De ce detectoarele AI sunt părtinitoare împotriva scriitorilor de engleză non-nativi

Detectoarele AI părtinitoare împotriva vorbitorilor non-nativi nu reprezintă o plângere subiectivă. Un studiu Stanford din 2023, evaluat de colegi, a măsurat acest lucru direct. Cercetătorii au rulat șapte detectoare GPT utilizate pe scară largă împotriva a 91 de eseuri TOEFL reale, scrise de vorbitori non-nativi de engleză, și a 88 de eseuri scrise de elevi americani de clasa a opta, apoi au comparat modul în care a fost evaluat fiecare grup.

Detectoarele au citit eseurile de clasa a opta corect aproape de fiecare dată. În cazul eseurilor TOEFL, scrise de adulți care trecuseră deja un examen de competență în limba engleză la nivel de studii postuniversitare, aceleași șapte instrumente au indicat o rată medie de fals pozitiv de 61.22 percent. Optzeci și nouă dintre cele nouăzeci și unu de eseuri, aproape 98 percent, au fost marcate ca fiind generate de AI de cel puțin unul dintre cele șapte instrumente.

Prezentarea generală a TextPulse asupra dovezilor mai ample privind acuratețea detectoarelor AI acoperă această constatare principală și procesele juridice în care a fost ulterior invocată. Ceea ce este omis aproape peste tot unde studiul este citat este mecanismul, de ce proza unui vorbitor de engleză la nivel de studii postuniversitare este citită, în primul rând, ca fiind produsă de o mașină și ce se schimbă atunci când încetează să mai fie citită astfel.

Detectoare AI părtinitoare împotriva vorbitorilor non-nativi, mecanismul

Un detector nu citește niciodată pentru sens. El citește cât de previzibil este fiecare cuvânt, având în vedere cuvintele care l-au precedat, și acordă unui pasaj un scor scăzut atunci când modelul ar fi putut ghici cea mai mare parte din el dinainte. Diversitatea lexicală, cât de larg este vocabularul pe care îl folosește un autor, în loc să repete un set mai mic de cuvinte sigure, și predictibilitatea sintactică, cât de strâns urmează structura propoziției modelul cel mai comun al limbii, în loc să îl varieze, sunt două proprietăți ale producției lingvistice care coboară acest scor.

Distincția contează deoarece cele două apar diferit pe pagină. Diversitatea lexicală se referă la cuvintele însele: un autor care alege „obtain”, „acquire” și „secure” în trei propoziții diferite pare mai variat decât unul care scrie „get” de trei ori, chiar și atunci când propozițiile sunt altfel identice. Predictibilitatea sintactică se referă la structură: subiect, verb, obiect, repetate iar și iar, mai degrabă decât o propoziție care începe cu o propoziție subordonată sau se încheie cu un cuvânt neașteptat. Un autor care scrie într-o a doua limbă, în condiții de examen, are toate motivele să adopte varianta mai sigură a ambelor.

Scrierea în a doua limbă prezintă în mod constant mai puțin din ambele, și nu ca o deficiență. Un autor care operează într-o limbă suplimentară se sprijină pe vocabularul și tiparele de propoziție cel mai probabil să fie corecte, deoarece a ghici greșit costă mai mult atunci când limba nu este încă pe deplin automată. Lucrarea Stanford care a documentat biasul detectorului citează un corpus de cercetări de lingvistică aplicată despre exact acest tipar, stabilit cu mult înainte ca detectorii AI să existe: bogăție lexicală redusă, diversitate lexicală redusă și structură de propoziție mai simplă sunt trăsături documentate, măsurabile ale scrierii în a doua limbă, nu un semn al altceva.

Această diferență dintre scrierea nativă și cea non-nativă apare ca o diferență de perplexity, aceeași măsurătoare pe care o folosește un detector pentru a decide dacă un pasaj a fost generat de mașină. Un perplexity mai mic se citește ca fiind mai asemănător cu cel al unei mașini, indiferent cine l-a produs, iar scrierea în a doua limbă se situează mai jos pe acea scară din motive care nu au nicio legătură cu un chatbot. Dacă această diferență este într-adevăr ceea ce determină detectorii, și nu o coincidență, este o întrebare testabilă. Echipa Stanford a testat-o direct.

Ce S-a Întâmplat Când Aceleași Eseuri Au Fost Rescrise Cu Vocabular Mai Bogat

Cercetătorii au luat aceleași 91 de eseuri TOEFL care declanșaseră o rată medie de fals pozitiv de 61.22 percent și i-au cerut lui ChatGPT să le revizuiască folosind o singură instrucțiune: "Îmbunătățește alegerile de cuvinte pentru a suna mai mult ca ale unui vorbitor nativ." Nu s-a cerut nicio modificare a conținutului, argumentului sau gramaticii. După acea singură editare, rata medie de fals pozitiv pe aceiași șapte detectoare a scăzut la 11.77 percent, o reducere de aproape cincizeci de puncte procentuale, iar numărul de eseuri pe care fiecare detector le-a semnalat în unanimitate a scăzut de la optsprezece la unu.

Cercetătorii au rulat apoi experimentul în sens invers. Au luat cele 88 de eseuri de clasa a opta scrise de vorbitori nativi, pe care detectoarele le evaluaseră inițial corect aproape de fiecare dată, și i-au cerut lui ChatGPT să le simplifice alegerile de cuvinte ca și cum ar fi fost scrise de un vorbitor non-nativ. Rata medie de fals pozitiv pentru aceleași eseuri scrise de vorbitori nativi a crescut de la 5.19 percent la 56.65 percent. Eseurile nu și-au schimbat autorul. S-a schimbat doar vocabularul, iar detectoarele au urmat vocabularul.

Perplexity s-a mișcat în pas cu rata de clasificare eronată în ambele direcții, a crescut brusc când eseurile TOEFL au fost îmbogățite și a scăzut brusc când eseurile de clasa a opta au fost simplificate. Autorii trag din aceasta o concluzie directă: ceea ce detectoarele răspundeau de fapt nu a fost niciodată autoratul. A fost alegerea cuvintelor, o proprietate pe care vocabularul oricărui scriitor o poate purta, indiferent unde a învățat engleza.

Cât de consecventă este părtinirea între detectoare diferite

Cele șapte detectoare nu au fost de acord asupra multor lucruri, cu excepția direcției în care mergea eroarea. Fiecare dintre ele a semnalat eseurile TOEFL mult mai des decât eseurile de clasa a opta, dar în proporții foarte diferite.

Detector	Rata de fals pozitiv, eseuri TOEFL	Rata de fals pozitiv, eseuri ale vorbitorilor nativi
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
OpenAI's detector	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

Acestea sunt cifre din 2023, măsurate pe instrumentele așa cum existau atunci. De atunci, mai multe s-au schimbat complet: OpenAI și-a închis propriul detector în iulie 2023, la patru luni după acest test, după ce a constatat că eticheta corect doar 26 la sută din textul real scris de AI, în timp ce încă eticheta greșit 9 la sută din scrierea umană. Ceea ce nu s-a schimbat este direcția diferenței. Un reper de părtinire mai amplu, construit special pentru a testa detectoarele pe categorii demografice și lingvistice, publicat în decembrie 2025 și aplicat la patru instrumente open-source mai noi, a raportat totuși un recall constant mai scăzut pentru grupurile de scriitori subreprezentați.

Apare încă această părtinire în detectoarele mai noi?

Studiul Stanford este acum vechi de mai multe generații de AI, iar chiar autorii săi au numit ei înșiși limita: un eșantion pilot mic și detectoare construite în principal pe GPT-2, un model mult mai mic și mai vechi decât cel care stă la baza detecției de astăzi. Aceasta ridică o întrebare legitimă. A închis tehnologia mai bună diferența?

Cea mai recentă testare dedicată spune că nu încă. Într-un studiu din februarie 2026 realizat la Sultan Qaboos University, cercetătorii au testat doi detectoare comerciale actuale, Turnitin și Originality, pe 192 de texte care combinau scriere autentică a studenților EFL de dinainte de ChatGPT, scriere umană profesională, text generat de AI și text hibrid om AI. Rezultatele au arătat o acuratețe generală de 69 percent și 61 percent pentru cele două instrumente, iar acuratețea pe categoria hibridă, tipul de scriere pe care îl produce de fapt o trecere de editare, a coborât aproape de zero. Același studiu a dezvăluit și o a doua părtinire care funcționează în paralel cu cea lingvistică, acuratețea pentru scrierea științifică a fost cu 28 to 38 puncte procentuale mai mică decât pentru scrierea din științele umaniste.

Niciuna dintre constatări nu privește un singur produs defect. Două arhitecturi diferite de detectare, testate la interval de trei ani pe corpusuri diferite de echipe de cercetare diferite, ajung în continuare la același rezultat, scrierea modelată de convenția de gen sau de o a doua limbă se apropie mai mult de ceea ce aceste instrumente numesc făcut de mașină decât scrierea care nu este nici una, nici alta. TextPulse's free tools îi permit unui autor să verifice același profil statistic înainte ca vreun text să ajungă la detectorul unei instituții.

Dovezi independente că diferența este reală, nu un artefact al testării

Prima problemă cu rezultatele TOEFL este că s-ar putea susține că ele se aplică doar unui mic studiu pilot din 2023. Acest lucru a fost răspuns de aceeași echipă de cercetare într-un alt studiu care folosește date care nu au nicio legătură cu detectoarele. Ei au examinat 1,574 lucrări acceptate la ICLR 2023, o conferință majoră de machine learning, limitând eșantionul la rezumate trimise și evaluate înainte ca ChatGPT să existe.

Autorii din țări în care engleza nu este limba principală au scris rezumate cu o perplexitate semnificativ mai scăzută decât autorii din țări vorbitoare native de engleză, iar diferența s-a menținut chiar și după controlul pentru cât de bine a fost evaluată fiecare lucrare de către recenzori. Acest eșantion nu ar fi putut fi modelat de cineva care încerca să pară mai mult sau mai puțin ca un chatbot. ChatGPT era la trei luni de lansare când s-a închis fereastra de trimitere. Diferența de perplexitate dintre scrierea academică a vorbitorilor nativi și a celor non-nativi nu este ceva inventat de detectoare. Este ceva moștenit de acestea.

O analiză statistică din 2026 a detectării AI ca problemă de testare oferă o versiune formală a aceleiași concluzii. Ori de câte ori un grup de autori produce limbaj care se suprapune, în ansamblu, cu rezultatul tipic al AI, orice detector cu putere reală de a identifica textul scris de AI trebuie să aibă o rată mai mare de fals pozitiv pentru acel grup în mod specific, o proprietate matematică a testării unei populații diverse, nu un defect al unui singur instrument. Autorii non-nativi de engleză sunt cazul documentat cel mai clar al unei astfel de suprapuneri.

Ce înseamnă acest lucru pentru autorii care scriu într-o a doua limbă

Nimic din toate acestea nu este un argument pentru a scrie mai puțin ca tine însuți. Este un motiv să știi ce se măsoară de fapt înainte să apară un scor. Un detector care îți citește proza ca fiind previzibilă surprinde o proprietate statistică reală a scrierii într-o a doua limbă, nu o dovadă că ai folosit un instrument pe care nu l-ai folosit.

Cercetătorii de la Stanford care au realizat studiul inițial notează o implicație inconfortabilă a propriei constatări: aceeași ajustare a vocabularului care reduce riscul de fals pozitiv este și genul de revizuire pe care un autor ar putea să o dorească din motive complet separate, o formulare mai clară, un cuvânt mai precis, indiferent de orice detector. Pagina TextPulse pentru autori academici ESL acoperă cum arată acest tip de revizuire în propoziții reale, separat de orice are legătură cu un scor de detecție.

Detectoarele mai noi încep să țină cont explicit de acest tipar. Pangram, unul dintre intrările comerciale mai recente, afirmă în propria documentație tehnică faptul că clasificatorul său nu este părtinitor împotriva scriitorilor de engleză care nu sunt vorbitori nativi, deși această afirmație provine de la furnizor, nu din testare independentă. Un verificator gratuit de perplexitate arată aceeași măsurătoare de bază pe care oricare dintre aceste instrumente o calculează dintr-un text, fără a trimite mai întâi schița nicăieri.

Doi însoțitori practici se află în același grup: când se folosesc a, an și the, care este singura sursă cea mai frecventă a tiparului, și cum să suni natural în scrierea academică în engleză, mai general.

Cercetarea continuă să se acumuleze în aceeași direcție, după doi ani, în cadrul unor echipe diferite, al unor detectoare diferite și al unor modele diferite de testare. Ceea ce nu a ținut pasul este un răspuns instituțional adoptat pe scară largă, auditarea unui detector în raport cu o gamă de scriitori înainte de a avea încredere în el pentru oricare dintre ei, nu după ce un anumit student a fost deja acuzat. Până când acest lucru va deveni rutină, povara de a demonstra că un semnal fals este greșit cade exact asupra scriitorilor despre care această cercetare spune că au cele mai mari șanse să primească unul.