I rilevatori di AI si basano ancora su perplexity e burstiness?

Cercando oggi come GPTZero rileva la scrittura AI, la maggior parte dei risultati continua a concentrarsi su due statistiche, perplexity e burstiness, la coppia che ha reso lo strumento famoso nel giro di poche settimane dal suo lancio nel gennaio 2023. La documentazione di supporto di GPTZero afferma ora qualcosa di diverso: ha smesso di usare entrambe nell’autunno di quello stesso anno.

Quindi burstiness è ancora usata dai rilevatori AI? Non dallo strumento che ha reso il termine di uso comune negli ambienti accademici. Il centro di supporto di GPTZero afferma chiaramente che non usa più perplexity o burstiness, essendosi invece spostato su un’architettura di deep learning. Turnitin, lo strumento che la maggior parte degli studenti incontra davvero, non ha mai pubblicato nessuno dei due termini come parte del proprio metodo in primo luogo. I concetti non sono scomparsi dalla conversazione. Sono scomparsi dai prodotti che svolgono il rilevamento effettivo.

Burstiness è ancora usata dai rilevatori AI?

No, non da GPTZero, e non per nome. La documentazione di supporto di GPTZero lo dice direttamente: "As of autumn 2023, GPTZero no longer uses perplexity and burstiness for its AI detection because we migrated to a deep-learning based architecture." Le guide di Turnitin descrivono ancora un metodo diverso, costruito attorno all’assegnazione di un punteggio a porzioni di un elaborato con un classificatore addestrato, e nessuno dei due termini compare in quella documentazione. Le due statistiche che hanno definito la prima ondata di rilevamento AI non sono ciò che gli strumenti principali eseguono attualmente. Questo è più limitato che dire che siano state scartate: la stessa spiegazione di GPTZero le conta ancora tra sette indicatori che alimentano il suo modello. Hanno smesso di essere il metodo senza smettere di essere una misura, e la differenza tra queste due affermazioni è in gran parte ciò su cui si fonda questa domanda.

Cosa è cambiato nell’autunno 2023

I due termini non sono mai stati oscuri. Il primo spiegatore di GPTZero definiva la perplexity come "a measure of how likely an AI model would have chosen the exact same set of words as found in the document," e la burstiness come "a measure of how much writing patterns and text perplexities vary over the entire document," una statistica a livello di documento, non un semplice conteggio della lunghezza delle frasi. Entrambe le definizioni sono ancora pubblicate sul sito di GPTZero. Ciò che è cambiato è quale di esse il rilevatore esegue effettivamente.

"Migrated to a deep-learning based architecture" è un'affermazione specifica, non una formula di marketing, e descrive un reale cambiamento di natura. Un punteggio di perplexity viene calcolato direttamente da una formula: si fa passare il testo attraverso un modello linguistico di riferimento, si media il logaritmo delle probabilità, si esponenzia il risultato. Un classificatore di deep learning viene invece addestrato, gli si mostrano grandi numeri di esempi scritti da esseri umani e da AI fino a quando impara, autonomamente, qualunque combinazione di caratteristiche separi i due insiemi in quei dati di addestramento. Nel secondo approccio nessuno scrive a mano la regola. Il modello la trova.

Entrambi i termini ritirati ricevono altrove su questo sito una spiegazione completa: what perplexity actually measures e what burstiness actually measures illustrano in profondità i rispettivi meccanismi, comprese le formule che li sostengono. Questo articolo si concentra in modo ristretto sulla questione se uno dei due sia ancora ciò che un rilevatore esegue oggi.

Che cosa GPTZero e Turnitin documentano effettivamente oggi

L'attuale pagina tecnologica di GPTZero, che descrive ciò che viene distribuito nel prodotto, afferma che il loro rilevatore è un "end-to-end deep learning approach", con un "sentence-by-sentence classification model" che produce un output di probabilità con un punteggio di confidenza. La perplexity e la burstiness non compaiono in alcun punto di quella pagina, né come componente, né come funzione legacy, né in una nota a piè di pagina.

La documentazione di Turnitin non è mai stata costruita, fin dall’inizio, attorno a nessuno dei due termini. Le sue guide descrivono una consegna suddivisa in blocchi di poche centinaia di parole, ciascun blocco valutato da un modello addestrato, e i punteggi dei blocchi mediati fino a ottenere l’unica percentuale che un report mostra. Si tratta di un classificatore supervisionato che opera su segmenti di testo, della stessa famiglia di metodo a cui si è spostato GPTZero, non di un calcolo di perplexity e non di un calcolo di burstiness sotto un nome diverso.

Il cambiamento è più facile da vedere affiancando i due casi.

	Ciò che le prime spiegazioni descrivevano (2023)	Ciò che la documentazione attuale descrive
GPTZero	Perplexity e burstiness, valutate rispetto a un modello di riferimento	Un classificatore di deep learning, frase per frase, che restituisce una probabilità e un punteggio di confidenza
Turnitin	Mai pubblicato, i termini non compaiono in alcun momento nei materiali di Turnitin	Blocchi di poche centinaia di parole valutati da un classificatore addestrato, mediati in un’unica percentuale

Perché i Concetti Spiegano Ancora la Rilevabilità

Niente di tutto questo rende perplexity e burstiness errate, solo superate come descrizione del meccanismo attuale. Entrambi i concetti hanno sempre descritto qualcosa di reale: il testo generato campionando verso le continuazioni a massima probabilità di un modello tende a essere più prevedibile, parola per parola, del testo scritto da una persona da zero, tende anche a variare meno da una frase all’altra. La regolarità sottostante non è cambiata perché un fornitore ha modificato l’architettura del proprio rilevatore. È cambiato il modo in cui il rilevatore va a cercarla.

Il classificatore addestrato non viene esplicitamente istruito a cercare la perplexity o la burstiness. Piuttosto, è addestrato sulla stessa distinzione di base tra testo umano e testo generato da macchina che quelle due statistiche erano state progettate per cogliere. E sembra altamente improbabile che un classificatore addestrato a distinguere i due insiemi non si concentri proprio su quella regolarità, una delle differenze più affidabili tra i due, anch'essa. Questa è un'inferenza sul motivo per cui il classificatore probabilmente funziona, non un'affermazione sulla sua lista di caratteristiche pubblicata, e le due cose devono restare separate.

Una ricerca indipendente sostiene l'idea che la statistica sottostante abbia ancora peso, anche al di fuori del prodotto di un singolo fornitore. DetectGPT, un metodo accademico zero-shot pubblicato nel 2023, esamina un parente stretto della perplexity, cioè quanto bruscamente la funzione di log-probabilità di un modello si incurva attorno a un passaggio, e raggiunge 0.95 AUROC su un benchmark contro 0.81 del miglior baseline zero-shot precedente, senza addestrare affatto un classificatore su esempi etichettati. L'idea centrale, che il testo generato da macchina si collochi in una regione statisticamente distinta dello spazio di probabilità del modello stesso, è ancora un filone di ricerca attivo. Semplicemente non è ciò che GPTZero distribuisce agli utenti.

Perché gran parte di Internet continua ancora a sbagliare questo punto

La maggior parte delle spiegazioni pubblicate sul funzionamento del rilevamento AI è stata scritta durante o poco dopo il lancio di GPTZero nel gennaio 2023, quando perplexity e burstiness erano l'unico inquadramento pubblico offerto dalla stessa azienda. Quelle pagine esplicative originali sono ancora oggi online. L'avviso di ritiro dell'autunno 2023 si trova su una pagina di supporto separata, anziché essere integrato in esse, quindi un autore che avesse letto la prima pagina e avesse smesso di fare ricerche non avrebbe avuto alcun motivo per sapere che il metodo era cambiato meno di un anno dopo.

Un esame di un rilevatore di terze parti che circola nel 2026 afferma che GPTZero continua a usare perplexity e burstiness come un livello tra diversi all'interno di un sistema più ampio. Tale affermazione è in conflitto diretto con l'attuale pagina tecnologica di GPTZero e con la sua documentazione di supporto, e nulla sul sito di GPTZero la corrobora. Una società che descrive il proprio prodotto effettivamente distribuito ha ancora più peso di un'affermazione non corroborata di terze parti su quello stesso prodotto, anche se anche la documentazione del fornitore può essere errata. Questo articolo segue le pagine di GPTZero, non la recensione che ripete la storia più vecchia.

Cosa Significa Questo per il Modo in Cui Scrivi

Il consiglio pratico costruito attorno alla burstiness non è diventato inutile solo perché la parola è scomparsa dai materiali di GPTZero. Variare deliberatamente la lunghezza delle frasi è ancora, in termini meccanici, un argomento contro la stessa uniformità statistica che è molto probabile un classificatore sia stato addestrato a notare, qualunque nome attribuisca internamente a quel segnale. Il consiglio di fondo è sopravvissuto al cambiamento dell'architettura del fornitore, anche se il vocabolario che lo descriveva non è sopravvissuto.

Nulla di tutto questo richiede di prendere per buona la parola di qualcuno, compresa quella di questo articolo. Il controllore gratuito di perplexity di TextPulse e la più ampia raccolta di strumenti gratuiti ti permettono di vedere dove si colloca la tua bozza prima che un rilevatore, di qualunque generazione, lo faccia.

Se la risposta ti riporta al tuo stesso testo, i passi pratici successivi sono aumentare deliberatamente la burstiness e variare la lunghezza delle frasi all'interno di un paragrafo accademico, che è lo stesso compito descritto senza la metrica.

Il meccanismo eseguito da un rilevatore continuerà a cambiare, GPTZero lo ha già cambiato una volta. Ciò che resta costante è la domanda reale, trattata in modo completo nella guida di questo sito su come funzionano davvero i rilevatori di AI: se una scrittura prevedibile sia la stessa cosa di una scrittura prodotta da una macchina, indipendentemente dalla formula che in un dato anno capita di essere di moda.