust és az írásjeleket máshol részletesen tárgyalja ez az oldal, a szókincs az az egyetlen szint, amely az olvasónak pusztán a figyelmén kívül semmit nem ad cserébe.

A ChatGPT-t eláruló szavak teljes listája

Az alábbi lista több mint negyven tételt tartalmaz, aszerint csoportosítva, hogy az egyes szavak jellemzően hol bukkannak fel: akadémiai és kutatási prózában, üzleti és pályakezdői írásban, átvezető sablonfordulatokban, valamint olyan óvatos megfogalmazásokban, amelyek úgy zárnak le egy bekezdést, hogy közben nem mondanak sokat. Körülbelül a fele egyetlen nagy, biomedicinális absztraktokat vizsgáló tanulmányból származik, a többi pedig informális módon dokumentált, például egy detektálási szolgáltató saját vizsgálatából, amely több mint tízmillió szónyi ChatGPT-kimenetet elemzett, vagy egy 2025 novemberi elemzésből, amely szerint a „notable works include” kifejezés az AI által generált szövegben körülbelül 120-szoros gyakorisággal fordult elő a szokásoshoz képest, a „today's fast-paced world” pedig nagyjából 107-szeres gyakorisággal. A kétféle forrást érdemes külön ismerni, egy lektorált, tizenötmillió absztraktot tartalmazó minta más súllyal bír, mint egy chatbotkimenetet vizsgáló elemző szkennelése, és az alábbi oszlop nem is tesz úgy, mintha ez nem így lenne.

Szó vagy kifejezés	Hol csoportosul	Mit használ helyette egy gondos szerző
delve (into)	Akadémiai	megnéz, megvizsgál
underscore / underscores	Akadémiai	rámutat, megmutat
showcase / showcasing	Akadémiai	bemutat, szemléltet
intricate	Akadémiai	összetett, részletes
meticulous	Akadémiai	gondos, alapos
comprehensive	Akadémiai	teljes, átfogó
notably	Akadémiai	különösen
crucial	Akadémiai	fontos, kulcsfontosságú
exhibited	Akadémiai	mutatott
multifaceted	Akadémiai	sokoldalú
encompasses	Akadémiai	magában foglal, felölel
facilitates	Akadémiai	segít, lehetővé tesz
elucidates	Akadémiai	magyaráz
discernible	Akadémiai	látható, világos
underpinning	Akadémiai	támogató
insights	Akadémiai	megállapítások, pontok
within	Akadémiai	benn
across	Akadémiai	benn, szerte
particularly	Akadémiai	különösen
noteworthy	Akadémiai	említésre méltó
leverage	Business	használ
utilize	Business	használ
streamline	Business	egyszerűsít
elevate	Business	javít, emel
unlock	Business	megnyit, lehetővé tesz
seamlessly	Business	zökkenőmentesen, külön lépések nélkül
cutting-edge	Business	új, friss
robust	Business	szilárd, megbízható
innovative	Business	új
results-driven	Business	hatékony
actionable	Business	használható, gyakorlati
groundbreaking	Business	új, eredeti
transformative	Business	jelentős, nagy
state-of-the-art	Business	legújabb, legfrissebb
additionally	Transition	továbbá, és
furthermore	Transition	továbbá, és
moreover	Transition	továbbá
in order to	Transition	azért, hogy
due to the fact that	Transition	mivel
a wide range of	Transition	több, vagy a tényleges szám
today's fast-paced world	Hedge / closer	nevezze meg a tényleges évet vagy területet
notable works include	Hedge / closer	nevezze meg azt a kettőt vagy hármat, amely számít
aims to explore	Hedge / closer	vizsgálja, teszteli
it is worth noting	Hedge / closer	mondja ki közvetlenül a tényt
plays a vital role in	Hedge / closer	fontos számára, alakítja
serves as a testament to	Hedge / closer	mutatja, bizonyítja
boasts	Hedge / closer	rendelkezik, tartalmaz

"Delve" pontosan egy sort kap fent, és semmi többet: ez már így is a legjobban dokumentált szó ezen az egész listán, és ennek az esetnek a prózában való ismétlése kiszorítaná a másik negyvenhatot. A teljes táblázat szemrevételezésénél gyorsabb ellenőrzés, ha a vázlatot lefuttatjuk a TextPulse ingyenes AI szótisztítóján, amely automatikusan jelzi az ilyen sűrűséget.

Egy kidolgozott példa

Vegyünk egy mondatot, amely egyszerre négy bejegyzést hordoz a táblázatból: "This comprehensive study aims to explore the multifaceted challenges that underscore the pivotal role of policy in modern research." Minden szó valós, és minden mellékmondat nyelvtanilag helyes, és éppen ez a probléma. Egy emberi szerkesztő valami ilyesmire rövidítené: "This study looks at how policy shapes research, and why it matters." Egyetlen tényszerű állítás sem veszett el. Ami eltűnt, az a töltelék volt.

Melyik szó kategóriája árulkodik a leginkább?

Az akadémiai regiszter hordozza a legvilágosabb bizonyítékot. Egy, a 2010 és 2024 között megjelent 15.1 millió PubMed absztraktot vizsgáló tanulmányban az "underscores" 2024-re nagyjából a várt gyakoriság 14-szeresére emelkedett, a "showcasing" pedig csaknem 11-szeresére. Még a hétköznapi szavak is elmozdultak: a "potential", a "findings" és a "crucial" mind mérhetően gyakoribbá váltak, pusztán azért, mert eleve magasabb volt a kiinduló gyakoriságuk, így az ugrás nyers arányként kisebbnek látszik, noha valós. Ugyanez a kutatócsoport tíz egyébként jelentéktelen kötőszóból álló klasztert is kiemelt, köztük az "additionally", "comprehensive", "notably" és "within" elemeket, amelyek együtt statisztikailag szokatlanná váltak mint csoport: egyikük sem jelent önmagában semmit, de négy vagy öt közülük egyetlen absztraktban már igen.

Ugyanez a minta a biomedicinán kívül is megjelenik, de szakterületenként eltérő intenzitással. Egy külön elemzés körülbelül 951.000, az arXiv, a bioRxiv és a Nature-család folyóirataiban 2020 januárja és 2024 februárja között megjelent cikkről azt mutatta, hogy a valószínű LLM-részvétel a számítástechnikában akár 17.5 százalék is lehetett, míg a matematika és a Nature-portfólió esetében a felső határ inkább 6.3 százalék körül volt. Egy bölcsészettudományi témavezető és egy számítástechnikai témavezető nem ugyanazt a háttérgyakoriságot látja ezeknél a szavaknál, és ezt érdemes észben tartani, mielőtt bármelyik egyetlen esszét kilógónak tekintenénk. A rövidebb cikkeknél, valamint azoknál a cikkeknél is gyakrabban jelent meg ez a minta, amelyek szerzői gyakran tesznek közzé előzetes változatokat, ami egy egyszerű magyarázattal is összhangban van: ezek a szavak időt takarítanak meg, az időnyomás pedig nem oszlik el egyenletesen az egyes tudományterületek között.

Az üzleti és karrier témájú bekezdés fentebb kevésbé szigorúan dokumentált, de nem kevésbé látható. Az "Aims to explore" nagyjából 50-szeres gyakorisággal fordult elő a korábban idézett, 2025 novemberi elemzésben, és a kísérőlevelekben, a LinkedIn-összefoglalókban és a sajtóközleményekben hajlamos együtt megjelenni a "streamline", "elevate" és "results-driven" kifejezésekkel. Egy felvételi vezető, aki egy délután alatt negyven csaknem azonos kísérőlevelet olvas el, ezt gyorsabban észreveszi, mint ahogyan azt bármely tanulmány mérni tudná, ezért írták le a toborzók ezt a mintát anekdotikusan jóval azelőtt, hogy bárki is kiszámolta volna az adatokat. Mindez nem bizonyítja, hogy egy adott kísérőlevelet chatbot készített. Azt bizonyítja, hogy a vállalati írás nyelve és az a nyelv, amelyhez egy nyelvi modell nyúl, erősen átfed, ami már ChatGPT előtt is igaz volt, és egyszerűen csak könnyebben felismerhetővé vált, amikor egy eszköz egyszerre ennyit kezdett előállítani belőle.

Hogyan változik tovább a lista

A lista nem rögzített. A Wikipedia saját szerkesztési irányelve a gépi írású kiegészítések felismerésére, amelyet önkéntesek tartanak karban, és akik naponta visszavonják az ilyen típusú szerkesztéseket, valós időben követi a változó divatot. A 2023 és 2024 közepe közötti hullám olyan szavak köré összpontosul, mint a "boasts", "crucial", "pivotal" és "tapestry". 2025 közepére ugyanez az irányelv már egy másik csoportot követett, beleértve az "align with", "fostering" és "showcasing" kifejezéseket, miközben az egyszerűbb szavak, mint az "enhance" és a "highlighting", nagyobb terhet viseltek, mint amit a feltűnőbbek egy évvel korábban viseltek. Mindez nem központilag összehangolt.

Egy adott pillanatban rögzített lista éppen ezért gyorsan elavul. Ami megmarad, az a mögöttes szokás, a formális szavak kissé túl gyakori használata, függetlenül attól, hogy az adott évben melyek számítanak divatosnak.

Ezek a szavak bizonyítják, hogy ChatGPT írta?

Nem. Egy határidő szorításában dolgozó gondos szerző, egy nem anyanyelvi angol beszélő, aki biztonságos formális szókincshez nyúl, és egy hallgató, akit egy írásórán éppen ezekre a szavakra tanítottak, mind képesek olyan bekezdést létrehozni, amely magas pontszámot ér el ezen a listán, anélkül hogy a közelben bármilyen chatbot lenne. A fenti táblázatot a szabálytalanság bizonyítékaként kezelni az a hiba, amely miatt gondos szerzőket hamisan vádolnak meg, és ezt érdemes hibaként megnevezni, nem pedig csendben ismételgetni. TextPulse saját termékei azért léteznek, mert az ellenkező probléma ugyanennyire valós, egy valódi emberi szöveg, amelynek pechje van, és egyetlen bekezdésben néhány ilyen szót halmoz fel, olyan vizsgálatba kerülhet, amelyet soha nem érdemelt meg.

A statisztikai detektorok egy rokon, de teljesen eltérő jelre működnek, amint azt TextPulse how AI detectors work című írása tárgyalja, és TextPulse saját AI humanizer eszköze a szöveg alapján számított becsült Human Score értéket közöl, nem pedig bármely detektor ítéletét. Egy ilyen szólista kiindulópont az emberi döntéshez, nem annak helyettesítője. TextPulse free tools collection gyűjteményének további része a többi szintet, a ritmust, az írásjeleket és a szerkezetet fedi le, mindazok számára, akik egy teljes vázlatot ellenőriznek, nem csupán egy bekezdést.

Egyetlen ige több előfordulással szerepel ezen a listán, mint bármely más, és hogy a modellek miért nyúlnak hozzá, azt külön magyarázzuk. Az írásjelek ugyanezt árulják el, és az em dash használatának szokása is külön oldalt kapott.

Amikor legközelebb egy bekezdés kissé félresikerültnek tűnik, ne nyúljon egyetlen szinonimához, és ne tekintse ezzel megoldottnak. Inkább a sűrűséget vizsgálja: ha ezek közül két vagy három szó valódi munkát végez, az szokványos írás, ha négy vagy öt egyáltalán nem végez munkát, az az árulkodó jel, és a különbséget bármely olvasó meg tudja tanulni észrevenni anélkül, hogy előbb bármit is egy detektoron futtatna át.