Turnitin ตรวจจับข้อความที่ถอดความได้หรือไม่?
ได้ Turnitin ตรวจจับข้อความที่ถอดความได้ และถูกสร้างมาเพื่อสิ่งนี้ similarity engine ของมันตรวจจับข้อความที่เรียบเรียงใหม่ซึ่งยังทับซ้อนกับงานที่เผยแพร่และงานที่ส่งมาก่อนหน้า และ AI writing report มีหมวดที่ระบุไว้สำหรับข้อความที่สร้างโดย AI ซึ่งถูกแก้ไขด้วย paraphrasing tool หรือ word spinner นี่คือวิธีที่แต่ละระบบตรวจจับ และเหตุใดการเปลี่ยนคำเป็นคำพ้องความหมายจึงไม่ช่วยให้ผ่านทั้งสองระบบ
ใช่ Turnitin ตรวจจับข้อความที่ถอดความแล้ว และถูกสร้างขึ้นมาเพื่อทำเช่นนั้น ระบบสองส่วนภายในรายงานเดียวกันเป็นตัวจับข้อความดังกล่าว Similarity Report จะทำเครื่องหมายข้อความที่ยังคงทับซ้อนกับงานที่เผยแพร่แล้วหรือเอกสารที่เคยส่งมาก่อน แม้ว่าจะมีการเปลี่ยนถ้อยคำแล้วก็ตาม ซึ่งเป็นหน้าที่ที่ระบบนี้ทำมาตั้งแต่ก่อนที่การเขียนด้วย AI จะมีอยู่เสียอีก AI Writing Report มีหมวดหมู่ที่ระบุไว้ของตนเองสำหรับข้อความที่สร้างโดย AI ซึ่งผ่านเครื่องมือถอดความหรือ word spinner การเปลี่ยนคำเป็นคำพ้องความหมายไม่ได้ทำให้หลุดจากทั้งสองระบบ
ระบบใดจะตรวจจับข้อความช่วงหนึ่งขึ้นอยู่กับว่าข้อความนั้นมาจากที่ใด เนื้อหาที่เรียบเรียงใหม่ซึ่งยกมาจากแหล่งข้อมูลเป็นปัญหาเรื่อง similarity เนื้อหาที่เรียบเรียงใหม่ซึ่งสร้างโดย ChatGPT เป็นปัญหาเรื่อง AI writing งานที่ส่งจำนวนมากเป็นทั้งสองอย่างพร้อมกัน และไม่ว่ากรณีใดทั้งสองระบบก็อ่านงานที่ส่งทุกชิ้นอยู่แล้ว
Turnitin ระบุข้อความ AI ที่ถอดความแล้วเป็นหมวดหมู่ของตนเอง
นี่ไม่ใช่ข้อสรุปจากวิธีการทำงานของตัวตรวจจับโดยทั่วไป AI Writing Report ของ Turnitin แบ่งเปอร์เซ็นต์ออกเป็นสองหมวดหมู่ที่มีป้ายกำกับ และหมวดที่สองคือข้อความ AI ที่ถอดความแล้ว
รายงานกำหนดตัวเลขหัวเรื่องว่าเป็น "the combined amount of likely AI-generated text as well as likely AI-generated text that was also likely AI-paraphrased" รายการบรรทัดที่สองมีป้ายกำกับว่า "AI-generated text that was AI-paraphrased" และอธิบายว่าเป็น "likely AI-generated text that was likely revised using an AI-paraphrase tool or word spinner"
เอกสารสนับสนุนของ Turnitin ตอบคำถามนี้อย่างตรงไปตรงมา เมื่อถูกถามโดยตรงว่าสามารถตรวจจับเนื้อหาที่ถอดความด้วยเครื่องมือถอดความ AI ได้หรือไม่ คำแนะนำระบุว่า: "Yes, Turnitin's AI indicator includes detection of AI-generated content that may have been paraphrased using a word spinner/AI paraphrasing tool." คำตอบที่เกือบเหมือนกันนี้ครอบคลุมข้อความที่ผ่านเครื่องมือ bypasser ซึ่งสร้างขึ้นโดยเฉพาะเพื่อเขียนผลลัพธ์ของ AI ใหม่ให้ผ่านตัวตรวจจับ ทั้งสองกรณีไม่สร้างคะแนนแยกต่างหาก แต่จะป้อนเข้าสู่เปอร์เซ็นต์เดียวกันที่ผู้สอนเห็น
แต่ละระบบตรวจจับอะไร
| Similarity Report | AI Writing Report | |
|---|---|---|
| สิ่งที่ตรวจสอบ | ว่าข้อความทับซ้อนกับแหล่งข้อมูลที่มีอยู่แล้วในฐานข้อมูลเนื้อหาเว็บ สิ่งพิมพ์ และงานของนักศึกษาใน Turnitin หรือไม่ | ว่าร้อยแก้วมีลักษณะทางสถิติที่เป็นแบบฉบับของงานเขียนที่สร้างโดยเครื่องจักรหรือไม่ |
| ตรวจจับการถอดความของ | งานที่ตีพิมพ์หรือที่ส่งของผู้อื่น | ร่างที่สร้างโดย AI รวมถึงฉบับที่ได้รับการแก้ไขโดย paraphraser หรือ bypasser |
| ผลของการแทนคำด้วยคำพ้อง | ทำให้เปอร์เซ็นต์ลดลง แต่ยังคงมีคำเฉพาะ คำอ้างอิง และโครงสร้างประโยคที่ตรงกัน | ทำให้คะแนนโดยรวมแทบไม่เปลี่ยน เพราะตัวจำแนกอ่านรูปแบบประโยคมากกว่าการเลือกใช้คำ |
| แสดงที่ใด | เปอร์เซ็นต์พร้อมกลุ่มการตรงกันที่ระบุชื่อแหล่งข้อมูลแต่ละแห่ง | เปอร์เซ็นต์เดียว แยกเป็น AI-generated only และ AI-paraphrased |
รายงานทั้งสองเป็นผลิตภัณฑ์แยกกันและมีตัวเลขแยกกัน และบทความหนึ่งอาจไม่พบปัญหาในรายงานหนึ่ง แต่ถูกระบุในอีกรายงานหนึ่ง TextPulse อธิบายการแบ่งนี้อย่างครบถ้วนใน การเปรียบเทียบ similarity score ของ Turnitin กับ AI score และอธิบายกลไกของตัวจำแนกเองใน Turnitin ตรวจจับงานเขียน AI อย่างไร
ทำให้บทความของคุณเป็นธรรมชาติมากขึ้น
ปรับข้อความที่ช่วยโดย AI ของคุณให้ฟังดูเป็นธรรมชาติ, โดยไม่แตะต้องคำสำคัญหรือการอ้างอิง
ด้าน Similarity, ข้อความที่เรียบเรียงใหม่ยังคงทับซ้อนอยู่
การตรวจสอบความคล้ายคลึงเป็นการจับคู่ข้อความ Turnitin เปรียบเทียบงานที่ส่งกับคลังเนื้อหาเว็บ สิ่งพิมพ์ และบทความที่ส่งมาก่อนหน้า แล้วรายงานว่าส่วนใดซ้อนทับกับสิ่งที่มีการจัดทำดัชนีไว้แล้ว หากเปลี่ยนถ้อยคำมากพอ สตริงข้อความที่ถูกเปรียบเทียบแบบตรงตัวจะลดลง ดังนั้นเปอร์เซ็นต์จึงลดลงด้วย เรื่องนี้เป็นจริง และเป็นเหตุผลที่มีเครื่องมือช่วยพาราฟเรส
สิ่งที่ยังคงอยู่หลังการสลับถ้อยคำคือส่วนที่นักศึกษามักประเมินต่ำเกินไป ศัพท์เทคนิค คำนามเฉพาะ ตัวเลขที่อ้างถึง และคำคมโดยตรงจะคงเดิม เพราะไม่มีคำพ้องสำหรับสิ่งเหล่านี้ โครงสร้างประโยคก็เช่นกัน เมื่อมีเพียงคำเชื่อมที่ถูกแทนที่ Turnitin รายงานการซ้อนทับเป็นกลุ่มการจับคู่ โดยแต่ละกลุ่มระบุแหล่งที่มา ซึ่งเป็นสิ่งที่แยกข้อความที่อ้างอย่างถูกต้องออกจากข้อความที่เรียบเรียงใหม่
การเรียบเรียงแหล่งที่มาใหม่โดยคงลำดับประโยคและรายละเอียดสนับสนุนไว้ เรียกว่า patchwriting และในนโยบายของมหาวิทยาลัยส่วนใหญ่ถือเป็นรูปแบบหนึ่งของการลอกเลียนผลงาน ไม่ว่าร้อยละความคล้ายคลึงจะลดลงหรือไม่ก็ตาม ผู้ตรวจที่ได้รับการฝึกให้รู้จักลักษณะนี้มักสังเกตได้ด้วยตา เพราะข้อโต้แย้งที่ดำเนินตามย่อหน้าแหล่งที่มาทีละย่อหน้าจะอ่านเหมือนต้นฉบับเดียวกัน ไม่ว่าคำศัพท์จะเปลี่ยนไปอย่างไร ตัวเลขที่ต่ำไม่ได้หมายความว่างานสะอาด ซึ่งนั่นคือประเด็นของคู่มือของ TextPulse เกี่ยวกับ สิ่งที่นับว่าเป็นคะแนน Turnitin ที่ดี
ด้าน AI, การแทนที่ด้วยคำพ้องไม่ทำให้คะแนนเปลี่ยน
ตัวบ่งชี้การเขียนด้วย AI ไม่เคยเปรียบเทียบย่อหน้าของคุณกับแหล่งที่มา ดังนั้นจึงไม่มีการจับคู่ให้คำพ้องความหมายไปทำลาย มันให้คะแนนร้อยแก้วทีละประโยคตามความใกล้เคียงกับรูปแบบทางสถิติของงานเขียนที่สร้างโดยเครื่อง, ความคาดเดาได้ของคำ, จังหวะของประโยค, และถ้อยคำทั่วไปที่แบบจำลองภาษาเลือกใช้โดยอัตโนมัติ
การแทนที่คำแทบไม่เปลี่ยนสิ่งเหล่านี้เลย ประโยคยังคงมีความยาว ลำดับ และโครงเชื่อมแบบเดิมระหว่างอนุประโยค นี่คือเหตุผลที่การนำร่างที่เขียนด้วย AI ไปผ่านเครื่องมือถอดความแล้วเห็นคะแนน AI คงเดิม จึงเป็นประสบการณ์ที่พบได้บ่อยมาก คำศัพท์เปลี่ยนไป แต่รูปแบบที่ตัวจำแนกให้คะแนนไม่ได้เปลี่ยน ดังนั้นข้อความจึงยังถูกอ่านว่าเป็นงานเขียนโดยเครื่อง ตามที่หมวดการถอดความของ Turnitin ระบุไว้อย่างตรงตัวว่าควรเป็นเช่นนั้น
การกระจายความยาวของประโยคยังคงอยู่หลังการเขียนใหม่
ร้อยแก้วที่ร่างโดยเครื่องมักลงตัวอยู่ในช่วงแคบของความยาวประโยค เพราะแบบจำลองที่ทำนายโทเคนทีละหนึ่งไม่มีเหตุผลที่จะทำให้ประโยคที่สี่สั้นกว่าประโยคที่สาม งานเขียนของมนุษย์กลับกระจายมากกว่า, ประโยคหนึ่งมีสิบเก้าคำ, แล้วตามด้วยประโยคหกคำ, แล้วประโยคสามสิบสองคำที่บรรจุทั้งข้ออ้างและข้อจำกัดไว้ด้วยกัน GPTZero อธิบายเรื่องนี้โดยตรง โดยนิยาม burstiness ว่าเป็นมาตรวัดว่ารูปแบบการเขียนและค่า perplexity ของข้อความแปรผันมากเพียงใดตลอดทั้งเอกสาร
การสลับคำพ้องความหมายทำให้ความยาวของประโยคเปลี่ยนไปเพียงหนึ่งหรือสองคำ และทำให้ทุกประโยคเปลี่ยนไปในปริมาณเล็กน้อยในลักษณะใกล้เคียงกัน ดังนั้นการกระจายจึงคงรูปเดิม ย่อหน้าที่ก่อนผ่านการแก้ไขมีความยาวสิบแปด, สิบเก้า, สิบเจ็ด และยี่สิบคำ จะยังคงอยู่ภายในระยะห่างจากรูปแบบแบนเดิมนั้นเพียงหนึ่งหรือสองคำหลังจากนั้น
สิ่งนี้วัดได้โดยไม่ต้องเข้าใกล้ตัวตรวจจับเลย free burstiness checker รายงานว่าข้อความหนึ่งมีความแปรผันระดับประโยคมากเพียงใด และการนำย่อหน้าเดียวกันไปตรวจทั้งก่อนและหลังการถอดความแสดงให้เห็นว่าตัวเลขแทบไม่ขยับ ในขณะที่คำศัพท์เปลี่ยนไปทั้งหมด
ลำดับอนุประโยคและตัวเชื่อมก็ยังคงอยู่เช่นกัน
ลำดับของอนุประโยคเป็นลักษณะเชิงโครงสร้างประการที่สองที่เครื่องมือถอดความจะปล่อยไว้ตามเดิม และผู้เขียนอ่านเห็นได้ชัดเจนกว่าความยาวของประโยค ข้อความที่สร้างโดยเครื่องจักรมักจะวางหัวข้อไว้ก่อน ระบุข้ออ้าง แล้วจึงต่อท้ายด้วยอนุประโยคที่ให้เงื่อนไขซ้ำแล้วซ้ำเล่า "While the sample size was limited, the results suggest" และ "Although further research is needed, the findings indicate" คือประโยคเดียวกันที่สวมคำต่างกัน
เครื่องมือถอดความจะเปลี่ยน "while" เป็น "although" และ "suggest" เป็น "show" แต่จะไม่ตัดสินว่าเงื่อนไขนั้นควรไปอยู่ในประโยคสั้นของตนเองอีกสามบรรทัดถัดไป หรือว่าควรตัดคำบรรเทาความหนักแน่นออกไปทั้งหมด นั่นเป็นการตัดสินเชิงบรรณาธิการเกี่ยวกับสิ่งที่ย่อหน้ากำลังโต้แย้ง และกลไกการแทนที่ไม่มีมุมมองต่อข้อโต้แย้งนั้น
คำเชื่อมเป็นลักษณะประการที่สาม และเป็นลักษณะที่เห็นได้ชัดที่สุด แบบจำลองมักหยิบชุดคำเชื่อมขนาดเล็กที่คงที่มาใช้ตรงรอยต่อ ได้แก่ however, additionally, furthermore, in addition เครื่องมือถอดความจะสลับคำหนึ่งกับสมาชิกอีกคำหนึ่งในชุดเดียวกัน ดังนั้นตัวจำแนกยังคงเห็นคำเชื่อมแบบสำเร็จรูปจากการกระจายที่คาดไว้ในตำแหน่งที่คาดไว้ นั่นคือสัญญาณที่มันกำลังอ่านอยู่ก่อนการเขียนใหม่จะเริ่มขึ้น
| ลักษณะที่ตัวจำแนกอ่าน | เปลี่ยนโดยการถอดความ | เหตุผล |
|---|---|---|
| การเลือกคำรายคำ | ใช่, อย่างมาก | เป็นลักษณะเดียวที่กลไกการแทนที่ถูกสร้างมาเพื่อเปลี่ยน |
| ความยาวของประโยคและความแปรปรวนของมัน | แทบไม่ | คำที่ถูกแทนที่มีความยาวใกล้เคียงกัน ดังนั้นรูปแบบโดยรวมจึงคงอยู่ |
| ลำดับของอนุประโยคภายในประโยค | ไม่บ่อย | การจัดลำดับใหม่เปลี่ยนน้ำหนักเน้น ซึ่งข้อจำกัดด้านความหมายไม่สนับสนุน |
| คำเชื่อมตรงรอยต่อ | สลับภายในชุดเล็กชุดเดิม | คำเชื่อมแบบสำเร็จรูปคำหนึ่งแทนที่คำเชื่อมแบบสำเร็จรูปอีกคำหนึ่ง |
| ความคาดเดาได้ของคำถัดไป | เล็กน้อย | คำพ้องความหมายที่พบได้น้อยกว่าจะคาดเดาได้น้อยกว่า แต่กรอบรอบ ๆ คำนั้นยังคงคาดเดาได้เหมือนเดิม |
| หลักฐานและรายละเอียดเฉพาะ | ไม่ | การเขียนใหม่ไม่สามารถเพิ่มสาระที่ไม่เคยมีอยู่ในร่างเดิมได้ |
อะไรที่เปลี่ยนผลลัพธ์จริง
ทั้งสองระบบกำลังตอบสนองต่ออาการที่ต่างกันของการเขียนใหม่แบบผิวเผินเดียวกัน ดังนั้นวิธีแก้จึงเหมือนกันสำหรับทั้งคู่, คือเปลี่ยนการเขียน ไม่ใช่เปลี่ยนคำ นั่นหมายถึงการปรับโครงสร้างประโยคแทนการเรียงลำดับเนื้อหาใหม่, การทำให้ความยาวของประโยคหลากหลายอย่างตั้งใจ, การตัดคำเชื่อมทั่วไปที่โมเดลมักใช้เป็นค่าเริ่มต้น, และการเพิ่มรายละเอียดสนับสนุนที่เฉพาะเจาะจงพอจนสามารถมาจากแหล่งข้อมูลที่คุณอ่านจริงเท่านั้นได้ ความคล้ายคลึงลดลงเพราะโครงสร้างไม่ตามแหล่งเดิมอีกต่อไป คะแนน AI ลดลงเพราะรูปแบบที่ตัวจำแนกให้คะแนนนั้นหายไปแล้ว
เครื่องมือถอดความไม่สามารถทำงานนั้นได้ และความแตกต่างระหว่างเครื่องมือสองประเภทนี้ควรทำความเข้าใจก่อนจ่ายเงินให้กับอย่างใดอย่างหนึ่ง ซึ่ง TextPulse อธิบายไว้ใน AI humanizer versus paraphraser การตรวจดูความคาดเดาได้ของคำระดับคำในฉบับร่างด้วย free perplexity checker แสดงรูปแบบที่ตัวจำแนกตอบสนองได้มีประโยชน์กว่าการดูเพียงคะแนนอย่างเดียว
AI humanizer for students ของ TextPulse ทำงานในด้านโครงสร้างของปัญหา, โดยสร้างจังหวะของประโยค, ความแปรผันของความยาว และลำดับอนุประโยคขึ้นใหม่ แทนที่จะสลับคำรายคำ ซึ่งเป็นช่องว่างที่การแทนที่ด้วยคำพ้องความหมายอย่างเดียวปล่อยไว้กว้างมาก สำหรับงานรายวิชาโดยเฉพาะ humanizing an AI essay for college ครอบคลุมขั้นตอนการทำงานตั้งแต่ต้นจนจบ และ whether Turnitin detects DeepSeek ตอบคำถามเดียวกันสำหรับโมเดลที่ต่างออกไป
ทั้งหมดนี้ไม่เปลี่ยนสิ่งที่นโยบายการใช้ AI ของรายวิชาอนุญาต และไม่มีแนวทางการเขียนใหม่แบบใดที่ทำให้คะแนนเปลี่ยนหลังจากเกิดขึ้นแล้ว การทดสอบที่ควรใช้ก่อนส่งงานใด ๆ คือ คุณสามารถอธิบายได้หรือไม่, ประโยคต่อประโยค, ว่างานที่อยู่ตรงหน้าคุณพูดสิ่งที่มันพูดเพราะเหตุใด
คำถามที่พบบ่อย
ได้ similarity engine ของมันเปรียบเทียบงานที่ส่งกับเนื้อหาเว็บ สิ่งพิมพ์ และงานที่ส่งมาก่อนหน้า ดังนั้นข้อความที่เรียบเรียงใหม่ซึ่งยังทับซ้อนกับแหล่งข้อมูลจะยังคงตรงกันในคำเฉพาะ การอ้างคำ และโครงสร้างประโยค แยกออกมาอีกส่วนหนึ่ง AI writing report มีหมวดที่ระบุไว้สำหรับข้อความที่สร้างโดย AI ซึ่งถูกแก้ไขด้วย AI paraphrasing tool หรือ word spinner ซึ่งเอกสารของ Turnitin เองยืนยันว่าถูกสร้างมาเพื่อทำเครื่องหมายสิ่งนี้
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.
