Как снизить свой показатель обнаружения AI

Студент прогоняет абзац через детектор, видит показатель 82 percent, заменяет дюжину слов синонимами, не меняя ни одной структуры предложения, и проверяет снова. Число почти не сдвигается. Вся суть такова: некоторые правки меняют почти ничего, а одна меняет больше, чем все остальные вместе, по причинам, не имеющим отношения к тому, чтобы перехитрить программное обеспечение.

В этом материале по порядку разбирается, как lower AI score в том порядке, который действительно имеет значение: какие правки почти не фиксируются, какие существенно сдвигают число, и какая сдвигает его сильнее всего, и почему. Он также объясняет, что именно измеряет это число, потому что более низкий показатель стоит стремиться получить по реальной причине, более ясное, более конкретное письмо, а не как плохую цель сама по себе.

Что на самом деле измеряет AI Score

Языковая модель пишет, предсказывая следующее вероятное слово снова и снова, и это создает особый статистический отпечаток: длины предложений, которые группируются вместе, переходы, взятые из небольшого набора безопасных вариантов, выбор слов, находящийся близко к центру того, что ожидается в данном контексте. Показатель AI detection score представляет собой оценку того, насколько близко фрагмент соответствует этому отпечатку, полученную классификатором, обученным замечать его, а не фактом о том, кто набрал предложение.

Детекторы не все определяют это число одинаково. Turnitin указывает прямо, что его процент "обозначает объём соответствующего текста в составе материала, который модель обнаружения AI writing detection Turnitin определяет как, вероятно, сгенерированный AI", и прямо уточняет, что это доля помеченного текста, а не показатель вероятности или уверенности. Другие детекторы выдают нечто более близкое к значению уверенности для самого предложения. В любом случае, подробное объяснение механики, лежащей в основе этих чисел, стоит прочитать в как работают детекторы AI. Здесь важно более простое: число всегда является статистической оценкой, и каждое изменение ниже работает за счёт изменения статистики, которую оно призвано считывать, а не за счёт сокрытия того факта, что в процессе участвовала модель.

Замена синонимов почти не сдвигает показатель AI

Замена слова на менее распространённый синоним почти ничего не меняет в том шаблоне, который классификатор оценивает, потому что при этом не затрагиваются длина предложения, структура придаточных и ритм. Модель, обученная замечать однообразную форму предложений, не интересует, говорит ли предложение enables или allows. Её интересует, что три предложения подряд имеют почти одинаковую длину и начинаются одинаково.

Плоское предложение звучит так: "The platform enables users to efficiently accomplish routine tasks without additional training." Если заменить слово за словом, оно становится таким: "The platform allows users to efficiently complete routine tasks without extra training." Та же длина, тот же порядок придаточных, тот же ритм. Читатель может заметить лишь немного иное слово. Классификатор, оценивающий шаблоны на уровне предложения по всему абзацу, почти не получает ничего нового для анализа.

Это не аргумент против исправления словарного запаса. Такие слова, как facilitate, robust и myriad, стоит вычеркивать, потому что внимательный читатель их замечает, а бесплатный AI word cleaner находит большинство из них за секунды. Это аргумент против ожидания, что именно этот проход выполнит основную работу. Если оценка почти не меняется после прохода по словарю, это ожидаемый результат, а не признак того, что проход не сработал.

Разнообразие предложений продвигает это дальше

Модель предсказывает по одному токену за раз и не имеет встроенной причины делать третье предложение короче второго, поэтому, если ее оставить без вмешательства, абзац выстраивается в узкий диапазон длины и формы. Именно эта регулярность, а не какое-либо одно слово, является более сильным сигналом, потому что классификатор, обученный на машинном выводе, видел этот шаблон тысячи раз.

Три однотипных предложения читаются так: "The results were significant. The findings supported the hypothesis. The data was analyzed using standard methods." Если перестроить их ради разнообразия, тот же смысл будет звучать так: "The results were significant, and they supported the hypothesis, though the standard analysis needed a second pass once two of the outlying cases were removed." Теперь одно предложение одновременно несет утверждение и его усложнение, при этом в абзаце появляется реальное разнообразие длины и структуры придаточных частей. Именно это измеряет burstiness checker, когда он оценивает неоднородность, и именно поэтому такая правка меняет оценку сильнее, чем проход по словарю.

Все это нетрудно сделать вручную на одной или двух страницах. Прочитайте абзац вслух, отметьте любой ряд из двух или трех предложений, которые звучат одинаково по длине и форме, и разберите одно из них на части или объедините два в одно, чтобы запятая выполняла реальную работу. Правки на уровне предложения, лежащие в основе этого раздела, пошагово, с дополнительными разобранными примерами, рассматриваются в full walkthrough of how to humanize AI text.

Ваши собственные доказательства сильнее всего меняют AI score

Языковая модель не имеет доступа к тому, что на самом деле произошло в вашем проекте. Когда её просят написать о исследовании, она по умолчанию выбирает наиболее безопасную формулировку, которая подходит почти к любому исследованию на ту же тему, потому что это единственный материал, которым она располагает. Предложение, содержащее конкретное утверждение из конкретного источника, не является предложением, которое модель могла бы сгенерировать только на основе запроса, и именно этот разрыв сильнее всего меняет оценку.

Общее предложение: "The intervention had a positive effect on outcomes for participants." Это могло бы описывать сотни исследований. Переписано с использованием собственных материалов автора: "Attendance records showed the effect held only for students who came to more than six sessions, a threshold the original design had not anticipated." Более длинное, более конкретное и может описывать только это исследование. Базовая модель, которой предложили продолжить тот же запрос, не угадала бы деталь про шесть занятий, потому что в запросе ничто не указывало на её существование.

Это также та правка, которая сильнее всего улучшает текст, независимо от того, что сообщает любой детектор, и именно на этом стоит задержаться. Конкретное число, названное ограничение, источник, процитированный напрямую, а не пересказанный в расплывчатом утверждении, делают абзац более убедительным для человека, который его читает, и тот факт, что они также меняют оценку, ближе к побочному эффекту, чем к цели.

Правка	Типичный эффект на оценку	Почему
Заменить слова синонимами	Незначительный или отсутствует	Длина предложения, структура и ритм остаются теми же
Изменить длину и структуру предложений	От умеренного до сильного	Нарушает однородный шаблон, который классификатор обучен замечать
Добавить собственные доказательства или утверждения	Наибольший	Вводит содержание, которое модель не могла бы сгенерировать только на основе запроса

Как снизить AI Score, не преследуя неверную цель

Каждое число выше является оценкой, а не вердиктом. Turnitin прямо говорит об этом в собственной документации, указывая, что его обнаружение AI writing detection "may not always be accurate" и "should not be used as the sole basis for adverse actions against a student." Показатель может изменяться по причинам, не имеющим ничего общего с авторством, и может оставаться неизменным даже при тексте, который человек написал с нуля. Рассматривать число как факт о том, кто написал предложение, значит исходить из того, откуда берётся большая часть тревоги вокруг этой темы, и это не то, чем заявляет себя этот показатель.

Именно поэтому само по себе снижение показателя является плохой целью. Погоня за числом может подталкивать автора к тем правкам, которые легче всего автоматизировать, к замене словаря, к нескольким перестроенным придаточным, при этом пропуская самое важное, добавление конкретного материала, который есть только у самого автора. Снижение показателя, достигнутое таким способом, стоит того.

Погоня за более низким показателем может также стилистически увести абзац в неверном направлении, когда каждое утверждение чрезмерно оговаривается, накапливаются уточнения, добавляются пустые предложения, существующие лишь для того, чтобы разорвать ритм, а не сказать что-то. Ничто из этого не исправляет лежащую в основе закономерность, и всё это ухудшает чтение абзаца. Правки, которые действительно меняют показатель, разнообразие предложений и конкретные доказательства, это также правки, которые улучшают сам текст по его собственным критериям, и это полезная проверка, когда правка начинает казаться заполнением объёма, а не улучшением.

AI humanizer от TextPulse, AI humanizer, применяет описанные выше правки на уровне предложений и структуры ко всему документу сразу и сообщает оценочный Human Score, вычисленный на основе тех же сигналов, а не утверждение о том, что какой-либо названный детектор обязательно его пропустит. При правильном использовании это быстрый первый проход по длинному документу. Он по-прежнему не может добавить то единственное, что сильнее всего меняет показатель, поскольку его не было в комнате в тот момент, когда выполнялась реальная работа. Эта часть остаётся за автором.

Сначала стоит прояснить два предыдущих вопроса: работают ли AI humanizers вообще и безопасно ли использовать их для работы, которую вы намерены сдать.

Порядок выше также является списком приоритетов для того, куда следует тратить ограниченное время перед дедлайном. Пропустите этап подбора синонимов, если времени мало. Не пропускайте абзац, в котором вы возвращаете деталь, которую никто другой не смог бы написать, потому что именно это правка, которую никакое количество программ для переписывания не может сделать вместо вас.