Паттерны AI-письма: слова, ритм и пунктуация, которые его выдают

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. Каждая клауза грамматична, каждое слово является настоящим словом, и преподаватель не снял бы ни одного балла. Но оно всё равно читается так, будто сошло с 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 аргументацию 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 как роботизированные?

Языковая модель на уровне предложения делает нечто иное, чем человек, она снова и снова выбирает статистически вероятное следующее слово внутри системы, обученной звучать компетентно, а не своеобразно. Компетентность в таком масштабе порождает гладкую, правильную, не запоминающуюся прозу, и именно в этом корень роботизированного ощущения. 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 меньше, это 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 заметнее всего меньше, это фрагмент, который повторяет собственный заголовок, охватывает ровно три пункта, а затем завершает себя кратким резюме.

Начните со слов: их легче всего указать и лучше всего задокументировать.

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 выросла 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 близости 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, установлено менее определенно, чем сам паттерн. Исследование COLING 2025 проверило двадцать одно слово с завышенной представленностью на связь с архитектурой модели, обучающими данными и человеческой обратной связью, используемой для донастройки чатботов, и сочло этап обратной связи наиболее вероятным вкладом, хотя он не объясняет эффект полностью. Интерпретация тоже остается предметом споров: обмен мнениями 2026 года в журнале PNAS возразил против того, насколько прямо сдвиг частотности слов измеряет использование AI, и об этом стоит помнить, прежде чем считать какую-либо отдельную цифру здесь установленным фактом.

Это верно не только для аннотаций к журнальным статьям. В исследовании, сравнивавшем 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, когда 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 модель выстраивает их, потому что каждое из них независимо было самым безопасным следующим выбором. Быстрая проверка с помощью free AI word cleaner в 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 сжать мысль до шести слов в одном месте и развернуть её на тридцать слов в другом, поэтому результат обычно почти везде имеет одинаковую длину. Это различие, 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 близком 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 заменили 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 встречается почти в каждом абзаце.

Подсчёт достаточен, 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 dash и другие признаки пунктуации

Почему этот знак стал основным

Тире em dash, вероятно, является самым часто обвиняемым знаком препинания в машинном письме. Вы, возможно, знаете его как длинное тире, которое заменяет запятую, двоеточие или точку, чтобы соединить две части предложения. Тире em dash не ново, и это не то, что было изобретено AI. Пока 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 тексте, банальна: этот знак часто встречается в отредактированной, профессионально набранной прозе, на которой обучаются языковые модели, и он позволяет предложению продолжать движение, не доходя до точки. Модель, созданная для производства беглого, связного текста, часто тянется к такой гибкости, чаще, чем большинство людей при черновом письме от руки.

То, как часто это происходит, сильно зависит от того, какая система произвела текст. Сравнительный тест, проведённый в середине 2025, дал шести чатботам один и тот же запрос и подсчитал знаки: три системы выдали его восемь или девять раз менее чем в шестистах словах, одна использовала его дважды почти в тысяче слов, а две не использовали его вовсе. Частотность является свойством той модели, которая произвела перед вами абзац, а не фиксированной чертой AI writing. OpenAI добавила в November 2025 настройку, которая позволяет пользователю сказать ChatGPT перестать использовать этот знак и действительно подчиниться, что теперь делает даже этот признак отчасти необязательным.

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

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, похожая на 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 потом 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 на слове, таком как however, перечисляет трудности в той же аккуратной тройке, а затем намекает на будущее, которое, как предполагается, их решит. Реальные аргументы более неровные, чем это. Человеческий автор обычно больше заботится об одном пункте, чем о двух других, уделяет ему больше места и не обязан завершать текст симметричным выводом.

Это также тот уровень, где формульное академическое письмо может выглядеть обманчиво похожим на машинное письмо, поскольку раздел методов или обзор литературы должен следовать фиксированной структуре. Различие находится внутри этой структуры. Сгенерированный машиной обзор литературы просто перечисляет обычные пункты области в обычном порядке. Человеческий же текст спорит о том, какие пункты важны и почему, даже внутри жёсткого шаблона, потому что отстаивается реальная позиция.

Доказывают ли эти признаки, что текст написан AI?

Ни один отдельный признак ничего не доказывает, и полный их набор тоже не доказывает. Под давлением редактора или преподавателя внимательный академический автор может создавать абзацы с несколькими из этих особенностей, например с отсутствием местоимений, но без помощи чатбота. Для авторов, для которых английский не является родным, безопасные слова, которым их учили на занятиях, тоже могут быть обычным выбором, и студенты, которых учат использовать формальные связки, могут использовать многие из этих признаков. Список слов не является доказательством недобросовестности, это ошибка, из-за которой внимательных авторов могут ложно обвинить. Эту ошибку следует прямо указывать, а не молча повторять.

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 перед ним. Это чтение того, где находится черновик по отношению к этим поверхностным закономерностям, а не вердикт какого-либо детектора и не обещание того, что завтра другой инструмент скажет что-то иное. Это число, которое можно использовать как отправную точку для решения, так же как проверка орфографии отмечает слово, не решая, хорошее ли предложение вокруг него.

Каждый из указанных выше признаков имеет собственную страницу. Сам словарь описан в материале о словах, выдающих ChatGPT, а отдельно рассмотрены привычка к длинному тире и почему модели особенно часто выбирают один глагол. Более широкие обозначения тоже охвачены: что означает AI slop, что означает AI fluff, а также практическое руководство по определению того, было ли что-то написано AI. Если вас беспокоят собственные черновики, а не чужие, есть материал о удалении слов AI из вашего текста.

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