วิธีลดคะแนนการตรวจจับ AI ของคุณ

นักศึกษานำย่อหน้าหนึ่งผ่านตัวตรวจจับ เห็นคะแนน 82 เปอร์เซ็นต์ เปลี่ยนคำโหลหนึ่งคำเป็นคำพ้องความหมายโดยไม่แตะโครงสร้างของประโยคแม้แต่ประโยคเดียว แล้วตรวจอีกครั้ง ตัวเลขแทบไม่ขยับ เรื่องทั้งหมดคือ การแก้ไขบางอย่างแทบไม่เปลี่ยนอะไรเลย และการแก้ไขอย่างหนึ่งเปลี่ยนมากกว่าที่เหลือรวมกัน ด้วยเหตุผลที่ไม่เกี่ยวกับการเอาชนะซอฟต์แวร์

บทความนี้อธิบายวิธีลด AI score ตามลำดับที่มีความสำคัญจริง, การแก้ไขใดแทบไม่ถูกนับ, การแก้ไขใดทำให้ตัวเลขเปลี่ยนอย่างมีนัยสำคัญ, และการแก้ไขใดเปลี่ยนมากที่สุด, พร้อมเหตุผล นอกจากนี้ยังอธิบายว่าตัวเลขนี้กำลังวัดอะไรจริง ๆ เพราะคะแนนที่ต่ำลงนั้นควรต้องการด้วยเหตุผลที่แท้จริง คือการเขียนที่ชัดเจนและเฉพาะเจาะจงมากขึ้น และเป็นเป้าหมายที่ไม่ดีหากไล่ตามเพียงลำพัง

AI Score วัดอะไรจริง ๆ

แบบจำลองภาษาเขียนโดยคาดเดาคำถัดไปที่น่าจะเกิดขึ้นซ้ำแล้วซ้ำเล่า ซึ่งก่อให้เกิดลายนิ้วมือทางสถิติที่เฉพาะเจาะจง, ความยาวประโยคที่กระจุกตัวใกล้กัน, การเชื่อมโยงที่ดึงมาจากชุดตัวเลือกที่ปลอดภัยจำนวนไม่มาก, และการเลือกคำที่อยู่ใกล้ศูนย์กลางของสิ่งที่คาดหวังในบริบทนั้น คะแนนการตรวจจับ AI คือค่าประมาณว่าข้อความตอนหนึ่งสอดคล้องกับลายนิ้วมือนั้นมากเพียงใด, ซึ่งสร้างโดยตัวจำแนกที่ฝึกมาเพื่อสังเกตลักษณะดังกล่าว, ไม่ใช่ข้อเท็จจริงเกี่ยวกับว่าใครเป็นผู้พิมพ์ประโยคนั้น

ตัวตรวจจับไม่ได้กำหนดตัวเลขในลักษณะเดียวกันทั้งหมด Turnitin ระบุ อย่างชัดเจนว่าเปอร์เซ็นต์ของตน "บ่งชี้ปริมาณของข้อความที่เข้าเกณฑ์ภายในงานส่งที่โมเดลตรวจจับการเขียนด้วย AI ของ Turnitin พิจารณาว่าน่าจะถูกสร้างโดย AI" และระบุอย่างชัดแจ้งว่านี่คือสัดส่วนของข้อความที่ถูกตั้งธง ไม่ใช่ค่าความน่าจะเป็นหรือคะแนนความเชื่อมั่น ตัวตรวจจับอื่น ๆ ส่งออกค่าที่ใกล้เคียงกับค่าความเชื่อมั่นของประโยคเองมากกว่า ไม่ว่าในกรณีใด คำอธิบายอย่างครบถ้วนเกี่ยวกับกลไกเบื้องหลังตัวเลขเหล่านี้คุ้มค่าแก่การอ่านใน how AI detectors work สิ่งที่สำคัญที่นี่เรียบง่ายกว่า, ตัวเลขนี้เป็นเพียงค่าประมาณเชิงสถิติ และการแก้ไขทุกข้อด้านล่างทำงานโดยเปลี่ยนสถิติที่มันถูกสร้างมาเพื่ออ่าน ไม่ใช่โดยการปกปิดข้อเท็จจริงว่ามีโมเดลเข้ามาเกี่ยวข้อง

การสลับคำพ้องแทบไม่ทำให้คะแนน AI เปลี่ยน

การแทนที่คำหนึ่งด้วยคำพ้องที่พบไม่บ่อยนักแทบไม่เปลี่ยนรูปแบบที่ตัวจำแนกใช้ให้คะแนน เพราะมันไม่กระทบความยาวของประโยค โครงสร้างอนุประโยค และจังหวะของประโยค โมเดลที่ฝึกมาเพื่อสังเกตรูปแบบประโยคที่สม่ำเสมอไม่ได้สนใจว่าประโยคจะใช้คำว่า enables หรือ allows สิ่งที่มันสนใจคือประโยคสามประโยคติดต่อกันมีความยาวเกือบเท่ากันและเปิดประโยคในลักษณะเดียวกัน

ประโยคแบบเรียบ ๆ อ่านว่า: "The platform enables users to efficiently accomplish routine tasks without additional training." เมื่อสลับคำทีละคำ จะกลายเป็น: "The platform allows users to efficiently complete routine tasks without extra training." ความยาวเท่าเดิม ลำดับอนุประโยคเท่าเดิม จังหวะเท่าเดิม ผู้อ่านอาจสังเกตเห็นเพียงคำที่ต่างออกไปเล็กน้อย แต่ตัวจำแนกที่ให้คะแนนรูปแบบระดับประโยคตลอดทั้งย่อหน้าแทบไม่มีข้อมูลใหม่ให้ใช้เลย

นี่ไม่ใช่ข้อโต้แย้งต่อการแก้ไขคำศัพท์พื้นฐาน คำอย่าง facilitate, robust และ myriad ควรถูกตัดออก เพราะผู้อ่านที่รอบคอบจะสังเกตเห็นคำเหล่านี้ และ AI word cleaner ฟรีสามารถตรวจพบคำส่วนใหญ่เหล่านี้ได้ภายในไม่กี่วินาที แต่เป็นข้อโต้แย้งต่อการคาดหวังว่าการแก้ไขในขั้นนี้จะเป็นงานหลัก หากคะแนนแทบไม่เปลี่ยนหลังจากปรับคำศัพท์ นั่นคือผลลัพธ์ที่คาดไว้ ไม่ใช่สัญญาณว่าการแก้ไขล้มเหลว

ความหลากหลายของประโยคทำให้มันไปได้ไกลขึ้น

แบบจำลองทำนายโทเคนทีละหนึ่งตัว และไม่มีเหตุผลในตัวที่จะทำให้ประโยคที่สามสั้นกว่าประโยคที่สอง ดังนั้นเมื่อปล่อยไว้ตามลำพัง ย่อหน้าจะคงตัวอยู่ในช่วงแคบของความยาวและรูปแบบ ความสม่ำเสมอนั้น ไม่ใช่คำใดคำหนึ่ง เป็นสัญญาณที่ชัดเจนกว่า เพราะตัวจำแนกที่ฝึกจากผลลัพธ์ของเครื่องได้เห็นรูปแบบนั้นมาหลายพันครั้งแล้ว

ประโยคเรียบ ๆ สามประโยคอ่านว่า: "The results were significant. The findings supported the hypothesis. The data was analyzed using standard methods." เมื่อปรับโครงสร้างให้มีความหลากหลาย เนื้อหาเดิมจะอ่านว่า: "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." ตอนนี้ประโยคหนึ่งประโยคเดียวบรรจุทั้งข้อกล่าวอ้างและความซับซ้อนของมันไว้ด้วยกัน พร้อมทั้งมีความแปรผันจริงในความยาวและโครงสร้างอนุประโยคตลอดทั้งย่อหน้า นั่นคือสิ่งที่ burstiness checker กำลังวัดเมื่อให้คะแนนความไม่สม่ำเสมอ และนั่นคือเหตุผลที่การแก้ไขแบบนี้ทำให้คะแนนเปลี่ยนมากกว่าการปรับคำศัพท์

ทั้งหมดนี้ไม่ยากที่จะทำด้วยมือบนกระดาษหนึ่งหรือสองหน้า อ่านย่อหน้าออกเสียง ทำเครื่องหมายช่วงที่มีประโยคสองหรือสามประโยคซึ่งฟังดูมีความยาวและรูปแบบเหมือนกัน แล้วแยกประโยคหนึ่งออกเป็นสองประโยค หรือรวมสองประโยคเป็นหนึ่งประโยค โดยใช้จุลภาคให้ทำงานจริง การแก้ไขระดับประโยคที่อยู่เบื้องหลังส่วนนี้อธิบายไว้ทีละขั้น พร้อมตัวอย่างที่ทำไว้ละเอียดมากขึ้น ใน full walkthrough of how to humanize AI text

หลักฐานของคุณเองทำให้คะแนน AI เปลี่ยนมากที่สุด

แบบจำลองภาษาไม่มีสิทธิ์เข้าถึงสิ่งที่เกิดขึ้นจริงในโครงการของคุณ เมื่อถูกขอให้เขียนเกี่ยวกับการศึกษา มันจะเลือกใช้ถ้อยคำที่ปลอดภัยที่สุด ซึ่งใช้ได้กับการศึกษาส่วนใหญ่ในหัวข้อเดียวกัน เพราะนั่นคือเนื้อหาเพียงอย่างเดียวที่มันมี ประโยคที่มีข้ออ้างเฉพาะจากแหล่งข้อมูลเฉพาะ ไม่ใช่ประโยคที่แบบจำลองจะสร้างขึ้นได้จากพรอมป์ต์เพียงอย่างเดียว และช่องว่างนั้นเองที่ทำให้คะแนนเปลี่ยนมากที่สุด

ประโยคทั่วไป: "The intervention had a positive effect on outcomes for participants." ประโยคนี้อาจใช้บรรยายงานวิจัยได้หลายร้อยชิ้น เขียนใหม่โดยใช้เนื้อหาของผู้เขียนเอง: "Attendance records showed the effect held only for students who came to more than six sessions, a threshold the original design had not anticipated." ยาวกว่า เฉพาะเจาะจงกว่า และสามารถใช้บรรยายการศึกษานี้ได้เท่านั้น แบบจำลองอ้างอิงที่ถูกขอให้ต่อพรอมป์ต์เดิมไม่น่าจะเดารายละเอียดเรื่องหกครั้งได้ เพราะไม่มีสิ่งใดในพรอมป์ต์บอกว่ารายละเอียดนั้นมีอยู่

นี่เป็นการแก้ไขที่ช่วยปรับปรุงงานเขียนได้มากที่สุดด้วย ไม่ว่าตัวตรวจจับใดจะรายงานอะไร ซึ่งเป็นประเด็นที่ควรพิจารณาอย่างจริงจัง ตัวเลขที่เฉพาะเจาะจง ข้อจำกัดที่ระบุชื่อไว้ หรือแหล่งข้อมูลที่อ้างตรง ๆ แทนการถอดความเป็นข้ออ้างที่คลุมเครือ สิ่งเหล่านี้ทำให้ย่อหน้ามีน้ำหนักน่าเชื่อถือมากขึ้นสำหรับผู้อ่าน และข้อเท็จจริงที่ว่าสิ่งเหล่านี้ยังทำให้คะแนนเปลี่ยนด้วยนั้น ใกล้เคียงกับผลข้างเคียงมากกว่าจะเป็นเป้าหมาย

การแก้ไข	ผลโดยทั่วไปต่อคะแนน	เหตุผล
เปลี่ยนคำเป็นคำพ้องความหมาย	น้อยถึงแทบไม่มี	ความยาวประโยค โครงสร้าง และจังหวะยังคงเดิม
ปรับความยาวและโครงสร้างของประโยคให้หลากหลาย	ปานกลางถึงมาก	ทำลายรูปแบบที่สม่ำเสมอซึ่งตัวจำแนกถูกฝึกให้สังเกต
เพิ่มหลักฐานหรือข้ออ้างของคุณเอง	มากที่สุด	นำเนื้อหาที่แบบจำลองไม่มีทางสร้างได้จากพรอมป์ต์เพียงอย่างเดียวเข้ามา

วิธีลดคะแนน AI โดยไม่ไล่ตามเป้าหมายที่ผิด

ตัวเลขทั้งหมดข้างต้นเป็นเพียงค่าประมาณ ไม่ใช่คำตัดสิน Turnitin ระบุไว้เช่นนั้นในเอกสารของตนเอง โดยกล่าวว่าการตรวจจับงานเขียนด้วย AI ของตนอาจ "may not always be accurate" และ "should not be used as the sole basis for adverse actions against a student." คะแนนอาจเปลี่ยนไปด้วยเหตุผลที่ไม่เกี่ยวกับความเป็นผู้ประพันธ์ และอาจคงเดิมแม้กับงานเขียนที่บุคคลนั้นเขียนขึ้นจากศูนย์ การมองตัวเลขนั้นเป็นข้อเท็จจริงเกี่ยวกับผู้ที่เขียนประโยคหนึ่ง ๆ คือที่มาของความกังวลส่วนใหญ่เกี่ยวกับประเด็นนี้ และนั่นไม่ใช่สิ่งที่ตัวเลขนั้นอ้างว่าตนเป็น

นั่นก็เป็นเหตุผลด้วยว่าทำไมการพยายามลดคะแนนจึงเป็นเป้าหมายที่ไม่ดีในตัวของมันเอง การไล่ตามตัวเลขอาจผลักดันให้นักเขียนไปสู่การแก้ไขที่ทำให้ทำอัตโนมัติได้ง่ายที่สุด, การปรับคำศัพท์, การเรียงอนุประโยคใหม่เล็กน้อย, ขณะที่ข้ามสิ่งที่สำคัญที่สุด, คือการเพิ่มเนื้อหาเฉพาะที่มีได้เฉพาะนักเขียนคนนั้นจริง ๆ คะแนนที่ต่ำลงซึ่งได้มาด้วยวิธีนั้นย่อมคุ้มค่าที่จะมี

การไล่ตามคะแนนที่ต่ำลงยังอาจผลักดันให้ย่อหน้าเบี่ยงไปในทิศทางที่ผิดในเชิงสไตล์, คือการใช้ถ้อยคำระมัดระวังกับทุกข้ออ้าง, การซ้อนคำขยายความ, การเพิ่มประโยคเติมเต็มที่มีอยู่เพียงเพื่อแบ่งจังหวะ ไม่ใช่เพื่อสื่อสารอะไรเลย ไม่มีสิ่งใดในนั้นที่แก้รูปแบบพื้นฐาน และทั้งหมดนั้นทำให้อ่านย่อหน้าได้แย่ลง การแก้ไขที่ทำให้คะแนนเปลี่ยนจริง, ความหลากหลายของประโยคและหลักฐานเฉพาะเจาะจง, ก็เป็นการแก้ไขที่ทำให้งานเขียนดีขึ้นในตัวของมันเองด้วย ซึ่งเป็นการตรวจสอบที่มีประโยชน์เมื่อการแก้ไขเริ่มให้ความรู้สึกว่าเป็นการเติมเนื้อหาเกินจำเป็นมากกว่าการปรับปรุง

AI humanizer ของ TextPulse AI humanizer ใช้การแก้ไขระดับประโยคและเชิงโครงสร้างข้างต้นกับเอกสารทั้งฉบับในคราวเดียว และรายงานค่า Human Score โดยประมาณที่คำนวณจากสัญญาณเดียวกันเหล่านั้น ไม่ใช่การอ้างว่าตัวตรวจจับที่ระบุชื่อใด ๆ จะผ่านได้ เมื่อใช้อย่างเหมาะสม มันเป็นการตรวจรอบแรกที่รวดเร็วสำหรับเอกสารยาว อย่างไรก็ตาม มันยังไม่สามารถเพิ่มสิ่งเดียวที่ทำให้คะแนนเปลี่ยนได้มากที่สุด เพราะมันไม่เคยอยู่ในห้องตอนที่งานจริงเกิดขึ้น ส่วนนั้นยังคงเป็นของนักเขียน

มีคำถามก่อนหน้าสองข้อที่ควรพิจารณาให้ชัดก่อน, ว่า AI humanizers ใช้งานได้จริงหรือไม่, และ ว่าปลอดภัยหรือไม่ที่จะใช้กับงานที่ตั้งใจจะส่ง.

ลำดับข้างต้นยังเป็นรายการลำดับความสำคัญสำหรับการจัดสรรเวลาที่มีจำกัดก่อนถึงกำหนดส่งด้วย หากเวลามีน้อย ให้ข้ามขั้นตอนตรวจคำพ้องความหมาย อย่าข้ามย่อหน้าที่คุณเพิ่มรายละเอียดกลับเข้าไปซึ่งไม่มีใครอื่นนอกจากคุณจะเขียนได้ เพราะนั่นคือการแก้ไขเพียงอย่างเดียวที่ซอฟต์แวร์เขียนใหม่ไม่ว่าจำนวนเท่าใดก็ไม่อาจทำแทนคุณได้