無料のPerplexityチェッカー 語レベルの予測可能性を測定

文中の次の単語に対して、言語モデルがどれほど驚くか。モデルは読み進める前に、候補となるすべての単語に確率を割り当て、そしてperplexityは、最上位の予測が実際に現れた単語から通常どれくらい離れているかを要約します。馴染みのある言い回しはモデルの予測を近いところに保つため、スコアは低くなります。具体的で、あまり一般的でない語の選択はモデルを驚かせるため、スコアは上がります。これは単語レベルの測定です。同じ文構造を共有していても、どの単語がそこを埋めるかを見れば、異なるスコアに着地し得ます。

いいえ、ページにはそれがはっきり書かれています。本当のperplexityには、実際の言語モデルをあなたの文章に適用し、次の単語の予測をスコアリングすることが必要です。これは、ブラウザのページでは正確に行えない作業です。直接測定できるのは、書き手が実際にコントロールしている材料です。語彙の幅です。ここで報告されるのは、それであり、長さに頑健なMATTRスコア、あなたのタイプトークン比、そしてあなたのドラフトが最も繰り返す語です。これは主張ではなく推定として報告されます。

タイプトークン比は、ある文章中の異なる語の数, そのtypesを、総単語数, そのtokensで割ったものです。70種類の異なる語で作られた100語の段落は0.70のスコアになります。この数値は、段落が長くなるほど自動的に下がります。記事, 人称代名詞, 接続語は、残りの語彙がどれほど多様であっても繰り返さなければならないためです。そのため、素のTTRは段落を1つの章全体と比較するのに使えません。だから、このページの見出しスコアは生のTTRではなくMATTRです。

いいえ。チェッカーが報告するのは語彙統計のみであり、MATTR スコア、type-token ratio、反復語の一覧です。著者性は判定しません。未編集の AI 下書きでは反復的な表現がしばしば見られるため、このチェックは有用です。しかし、人間の書き手にも同様の反復は多く、また多様な語彙は人間だけでなくモデルでも実現可能です。数値はテキストを記述するものであり、それを作成したのが誰か、あるいは何かについての主張は含みません。

いいえ。スコアは、ページ上の語に基づく関数であり、何回実行しても同じ方法で計算されます。数値を動かすのは、語彙そのものを編集することです。繰り返される動詞をより具体的なものに置き換えれば、テキストが変わるためスコアも変わります。それ以外の理由はありません。

用語そのものは変えずに、文をその用語の周りで言い換えてください。学術的な文章は、定義された概念に依存し、同じ名称を毎回正確に用いることが重要です。4回目の言及でそれを類義語に置き換えると、スタイルではなく不正確さとして査読者に読まれます。生産的な多様性は、固定された用語の周囲にある動詞、接続語、説明の部分にあります。「the results show」を3回繰り返す段落には、実際の解決策があります。結果は確認できる、絞り込める、矛盾する、あるいは複雑にすることができ、これらの動詞は「show」がかつて示していた以上に、より正確な意味を伝えます。