AI Writing Patterns: その語彙、リズム、句読点が示すもの

この文を一度読んで、どこから来たものかすでに分かるか確かめてほしい。研究者たちは、動機づけと達成の間の複雑な相互作用を引き続き強調しており、また、自己調整が学業成績において果たす重要な役割を、増え続ける研究が強調している。これについて誤っている点は何もない。どの節も文法的に正しく、どの語も実在の語であり、採点者が1点でも減点することはないだろう。しかし、それでも機械からそのまま落ちてきたように読める。実際にそうだからである。これが本稿の主題である。

AI writing patternsとは、語の選択、文のリズム、句読法、構造における繰り返し可能な習慣であり、機械が下書きした散文を一目でそれと分かるものにする。これらは4つの水準に集約される。すなわち、モデルが選びやすい語、文の形、依拠しがちな句読法、そして議論全体を構成する仕方である。どれか1つだけで何かを証明することはできない。しかし、1つの段落の中にそろうと、見落とすことは難しい。

これを行う機械は統計的検出器と呼ばれる。これは、言語モデルが予測する内容に基づいて、各語がどれほど予測可能かを評価する。報告書には、その評価の背後にある perplexity と burstiness の数学が含まれており、AI detectors がどのように機能するかを扱う別の記事で、さらに詳しく説明している。本稿の残りは、読者がページ上で聞き取ったり、数えたり、指摘したりできる AI writing の兆候の一覧である。検出器が誤っていても、利用できなくても、あるいは論点から外れていても、これは重要になりうる。以下に続く内容には、モデルも購読も必要ない。

なぜ AI writing patterns は機械的に聞こえるのか。

言語モデルは、文の水準では人間とは異なることをしている。すなわち、統計的に次に来る可能性が高い語を、独自性よりも有能さを感じさせるよう訓練された体系の中で、何度も選び続けているのである。その規模での有能さは、滑らかで、正確で、記憶に残らない散文を生み出す。これが機械的な印象の根源である。読者は、そのような段落の何が悪いのかを言い当てられないことが多いが、ただ平板に読めると感じるだけであり、以下の4つの水準にその平板さが宿っている。

語の選択は、読者が最初に気づく水準である。つまり、場違いな場所に現れる、形式的で演劇的な語である。文のリズムはより目立たず、各文がほぼ同じ長さで進む段落である。句読法と書式はそれ自体の特徴を帯びており、ダッシュが万能継手のように用いられ、箇条書きが、書き手の頭の中では決して箇条書きではなかった文章を分断する。構造は最も見えにくく、自身の見出しを言い換え、ちょうど3点を扱い、最後に自らを要約して締めくくる部分である。

まず語から始める。最も指摘しやすく、最もよく記録されているからである。

AIはどの語を過剰に使用するのか?

こうした形式的でやや演劇的な語は、何度も繰り返し現れる。"delve"、"underscore"、"showcase"、"pivotal"は、最もよく記録されている語の一部である。Dmitry Kobakと3人の共著者は、その言語を特定することを目的とした。彼らは2010年から2024年までの15.1百万件のPubMed要旨を分析し、ChatGPTの公開時に頻度が急増した語群を特定した。"delve"の増加が最も大きかった。2025年7月にScience Advancesで公表されたこの研究は、その2024年における頻度を、2023年以前より約28倍高いと推定した。次に近かったのは"underscore"と"showcase"である。著者らは、2024年の要旨の少なくとも13.5パーセントにAI支援の兆候があり、いくつかの国と出版社では40パーセントを超えると推定している。

モデルがこれら特定の語に収束する理由は、そのパターン自体よりも確定していない。COLING 2025の研究は、21の過剰代表語を、モデルのアーキテクチャ、訓練データ、そしてチャットボットの微調整に用いられる人間のフィードバックと照合し、効果を完全には説明しないまでも、フィードバック段階が最もあり得る要因であると示した。解釈についてもなお議論がある。2026年にPNAS誌で行われたやり取りでは、語頻度の変化がAI使用をどれほど直接的に測定するのかに異議が唱えられており、ここでのいかなる単一の数値も確定した事実として扱う前に、その点を念頭に置く価値がある。

これはジャーナルの要旨に限ったことではない。50万件の学生によるエッセイとAI生成エッセイを比較した研究では、研究者は論文の長さと語彙選択を比較し、人間のエッセイのほうが全体として長く、より広い語彙を用いていることを見いだした。ICLR 2024やNeurIPS 2023を含む4つの機械学習会議に提出された査読を対象とした研究では、研究者は同じ手法を用いて、査読文の6パーセントから15パーセントがLLMによって実質的に修正されたと推定した。締切に近い時期に提出された場合、LLMの影響を受ける可能性がより高かった。

AIが多用する語または語句	注意深い書き手が代わりに用いるもの
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

これらの語のいずれも、それ自体では誤りではない。ある方法論の節がある発見を堅牢だと述べるのは、その語を正しく用いているのであり、ある歴史家が入り組んだ法的議論を説明しているからといって、チャットボットに告白しているわけではない。機械的に見えるのは密度である。つまり、これらの語が一つの段落に三つか四つ並び、特定の役割を果たさないまま、モデルがそれらを積み重ねるのと同じように積み重なっている状態である。各語がそれぞれ独立に、次に来る語として最も安全な選択だったからである。TextPulseのfree AI word cleanerをさっと通せば、その密度が直接検出される。

なぜAIの文はどれも同じ長さに聞こえるのか?

モデルは各文を、前の文を作ったのと同じやり方で組み立てる。ある箇所では要点を6語に圧縮し、別の箇所では30語にわたって展開するのではなく、全体としてほぼ同じ長さに収まりがちである。その変化、あるいは変化の欠如は、段落を声に出して読むことで聞き取ることができる。これは、検出器が同じ基礎的性質から算出するburstinessスコアとは別の作業である。

より小さな二つの習慣が、近くで見るとそのリズムを露わにする。モデルは、情報を加えずに重要性を示唆するぶら下がり分詞で文を締めるのを好む。たとえば、ある主張の後に、さらなる研究の必要性を強調する、あるいは分野におけるより広い変化を反映する、と続ける形である。また、均衡が取れているように聞こえるよう、対句構造を用いることも多い。たとえば、the method is not only efficient but also scalable のような形である。一度だけなら、この構文は特に目立たない。しかし、すべての段落で繰り返されると、名詞だけを入れ替えたテンプレートのように聞こえる。

三つ組の規則

句のレベルでも、三つ組はモデルの既定のリズムである。名詞の前に三つの形容詞、一覧に三つの例、同じ作りの節が三つ連続する、といった具合である。三つ組が時折現れることは、英語の一部であることに変わりはない。適切に置かれた三つ組は、何かの症状ではない。手がかりは頻度である。問題は三つではない。ほぼすべての段落に三つが現れることである。

数えるだけで、特別な訓練がなくてもこれの大半は見分けられる。段落を読み、各文の語数を記録する。もし記録した値が前のものから数語以内に収まっているなら、そのリズムが手がかりである。TextPulseの無料のburstiness checkerを使えば、数える作業を自動化し、図示することもできる。これは、一文ずつ目視するには長すぎる文章に有用である。

em dashとその他の句読点の手がかり

この記号が定番になった理由

em dashは、おそらく機械生成文で最も非難される句読点である。読点、コロン、または句点の代わりに用いて文の二つの部分をつなぐ、長いダッシュとして知っているかもしれない。em dashは新しいものではなく、AIが発明したものでもない。ChicagoからAPまで、スタイルガイドが存在してきた限り、それらは強調や中断のためにこれを使うことを認めてきた。そして、多くの現役の書き手が意図的にこれを用いている。

機械出力にこれが非常に頻繁に現れるもっともらしい理由は平凡である。この記号は、言語モデルが学習する、編集され、専門的に組版された散文において一般的であり、文を句点で終わらせずに進め続けることを可能にする。流暢で連結したテキストを生成するように作られたモデルは、この柔軟性をしばしば選び、手で下書きする際にほとんどの人が行うよりも頻繁にそれを用いる。

どの程度頻繁かは、そのテキストを生成したシステムによって大きく異なる。2025年半ばに行われた並列テストでは、6つのチャットボットに同じプロンプトを与え、この記号の出現回数を数えた。3つのシステムは600語未満で8回または9回返し、1つはほぼ1000語で2回使い、2つはまったく使わなかった。頻度は、目の前の段落を生成したモデルの属性であり、AI文体の固定的な特徴ではない。OpenAIは2025年11月に、ユーザーがChatGPTにこの記号を使わないよう指示し、実際に従わせる設定を追加したため、この手がかりでさえ現在では部分的に任意である。

そのことのどれもが、その記号自体を何かの証拠にするわけではない。注意深い書き手の多くはそれを意図的に用いるし、チャットボットに一度も触れていない学生のエッセイの多くでもそれは使われている。ときには、教師がそう教えたからである。確認する価値があるのは密度である。2文ごとにその記号に頼るページは、意図して2回だけ使うページとは異なって読まれる。TextPulseの無料の em dash removerはその密度を確認し、各箇所で必要なコンマ、コロン、ピリオド、またはハイフンを提案する。

箇条書き、太字テキスト、見出し

同じ水準は、文の下にある書式上の判断にも及ぶ。書き手の頭の中では決して箇条書きではなかった散文の途中に置かれた箇条書きのリスト。文頭大文字と小文字が混在する文体で書かれた文書の残りがそうであるのに、タイトルケースの見出し。各箇条の冒頭にある、ミニ見出しのような太字の句。これらはいずれも句読点ではないが、すべて同じ場所から生じている。つまり、チャットウィンドウ向けに書式設定するモデルであり、そこでは視覚的な構造が、通常は散文が担う移行を代替しているのである。

構造と論旨の形

最後の水準は文の上に位置し、語の置き換えでは最も修正しにくい。なぜなら、それは論旨そのものの形だからである。機械が書いた節は、しばしば自らの見出しを少し言い換えて言い直すことから始まり、各点が実際にはどれほど重要であるかにかかわらず、おおむね同じ重みを与えられた2つか3つの支援点をたどり、最後に新しいことを加えるのではなく、今述べたことを要約して終わる。

関連する習慣は、より長い文章では常に見られる。ある節が何かの長所を列挙し、however のような語で転じ、同じ整った3点で課題を列挙し、その後、おそらくそれらを解決するであろう未来を示唆する。実際の論旨はそれよりもでこぼこしている。人間の書き手は通常、他の2点よりも1点を重視し、それにより多くの紙幅を割き、読者に対して対称的な結びを負うわけではない。

これは、定型的な学術文書が機械生成文と見かけ上きわめて似て見えうる水準でもある。というのも、方法の節や文献レビューは、一定の形に従うことが想定されているからである。違いは、その形の内部にある。機械生成の文献レビューは、その分野で通常扱われる論点を、通常の順序で挙げるだけである。人間が書いたものは、厳格なひな形の内部であっても、どの論点が重要で、なぜ重要なのかを論じる。実際の立場が擁護されているからである。

自分が書いていない文章を判定する

最も重要な4つの手がかり

具体性の不足は、何の道具も持たない読者にとって利用できる最も強い手がかりである。機械が下書きした散文は、あらゆる一般性の水準で成り立つが、そのどの水準にも固定されていない主張を行う。研究がその問題を検討したと述べても、研究名は示さない。効果が有意であると報告しても、規模は示さない。実務がその分野で一般的であると述べても、企業名や年は示さない。同じ語数制限のもとで書く人間の書き手は、通常、その語数を具体的な1つの事柄に費やす傾向がある。実際に具体的な1つの事柄を持っており、それを入れたかったからである。

解決しない引用は、この一覧の中で証拠に最も近い唯一の手がかりであり、同時に最もまれでもある。完璧に整形され、実在する学術誌に帰属し、記録を返さない識別子を伴う参考文献は、偶然に作られることは非常に考えにくい。確信が持てない提出物では、他の何よりも先に3件の参考文献を確認すべきである。2分しかかからず、疑問がそこで終わるか、あるいは最も強いシグナルを一覧から取り除くことになる。

語彙密度は、多くの読者が最初に頼る手がかりであり、最も誤作動しやすい手がかりでもある。シグナルは個々の語ではなく、密度にある。単一の形式的な動詞は通常の学術的レジスターであるが、1つの段落に5つあり、しかも特定の働きをしていないなら、それはパターンである。長い提出物全体を手作業で数えるのは遅いが、TextPulseのfree AI word cleanerはそのまとまりを自動で示すため、漠然とした印象を、紙面上で指し示せるものに変える。

4つの中で最も微妙なのは、決して崩れないレジスターである。人間の書き手は、二千語にわたってほとんど常に、わずかに調子を外した何かをする。三つの長い文の後に短い文を置くこと、括弧内の挿入句を入れること、書く必要のなかった判断を下すこと、気に入ったから選んだ語を使うこと、である。機械が下書きした散文は、最初の行から最後の行まで同じレジスターを保つ。こうした要素をすべて禁じるジャンルもあるため、この手がかりは、方法の節では個人的声明よりもはるかに重要性が低い。

強く見えるが、そうではない手がかり

完璧な文法は何も証明しない。綴りと句読点は二十年間自動化されており、注意深い書き手がチェッカーを使えば、同じように整った表面が得られる。形式的なレジスターも何も証明しない。というのも、形式性こそが、ほとんどの学術的および職業的ジャンルにおいて方針上必要とされるものだからである。見出し、太字、箇条書きを多用することは、それ自体より前からあるハウススタイルの慣習であり、チャットボットがそれを誰かに示す何年も前から、多くの書き手はそうした書き方を身につけていた。句読法の習慣も同じく重みが低く、とりわけエムダッシュは、一つの記号が担える以上の役割を負わされてきた。

検出器のスコアもまたこの समूहに属し、そのため人々を驚かせがちである。スコアとは、テキストがどれほど予測可能かについての統計的判断であり、予測可能な散文こそ注意深い人間が日々生み出しているものなので、偽陽性がそもそも生じるのである。検出器の出力は、人がなお下さなければならない判断に対する一つの入力にすぎず、TextPulseのAI検出器の仕組みに関する解説は、誰かがそれを判定とみなす前に、その数値が何を測っているのかを示している。

複数の手がかりに引っかかるテキストに対して何をすべきか

まず、確認可能なものを確認する。3つの引用、1つの数値、1つの固有の事実を取り出し、それぞれを検証する。その1回の確認で、内容が薄い文章と、捏造された文章は分かれ、両者にはまったく異なる対応が必要になる。次に、提出物を、同じ人物が以前に指導の下で書いたものと比較する。というのも、1人の著者の中で文体が急に変わることは、1つの文書を絶対的に読むことよりも重みがあるからである。さらに、著者自身の文章について、著者にしか答えられない質問をする。なぜこの出典なのか、明白な代替案ではだめなのか、第3節は当初何を論じる予定だったのか、どの段落が最も難しかったのか。これを書いた本人なら、すぐに答える。

存在する方の方針に従い、自分なら書いたであろう方針ではなく、である。現在では多くの機関が、誰が懸念を提起できるのか、どの証拠が許容されるのか、執筆者に何が伝えられるのかを定めており、その手順を飛ばすことが、妥当な疑問を苦情へと変えるのである。自分の文章が機械生成のように読めると告げられた、問題の反対側にいる執筆者には、別の役割がある。そしてTextPulse's AI humanizerは、いかなる detector の判定でもなく、テキストから算出された推定 Human Score を報告する。

同じ検査を自分の下書きに適用するのはより難しく、自分の文章がAIのように聞こえるかどうかには別のページがある。語彙そのものは別に整理されており、ChatGPTを見分ける語句の一覧にまとめられている。

9つの兆候は質問をする理由であり、その質問は常に同じである。この文章は、流暢な推測では分からない何を知っているのか。まず引用についてそれを問うべきである。それは、誰かを何かで非難する必要なく、どの提出物もそれ自体で答える唯一の部分である。

これらの兆候は、文章がAIによって書かれたことを証明するのか?

単一の兆候だけで何かが証明されることはなく、複数そろっていても同様である。編集者や教授からの圧力の下では、注意深い学術的な書き手でも、チャットボットの助けなしに、これらの特徴のいくつかを備えた段落を作成できることがある, たとえば代名詞の欠如である。英語を母語としない書き手は、授業で教えられた安全な語を使うこともあり、形式的な接続語を使うよう教えられた学生も、これらの特徴の多くを用いることがある。語彙の一覧は不正行為の証拠ではない, それは注意深い書き手を誤って告発する原因になりうる誤りである。私たちはこの誤りを指摘すべきであり、黙って繰り返すべきではない。

ツールが責任をもってできることは、パターンを示すことであって、文章を裁定することではない。TextPulseのAI humanizerが提供するのは、目の前のテキストに基づく Human Score の推定である。これは、草稿がこれらの表層的なパターンに対してどの位置にあるかを読むものであり、いかなる detector による判定でもなく、別のツールが明日何と言うかについての約束でもない。これは、スペルチェッカーが文脈の文が良いかどうかを決めずに単語に印を付けるのと同じように、判断の出発点として使える数値である。

上の各兆候には、それぞれ独自のページがある。語彙そのものはChatGPT を見分ける語を扱う記事で整理されており、em dash の習慣と、なぜモデルが特定の動詞を選びがちなのかについては別個の解説がある。より広いラベルについても扱っている, AI slop が何を意味するか、AI fluff が何を意味するか、そして何かが AI によって書かれたかどうかを見分けるための実践的なガイドである。心配が他人の文章ではなく自分自身の草稿にあるなら、自分の文章から AI の語を取り除くことについての記事がある。

次に、自分の文章を読んでいて、その中の何かがどうもしっくりこないと感じたら、単に同義語を見つけて置き換えるだけにしないでください。代わりに、声に出して読んでみてください。各文の語数を数えてください。各語がそこで正確に何をしているのかを自問してください。それは、これらのことに名前が付くずっと前から、注意深い編集者が行っていたのと同じ読み方です。