Jak obniżyć wynik wykrywania AI

Student przepuszcza akapit przez detektor, widzi wynik 82 procent, zamienia kilkanaście słów na synonimy, nie zmieniając ani jednego zdania, i sprawdza ponownie. Liczba ledwie się zmienia. Cała historia jest taka, że niektóre poprawki prawie nic nie zmieniają, a jedna zmienia więcej niż wszystkie pozostałe razem, z powodów, które nie mają nic wspólnego z przechytrzaniem oprogramowania.

Ten tekst wyjaśnia, jak obniżyć AI score w kolejności, która rzeczywiście ma znaczenie: które poprawki ledwie się rejestrują, które wyraźnie zmieniają liczbę, a które zmieniają ją najbardziej, i dlaczego. Omawia też, co ta liczba faktycznie mierzy, ponieważ niższy wynik warto chcieć z realnego powodu, jaśniejszego, bardziej precyzyjnego pisania, a nie jako słabego celu samego w sobie.

Co właściwie mierzy AI Score

Model językowy pisze, przewidując najbardziej prawdopodobne następne słowo, raz za razem, co wytwarza specyficzny odcisk statystyczny: długości zdań, które skupiają się wokół siebie, przejścia czerpane z niewielkiego zestawu bezpiecznych opcji, wybory słów, które leżą blisko środka tego, czego oczekuje się w danym kontekście. Wynik wykrywania AI jest szacunkiem tego, jak ściśle dany fragment odpowiada temu odciskowi, wytworzonym przez klasyfikator wytrenowany do jego rozpoznawania, a nie faktem o tym, kto wpisał zdanie.

Detektory nie definiują tej liczby w ten sam sposób. Turnitin stwierdza wprost, że jego procent „oznacza ilość kwalifikującego się tekstu w ramach zgłoszenia, którą model wykrywania pisania przez AI Turnitin uznaje za prawdopodobnie wygenerowaną przez AI”, i wyraźnie zaznacza, że jest to udział oznaczonego tekstu, a nie prawdopodobieństwo ani wynik ufności. Inne detektory podają coś bliższego wartości ufności dla samego zdania. Tak czy inaczej, pełne wyjaśnienie mechaniki stojącej za tymi liczbami warto przeczytać w jak działają detektory AI. To, co ma tu znaczenie, jest prostsze: liczba jest zawsze estymacją statystyczną, a każda z poniższych zmian działa przez modyfikację statystyk, które ma ona odczytywać, a nie przez ukrywanie faktu, że uczestniczył w tym model.

Podmiany synonimów ledwie zmieniają wynik AI

Zastąpienie słowa mniej powszechnym synonimem prawie nic nie zmienia w wzorcu, który klasyfikator ocenia, ponieważ nie narusza długości zdania, struktury zdań składowych ani rytmu. Model wytrenowany do rozpoznawania jednolitej budowy zdań nie ma znaczenia, czy zdanie zawiera enables czy allows. Liczy się dla niego to, że trzy zdania z rzędu mają niemal tę samą długość i zaczynają się w ten sam sposób.

Płaskie zdanie brzmi: „The platform enables users to efficiently accomplish routine tasks without additional training.” Po podmianie słowo w słowo staje się: „The platform allows users to efficiently complete routine tasks without extra training.” Ta sama długość, ta sama kolejność zdań składowych, ten sam rytm. Czytelnik może zauważyć nieco inne słowo. Klasyfikator oceniający wzorce na poziomie zdania w obrębie akapitu ma prawie nic nowego do wykorzystania.

Nie jest to argument przeciwko poprawianiu słownictwa stockowego. Słowa takie jak facilitate, robust i myriad warto usuwać, ponieważ uważny czytelnik je zauważa, a bezpłatny AI word cleaner wychwytuje większość z nich w kilka sekund. Jest to argument przeciwko oczekiwaniu, że ten etap wykona najcięższą pracę. Jeśli wynik ledwo się zmienia po etapie słownictwa, jest to oczekiwany rezultat, a nie znak, że etap się nie powiódł.

Różnorodność zdań przesuwa to dalej

Model przewiduje jeden token naraz i nie ma wbudowanego powodu, by zdanie trzecie było krótsze niż zdanie drugie, więc pozostawiony sam sobie akapit osiada w wąskim zakresie długości i kształtu. Ta regularność, a nie pojedyncze słowo, jest silniejszym sygnałem, ponieważ klasyfikator wytrenowany na wyjściu maszynowym widział ten wzorzec tysiące razy.

Trzy płaskie zdania brzmią: "The results were significant. The findings supported the hypothesis. The data was analyzed using standard methods." Po przekształceniu dla większej różnorodności ten sam treściowo fragment brzmi: "The results were significant, and they supported the hypothesis, though the standard analysis needed a second pass once two of the outlying cases were removed." Jedno zdanie niesie teraz jednocześnie tezę i jej komplikację, z rzeczywistą zmiennością długości oraz struktury zdań w całym akapicie. To właśnie mierzy burstiness checker, gdy ocenia nierównomierność, i dlatego ta redakcja przesuwa wynik bardziej niż etap słownictwa.

Nic z tego nie jest trudne do wykonania ręcznie na jednej lub dwóch stronach. Przeczytaj akapit na głos, zaznacz każdy ciąg dwóch lub trzech zdań, które brzmią podobnie pod względem długości i kształtu, a następnie rozdziel jedno z nich albo połącz dwa w jedno, używając przecinka, który rzeczywiście wykonuje pracę. Zmiany na poziomie zdań, stojące za tą sekcją, są omówione krok po kroku, z dodatkowymi opracowanymi przykładami, w pełnym omówieniu tego, jak humanizować tekst AI.

Twoje własne dowody najsilniej wpływają na wynik AI

Model językowy nie ma dostępu do tego, co rzeczywiście wydarzyło się w Twoim projekcie. Poproszony o napisanie o badaniu, domyślnie wybiera najbezpieczniejsze sformułowanie, które pasuje do niemal każdego badania na ten sam temat, ponieważ to jest jedyny materiał, jaki posiada. Zdanie zawierające konkretne twierdzenie z konkretnego źródła nie jest zdaniem, które model wytworzyłby wyłącznie na podstawie promptu, a ta różnica najbardziej wpływa na wynik.

Zdanie ogólne: "The intervention had a positive effect on outcomes for participants." Mogłoby ono opisywać setki badań. Przepisane z użyciem własnego materiału autora: "Attendance records showed the effect held only for students who came to more than six sessions, a threshold the original design had not anticipated." Dłuższe, bardziej szczegółowe i mogłoby opisywać wyłącznie to badanie. Model referencyjny poproszony o kontynuację tego samego promptu nie odgadłby szczegółu dotyczącego sześciu sesji, ponieważ nic w promptcie nie sugerowało, że taki szczegół istnieje.

To jest również taka poprawka, która najbardziej ulepsza tekst niezależnie od tego, co raportuje jakikolwiek detektor, i właśnie nad tym warto się zatrzymać. Konkretna liczba, nazwana ograniczenie, źródło zacytowane bezpośrednio zamiast sparafrazowanego do niejasnego twierdzenia: takie elementy czynią akapit bardziej przekonującym dla osoby, która go czyta, a fakt, że jednocześnie wpływają na wynik, jest raczej efektem ubocznym niż celem.

Zmiana	Typowy wpływ na wynik	Dlaczego
Zastąpienie słów synonimami	Niewielki lub żaden	Długość zdań, struktura i rytm pozostają takie same
Zróżnicowanie długości i struktury zdań	Umiarkowany do dużego	Przerywa jednolity wzorzec, który klasyfikator jest trenowany rozpoznawać
Dodanie własnych dowodów lub twierdzeń	Największy	Wprowadza treść, której model nie miał sposobu wytworzyć wyłącznie z promptu

Jak obniżyć wynik AI bez gonienia za niewłaściwym celem

Każda liczba podana powyżej jest szacunkiem, a nie werdyktem. Turnitin mówi to samo w swojej dokumentacji, stwierdzając, że jego wykrywanie pisania przez AI "may not always be accurate" oraz "should not be used as the sole basis for adverse actions against a student." Wynik może się zmieniać z powodów, które nie mają nic wspólnego z autorstwem, i może pozostawać bez zmian w przypadku tekstu napisanego przez osobę od podstaw. Traktowanie liczby jako faktu o tym, kto napisał zdanie, jest źródłem większości niepokoju wokół tego tematu, a nie jest tym, za co ta liczba się podaje.

To także dlatego obniżanie wyniku jest samo w sobie słabym celem. Gonienie za liczbą może skłonić autora do poprawek, które najłatwiej zautomatyzować, przeglądu słownictwa, kilku przestawionych zdań podrzędnych, przy jednoczesnym pominięciu tego, co najważniejsze, czyli dodania konkretnego materiału, który ma wyłącznie autor. Niższy wynik uzyskany w ten sposób jest wart posiadania.

Gonienie za niższym wynikiem może też popchnąć akapit w niewłaściwym kierunku stylistycznym: ostrożne zastrzeganie każdego twierdzenia, nakładanie na siebie kwalifikatorów, dodawanie zdań wypełniających, które istnieją tylko po to, by rozbić rytm, a nie po to, by coś powiedzieć. Nic z tego nie naprawia podstawowego wzorca, a wszystko to pogarsza lekturę akapitu. Poprawki, które rzeczywiście zmieniają wynik, zróżnicowanie zdań i konkretne dowody, są zarazem poprawkami, które czynią tekst lepszym samym w sobie, co stanowi użyteczny punkt odniesienia, gdy poprawka zaczyna przypominać wypełniacz, a nie ulepszenie.

AI humanizer TextPulse AI humanizer stosuje powyższe poprawki na poziomie zdań i struktury do całego dokumentu naraz, a następnie podaje szacowany Human Score obliczony na podstawie tych samych sygnałów, a nie twierdzenie, że jakikolwiek wskazany detektor go zaakceptuje. Użyty właściwie, stanowi szybki pierwszy etap pracy nad długim dokumentem. Nadal nie może dodać jednej rzeczy, która najbardziej zmienia wynik, ponieważ nigdy nie było go w pomieszczeniu, gdy wykonywano właściwą pracę. Ta część pozostaje po stronie autora.

Najpierw warto rozstrzygnąć dwa wcześniejsze pytania: czy AI humanizers w ogóle działają oraz czy są bezpieczne w użyciu w pracy, którą zamierza się złożyć.

Kolejność powyżej jest również listą priorytetów określającą, gdzie najlepiej przeznaczyć ograniczony czas przed terminem. Pomiń etap sprawdzania synonimów, jeśli czasu jest mało. Nie pomijaj akapitu, w którym dodajesz z powrotem szczegół, którego nikt inny nie mógłby napisać, ponieważ to właśnie ta poprawka jest jedyną zmianą, której żadne oprogramowanie do przepisywania nie może wykonać za Ciebie.