AI 텍스트를 인간적으로 바꾸는 방법: 완전 가이드

ChatGPT에서 나온 첫 초안은 1분도 걸리지 않아 돌아오고, 매끄럽게 읽히며, 말하고자 했던 모든 내용을 담고 있다. 문제는 그것이 ChatGPT가 돌려주는 다른 모든 초안처럼 읽힌다는 점이다. 같은 리듬, 같은 안전한 어휘, 그리고 방금 쓴 제목을 그대로 다시 말하는 습관이 그것이다. AI 텍스트를 인간적으로 보이게 만드는 법을 배우는 일은, 그것이 탐지기나 수십 개의 비슷한 초안을 이미 본 독자에게 닿기 전에 문장마다 그 획일성을 지워 내는 법을 배우는 일과 같다.

AI 텍스트를 인간적으로 보이게 한다는 것은 기계가 쓴 초안을 문장 리듬, 어휘 선택, 구조가 언어 모델의 최선의 추정치에 대한 통계적 평균이 아니라 한 사람의 글처럼 읽히도록 편집하는 것을 뜻한다. 이런 편집의 일부는 몇 분이면 끝난다. 그러나 문서 전체에 걸친 편집은 지루할 정도로 길어져서, 어떤 도구가 실제로 제 역할을 하게 된다. 이 안내서는 도움이 되는 순서대로 두 가지를 다룬다. 먼저 수동 편집, 그다음 AI humanizer 도구가 수동 편집만으로는 끝내지 못한 부분을 어떻게 보완하는지 살펴본다.

영국식 철자로 "humanise AI"를 검색한 사람을 위한 짧은 참고로, 기법은 완전히 같고, 달라지는 것은 철자뿐이다.

왜 AI 텍스트는 매번 똑같이 들리는가?

그 작동 방식은 언어 모델이 다음에 올 가능성이 가장 높은 단어를 수천 번 예측하면서 글을 쓴다는 데 있다. 그래서 매끄럽고 안전한 글이 나온다. 문장은 대체로 비슷한 길이를 띠고, 문단은 제목을 되풀이하는 말로 시작하며, 전환은 몇 개 되지 않는 연결어에 의존한다. 이 모든 것은 결함이 아니다. 대규모로 기대되는 단어를 최적화할 때 생기는 결과다.

이 모든 내용은 how AI detectors work에 관한 우리의 관련 글에서 자세히 설명한다. 여기서는 이해하는 데 중요한 점에 집중한다. 아래의 각 편집은 모델이 어쩔 수 없이 만들어 낸 패턴을 깨뜨린다. 그러나 어느 것도 모델이 관여했다는 사실을 숨기지는 못한다. 문장 수준의 편집으로는 그 사실을 없앨 수 없기 때문이다. 탐지기가 백분율을 보여 주기 전에 계산하는 가장 흔한 두 지표는 perplexity와 burstiness다.

리듬을 깨라, 문장 길이와 구조를 바꿔라

가장 분명한 신호는 문장 리듬이다. 모델은 한 번에 하나의 토큰만 예측할 수 있다. 모델이 두 번째 문장보다 세 번째 문장을 더 짧게 만들 동기는 없다. 그리고 그대로 두면, 문단은 일정한 길이와 형태로 수렴한다. 다음은 평탄한 연속의 예이다. "The results of the study were statistically significant. The findings support the original hypothesis. The data was analyzed using standard methods." 길이가 같고, 매번 같은 방식으로 시작하는 평탄한 세 문장이다.

이를 분절하면 같은 정보가 다음과 같이 읽힌다. "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." 이제 하나의 문장이 주장과 그 복잡성을 함께 담고 있으며, 쉼표 하나가 이전에는 평탄한 세 문장이 각각 맡았던 일을 수행한다. 이러한 불균형이 문단을 점수화할 때 burstiness checker가 측정하는 것이다. 또한 이것은 이 목록에서 가장 빠른 수정인데, 이미 쓴 절들을 재배열하는 것이지 새로운 내용을 만들어내는 것이 아니기 때문이다.

구조의 다른 절반은 핵심이 어디에 놓이는가이다. 모델은 대체로 핵심에 이르기까지 내용을 쌓아 올리거나, 그것을 종속절 속에 묻는 경향이 있다. 구체적 주장은 앞에 두고, 조건은 뒤에 두는 편이 더 잘 읽힌다. "Although sample sizes varied across sites, the effect held"는 "The effect held at every site, even though two of them ran a third of the planned sample."보다 더 안전하고 더 모호하다. 주장을 먼저 두면, 단서는 완화가 아니라 증거가 된다.

정체를 드러내는 단어를 줄여라

어떤 단어들은 인간이 쓴 텍스트보다 기계가 생성한 초안에서 훨씬 더 자주 나타난다. 그것은 그 단어들이 틀려서가 아니라, 형식적 문체에 대한 모델의 확률 분포에서 매우 적절하기 때문이다. help 대신 facilitate. strong 대신 robust. many 대신 myriad. show 대신 underscore. 이들 중 어느 것도 잘못된 것은 아니다. 다만 모두 가장 안전하고 가장 평균적인 선택일 뿐이며, 바로 그렇기 때문에 모델은 그것들을 가장 먼저 선택한다.

평평한 문장은 이렇게 읽힌다. "The study employed a robust methodology to facilitate a wide-ranging understanding of the myriad factors involved." 같은 주장도, 사람이 실제로 고를 법한 말로 바꾸면 이렇게 된다. "The study used a mixed-methods design to work out which of several factors mattered most." 두 번째 버전이 덜 정확한 것은 전혀 아니다. 다만 덜 평범할 뿐이다.

robust를 strong으로 바꾼다고 해서 문장 길이가 달라지지도 않고, 탐지기가 실제로 점수화하는 리듬도 건드리지 않는다. 단어를 바꾸는 것만으로는 그다지 많은 것이 달라지지 않는다. 이 점을 알면, 유의어 사전식 치환만으로는 추가 편집 없이 끝까지 갈 수 있다고 생각하는 일을 경계하는 데 도움이 된다. 또한 인간 독자가 산문이 덜 애쓰고 있다는 점을 알아차리는 데도 도움이 된다. 위에서 말한 구조적 수정은 여전히 그와 함께 이루어져야 한다. 문단을 AI word cleaner에 돌리면 단어 수준의 신호를 빠르게 잡아낼 수 있다.

탐지기와 독자 모두가 알아차리는 문장부호 습관을 고치기

문장부호에도 고유한 특징이 있다. 하나나 두 개의 기호에 지나치게 의존하고, 일반적인 글쓰기보다 훨씬 더 자주 그 기호들을 사용한다. 가장 흔한 경우는 쉼표, 마침표 또는 콜론으로도 충분한 곳에 범용 연결 기호처럼 쓰인 대시이다. 문단이 매 세 번째 문장마다 같은 기호를 집어 들려고 하면, 그것은 반복적으로 느껴지기 시작하고 문체라기보다 습관처럼 들리게 된다.

세미콜론과 콜론도 마찬가지로 과도하게 사용되며, 보통은 두 개의 절을 연결하지만 두 문장으로 읽는 편이 더 자연스러운 경우가 많다. "The results were mixed; some participants improved while others showed no change"는 문법적으로는 문제가 없지만 문체적으로는 진부하다. 같은 정보를 두 문장으로 나누면 더 여유 있게 읽힌다. "The results were mixed. Some participants improved. Others showed no change at all." 문단을 소리 내어 읽으면 이런 문제의 대부분을 잡아낼 수 있는데, 눈보다 귀가 먼저 반복되는 리듬을 알아차리기 때문이다.

em dash remover는 이 단계의 기계적인 부분을 몇 초 만에 처리한다. TextPulse의 자체 문체 규정은 이 문자를 아예 금지하며, 이 안내문도 같은 규칙을 따른다. 한 문장이 하나의 절로 더 잘 작동하는지, 아니면 두 개로 나누는 것이 더 나은지에 대한 판단은 여전히 사람이 해야 한다.

일반적인 문장을 구체적인 문장으로 바꾸기

이 목록의 마지막 수정은 가장 오래 걸리며, 가장 중요하다. 언어 모델은 사용자의 실제 프로젝트를 기억하지 못하므로, 가장 안전한 표현으로 기본 설정된다. 즉, 유능하지만 모호하고, 같은 주제의 거의 모든 논문에 적용될 수 있는 표현이다.

"The intervention was found to have a positive effect on student outcomes." 수동적이고, 일반적이며, 백 가지가 넘는 서로 다른 연구를 설명할 수 있다. "The tutoring program raised test scores by roughly half a grade, but only for students who attended more than six sessions." 능동적이고, 구체적이며, 오직 사용자의 연구만을 설명할 수 있다. 또한 더 길고, 독자가 믿게 되는 문장이다. 모델은 여섯 번의 세션이라는 세부 사항을 스스로는 결코 추측하지 못하기 때문이다. 데이터를 지켜보던 사람이 먼저 그것을 알아차려야 했다.

이것은 humanizer tool을 포함하더라도 언어 모델이 사용자를 위해 할 수 없는 수정이기도 하다. 도구는 문장의 길이를 바꾸고 어휘를 바꿀 수는 있지만, 흥미로운 일이 일어났을 때 그 자리에 있지 않았으므로, 사용자가 주지 않은 세부 사항을 건네줄 수는 없다. 다시 rewriter를 거치지 말고, 메모로 돌아가야 한다.

수동 편집으로는 고칠 수 없는 것

위의 모든 수정은 무료이며, 단일 문단에서는 몇 분밖에 걸리지 않는다. 솔직한 문제는 길이다. 토론 게시물에 대한 다섯 문단짜리 답변은 손으로 하면 15분짜리 작업이다. 같은 수준의 주의를 기울여 다시 쓴 40쪽 분량의 논문 장은 며칠이 걸리는 작업이며, 한 장에 그렇게 많은 시간을 쓸 수 있는 사람은 거의 없다.

아래 표는 측정값이 아니라 계획용 안내이다. 시간은 평균적인 학술 문체를 기준으로 한 작업 추정치이며, 글이 얼마나 밀도 높은지에 따라 달라진다.

수동 편집	수정되는 내용	소요 시간	수정되지 않는 내용
문장 길이와 구조를 다양화한다	균일한 리듬, 가장 강한 burstiness 신호	1,000단어당 약 10분에서 15분	리듬 변화만으로는 건드리지 못하는 단어 수준의 단서
상투적 어휘를 줄인다	신중한 독자가 반쯤 알아차리는 개별 단어	찾기 작업을 포함해 5분에서 10분	단어 주위에 자리한 평평한 문장 리듬
구두점 습관을 고친다	대시나 세미콜론의 연쇄처럼 반복되는 기호	약 5분	표면 아래의 모든 것, 이 작업은 외형만 다룬다
구체적인 세부사항을 추가한다	해당 주제의 어떤 논문에도 들어갈 수 있는 일반적 주장	1,000단어당 20분에서 30분, 세부사항을 찾아내야 한다면 더 오래 걸린다	실제로 추가할 세부사항이 있다면 아무것도 아니다
humanizer 도구로 전체를 한 번 훑는다	문서 전체의 일관성, 빠르고, 긴 초안의 첫 번째 작업으로 유용함	1분 이내, 여기에 자신의 검토 시간이 추가된다	특정 detector에 대한 확실성, 그리고 도구에 제공되지 않은 모든 세부사항

다섯 개의 행 중 어느 것도 긴 문서를 완전히 해결하지는 못한다. 그래서 다음 절이 필요한 것이다.

AI humanizer 도구가 실제로 제 역할을 하는 지점

전용 AI humanizer 도구(때로는 ChatGPT humanizer로 판매되는데, 대부분의 초안이 여기서 시작되기 때문이다)는 이러한 편집을 함께 적용한다, 리듬과 어휘를, 커피를 만드는 데 걸리는 시간 안에 문서 전체에 걸쳐 완전히 적용하며, 15분에 한 단락씩 처리하는 방식이 아니다. 무엇이라고 부르든, AI humanizer 도구, AI text humanizer, AI paragraph rewriter 또는 AI to human text converter, 좋은 도구들은 같은 일을 한다. 문장의 형태와 단어 선택을 바꾸면서 의미는 유지한다. 표현이 얼마나 크게 이동하는지는 구절마다 다르다.

TextPulse는 이런 방식으로 작동합니다. 전체 초안을 다시 작성하고, 동일한 신호들로 계산한 추정 Human Score를 반환할 뿐이며, 특정 탐지기가 이를 통과할 것이라는 약속은 아닙니다. 이러한 주의는 우리만의 것이 아닙니다. Grammarly의 자체 AI humanizer 페이지는 그 도구가 "not intended to bypass AI detectors,"라고 분명히 밝히며, 이는 어떤 humanizing 처리도 정직하게 약속할 수 있는 바를 공정하게 설명한 것입니다. 만약 AI 텍스트를 undetectable하게 만들고자 이곳에 왔다면, 솔직한 답은 어떤 수정도 어떤 도구도 그것을 보장할 수 없다는 것입니다. 탐지기들은 서로 일치하지 않으며 예고 없이 바뀌기 때문입니다.

책임 있는 AI humanizer 도구는 빠른 첫 번째 처리를 제공하고, 작업의 기준이 되는 점수를 제시할 수 있습니다. 목표는 AI 점수를 직접 속이는 것이 아니라, 패턴을 덜 균일하게 만들어 AI 점수를 낮추는 것입니다. AI rewrite는 문서 수준에서 세심한 수작업 편집이 문단 수준에서 하는 것과 같은 것을 목표로 합니다. 위 섹션에서 구체적이고 인간적인 세부사항을 손으로 추가하십시오. 흥미로운 일이 일어났을 때 그 자리에 도구는 없었기 때문입니다.

마감이 있는 프로젝트를 진행 중이라면, AI humanizer for students를 사용할 수 있습니다. 이 도구는 같은 메커니즘을 사용하지만 학술적 관례를 이미 고려합니다. 순서는 도구보다 더 중요합니다. 신중한 문체의 일반적인 문장도 여전히 일반적이기 때문입니다. 구체적 세부사항을 손으로 추가하는 처리는 여전히 필요합니다.

다음 10분 안에 AI 텍스트를 humanize하는 방법

위의 수정 사항을 순서대로 놓으면, 그것들은 암기해야 할 체크리스트가 아니라 짧은 절차가 됩니다. 한 페이지, 대략 300 to 400 words에 적용하면, 10분이 어떻게 나뉘는지는 다음과 같습니다.

1. 문단을 한 번 소리 내어 읽고, 길이나 형태가 바로 옆 문장과 똑같이 들리는 모든 문장을 표시하라.
2. 가장 평평한 문장 두세 개를 나누고, 각 문장의 핵심 주장을 앞부분으로 옮겨라.
3. facilitate, robust, myriad, underscore 같은 상투적 어휘를 찾아, 실제로 말할 법한 더 평이한 단어로 바꿔라.
4. 반복되는 대시와 세미콜론을 제거하거나 다른 것으로 바꾸고, 각 수정본을 소리 내어 읽어 여전히 자연스럽게 들리는지 확인하라.
5. 문단마다 하나씩 구체적인 세부사항, 숫자, 이름, 한계 같은, 실제로 그 일을 한 사람만 알 수 있는 내용을 다시 넣어라.
6. 초안이 한두 쪽보다 길다면, 먼저 AI humanizer tool로 한 번 돌린 뒤, 여전히 평평하게 읽히는 부분에 대해 1단계부터 5단계까지를 다시 반복하라.

여기서 몇몇 주제는 각각 별도의 페이지로 이어진다. 이러한 도구가 실제로 전혀 작동하는지와 채점 대상 과제에 사용하는 것이 안전한지는 서로 다른 질문이며 답도 다르고, Turnitin이 humanized text를 어떻게 처리하는지는 제출된 뒤에 일어나는 세 번째 문제이다. 더 좁은 문제에 대해서는 AI 점수를 낮추는 방법과 ChatGPT 출력을 문단별로 편집하는 방법에 대한 단계별 글이 있다.

이 중 어느 것도 탐지 불가능한 글쓰기를 만들어 내지 않으며, 정직한 안내라면 그렇게 약속해서도 안 된다. 이것이 만들어 내는 것은 실제로 10분을 들였다는 인상을 주는 글이며, 그것이 더 지속 가능한 목표이다. 독자는 탐지기가 그것을 보든 보지 않든, 구체적이고 불균질한 산문을 신뢰한다.