Turnitin은 바꿔 쓴 텍스트를 탐지할 수 있는가?

그렇습니다. Turnitin은 패러프레이즈된 텍스트를 탐지하며, 바로 그 목적을 위해 만들어졌습니다. 같은 보고서 안의 두 시스템이 이를 포착합니다. Similarity Report는 문구가 바뀌었더라도 출판된 저작물이나 이전에 제출된 논문과 여전히 중복되는 구절을 표시하는데, 이는 AI 글쓰기가 존재하기 훨씬 전부터 수행해 온 역할입니다. AI Writing Report는 패러프레이징 도구나 워드 스피너를 거친 AI 생성 텍스트를 위한 자체 표기 범주를 갖고 있습니다. 단어를 동의어로 바꾸는 것만으로는 어느 쪽도 해소되지 않습니다.

어떤 시스템이 특정 구절을 포착하는지는 텍스트의 출처에 따라 달라집니다. 출처에서 가져온 뒤 다시 표현한 자료는 유사성 문제입니다. ChatGPT가 생성한 뒤 다시 표현한 자료는 AI 글쓰기 문제입니다. 많은 제출물은 두 경우를 동시에 충족하며, 어쨌든 두 시스템은 모든 제출물을 읽습니다.

Turnitin은 패러프레이즈된 AI 텍스트를 별도의 범주로 명시한다

이는 탐지기가 일반적으로 어떻게 작동하는지에 대한 추론이 아닙니다. Turnitin의 AI Writing Report는 백분율을 두 개의 표기된 범주로 나누며, 그중 두 번째가 패러프레이즈된 AI 텍스트입니다.

이 보고서는 제목 수치를 "the combined amount of likely AI-generated text as well as likely AI-generated text that was also likely AI-paraphrased"로 정의합니다. 두 번째 항목은 "AI-generated text that was AI-paraphrased"로 표기되며, "likely AI-generated text that was likely revised using an AI-paraphrase tool or word spinner"라고 설명됩니다.

Turnitin의 지원 문서는 이 질문에 대해 분명하게 답한다. AI 바꿔쓰기 도구로 바꿔쓴 내용을 감지할 수 있는지 직접 묻는 질문에, 해당 안내는 다음과 같이 말한다. "Yes, Turnitin's AI indicator includes detection of AI-generated content that may have been paraphrased using a word spinner/AI paraphrasing tool." AI 출력물을 탐지기를 통과하도록 다시 쓰기 위해 특별히 만들어진 우회 도구를 거친 텍스트에 대해서도 거의 동일한 답변이 제시된다. 어느 경우에도 별도의 점수는 생성되지 않는다. 둘 다 교사가 보게 되는 동일한 단일 백분율에 반영된다.

각 시스템이 포착하는 것

	유사성 보고서	AI Writing Report
무엇을 검사하는가	텍스트가 Turnitin의 웹 콘텐츠, 출판물, 학생 논문 데이터베이스에 이미 있는 출처와 겹치는지 여부	산문이 통계적으로 기계 생성 글쓰기의 전형적인 양상으로 읽히는지 여부
무엇의 바꿔쓰기를 포착하는가	다른 사람의 출판되었거나 제출된 작업	바꿔쓰기 도구나 우회 도구로 수정된 것들을 포함한 AI 생성 초안
동의어 치환의 효과	백분율은 낮아지지만, 특징적인 용어, 인용문, 문장 구조의 일치는 남는다	분류기는 단어 선택이 아니라 문장 패턴을 읽기 때문에 점수는 대체로 그대로 남는다
표시되는 위치	백분율과 함께 각 출처를 이름으로 표시하는 일치 그룹	하나의 백분율, AI-generated only와 AI-paraphrased로 나뉨

이 두 보고서는 서로 다른 숫자를 가진 별도의 제품이며, 한 논문이 하나에서는 문제가 없고 다른 하나에서는 표시될 수 있다. TextPulse는 Turnitin의 유사성 점수와 AI 점수의 비교에서 이 구분을 전부 다루고, 분류기 자체의 작동 방식은 Turnitin이 AI 글쓰기를 감지하는 방식에서 설명한다.

유사성 측면, 바꿔 쓴 텍스트도 여전히 겹친다

유사도 검사는 일치 여부를 확인하는 작업이다. Turnitin은 제출물을 웹 콘텐츠, 출판물, 그리고 이전에 제출된 논문으로 이루어진 저장소와 대조하여, 그중 얼마나 많은 부분이 이미 색인된 다른 자료와 겹치는지 보고한다. 표현을 충분히 바꾸면 비교되는 정확한 문자열이 줄어들고, 따라서 비율은 낮아진다. 이것은 실제로 일어나는 일이며, 바로 그 이유 때문에 패러프레이징 도구가 존재한다.

이 교체 과정에서 남는 것은 학생들이 과소평가하는 부분이다. 전문 용어, 고유명사, 인용된 수치와 직접 인용문은 그것들에 대한 동의어가 없기 때문에 그대로 유지된다. 연결어만 바뀌는 경우에는 문장 구조도 그대로 남는다. Turnitin은 중복을 일치 그룹으로 보고하며, 각 그룹에는 출처가 표시된다. 이것이 적절히 인용된 구절과 표현만 바꾼 구절을 구분하는 기준이다.

출처의 문장 순서와 보조 세부사항을 유지한 채 다시 표현하는 것은 patchwriting이라고 하며, 유사도 비율이 낮아지더라도 대부분의 대학 정책에서는 이를 표절의 한 형태로 다룬다. 이를 인식하도록 훈련된 평가자는 종종 눈으로 바로 알아차리는데, 이는 출처의 문단을 문단 단위로 따라가는 논증이 어휘와 무관하게 하나의 글처럼 읽히기 때문이다. 낮은 수치가 곧바로 깨끗한 작업을 뜻하는 것은 아니며, 이것이 TextPulse의 what counts as a good Turnitin score 안내가 말하는 핵심이다.

AI 측면, 동의어 치환만으로는 점수가 변하지 않는다

AI 글쓰기 지표는 결코 사용자의 문단을 어떤 출처와 대조한 적이 없으므로, 끊어야 할 동의어의 일치도 존재하지 않는다. 이 지표는 산문을 문장 단위로 채점하며, 기계 생성 글쓰기의 통계적 패턴과 얼마나 가깝게 맞는지를 본다. 여기에는 단어 예측 가능성, 문장 리듬, 그리고 언어 모델이 기본적으로 선택하는 일반적인 표현이 포함된다.

단어를 바꾸어도 그 대부분은 그대로 남는다. 문장은 길이와 순서를 유지하고, 절 사이의 상투적인 연결 요소도 그대로 유지한다. 그래서 AI 초안을 패러프레이징 도구에 넣고 AI 점수가 그대로 유지되는 것을 보는 경험이 그렇게 흔한 것이다. 어휘는 바뀌었다. 그러나 분류기가 채점하는 패턴은 바뀌지 않았으므로, 텍스트는 여전히 기계가 쓴 것으로 읽히며, 이는 Turnitin의 패러프레이즈 범주가 말하는 바와 정확히 같다.

문장 길이 분포는 재작성 후에도 유지된다

기계가 작성한 산문은 문장 길이의 좁은 범위 안에 자리 잡는다. 한 번에 하나의 토큰을 예측하는 모델은 네 번째 문장을 세 번째 문장보다 더 짧게 만들 이유가 없기 때문이다. 반대로 인간의 글쓰기는 분산된다. 열아홉 단어짜리 문장, 그다음 여섯 단어짜리 문장, 그다음에는 주장과 그 조건을 함께 담은 서른두 단어짜리 문장이 이어진다. GPTZero의 자체 설명은 이를 직접 언급하며, burstiness를 문서 전체에서 글쓰기 패턴과 텍스트 perplexities가 얼마나 달라지는지를 측정하는 지표로 정의한다.

동의어를 바꾸면 문장의 길이는 한두 단어 정도 변하고, 모든 문장도 비슷하게 작은 폭으로 변하므로, 분포의 형태는 유지된다. 수정 전에는 열여덟, 열아홉, 열일곱, 스무 단어로 이어지던 문단이, 패러프레이즈 후에도 그와 같은 평평한 양상에서 한두 단어 정도만 벗어난 범위 안에 머문다.

이는 탐지기를 거치지 않아도 측정할 수 있다. free burstiness checker는 한 구절이 지니는 문장 수준의 변동성이 얼마나 되는지를 보여 주며, 같은 문단을 패러프레이즈 전후로 이 도구에 넣어 보면 어휘는 완전히 바뀌는데도 수치는 거의 움직이지 않는다는 사실을 확인할 수 있다.

절의 순서와 전이도 그대로 유지된다

절의 순서는 패러프레이저가 그대로 두는 두 번째 구조적 특징이며, 문장 길이보다 독자에게 더 잘 드러난다. 기계가 생성한 문장은 대체로 주제를 앞에 두고, 주장을 제시한 뒤, 끝에 조건절을 덧붙이는 방식을 반복한다. "표본 크기는 제한적이었지만, 결과는 시사한다"와 "추가 연구가 필요하지만, 연구 결과는 보여준다"는 서로 다른 단어를 입은 같은 문장이다.

패러프레이징 도구는 "while"을 "although"로, "suggest"를 "show"로 바꿀 것이다. 그러나 수식이 세 줄 뒤의 짧은 별도 문장에 들어가야 한다거나, 완화 표현을 완전히 삭제해야 한다고 판단하지는 않는다. 그것은 문단이 무엇을 주장하는지에 대한 편집적 판단이며, 치환 엔진은 그 주장에 대한 관점을 갖고 있지 않다.

전환 표현은 세 번째이자 가장 눈에 띄는 요소이다. 모델은 연결부에서 however, additionally, furthermore, in addition 같은 소수의 안정적인 연결어를 사용한다. 패러프레이저는 그중 하나를 같은 집합의 다른 구성원으로 바꾸므로, 분류기는 여전히 기대되는 위치에서 기대되는 분포에 속하는 전형적인 전환 표현을 보게 된다. 그것이 재작성 이전에 이미 읽고 있던 신호이다.

분류기가 읽는 특징	패러프레이즈 처리로 변경되는가	이유
개별 단어 선택	예, 상당히	치환 엔진이 바꾸도록 설계된 유일한 특징이다
문장 길이와 그 분산	거의 아니다	치환된 단어들은 길이가 비슷하므로, 전체 양상은 유지된다
문장 내 절의 순서	드물게	재배치는 강조를 바꾸며, 의미 제약이 이를 억제한다
연결부의 연결어	같은 작은 집합 안에서 교체된다	한 전형적 전환 표현이 다른 전형적 전환 표현을 대체한다
다음 단어의 예측 가능성	약간	더 드문 동의어는 덜 예상되지만, 그 주변의 틀은 이전과 마찬가지로 예측 가능하다
구체적 근거와 세부사항	아니다	재작성은 초안에 없던 내용을 추가할 수 없다

실제로 결과를 바꾸는 것

두 시스템은 모두 같은 얕은 재작성의 서로 다른 증상에 반응하고 있으므로, 해결책도 둘 다 같습니다. 글을 바꾸어야지, 단어만 바꾸어서는 안 됩니다. 이는 문장의 내용을 다시 배열하는 것이 아니라 문장 구조를 재구성하고, 문장 길이를 의도적으로 달리하며, 모델이 기본적으로 사용하는 일반적인 연결어를 줄이고, 실제로 읽은 원자료에서만 나올 수 있을 만큼 구체적인 보조 세부 정보를 추가하는 것을 뜻합니다. 유사도는 구조가 더 이상 원문을 따라가지 않기 때문에 낮아집니다. AI 점수는 분류기가 점수화하는 패턴이 사라지기 때문에 낮아집니다.

패러프레이징 도구는 그런 작업을 할 수 없으며, 두 범주의 도구 사이의 차이는 어느 쪽에 돈을 지불하기 전에 이해할 가치가 있습니다. TextPulse는 AI humanizer versus paraphraser에서 이를 다룹니다. 초안 자체의 단어 수준 예측 가능성을 free perplexity checker로 확인하면, 점수 하나만 보는 것보다 분류기가 반응하는 패턴을 더 유용하게 볼 수 있습니다.

TextPulse의 AI humanizer for students는 문제의 구조적 측면을 다루며, 개별 단어를 바꾸는 대신 문장 리듬, 길이의 변화, 절의 순서를 재구성합니다. 이것이 동의어만 바꾸는 방식이 남겨 두는 큰 빈틈입니다. 특히 과제의 경우, humanizing an AI essay for college는 전체 작업 흐름을 끝까지 다루고, whether Turnitin detects DeepSeek는 다른 모델에 대해 같은 질문에 답합니다.

이 중 어느 것도 강좌의 AI 사용 정책이 허용하는 범위를 바꾸지 않으며, 어떤 재작성 방식도 사후에 점수를 확정적으로 바꾸지 못합니다. 무엇이든 제출하기 전에 적용할 가치가 있는 기준은, 문장마다 왜 그 작업이 지금의 내용을 그렇게 말하는지 설명할 수 있는지 여부입니다.