Artigos especializados sobre como humanizar texto de IA, manter citações, pontuar baixo em detectores de IA e escrever melhores trabalhos acadêmicos.
Um estudo de Stanford de 2023 constatou que detectores de IA liam erroneamente textos fluentes em inglês de falantes não nativos como gerados por máquina em uma taxa muito maior do que textos de falantes nativos. Aqui está o mecanismo por trás dessa diferença, e o que aconteceu quando os mesmos ensaios foram reescritos com vocabulário mais rico.
Burstiness mede o quanto os comprimentos das frases oscilam ao longo de uma passagem, e não o tamanho da frase média. Este texto explica de onde vem o termo, como a dispersão é de fato calculada e por que a saída de um modelo de linguagem tende a se acomodar em uma faixa estreita de comprimentos.
Perplexidade é o número que um modelo de linguagem produz para descrever o quão surpreso ele ficou com suas escolhas de palavras. Este texto traça a métrica até sua origem em 1977, percorre a fórmula e explica por que a mesma passagem pode receber pontuações diferentes dependendo de qual modelo está fazendo a leitura.
Os fornecedores publicam taxas de falsos positivos abaixo de 1 por cento. Pesquisadores independentes que testaram os mesmos detectores em textos em inglês de falantes não nativos encontraram taxas acima de 60 por cento. Veja o que as evidências mostram.
Os detectores de IA não reconhecem a escrita de máquina do modo como um leitor reconhece. Eles medem o quão previsível seu texto é e, então, transformam isso em uma pontuação. Quando isso fica claro, tanto a tecnologia quanto suas falhas passam a fazer mais sentido.
As publicações sem tradução no seu idioma estão no blog em inglês.