Turnitinは言い換えられたテキストを検出できるか?

はい。Turnitinは言い換えられたテキストを検出し、実際にそのために作られています。同じレポート内の2つのシステムがそれを捉えます。Similarity Reportは、表現が変更された後でも、公開済みの研究や以前に提出された論文と依然として重複している箇所を指摘します。これは、AIによる執筆が存在するよりはるか以前から果たしてきた役割です。AI Writing Reportには、パラフレーズツールまたはword spinnerを通したAI生成テキストのための、独自にラベル付けされたカテゴリがあります。語を同義語に置き換えても、どちらも回避できません。

どのシステムが特定の箇所を検出するかは、テキストの出所によって決まります。あるソースから取り出して言い換えた素材は、similarityの問題です。ChatGPTによって生成された言い換え素材は、AI writingの問題です。提出物の多くは両方に当てはまり、いずれにせよ両方のシステムがすべての提出物を読みます。

Turnitinは言い換えられたAIテキストを独自のカテゴリとして示す

これは、検出器が一般にどのように機能するかからの推論ではありません。TurnitinのAI Writing Reportは、その割合を2つのラベル付きカテゴリに分けており、2つ目が言い換えられたAIテキストです。

このレポートは、見出しの数値を「likely AI-generated text as well as likely AI-generated text that was also likely AI-paraphrasedの合計量」と定義しています。2つ目の項目は「AI-generated text that was AI-paraphrased」とラベル付けされ、「likely AI-generated text that was likely revised using an AI-paraphrase tool or word spinner」と説明されています。

Turnitinのサポート文書は、この問いに明確に答えている。AI言い換えツールで言い換えられたコンテンツを検出できるかを直接尋ねると、その案内には次のように記されている。「はい、TurnitinのAIインジケーターには、ワードスピナー, AI言い換えツールを用いて言い換えられた可能性のあるAI生成コンテンツの検出が含まれます。」ほぼ同一の回答は、検出器を回避するためにAI出力を書き換える目的で特別に作られたバイパスツールを通したテキストにも当てはまる。どちらも別個のスコアは生成しない。どちらも、教員が見る同じ単一のパーセンテージに反映される。

各システムが検出するもの

	類似性レポート	AI執筆レポート
何を確認するか	そのテキストが、Turnitinのウェブコンテンツ、出版物、学生論文のデータベースに既にある資料と重複しているかどうか	その文章が、機械生成文に統計的に典型的なものとして読めるかどうか
何の言い換えを検出するか	他者の公表済みまたは提出済みの著作物	AI生成の下書き, 言い換えツールやバイパスツールで修正されたものを含む
同義語置換の影響	パーセンテージは下がるが、特徴的な用語、引用、文構造は一致したまま残る	分類器は語の選択ではなく文のパターンを読むため、スコアはおおむね元のまま残る
どこに表示されるか	パーセンテージと、各資料名を示す一致グループ	1つのパーセンテージ, AI生成のみとAI言い換えに分かれる

この2つのレポートは別個の製品であり、数値も別であるため、ある論文が一方では問題なく、他方ではフラグが付くことがある。TextPulseは、この分岐を、Turnitinの類似性スコアとAIスコアの比較で詳しく扱い、分類器そのものの仕組みをTurnitinがAI執筆をどのように検出するかで説明している。

類似性の側面, 言い換えられたテキストは依然として重複する

類似性チェックは、照合の作業である。Turnitinは、提出物を自社のウェブコンテンツ、出版物、過去に提出された論文のリポジトリと比較し、そのうちどれだけが既に索引化された何かと重なっているかを報告する。表現を十分に変えれば、比較される正確な文字列は短くなり、その結果、割合は下がる。これは事実であり、言い換えツールが存在する理由でもある。

入れ替え後に残るのは、学生が過小評価しがちな部分である。専門用語、固有名詞、引用された数値、直接引用は、同義語が存在しないため、そのまま引き継がれる。文の構造も同様であり、接続語だけが置き換えられる場合には変わらない。Turnitinは類似箇所を一致グループとして報告し、それぞれに出典名を示す。これが、適切に引用された箇所と、言い換えられた箇所を分けるものである。

出典の文の順序と補足的な詳細を保ったまま言い換えることは patchwriting と呼ばれ、多くの大学の規程では、類似性の割合が下がるかどうかにかかわらず、剽窃の一形態として扱われる。これを認識する訓練を受けた採点者は、しばしば目視で見抜く。なぜなら、出典の段落に段落ごと追随する論旨は、語彙にかかわらず同じように読まれるからである。数値が低いことは、適切な提出物と同じではない。これが、TextPulseのwhat counts as a good Turnitin scoreに関するガイドの要点である。

AIの側面, 同義語置換をしてもスコアは変わらない

AI執筆指標は、あなたの段落を出典と比較したことがないため、崩すべき同義語の一致は存在しない。これは、散文を文ごとに採点し、機械生成文の統計的パターンにどれほど近いかを見ているからである。すなわち、語の予測可能性、文のリズム、そして言語モデルが既定で選びがちな一般的な言い回しである。

語を置き換えても、そのほとんどはそのまま残る。文の長さ、語順、節の間にある同じ定型的な接続要素も保たれる。AIの下書きを言い換えツールに通し、AIスコアが変わらないのを確認することが、これほどよくある経験なのはこのためである。語彙は変わった。しかし、分類器が採点するパターンは変わっていないので、テキストは依然として機械執筆として読まれており、それはTurnitinの言い換えカテゴリが本来そうであるべきだと述べているとおりである。

文の長さの分布は書き換え後も残る

機械が下書きした散文は、文の長さが狭い範囲に収束する。というのも、1語ずつ次のトークンを予測するモデルには、4文目を3文目より短くする理由がないからである。これに対して、人間の文章はばらつく。19語の文の次に6語の文が来て、その次に、主張とその条件づけを一緒に含む32語の文が来る。GPTZero自身の解説はこれを直接に示し、burstinessを、文書全体で執筆パターンとテキストの perplexities がどれほど変動するかを測る指標と定義している。

同義語の置換は、文の長さを1語か2語だけ動かし、しかも各文を同程度の小さな幅でしか動かさないため、分布の形は保たれる。18語、19語、17語、20語の文が並ぶ段落は、言い換え前にはそうであったのと同じ平坦な分布のまま、言い換え後も1語か2語の範囲内に収まる。

これは検出器に触れなくても測定できる。free burstiness checkerは、ある文章がどれだけ文レベルの変動を含むかを示し、同じ段落を言い換え前後で通すと、語彙は完全に変わっているのに数値はほとんど動かないことが分かる。

節の順序と接続も同様に残る

節の順序は、言い換えツールがそのまま残す第二の構造的特徴であり、文の長さよりも読者にとって目に見えやすい。機械的な文章は、主題を先に置き、主張を述べ、その後に条件節を付け加える傾向があり、これを何度も繰り返す。"While the sample size was limited, the results suggest" と "Although further research is needed, the findings indicate" は、異なる語で同じ文を着ているにすぎない。

言い換えツールは "while" を "although" に、"suggest" を "show" に変換する。しかし、条件づけが三行後の別の短い文に属すると判断したり、緩和表現を完全に削除したりはしない。それは、その段落が何を論じているかに関する編集上の判断であり、置換エンジンはその論点について見解を持たない。

接続表現は第三の、そして最も目立つ特徴である。モデルは、接続部で however, additionally, furthermore, in addition のような小さく安定した接続語群を用いる傾向がある。言い換えツールは、そのうちの一つを同じ集合の別の要素に置き換えるため、分類器は依然として、期待される位置に、期待される分布から出た定型的な接続表現を認識する。これは、書き換えが始まる前にそれが読んでいた信号である。

分類器が読む特徴	言い換え処理で変化するか	理由
個々の語の選択	はい、かなり変わる	置換エンジンが変更するよう設計されている唯一の特徴である
文の長さとその分散	ほとんど変わらない	置換された語は長さが近いため、全体の傾向は保たれる
文内の節の順序	まれにしか変わらない	並べ替えは強調を変えるため、意味制約がそれを抑制する
接続部での接続語	同じ小さな集合内で置き換えられる	定型的な接続表現が別の定型的な接続表現に置き換わる
次の語の予測可能性	わずかに変わる	より珍しい同義語は予測されにくいが、その周囲の枠組みは以前と同じくらい予測可能なままである
具体的な証拠と詳細	いいえ	書き換えは、下書きに最初からなかった材料を追加できない

実際に結果を変えるもの

両方のシステムは、同じ表面的な書き換えの異なる症状に反応しているにすぎないため、対処法も両方で同じである。すなわち、語を変えるのではなく、文章を書き換えることである。これは、内容を並べ替えるのではなく文の構造を組み替えること、意図的に文の長さを変えること、モデルが既定で用いる一般的な接続表現を削ること、そして実際に読んだ原資料からしか来得ないほど具体的な補足情報を加えることを意味する。類似度が下がるのは、構造がもはや原資料を追跡しなくなるからである。AIスコアが下がるのは、採点対象となる分類器のパターンが消えるからである。

言い換えツールはその作業を行えず、どちらの種類のツールにも費用を払う前に、その違いを理解しておく価値がある。TextPulseはAI humanizer versus paraphraserでこれを扱っている。下書き自体の語レベルでの予測可能性をfree perplexity checkerで確認すると、スコアだけを見るよりも、分類器が反応するパターンがより有用に示される。

TextPulseのAI humanizer for studentsは、この問題の構造面に取り組み、個々の語を置き換えるのではなく、文のリズム、長さの変化、節の順序を再構成する。これは、同義語だけを差し替える処理では大きく空いたままになる隙間である。特に課題提出物については、humanizing an AI essay for collegeが作業の全体を通しての流れを扱い、whether Turnitin detects DeepSeekが別のモデルについて同じ問いに答えている。

これらはいずれも、コースのAI使用方針が何を許可するかを変えるものではなく、いかなる書き換え方法も、事後にスコアを確定させるものではない。提出前に適用する価値のある基準は、目の前の文章がなぜその内容を述べているのかを、文ごとに説明できるかどうかである。