Паттерны AI Writing: слова, ритм и пунктуация, которые выдают текст

Прочитайте это предложение один раз и посмотрите, узнаете ли вы уже, откуда оно взялось: исследователи продолжают подчёркивать сложное взаимодействие между мотивацией и успеваемостью, а растущий массив работ подчёркивает ключевую роль, которую саморегуляция играет в академическом успехе. В нём нет ничего неправильного. Каждый клауза грамматически верна, каждое слово является настоящим словом, и проверяющий не снял бы ни одного балла. Но оно всё равно читается так, будто вышло из машины, потому что так и есть. Об этом и идёт речь в этой статье.

Паттерны письма AI, это повторяемые привычки в выборе слов, ритме предложений, пунктуации и структуре, которые делают машинно составленную прозу узнаваемой с первого взгляда. Они группируются на четырёх уровнях: слова, к которым обращается модель, форма её предложений, пунктуация, на которую она опирается, и способ, которым она выстраивает аргумент в целом. Ни один из них по отдельности ничего не доказывает. Вместе, внутри одного абзаца, их трудно не заметить.

Машина, которая это делает, называется статистическим детектором. Она оценивает, насколько предсказуемо каждое слово, исходя из того, что ожидает языковая модель. В отчёте содержится математика perplexity и burstiness, лежащая в основе этого балла, более подробно она рассмотрена в другой статье о how AI detectors work. Остальная часть этой статьи представляет собой каталог признаков AI writing, которые читатель может услышать, сосчитать или указать на странице. Это может иметь значение, даже если детектор ошибается, недоступен или не относится к делу. То, что следует далее, не требует ни модели, ни подписки.

Почему паттерны письма AI звучат роботизированно?

Языковая модель на уровне предложения делает нечто иное, чем человек: снова и снова выбирает статистически вероятное следующее слово в системе, обученной звучать компетентно, а не своеобразно. Компетентность в таком масштабе порождает гладкую, правильную, быстро забывающуюся прозу, и именно в этом коренится ощущение роботизированности. Читатель часто не может сказать, что именно не так с таким абзацем, только то, что он читается плоско, и именно в четырёх уровнях ниже и живёт эта плоскость.

Выбор слов, это уровень, который читатели замечают первым: формальные, театральные слова появляются там, где им не место. Ритм предложений заметен тише, абзац, в котором каждое предложение имеет примерно одинаковую длину. Пунктуация и форматирование несут собственный отпечаток, тире, используемое как универсальное соединение, маркированный список, разбивающий текст, который в голове автора никогда не был списком. Структура заметна меньше всего, это фрагмент, который повторяет собственный заголовок, охватывает ровно три пункта, а затем завершает себя кратким резюме.

Начните со слов, это проще всего указать и лучше всего задокументировано.

Какие слова AI использует слишком часто?

Вы снова и снова видите эти формальные, слегка театральные слова: "delve", "underscore", "showcase" и "pivotal" относятся к числу наиболее задокументированных. Дмитрий Кобак и три соавтора поставили цель выявить этот язык. Они проанализировали 15.1 million аннотаций PubMed с 2010 по 2024 год и выявили группу слов, частота которых резко возросла после выпуска ChatGPT. "Delve" выросло сильнее всего, исследование, опубликованное в Science Advances в July 2025, оценило его частоту в 2024 году примерно в 28 раз выше, чем до 2023 года. Следующими по величине были "underscore" и "showcase". Авторы оценивают, что по меньшей мере 13.5 percent аннотаций 2024 года несут признаки помощи AI, а в некоторых странах и у некоторых издателей этот показатель превышает 40 percent.

Почему модели сходятся именно на этих словах, менее ясно, чем сам паттерн. Исследование COLING 2025 проверило двадцать одно слово с завышенной представленностью на связь с архитектурой модели, обучающими данными и обратной связью от людей, которую используют для дообучения чатботов, и сочло этап обратной связи наиболее вероятным вкладом, хотя он не объясняет эффект полностью. Интерпретация тоже остается предметом споров: обмен мнениями в журнале PNAS в 2026 году возразил против того, насколько прямо сдвиг частотности слов измеряет использование AI, и это стоит помнить, прежде чем считать какую-либо отдельную цифру здесь установленным фактом.

Это верно не только для аннотаций к журнальным статьям. В исследовании, сравнившем полмиллиона студенческих эссе и эссе, сгенерированных AI, исследователи сопоставили длину работ и выбор слов и обнаружили, что человеческие эссе в целом были длиннее и использовали более широкий словарный запас. В исследовании рецензий, поданных на четыре конференции по машинному обучению, включая ICLR 2024 и NeurIPS 2023, исследователи использовали тот же метод, чтобы оценить, что от шести до пятнадцати процентов текста рецензий было существенно изменено LLM. Вероятность того, что на него повлиял LLM, была выше, если он был подан незадолго до крайнего срока.

Слово или выражение, которое AI использует слишком часто	Что вместо этого использует внимательный автор
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

Ни одно из этих слов само по себе не является неправильным. Раздел методов, называющий результат robust, употребляет это слово правильно, а историк, описывающий сложный юридический аргумент, не признаётся чатботу. То, что выглядит как созданное машиной, это плотность: три или четыре из этих слов в одном абзаце, не выполняющие никакой конкретной функции, выстроенные так, как их выстраивает модель, потому что каждое из них независимо было самым безопасным следующим выбором. Быстрая проверка с помощью free AI word cleaner от TextPulse прямо выявляет эту плотность.

Почему предложения, созданные AI, все звучат одинаково по длине?

Модель строит каждое предложение так же, как строила предыдущее, вместо того чтобы в одном месте сжать мысль до шести слов, а в другом растянуть её на тридцать, поэтому результат, как правило, почти везде имеет одинаковую длину. Это варьирование, или его отсутствие, можно услышать, если прочитать абзац вслух, это иное упражнение, чем показатель burstiness, который детектор вычисляет из того же лежащего в основе свойства.

Две более мелкие привычки выдают ритм при внимательном рассмотрении. Модель любит завершать предложение висящим причастием, которое намекает на значимость, не добавляя информации, утверждением, за которым следует указание на необходимость дальнейших исследований или отражение более широкого сдвига в области. Она также тяготеет к парной структуре, чтобы звучать уравновешенно, по типу метод не только эффективен, но и масштабируем. Сказанное один раз, такое построение ничем не примечательно. Сказанное в каждом абзаце, оно звучит как шаблон, в котором заменены существительные.

Правило трёх

На уровне словосочетаний группы из трёх элементов тоже являются ритмом по умолчанию для модели: три прилагательных перед существительным, три примера в списке, три подряд идущих придаточных предложения, построенных одинаково. Время от времени группы из трёх элементов всегда были частью английского языка. Удачно поставленная группа из трёх элементов не является признаком чего-либо. Выдаёт частота. Проблема не в трёх. Проблема в том, что три элемента появляются почти в каждом абзаце.

Подсчёта достаточно, чтобы выявить большую часть этого без какой-либо специальной подготовки. Прочитайте абзац и отметьте длину каждого предложения в словах. Если все ваши отметки находятся в пределах нескольких слов от предыдущей, ритм и есть признак. Используйте бесплатный checker burstiness TextPulse, чтобы автоматизировать подсчёт и представить его в виде графика, это полезно для отрывка, который слишком длинен, чтобы оценивать его на глаз по одному предложению за раз.

Тире em и другие признаки пунктуации

Почему этот знак стал основным

Тире em, вероятно, это тот знак пунктуации, на который в машинном письме чаще всего возлагают вину. Возможно, вы знаете его как длинное тире, которое заменяет запятую, двоеточие или точку, чтобы соединить две части предложения. Тире em не ново, и это не то, что было изобретено AI. С тех пор как существуют руководства по стилю, от Chicago до AP, они разрешали использовать его для выделения и прерывания. И многие практикующие авторы используют его намеренно.

Вероятная причина того, что оно так часто появляется в машинном выводе, банальна: этот знак часто встречается в отредактированной, профессионально набранной прозе, на которой обучаются языковые модели, и он позволяет предложению продолжать движение, не завершаясь точкой. Модель, созданная для производства беглого, связного текста, часто обращается к этой гибкости, чаще, чем большинство людей при написании черновика от руки.

Частота этого знака сильно варьируется в зависимости от того, какая система произвела текст. Сравнительный тест, проведённый в середине 2025 года, дал шести чатботам один и тот же запрос и подсчитал количество знаков: три системы использовали его восемь или девять раз в тексте менее чем из шестисот слов, одна использовала его дважды почти в тысяче слов, а две не использовали его вовсе. Частота является свойством той модели, которая произвела перед вами абзац, а не фиксированной чертой AI writing. OpenAI добавила в ноябре 2025 года настройку, которая позволяет пользователю сказать ChatGPT перестать использовать этот знак и действительно добиться этого, так что даже этот признак теперь отчасти необязателен.

Ничто из этого не делает сам знак доказательством чего-либо. Многие внимательные авторы используют его намеренно, и многие студенческие эссе, которые никогда не обращались к chatbot, тоже используют его, иногда потому, что их этому научил преподаватель. Проверять стоит плотность: страница, где этот знак появляется в каждом втором предложении, читается иначе, чем та, где он использован дважды намеренно. Бесплатный удалитель em dash TextPulse проверяет эту плотность и предлагает в каждом случае запятую, двоеточие, точку или дефис, которые там требуются.

Маркеры, полужирный текст и заголовки

Тот же уровень охватывает решения по форматированию ниже уровня предложения. Маркированный список в середине прозы, который никогда не был списком в голове автора. Заголовки в title case, когда остальная часть документа написана в sentence case. Выделенная полужирным фраза в начале каждого пункта списка, как мини-заголовок. Ни один из этих элементов не является знаком препинания, но все они происходят из одного и того же источника: модель форматирует текст для окна чата, где визуальная структура заменяет переходы, которые обычно несет проза.

Структура и форма аргумента

Последний уровень находится выше предложения и его труднее всего исправить простой заменой слов, потому что это сама форма аргумента. Раздел, написанный машиной, часто начинается с повторения собственного заголовка немного иными словами, затем проходит через два или три поддерживающих тезиса, которым придается примерно равный вес, независимо от того, насколько каждый из них действительно важен, а затем завершается кратким изложением того, что уже было сказано, вместо того чтобы добавить что-то новое.

Схожая привычка постоянно проявляется в более длинных текстах: раздел перечисляет, что что-то делает хорошо, делает поворот с помощью слова however, перечисляет трудности в той же аккуратной тройке, а затем намекает на будущее, которое, по всей вероятности, их решит. Реальные аргументы более неровны, чем это. Человеческий автор обычно придает одному пункту большее значение, чем двум другим, отводит ему больше места и не обязан завершать текст симметрично для читателя.

Это также тот уровень, на котором формализованное академическое письмо может выглядеть обманчиво похожим на машинное письмо, поскольку раздел методов или обзор литературы должны следовать фиксированной форме. Различие находится внутри этой формы. Написанный машиной обзор литературы перечисляет обычные пункты области в обычном порядке. Написанный человеком обзор спорит о том, какие пункты важны и почему, даже внутри жёсткого шаблона, потому что отстаивается реальная позиция.

Оценка текста, который вы не писали

Четыре признака, которые важнее всего

Разрыв в специфичности, это самый сильный признак, доступный читателю вообще без инструментов. Проза, составленная машиной, делает утверждения, которые верны на любом уровне общности и не привязаны ни к одному из них. В ней сообщается, что исследование рассмотрело вопрос, без указания конкретного исследования, что эффект значим, без указания величины, что практика распространена в секторе, без указания фирмы или года. Человеческий автор, работающий в тех же пределах по объёму, как правило, тратит эти слова на одну конкретную вещь, потому что у него была одна конкретная вещь, и он хотел включить её.

Ссылки, которые не удаётся проверить, это единственный пункт в списке, который приближается к доказательству, и одновременно самый редкий. Ссылка, оформленная безупречно, приписанная реальному журналу, содержащая идентификатор, который не возвращает ни одной записи, очень трудно создать случайно. Проверьте три ссылки, прежде чем проверять что-либо ещё в работе, в которой вы не уверены. Это занимает две минуты, и либо снимает вопрос, либо убирает самый сильный сигнал из рассмотрения.

Плотность словаря, это признак, к которому большинство читателей обращается первым, и тот, который чаще всего даёт сбой. Сигнал заключается именно в плотности, а не в каком-либо отдельном слове. Один формальный глагол, это обычный академический регистр, тогда как пять таких глаголов в одном абзаце, не выполняющих никакой конкретной функции, это уже закономерность. Подсчёт вручную в длинной работе занимает много времени, а free AI word cleaner от TextPulse автоматически отмечает кластеры, что превращает смутное впечатление в нечто, на что можно указать на странице.

Самым тонким из четырёх является регистр, который никогда не сбивается. Человек-писатель почти всегда делает что-то немного не в тон на протяжении двух тысяч слов: короткое предложение после трёх длинных, вставку в скобках, суждение, которое ему не нужно было выносить, слово, выбранное потому, что оно ему понравилось. Машинно составленная проза удерживает один и тот же регистр от первой строки до последней. Есть жанры, которые запрещают всё это, поэтому этот признак гораздо менее значим в разделе методов, чем в личном заявлении.

Признаки, которые выглядят убедительно, но таковыми не являются

Безупречная грамматика ничего не доказывает. Орфография и пунктуация автоматизированы уже два десятилетия, и любой внимательный автор, использующий проверку, получает ту же самую чистую поверхность. Формальный регистр тоже ничего не доказывает, поскольку формальность, это то, что по правилам требуется большинству академических и профессиональных жанров. Широкое использование заголовков, полужирного текста и маркированных списков, это особенность внутреннего стиля оформления задолго до того, как это становится чем-либо ещё, и многих авторов приучили к этому за годы до того, как чатбот показал это кому-либо. Привычки пунктуации имеют столь же малый вес, и в особенности em dash, на который возлагали гораздо больше, чем может выдержать один знак.

Оценки детекторов тоже относятся к этой группе, и это обычно удивляет людей. Оценка, это статистическое суждение о том, насколько предсказуем текст, а предсказуемую прозу внимательные люди создают каждый день, именно так и возникают ложноположительные результаты. Вывод детектора, это лишь один из входных факторов для решения, которое человеку всё равно ещё предстоит принять, и пояснение TextPulse о том, как работают детекторы AI заранее показывает, что именно измеряет это число, прежде чем кто-либо начнёт воспринимать его как вердикт.

Что делать, когда текст срабатывает по нескольким признакам

Проверяйте в первую очередь то, что поддаётся проверке. Возьмите три цитаты, одно число и один именованный факт, и проверьте каждый из них. Этот единственный проход отделяет текст, который беден, от текста, который сфабрикован, а к этим двум случаям нужны совершенно разные ответы. Затем сравните работу с чем-то, что тот же человек написал раньше под наблюдением, поскольку резкая смена регистра у одного автора имеет больший вес, чем любое абсолютное прочтение одного документа. Потом задайте вопрос, на который только автор мог бы ответить о собственном тексте: почему именно этот источник, а не очевидная альтернатива, что третья часть первоначально собиралась утверждать, какой абзац доставил им больше всего трудностей. Тот, кто написал текст, отвечает сразу.

Следуйте той политике, которая существует, а не той, которую вы бы написали сами. Сейчас большинство учреждений указывают, кто может поднять вопрос, какие доказательства допустимы и что сообщают автору, и именно пропуск этой последовательности превращает разумный вопрос в жалобу. Авторам на другой стороне этой проблемы, которым сказали, что их собственная работа читается как созданная машиной, нужно выполнить другую задачу, и AI humanizer от TextPulse сообщает оценочный Human Score, вычисленный на основе текста, а не вердикт какого-либо детектора.

Проверять тот же тест на собственных черновиках сложнее, и похоже ли ваше письмо на AI имеет собственную страницу. Сам словарь каталогизирован отдельно, в списке слов и выражений, которые выдают ChatGPT.

Девять признаков являются основанием задать вопрос, и вопрос всегда один и тот же: что этот текст знает такого, чего не знал бы беглый догадчик? Сначала задайте его к цитатам. Это та часть любой работы, которая отвечает сама по себе, без того, чтобы кого-либо пришлось в чём-либо обвинять.

Доказывают ли эти признаки, что текст написан AI?

Ни один отдельный признак ничего не доказывает, и совокупность всех признаков тоже не доказывает. Под давлением редактора или профессора внимательный академический автор может создавать абзацы с несколькими из этих особенностей, например с отсутствием местоимений, но без помощи чатбота. Авторы, для которых английский не является родным, также могут использовать безопасные слова, которым их учили на занятиях, а студенты, которых учат использовать формальные связки, тоже могут применять многие из этих признаков. Список слов не является доказательством нарушения, это ошибка, из-за которой внимательных авторов могут ложно обвинить. Следует указывать на эту ошибку, а не молча повторять ее.

То, что инструмент может ответственно делать, это показывать закономерность, а не выносить суждение о тексте. То, что мы можем предложить с помощью AI humanizer от TextPulse, это оценка Human Score на основе текста, который перед ним находится. Это чтение того, где находится черновик по отношению к этим поверхностным закономерностям, а не вердикт какого-либо детектора и не обещание относительно того, что скажет другой инструмент завтра. Это число, которое можно использовать как отправную точку для решения, так же как проверка орфографии отмечает слово, не решая, хорош ли окружающий его текст.

Каждый из признаков выше имеет собственную страницу. Сама лексика каталогизирована в материале о словах, которые выдают ChatGPT, с отдельными разбором привычки использовать em dash и того, почему модели особенно тянутся к одному глаголу. Более широкие обозначения тоже рассмотрены: что означает AI slop, что означает AI fluff, а также практическое руководство по тому, как определить, было ли что-то написано AI. Если вас беспокоят ваши собственные черновики, а не чужие, есть материал о удалении слов AI из вашего текста.

В следующий раз, когда вы будете перечитывать свой текст и почувствуете, что в нём что-то не совсем так, не ограничивайтесь поиском синонима для замены. Вместо этого попробуйте прочитать его вслух. Подсчитайте количество слов в каждом предложении. Спросите себя, что именно делает там каждое слово. Именно так внимательный редактор работал задолго до того, как у всего этого появилось название.