AI Dedektörleri Nasıl Çalışır? Perplexity, Burstiness ve Token Olasılığı

Üniversiteniz gönderimleri bir AI detector üzerinden incelemeye başladı ve size beklemediğiniz bir sayı içeren bir rapor döndü. Buna itiraz etmeye çalışmadan önce, o sayının ne anlama geldiğini bilmek yararlıdır. AI detectorlar nasıl çalışır? Makine yazısını bir insanın yaptığı gibi okumazlar. Metninizin bir dil modeli için ne kadar öngörülebilir olduğunu ölçerler, sonra bu öngörülebilirliği bir puana dönüştürürler. Bu sürecin hiçbir aşaması, ne demek istediğinize, argümanınıza ya da gerçekten bunu siz yazıp yazmadığınıza bakar.

Yıllarımı metni istatistiksel olarak parçalara ayıran araçlar geliştirmeye harcadım ve detection hakkında anlaşılması en yararlı tek şey şudur: bu, kökene değil, tipik olma derecesine ilişkin bir ölçümdür. Bu kavrandığında, hem teknoloji hem de onun başarısızlıkları çok daha anlamlı hale gelir.

Bir detectorun gerçekte neyi ölçtüğü

Bir detector bir şeyi kimin yazdığını bilmez. Elinde bir dil modeli ve bir puanlama işlevi vardır. Model metninizi soldan sağa okur ve her noktada sırada hangi kelimenin gelmesi gerektiğine ilişkin bir olasılık dağılımı üretir. Ona "the results of the" kelimelerini verin, "study"yi en üstte, "experiment"i biraz daha aşağıda ve "marmalade"i sıfıra yakın bir yerde sıralar.

Bu nedenle detector belgenize tek bir soru sorar: bu metin, modelin beklediği kelimeyi ne sıklıkla seçti? Yüksek olasılıklı kelimelere sürekli yönelen yazı, makine tarafından üretilmiş gibi görünür, çünkü bir metin üreticisinin tam olarak yaptığı şey budur. Model, kendi dağılımının tepesinden, binlerce token boyunca tekrar tekrar örnekleme yapar.

Bu yüzden bu kategori, pazarlamanın ima ettiğinden daha zayıf bir zemindedir. Bir detector bir watermark ya da parmak izi bulmaz. Sadece düzyazınızın istatistiksel olarak şaşırtıcı olmadığını fark eder ve şaşırtıcı olmayan düzyazının chatbot dışında da birçok nedeni vardır.

Perplexity: modelin ne kadar şaşırdığı

Ana ölçüt, perplexity olarak adlandırılır, ve göründüğünden daha kolaydır. Modelin gerçekten ortaya çıkan her bir sözcüğe atadığı olasılığı alın, bu olasılıkların logaritmalarının ortalamasını hesaplayın ve sonucu üstel biçime dönüştürün. Ortaya çıkan şey, modelin belgeniz karşısında ne kadar şaşırdığını anlatan tek bir sayıdır. Tahmin etmek yerine, kendi taslağınızın perplexity değerini kontrol edebilirsiniz.

Düşük perplexity, metnin modelin beklediği yönde ilerlediği anlamına gelir. Yüksek perplexity ise metnin modelin beklemediği dönüşler yapmaya devam ettiği anlamına gelir. İnsan yazısı genellikle daha yukarıda yer alır, çünkü insanlar tuhaf ve özgül bir isme, alışılmadık bir kuruluşa, beklenmedik bir yerden başlayan cümleye yönelir. Üretilmiş metin ise genellikle daha aşağıda yer alır, çünkü çözümleme süreci tam da bu tür hamlelerden kaçınacak biçimde kurulmuştur.

Bir yöntemler bölümüne başlama biçimi olarak iki yolu karşılaştırın. "The results of the study were statistically significant" ifadesi, neredeyse her modelin yüksek güvenle tahmin edeceği bir dizidir, çünkü beklenmedik hiçbir bilgi taşımaz. "Two of the three cohorts drifted before week six, which we had not planned for" ifadesi ise çok daha az öngörülebilirdir, çünkü makalenin geri kalanından tahmin edilemeyecek, özgül ve zorlayıcı bir bilgi taşır. İkincisi, algılayıcıya gerçek bir şaşkınlık yükler, ve insan olarak kaydedilen şey de bu şaşkınlıktır.

Burstiness: ortalama değil, varyans

Perplexity tek başına yeterli değildir, çünkü bir belge ortalamada son derece makul bir sayıya ulaşırken, altında kuşkulu biçimde tekdüze kalabilir. Önemli olan, metniniz boyunca görülen değişimdir, ve burstiness tam da bunu ölçer: yazı ilerledikçe cümle uzunluğunun ve cümle düzeyindeki perplexity değerinin ne ölçüde dalgalandığını. Bir burstiness checker bu yayılımı doğrudan gösterir.

Güven duyduğumuzda hızlanır, temkinli davrandığımızda yavaşlarız, ve bu ritim düzyazıya da taşınır. İnsanlar ataklar halinde yazar. Bir paragraf, sekiz sözcüklü kısa bir bildirme cümlesiyle açılabilir, üç yan cümle ve bir ara söz taşıyan otuz dört sözcüklü bir cümleye uzanabilir, ardından yeniden daha kısa ve hızlı bir yapıya dönebilir.

Model çıktısı bunu güvenilir biçimde yapmaz. Cümleler ortalama uzunluğun çevresinde kümelenir. Paragraflar düzenli paketler halinde gelir. Her bölüm, kendi başlığını yeniden ifade ederek başlar. Akıcı okunur ve düşük puan alır, çünkü cümleler arasındaki düşük varyans, bir dedektörün sahip olduğu en güçlü sinyallerden biridir. Onu ele veren tek bir cümle değildir. Tekdüzeliktir.

Sinyal	Ne ölçer	Neden makine metni düşük puan alır
Perplexity	Modelin, belge genelinde ortalanmış olarak, kelime seçimleriniz karşısında ne kadar şaşırdığı	Çözümleme, tasarım gereği yüksek olasılıklı tokenlardan örnekler
Burstiness	Cümle uzunluğunun ve öngörülebilirliğin metin boyunca ne kadar değiştiği	Çıktı, salınım yapmak yerine ortalamanın çevresinde kümelenir
Token probability	Diğer ikisinin hesaplandığı, kelime başına olasılık	Tek tek dikkat çekmeyen seçimlerin uzun dizileri

Token probability ve puanın nereden geldiği

Bu iki sayı da üçüncü bir sayıdan, token başına log-olabilirlikten, inşa edilir, diğer her şeyin hesaplandığı ham malzeme budur. Bazı araçlar bunu doğrudan gösterir, metninizin en öngörülebilir olduğu bölümleri vurgular. Arayüz ne ima ederse etsin, bu vurgular belirli cümleler hakkında suçlama değildir. Bunlar, belge düzeyindeki bir sayıya en çok katkıda bulunan parçalardır.

Araştırma yaklaşımları basit eşiklerin ötesine geçmiştir. DetectGPT ve onun ardılları eğriliğe bakar, metninizi hafifçe bozar ve ardından olasılığın, üretilmiş metnin gösterme eğiliminde olduğu örüntüde düşüp düşmediğini kontrol eder. Diğerleri aynı pasajı iki farklı model altında karşılaştırır ve anlaşmazlığı bir sinyal olarak kullanır.

Bir sonuç, değerlendirilen herkes için önemlidir. Ölçütler belirli bir referans modele karşı hesaplandığı için, bir puan her zaman o modele görelidir. İki dedektör aynı paragrafı okuyup tamamen farklı sonuçlara varabilir ve ikisi de arızalı değildir. Aynı soruya farklı referans noktalarıyla yanıt verirler.

İkinci sonuç daha az sık dile getirilir. Bir model, ancak bir pasaj eğitildiği şeye benziyorsa o pasajı öngörülebilir bulabilir, bu yüzden referans model ile metni üreten şey arasındaki fark büyüdükçe tespit kalitesi düşer. Daha yeni üreticiler, alışılmadık disiplinler ve English dışındaki diller bu farkı artırır. Kontrollü bir ölçüt üzerinde ölçülen doğruluğun gerçek bir başvuru yığınıyla karşılaştığında nadiren ayakta kalmasının nedenlerinden biri budur.

AI metni neden hiç tespit edilir

Bir Dil Modeli Sonraki Sözcüğünü Nasıl Seçer

Kendi haline bırakıldığında, bir dil modeli yalnızca olası sonraki sözcüklerin tam sıralı listesini bildirir ve seçimi başka bir şeye bırakırdı. Uygulamada, bir çözümleme stratejisi bu seçimi sözcük sözcük otomatik olarak yapar ve hangi stratejinin çalıştığı, alttaki model hiç değişmese bile çıktının nasıl göründüğünü değiştirir.

Açgözlü çözümleme her zaman tek en olası sözcüğü seçer. Nucleus sampling'i bir çözüm olarak tanıtan makalede, Ari Holtzman ve ortak yazarlar bu stratejiyi izlemenin, kendi ifadeleriyle, 'sönük ve tuhaf biçimde tekrarlayıcı' metne yol açtığını gözlemlemiştir. Birden fazla olası devamı aynı anda izleyip sonra birinde karar kılan beam search de aynı sorunun benzer bir sürümüne takılır.

Örnekleme stratejileri bir miktar rastlantısallığı yeniden devreye sokar, ancak kontrollü bir biçimde. Sıcaklık, bir sözcük seçilmeden önce modelin kendi en üst tercihlerine ne kadar keskin biçimde ağırlık verdiğini ayarlar. Bazen top-p olarak da adlandırılan nucleus sampling, dağılımı, birleşik olasılığı bir eşik değeri aşan en küçük sözcük kümesine daraltır ve yalnızca o kümeden örnekleme yapar, özgün makalede dağılımın güvenilmez kuyruğu yerine onun dinamik çekirdeğinden örnekleme olarak tanımlanmıştır.

Bu ayarların en az deterministik olanı bile, yine de modelin zaten olası gördüğü şeyler etrafında oluşturulmuş bir kısa listeden beslenir. İnsan yazısı, bir kelime dağarcığını sıralayıp onun en üstünden örnekleme yapılarak hiç üretilmedi, bu yüzden o kısa listenin ötesine sürekli uzanır. Anlam bazen, listede hiç yer almamış olan kelimede yaşar.

Sözcük Dağarcığı Düzlüğü: Daha Az, Daha Güvenli Kelimeler

Sözcük dağarcığı düzlüğü, aynı alışkanlığın sözcük düzeyindeki karşılığıdır. Bir cümlenin her noktasında, onu makul biçimde sürdürebilecek onlarca kelime olabilir, ancak modelin sıralamasında bunların birkaçı geri kalanların çok üstünde yer alır ve çözümleme sürekli olarak o birkaç kelimeye düşer. Bu seçimi bir belgedeki her cümle için tekrar ettiğinizde, fiilen kullanılan kelime aralığı, benzer uzunluktaki insan yazısına kıyasla ölçülebilir biçimde daralır.

Etkisi sabit kalmaz, birikir. Birinci cümlede en üst sıradaki kelimeye yönelen bir model, ikinci cümlede de en üst sıradaki kelimenin yaygın olduğu bir bağlam kurma olasılığını artırır, çünkü yaygın kelimeler yaygın kelimeleri izleme eğilimindedir. İnsan yazar bu sürüklenmeyi sürekli kesintiye uğratır, belirli teknik terime, biraz alışılmadık fiile, güvenli bir yaklaşık yerine gerçek şeyi adlandıran kelimeye yönelir. Bu fark, her iki sürüm de aynı temel olguları anlatsa bile, üretilen sürümde ölçülebilir biçimde daha küçük bir etkin sözcük dağarcığı olarak ortaya çıkar.

Bu, tek bir kelime seçiminin değil, bütün pasajın özelliğidir. Tek bir güvenli kelime hiçbir şey kanıtlamaz. Bir sayfa dolusu böyle kelime, cümle üstüne cümle aynı yaygın sözcük dağarcığı sırasına yöneldiğinde, bir dedektörün sözcük düzeyi sinyalinin gerçekten fark etmeye çalıştığı şey budur.

Sözdizimsel Tekdüzelik: Aynı Kalıpların Tekrarı

Sözdizimsel tekdüzelik, cümle düzeyindeki karşılıktır. Bu, bir cümlenin ne kadar uzun sürdüğüyle ilgili değildir. Bir pasajın kaç farklı dilbilgisel kalıp kullandığıyla ilgilidir, cümlelerin nasıl açıldığı, yan cümleciklerin birbirine nasıl bağlandığı, bir geçiş sözcüğünün bir düşünceden diğerine bağlama işini ne sıklıkla üstlendiğiyle ilgilidir. İstatistiksel olarak olası bir sonraki yapıyı tahmin etmeyi sürdüren bir model, az sayıda kalıp arasında gidip gelir ve bunu tekrar eder.

Bir paragraf, cümle uzunlukları değişse bile, eğer her cümle aynı özne-fiil-tümleç yapısını izliyorsa, aynı tür geçişle başlıyorsa ya da aynı biçimde sonuçlanıyorsa, sözdizimsel olarak düz okunabilir. Öngörülebilirlik, kelime sayısında değil, örüntüde yer alır, bu ayrım burstiness'in gerçekte neyi ölçtüğünü anlatan kılavuzda daha ayrıntılı biçimde ele alınır.

Ne daraltır	Çözümleme için optimize edilmiş metin ne yapma eğilimindedir	İnsan yazısı ne yapma eğilimindedir
Kelime seçimi	Her adımda en olası yaygın kelimeyi seçer	Gerçek şeyi adlandıran daha özgül ya da daha az yaygın kelimeye yönelir
Cümle başlangıcı	Güvenli geçiş başlangıçlarının küçük bir döngüsünü tekrarlar	Bir cümlenin nasıl başladığını değiştirir, bir modelin daha az olası diye sıralayacağı başlangıçlar da buna dahildir
Yan cümlecik yapısı	Bir pasaj boyunca bir ya da iki tercih edilen dilbilgisel yapıyı tekrarlar	Bir cümlenin neye ihtiyaç duyduğuna bağlı olarak basit ve karmaşık yapıları karıştırır

Yalnızca Bir İnsanın Yapma Eğiliminde Olduğu Seçimler

Dar bir aralığın diğer yüzü, onun dışında kalanlardır. Gerçek olayları anlatan bir kişi, yuvarlak bir sayı yerine tam sayıyı seçer, işe yaramayan kısmı kabul eder, bir cümleyi düşüncenin ortasında düzeltmek için keser ya da tipik olandan ziyade doğru olan kelimeyi seçer. Bu seçimlerin her biri, bir dil modeli açısından, düşük olasılıklı bir belirteçtir, çözümlemenin kaçınmak üzere kurulduğu tam da bu türden bir şeydir.

Bütün bunlar, özgül ya da alışılmadık yazının her türlü işaretten güvende olduğu ya da akıcı, doğru yazının varsayılan olarak şüpheli olduğu anlamına gelmez. Bir yöntemler bölümü, bir hukuki madde ya da yoğun biçimde düzenlenmiş bir son taslak, bir modelle hiçbir ilgisi olmayan nedenlerle dar bir aralığa düşebilir, bu yüzden tek bir puan, onu kimin yazdığına dair bir hüküm değil, bir örüntünün betimlemesidir.

Kendi taslağınızın o bantta nerede durduğunu görmek, tahmin etmekten daha yararlıdır. TextPulse's ücretsiz perplexity checker ve burstiness checker, sözcük düzeyindeki öngörülebilirliği ve cümleden cümleye ritmi ayrı ayrı ölçer, böylece düz bir kelime dağarcığı ve tekrarlanan cümle yapısı, tek bir birleşik sayı yerine iki farklı sinyal olarak görünür.

Bundan iki daha dar sayfa doğar. Turnitin AI'yi özel olarak nasıl tespit eder bunlardan biridir, benzerlik puanı ile AI puanı arasındaki fark ise diğeridir, çünkü bu ikisi düzenli olarak birbirine karıştırılır.

İkisi de daha geniş ücretsiz araçlar koleksiyonu içinde yer alır, böylece tek bir sayıya körü körüne güvenmek yerine örüntüyü kendileri görmek isteyen herkes için.

Web'in Ne Kadarı Artık AI Tarafından Üretiliyor?

Birkaç ölçüte göre, makine tarafından üretilen metin artık çevrimiçi ortamda insan tarafından yazılan metni geride bırakmaktadır. Amazon Web Services'teki bir ekip, web'den alınan 6.4 milyar cümleyi analiz etti ve 57.1%'inin üç veya daha fazla dilde makine çevirisi olarak var olduğunu, bunun büyük kısmının düşük kaliteli olduğunu buldu. SEO firması Graphite tarafından yapılan 2025 tarihli bir analiz, yeni yayımlanan web makalelerinin yarısından biraz fazlasının AI tarafından üretildiğini ortaya koydu. Wikipedia da bundan muaf değildir, Princeton tarafından Ağustos 2024'te oluşturulan sayfalar üzerine yapılan bir çalışma, yeni İngilizce makalelerin yaklaşık yirmide birini önemli ölçüde AI tarafından üretilmiş olarak ölçtü.

Bu pay artmaktadır, çünkü model çıktısının maliyeti insan yazısından katbekat daha düşüktür ve her ticari teşvik aynı yöne işaret etmektedir. Artık bazı platformlar bütünüyle insan yazarlar olmadan çalışmaktadır: Chirper, tamamı AI hesaplarından oluşan bir sosyal ağdır, burada insanlar yalnızca izleyebilir, SocialAI ise size verilen her yanıtın bir bot olduğu bir akış satar. Forumlar, inceleme bölümleri ve yorum dizileri de daha küçük ölçekte aynı örüntüyü taşır.

Tespit açısından bu, temel oranı değiştirir. 2023 yılında rastgele web metni okuyan bir sınıflandırıcı, bunun çoğunun insan tarafından yazıldığını varsayabilirdi, 2026 yılında ise bunu varsayamaz. Bu durum modellerin kendilerine de geri beslenir, çünkü her yeni nesil, önceki nesillerin zaten yazıp içine kattığı bir web üzerinde eğitilir, bu da söz varlığı alışkanlıklarının neden sönmekten çok yayılma üzerinden işaret verdiği nedenlerden biridir.

Kendi yazınız açısından sonuç açıktır: insan tarafından yazılmış düzyazı giderek azınlık sınıfı haline gelmektedir, ve değerlendiriciler, editörler ve okurlar bunun farkındadır. Artan şüphe artık varsayılan durumdur, ve bu da bir tespit aracının neyi ölçebildiğini ve neyi ölçemediğini anlamanın neden önemli olduğunu tam olarak açıklar.

Ticari tespit araçlarının ekledikleri

Kurumların gerçekten satın aldığı araçlar ders kitabı perplexity çalıştırmaz. Turnitin, GPTZero, Originality ve diğerleri, insan ve makine metninden oluşan büyük etiketli kümeler üzerinde denetimli sınıflandırıcılar eğitir, ve istatistiksel özellikleri üslup özellikleriyle birlikte kullanır. Sınıflandırıcının öğrendiği şey, eğitim verisinde bu iki yığını birbirinden ayıran her ne ise odur, bu da genel olarak "AI writing"den daha dar ve daha tarihsel bir şeydir.

Eğitime bağımlılık sessiz sorundur. Öncelikle bir model çıktısı nesli üzerinde eğitilmiş bir sınıflandırıcının, daha yeni modellere, alışılmadık disiplinlere ve İngilizcesi kendi eğitim dağılımına benzemeyen yazarlara genelleme yapması gerekir. Sağlayıcılar kendi değerlendirmelerinden doğruluk oranları yayımlar, ve bağımsız ölçütler aynı araçlarda düzenli olarak bu sayıların oldukça altında sonuç verir.

Bir skoru aşırı yorumlamadan okumak

Bir tespit raporu genellikle bir yüzde olarak gelir, ve bu yüzde düzenli biçimde yanlış okunur. Bu, belgenizin makine tarafından yazılmış kısmının oranı değildir. Araca bağlı olarak bu, bir sınıflandırıcı güveni ya da bazı iç eşikleri aşan cümlelerin payıdır, ve sağlayıcılar çoğu zaman hangisi olduğu konusunda belirsiz konuşur. Her ikisi de yüzde altmış gösteren iki rapor, oldukça farklı şeyler ifade edebilir.

Bir puanı, onu kimin yazdığıyla hiçbir ilgisi olmayan nedenlerle neyin değiştirdiğini bilmek de önemlidir. Kısa belgeler daha gürültülüdür, çünkü ortalamaların oturması için daha az metin vardır ve beş yüz kelimelik bir deneme, iki ya da üç alışılmadık cümlenin etkisiyle büyük ölçüde değişebilir. Alıntılanan materyal de, araç onu ayıklamadıkça, hesaba katılır, bu yüzden blok alıntılarla dolu bir literatür taraması, alıntıladığı her şeyin öngörülebilirliğini devralır. Standart terminolojiyle yüklü teknik bir pasaj da aynı şekilde davranır.

Bir işaretlemenin muhatabıysanız, yararlı tepki ölçüt hakkında bir tartışma değil, kanıttır. Sürüm geçmişi, taslaklar, notlar ve arama kayıtları sürece işaret eder ve bir usulsüzlük kurulunun gerçekten değerlendirebileceği şey süreçtir. Dikkatli bir yazarı bir modelden ayıran bir eşik olduğunu kimsenin gösterebileceği bir sınır yoktur.

Dedektörler neden hiçbir modelin üretmediği yazıyı işaretler

Yanlış pozitifler nadir bir arıza değildir. Doğrudan tipikliği ölçmekten kaynaklanırlar. Gerçekten öngörülebilir olan herhangi bir yazı, onu kimin ürettiğinden bağımsız olarak öngörülebilir diye puanlanır.

Ana dili İngilizce olmayan yazarlar bundan en çok etkilenir. Stanford araştırmacıları, dedektörlerin ana dili İngilizce olmayan konuşurlara ait denemelerin büyük bir bölümünü makine tarafından üretilmiş olarak yanlış sınıflandırdığını, buna karşılık ana dili İngilizce olan konuşurlara ait denemeleri doğru sınıflandırdığını buldu. Bunun nedeni kötü niyetli değil, mekaniktir, ikinci bir dilde çalışan yazarlar iyi yerleşmiş yapılara ve daha yaygın bir kelime dağarcığına dayanma eğilimindedir. Bu, düşük perplexity profilinin tam karşılığıdır, bu yüzden ESL yazarları dikkatli yazdıkları için işaretlenir.

Akademik gelenekler aynı soruna yol açar. Bir yöntemler bölümünün kalıplaşmış olması beklenir. Hukuki yazım, teknik dokümantasyon ve klinik raporlama, yaratıcı olan yerine standart ifadeyi ödüllendirir. Yoğun düzenleme bunu daha da artırır, çünkü bir taslağı cilalamak genellikle istatistiksel imzanızı taşıyan düzensizlikleri kaldırmak anlamına gelir.

Kuruluşlar bunu fark etti. Vanderbilt, doğrulayamadığı puanlara dayanmak yerine Turnitin'in AI tespit özelliğini devre dışı bıraktı ve diğer üniversiteler, sayıların usulsüzlük süreçlerinde nasıl kullanılabileceğini sınırladı. Bir dedektör puanını, hüküm değil, zayıf bir kanıt parçası olarak değerlendirin.

Bunun kendi yazınız açısından anlamı nedir

Mekanikten çıkan pratik tavsiye sıra dışı değildir ve bunların hiçbiri herhangi bir şeyi oyunlaştırmayı içermez. Cümle uzunluğunuzu bilinçli biçimde çeşitlendirin, çünkü tekdüzelik kayda geçen şeydir. Belirli ayrıntıyı koruyun, gerçek sayıyı, gerçek sınırlamayı, altıncı haftada yanlış giden şeyi. Genel yeterlilik makine tarafından üretilmiş gibi puanlanır ve özgüllük hem daha iyi yazıdır hem de daha güçlü bir işarettir.

Kendi üslubunuzu da koruyun. Bir şeyi kendinize özgü bir biçimde ifade ediyorsanız, onu bırakın. Bir taslağı, alandaki diğer her makale gibi duyulana kadar zımparalama dürtüsü, perplexity değerini düşüren dürtüdür.

Kaçınılması gereken bir şey var, bazı araçlar perplexity değerini yükseltmek için kasıtlı olarak dilbilgisi hataları ekler. Bu, ölçütte işe yarar ve notlandırılan ya da hakem değerlendirmesinden geçen herhangi bir şey için çok kötü bir fikirdir, çünkü bir şüpheyi bir kesinlikle değiş tokuş etmiş olursunuz. Amaç, sizin yazınız gibi okunan yazıdır, kasıtlı olarak zarar verilmiş yazı değil. İnsan okuyucu için yeniden yazma ile bir puanlayıcıyı kandırmak için metni bozma arasındaki bütün fark budur.

Bu sayıları, bir kara kutunun sözüne güvenmek yerine kendi taslağınız için görmek istiyorsanız, temel ölçümler gizli değildir. Ücretsiz metin analiz araçları, düzyazınızın nerede durduğunu gösterecektir ve düz kalan bölümlerin düzeltilmeye değer bir üslup sorunu olup olmadığına kendiniz karar verebilirsiniz.