Eksperckie artykuły o tym, jak uhumanizować tekst AI, uzyskiwać niskie wyniki wykrywania AI, zachowywać cytowania i pisać lepsze prace naukowe.
Badanie Stanford z 2023 roku wykazało, że detektory AI znacznie częściej błędnie odczytują płynne teksty po angielsku autorstwa osób niebędących native speakerami jako wygenerowane przez maszynę niż teksty native speakerów. Oto mechanizm stojący za tą różnicą oraz to, co się stało, gdy te same eseje przepisano z bogatszym słownictwem.
Burstiness mierzy, jak szeroko długości zdań wahają się w tekście, a nie jak długa jest przeciętna długość zdania. Ten wpis wyjaśnia, skąd pochodzi to pojęcie, jak rzeczywiście oblicza się rozrzut i dlaczego wynik modelu językowego zwykle osadza się w wąskim przedziale długości.
Perplexity to liczba, którą model językowy wytwarza, aby opisać, jak bardzo zaskoczyły go Twoje wybory słów. Ten wpis śledzi tę miarę od jej pochodzenia w 1977 roku, przechodzi przez wzór i wyjaśnia, dlaczego ten sam fragment może uzyskać inny wynik w zależności od tego, który model go odczytuje.
Dostawcy publikują wskaźniki fałszywych alarmów poniżej 1 procenta. Niezależni badacze testujący te same detektory na tekstach pisanych przez osoby niebędące native speakerami języka angielskiego stwierdzili wskaźniki powyżej 60 procent. Oto, co pokazują dowody.
Detektory AI nie rozpoznają tekstu maszynowego tak, jak robi to czytelnik. Mierzą, jak przewidywalny jest twój tekst, a następnie przekształcają to w wynik. Gdy to się zrozumie, zarówno technologia, jak i jej ograniczenia stają się bardziej zrozumiałe.
Wpisy bez tłumaczenia w Twoim języku są dostępne na angielskim blogu.