AIテキストを人間らしくする方法: 完全ガイド

ChatGPT からの最初の下書きは 1 分足らずで戻ってきて、読みやすく、言いたかったことをすべて述べている。問題は、それが ChatGPT が返す他のあらゆる下書きと同じようにも読めることである。同じリズム、同じ無難な語彙、そして直前に書いた見出しを言い換えるだけの癖である。AI テキストを人間らしくする方法を学ぶことは、検出器や、同じような下書きを何百本も見てきた読者に届く前に、その同一性を文ごとに取り除く方法を学ぶことにほかならない。

AI テキストを人間らしくするとは、機械が作成した下書きを、文のリズム、語の選択、構成が言語モデルの最善推定の統計的平均ではなく、1 人の書き手の文章として読めるようになるまで編集することである。その編集の一部は数分で済む。文書全体にわたる編集の一部は、実際にツールがその役割を担うに値するほど面倒である。このガイドでは、役立つ順序でその両方を扱う。まず手作業の編集を示し、その後で、AI humanizer ツールが手作業では終えられない部分をどこで補うかを示す。

UK 綴りで "humanise AI" を検索した人への簡単な注意である。手法は同じで、変わるのは文字だけである。

なぜ AI テキストは毎回同じように聞こえるのか?

その仕組みは、言語モデルが次に最も起こりやすい語を何千回も予測しながら文章を書くというものである。そのため、滑らかで無難な文章が生まれる。文の長さはおおむね似通い、段落は見出しの反復から始まり、つなぎは同じ少数の接続語に依存する。これらはいずれも欠陥ではない。大規模に期待される語を最適化したときに起こることである。

これらすべては、AI 検出器がどのように機能するかについての関連記事で詳しく説明している。ここで重要なのは、以下の各編集が、モデルが避けようとしても作ってしまうパターンを崩すという点である。どの編集も、モデルが関与した事実を隠すものではない。なぜなら、それは文レベルの編集でできることではないからである。検出器が百分率を示す前に計算する 2 つの最も一般的な指標は、perplexity と burstiness である。

リズムを崩す, 文の長さと構造

最も明白な手がかりは、文のリズムである。モデルは一度に一つのトークンしか予測できない。文3を文2より短くする動機はない。そして、そのままにしておくと、段落はある一定の長さと形に収束する。以下は平板な連続の例である。「The results of the study were statistically significant. The findings support the original hypothesis. The data was analyzed using standard methods.」三つの平板な文であり、長さは同じで、毎回同じように始まる。

これを分割すると、同じ情報は次のように読める。「The results were statistically significant, which supported the hypothesis, though two of the three variables moved less than expected, so the standard analysis needed a second pass.」一つの文が、主張とその複雑さをまとめて担い、カンマが、かつて三つの平板な文が別々に果たしていた働きをしている。この不均一さこそが、burstiness checkerが段落を採点するときに測定しているものであり、これはこの一覧の中で最も速くできる修正である。なぜなら、ここで行うのは新しい内容の創作ではなく、すでに書いた節の並べ替えだからである。

構造のもう半分は、主張の中心がどこに置かれるかである。モデルは、主張に向かって積み上げる傾向があるか、あるいは従属節の中に埋め込む傾向がある。特定の主張は、先に置き、限定は後ろに回すほうが読みやすい。「Although sample sizes varied across sites, the effect held」は、「The effect held at every site, even though two of them ran a third of the planned sample」よりも安全で、かつ曖昧である。主張を先に置けば、但し書きは逃げではなく、証拠になる。

それと分かる語を削る

ある種の語は、人間が書いた文章よりも機械生成の下書きにずっと頻繁に現れる。これは、それらが誤っているからではなく、形式的な文体におけるモデルの確率分布に照らして、非常に適切だからである。help の代わりに facilitate。strong の代わりに robust。many の代わりに myriad。show の代わりに underscore。これらはいずれも誤りではない。どれも単に、最も安全で、最も平均的な選択肢であるにすぎず、まさにそのために、モデルは最初にそれらを選びやすいのである。

平板な文はこう述べる。「この研究は、関与する多様な要因について広範な理解を促進するために、堅牢な方法論を採用した。」これと同じ主張を、人が実際に選ぶ言葉で言えば、「この研究は、いくつかの要因のうちどれが最も重要かを見極めるために、混合研究法の設計を用いた。」となる。後者の方が不正確だということはない。ただ、平均的ではないだけである。

robust を strong に置き換えても、文の長さは変わらず、検出器が実際に評価しているリズムにも触れない。語の置換だけでできることは、それほど多くない。これを知っていれば、類語辞典で置き換えればそれで十分だと考えることに慎重になれる。人間の読者にも、文章があまり努力していないことが分かるだろう。上で述べた構造的な修正は、それと並行してなお必要である。段落を AI word cleaner に通せば、語レベルの手がかりをすばやく見つけられる。

検出器と読者の双方が気づく句読法の癖を修正する

句読点にはそれ自体の特徴がある。1つか2つの記号に過度に依存し、それらの記号を通常の文章よりはるかに頻繁に用いる。とりわけ、カンマ、句点、コロンでも十分な場面で、あらゆるものをつなぐ万能の接続記号としてダッシュを使うことが多い。その結果、反復的になり、文体というより癖のように聞こえ始める。段落が3文ごとに同じ記号に手を伸ばそうとすると、そうなりやすい。

セミコロンとコロンも同様に使いすぎられることが多く、通常は2つの文として読んだ方が自然な2つの節をつないでいる。「The results were mixed; some participants improved while others showed no change」は文法的には問題ないが、文体としては古びている。2つの文にすれば、同じ情報をより余裕をもって伝えられる。「The results were mixed. Some participants improved. Others showed no change at all.」段落を声に出して読むと、こうした点の大半は分かる。耳は、目より先に繰り返しのリズムに気づくからである。

em dash removerは、この工程の機械的な部分を数秒で処理する。TextPulse独自の社内スタイルではこの文字を全面的に禁止しており、このガイドも同じ規則に従う。文が1つの節としてよりよく機能するか、それとも2つに分けるべきかという判断は、なお人間を必要とする。

一般的な表現を具体的な表現に置き換える

この一覧の最後の編集は最も時間がかかり、最も重要である。言語モデルは実際のプロジェクトについて記憶を持たないため、利用可能な最も安全な言い回しに既定で落ち着く。すなわち、適切で、曖昧で、同じ主題のほとんどどの論文にも当てはまる表現である。

「この介入は学生の成果に対して正の効果をもたらすことが確認された。」受動的で、一般的で、100通りの異なる研究を説明しうる。「個別指導プログラムは、6回を超えて参加した学生に限って、テストの得点をおよそ0.5段階分引き上げた。」能動的で、具体的で、あなたの研究だけを説明しうる。しかもより長く、読者が信じるのもこちらである。なぜなら、モデルが6回参加という詳細を自力で推測することはないからである。その事実に最初に気づいたのは、データを見ていた人間でなければならなかった。

これはまた、humanizer toolを含め、言語モデルがあなたの代わりに行えない編集でもある。toolは文の長さを変えたり語彙を入れ替えたりできるが、興味深いことが起きたその場にはいなかったので、あなたが与えていない詳細を渡すことはできない。書き換えツールをもう一度使うのではなく、ノートに戻るべきである。

手作業の編集では修正できないもの

上の各編集は無料であり、単一の段落なら数分で済む。正直な問題は長さである。討論投稿への5段落の返信は、手作業なら15分の仕事である。同じ注意を払って書き直す40ページの論文章は数日がかりの仕事であり、1つの章にそこまで時間を割ける人はほとんどいない。

下の表は計画用の目安であり、測定値ではない。時間は平均的な学術文体に対する作業見積もりであり、文章の密度によって変動する。

手動編集	修正される点	所要時間	修正されない点
文の長さと構造を変える	均一なリズム, 最も強い burstiness のシグナル	1,000語あたり約10分から15分	単語レベルの手がかり, リズムの変化だけでは触れられないもの
定型的な語彙を削る	注意深い読者が半ば気づく個々の語	検索を伴う確認で5分から10分	語の周囲にある平板な文のリズム
句読法の習慣を修正する	ダッシュやセミコロンの連続のような反復する記号	約5分	表面下のものは何もない, この工程は見た目の修正にすぎない
具体的な詳細を加える	その主題に関するどの論文にも当てはまりうる一般的な主張	1,000語あたり20分から30分, 詳細を探し出す必要があるならさらに長い	実際に加える詳細があるなら, 何もない
humanizer tool で全体を通して処理する	文書全体の一貫性, 速く, 長い下書きの最初の工程として有用	1分未満, それに自分自身の確認時間	特定の detector に対する確実性, そして tool に与えられていなかったあらゆる詳細

5つの行のどれも, 長い文書を最後まで到達させるものではない。それが次の節の役割である。

AI humanizer tool が実際にその位置を得る場面

専用の AI humanizer tool は, 場合によっては ChatGPT humanizer として販売されている, なぜなら下書きの大半はここから始まるからである, これによりこれらの編集をまとめて適用する, リズムと語彙を, 文書全体にわたって完全に, コーヒーを淹れるのにかかる時間で行い, 15分で1段落だけを処理するのではない。何と呼ばれていようとも, AI humanizer tool, AI text humanizer, AI paragraph rewriter, または AI to human text converter, 優れたものは同じことを行う, すなわち, 意味を保ちながら文の形と語の選択を変えるのである。その表現がどれほど動くかは, 文章ごとに異なる。

TextPulse はこのように機能する。全文の下書きを書き換え、同じ信号から算出した推定 Human Score を返すのであって、特定の検出器が必ず通過するという約束ではない。この注意は当社に固有のものではない。Grammarly 自身の AI humanizer のページには、そのツールは「AI detectors を回避することを意図していない」と明記されており、これはいかなる humanizing の処理が正直に約束しうる内容としても妥当な説明である。ここに来て AI テキストを undetectable にしたいと考えているなら、率直な答えは、どの編集もどのツールもそれを保証できないということだ。なぜなら、detectors は互いに一致せず、予告なく変化するからである。

責任ある AI humanizer tool は、迅速な初回処理と、作業の基準となるスコアを提供できる。目的は、数値を直接だますことではなく、パターンをより一様でなくすることで AI スコアを下げることである。AI の書き換えは、文書全体のレベルで、注意深い手作業の編集が段落レベルで行うのと同じことを目指す。上の節から得られる具体的で人間的な詳細は手で加えるべきである。なぜなら、興味深い出来事が起きたとき、その場に tool はいなかったからである。

締切のあるプロジェクトに取り組んでいるなら、AI humanizer for students を使うことができる。これは同じ仕組みを用いるが、学術的な慣例がすでに考慮されている。順序は tool より重要である。注意深い散文で書かれた一般的な文は、依然として一般的だからである。それでも、具体的な詳細を加える処理は手作業で行う必要がある。

次の10分で AI テキストを人間らしくする方法

上の編集を順に並べると、それらは暗記すべきチェックリストではなく、短い手順になる。1ページ、約300から400語に適用した場合、10分がどのように分かれるかは次のとおりである。

1. 段落を一度声に出して読み、隣の文と長さや形が同じように聞こえる文をすべて印を付ける。
2. 最も平板な文を二つか三つ分割し、それぞれの主張を文頭に移す。
3. facilitate, robust, myriad, underscore のような定型的な語彙を探し、実際に自分が使うもっと平易な語に置き換える。
4. 繰り返されるダッシュやセミコロンを削除するか置き換え、各修正箇所を声に出して読み、なお自然に聞こえるか確認する。
5. 各段落に一つ、具体的な細部を戻す, たとえば数字、名前、制約など, それは実際に作業した人だけが知っているものにする。
6. 下書きが1ページか2ページを超える場合は、まず AI humanizer tool に通し、その後、なお平板に読める箇所について一から五の手順を繰り返す。

ここには、独立したページへと開く論点がいくつもある。これらのツールがそもそも機能するのかと採点対象の課題に使用して安全かどうかは別個の問いであり、別個の答えを持つ。また、提出後に Turnitin が humanized text をどう扱うかも第三の論点である。より限定的な問題については、AI score を下げる方法と、ChatGPT の出力を段落ごとに編集する方法を扱う手順付きの記事がある。

これらのいずれも、検出不能な文章を生み出すわけではなく、誠実なガイドであればそうなると約束すべきではない。生み出されるのは、実際に10分を費やしたように聞こえる文章であり、それこそがより持続的な目標である。すなわち、検出器がそれを見つけるかどうかにかかわらず、読者は具体的で不均一な散文を信頼する。