บทความเชิงลึกเกี่ยวกับวิธีทำให้ข้อความจาก AI ดูเป็นมนุษย์ คะแนนต่ำจากตัวตรวจจับ AI รักษาแหล่งอ้างอิง และเขียนเอกสารวิชาการได้ดีขึ้น
การเพิ่ม perplexity และ burstiness โดยตั้งใจ โดยมากก็หมายถึงการเขียนให้ดีขึ้น, คือการทำให้ความยาวประโยคหลากหลาย, ผสมโครงสร้างอนุประโยค, และเลือกคำที่ตรงความหมายจริงแทนคำที่เพียงแต่ดูเหมือนเข้ากับจังหวะของประโยค. มีตัวอย่างก่อนและหลังที่เป็นรูปธรรม, พร้อมทั้งจุดที่สิ่งนี้หยุดเป็นงานฝีมือและเริ่มเป็นความคิดที่ไม่ดี.
GPTZero ทำให้ perplexity และ burstiness เป็นที่รู้จัก จากนั้นก็ยุติการใช้ทั้งสองอย่างอย่างเงียบ ๆ นี่คือสิ่งที่ตัวจำแนกของมันวัดในปัจจุบัน, รายงานแสดงอะไรจริง ๆ และเครื่องมือนี้ระบุข้อจำกัดของตนเองไว้อย่างไร
Perplexity ได้รับความสนใจ แต่คณิตศาสตร์ที่อยู่เบื้องหลังคือความน่าจะเป็นของโทเคน, นั่นคือสิ่งที่การแจกแจงของโมเดลต่อคำถัดไปมีอยู่จริง เหตุใดคณิตศาสตร์ของการตรวจจับจึงทำงานในลอการิทึมสเปซแทนความน่าจะเป็นดิบ และสายของคะแนนรายโทเคนกลายเป็นตัวเลขเดียวได้อย่างไร
GPTZero ทำให้ perplexity และ burstiness เป็นที่รู้จักอย่างกว้างขวาง จากนั้นก็ยุติการใช้ทั้งสองอย่างอย่างเงียบ ๆ ในฤดูใบไม้ร่วง 2023 และหันไปใช้ตัวจำแนกแบบ deep-learning บทความนี้ติดตามว่าอะไรเปลี่ยนไป เอกสารของ GPTZero และ Turnitin ระบุอะไรในปัจจุบัน และเหตุใดสถิติทั้งสองจึงยังอธิบายได้ว่าเหตุใดข้อความที่สร้างโดยเครื่องจึงตรวจจับได้ แม้ว่าผู้ให้บริการทั้งสองจะไม่ได้คำนวณมันโดยตรงอีกต่อไป
การถูกจับได้แทบไม่เคยเป็นเพียงช่วงเวลาเดียวที่ถูกกระตุ้นด้วยคะแนนร้อยละ แต่เป็นกระบวนการที่กำหนดไว้ มีขั้นตอน มาตรฐานของหลักฐาน และสิทธิในการอุทธรณ์ ซึ่งส่วนใหญ่ไม่เคยไปไกลเกินกว่าการพูดคุยครั้งแรก นี่คือสิ่งที่กระบวนการนั้นมีลักษณะจริงตั้งแต่ต้นจนจบ โดยอาศัยระเบียบปฏิบัติของมหาวิทยาลัยที่เผยแพร่แล้ว ไม่ใช่การคาดเดา.
ซอฟต์แวร์ตรวจจับมีความสำคัญน้อยกว่าที่นักศึกษาส่วนใหญ่คิด บทความนี้อธิบายสิ่งที่อาจารย์ซึ่งเคยอ่านงานของคุณมาก่อนสังเกตเห็นเมื่อร่างงานเริ่มไม่เหมือนคุณ ตั้งแต่การศึกษาปกปิดตัวตนระดับสำคัญของผู้ตรวจ ไปจนถึงสัญญาณเฉพาะที่ตรวจสอบได้ซึ่งปรากฏขึ้นก่อนที่ใครจะรันการสแกน
โพสต์ที่ไม่มีคำแปลในภาษาของคุณจะอยู่ในบล็อกภาษาอังกฤษ