AI ڈیٹیکٹرز غیر مقامی انگریزی لکھنے والوں کے خلاف کیوں متعصب ہیں

AI detectors جو غیر مادری بولنے والوں کے خلاف متعصب ہیں، یہ کوئی شخصی شکایت نہیں ہے۔ 2023 کی ایک peer-reviewed Stanford study نے اسے براہ راست ناپا۔ محققین نے 91 حقیقی TOEFL essays، جو غیر مادری English بولنے والوں نے لکھے تھے، اور 88 essays، جو American آٹھویں جماعت کے طلبہ نے لکھے تھے، پر سات widely used GPT detectors چلائے، پھر اس بات کا موازنہ کیا کہ ہر گروہ کو کتنے نمبر ملے۔

Detectors نے آٹھویں جماعت کے essays کو تقریباً ہر بار درست پڑھا۔ TOEFL essays پر، جو ایسے بالغوں نے لکھے تھے جنہوں نے پہلے ہی graduate-level English proficiency exam پاس کر لیا تھا، انہی سات tools نے اوسط false positive rate 61.22 percent دی۔ اکیاسی نہیں، بلکہ اکیانوے میں سے 89 essays، یعنی تقریباً 98 percent، کو ان سات tools میں سے کم از کم ایک نے AI-generated قرار دیا۔

TextPulse کا AI detector accuracy پر وسیع تر شواہد کا جائزہ اس نمایاں نتیجے اور ان lawsuits کا احاطہ کرتا ہے جن میں یہ بعد میں شامل ہوا۔ جہاں بھی اس study کا حوالہ دیا جاتا ہے، تقریباً ہر جگہ جو چیز چھوڑ دی جاتی ہے وہ mechanism ہے, یعنی graduate-level English speaker کی نثر شروع ہی میں machine-made کیوں پڑھی جاتی ہے، اور جب وہ اس طرح پڑھنا بند کرتی ہے تو کیا بدلتا ہے۔

غیر مادری بولنے والوں کے خلاف متعصب AI Detectors: طریقۂ کار

ایک detector کبھی معنی کے لیے نہیں پڑھتا۔ وہ اس بات کے لیے پڑھتا ہے کہ ہر لفظ کتنا predictable ہے، پچھلے الفاظ کو دیکھتے ہوئے، اور جب model اس کا زیادہ تر حصہ پہلے سے guess کر سکتا ہو تو passage کو کم score دیتا ہے۔ Lexical diversity, یعنی ایک writer وسیع vocabulary استعمال کرتا ہے یا محفوظ الفاظ کے ایک چھوٹے set کو دہراتا ہے، اور syntactic predictability, یعنی sentence structure زبان کے سب سے عام pattern کی کتنی قریب پیروی کرتا ہے بجائے اس کے کہ اسے مختلف بنائے, language production کی دو خصوصیات ہیں جو اس score کو کم کرتی ہیں۔

یہ فرق اہم ہے کیونکہ دونوں صفحے پر مختلف انداز سے ظاہر ہوتے ہیں۔ لغوی تنوع خود الفاظ سے متعلق ہے: جو مصنف تین مختلف جملوں میں 'obtain,' 'acquire,' اور 'secure' استعمال کرتا ہے، وہ اس مصنف کے مقابلے میں زیادہ متنوع پڑھا جاتا ہے جو 'get' کو تین بار لکھتا ہے، خواہ جملے باقی تمام پہلوؤں میں یکساں ہوں۔ نحوی پیش بینی پذیری ساخت سے متعلق ہے: فاعل، فعل، مفعول، بار بار دہرایا گیا، اس جملے کے برعکس جو ماتحت شق سے شروع ہو یا کسی غیر متوقع لفظ پر ختم ہو۔ دوسری زبان میں لکھنے والے طالب علم کے لیے امتحانی حالات میں دونوں کی زیادہ محفوظ صورت اختیار کرنا بالکل فطری ہے۔

دوسری زبان میں لکھائی میں قابل اعتماد طور پر ان دونوں کی مقدار کم ہوتی ہے، اور یہ کمی کسی خامی کے طور پر نہیں ہوتی۔ اضافی زبان میں کام کرنے والا مصنف اس ذخیرۂ الفاظ اور ان جملاتی نمونوں پر انحصار کرتا ہے جن کے درست ہونے کا امکان زیادہ ہوتا ہے، کیونکہ غلط اندازہ لگانے کی قیمت اس وقت زیادہ ہوتی ہے جب زبان ابھی پوری طرح خودکار نہیں ہوئی ہوتی۔ Stanford کے اس مقالے میں جس نے detector bias کو دستاویزی شکل دی، اسی نمونے پر اطلاقی لسانیات کی تحقیق کے ایک مجموعے کا حوالہ دیا گیا ہے، جو AI detectors کے وجود میں آنے سے بہت پہلے قائم ہو چکا تھا: کم لغوی ثروت، کم لغوی تنوع، اور سادہ جملاتی ساخت دوسری زبان میں لکھائی کی دستاویزی، قابلِ پیمائش خصوصیات ہیں، نہ کہ کسی اور چیز کی علامت۔

مادری اور غیر مادری لکھائی کے درمیان یہ خلا perplexity کے فرق کے طور پر ظاہر ہوتا ہے، وہی پیمائش جسے detector یہ طے کرنے کے لیے استعمال کرتا ہے کہ کوئی عبارت مشینی طور پر تیار کی گئی تھی یا نہیں۔ کم perplexity زیادہ مشینی انداز کی طرح پڑھی جاتی ہے، اس سے قطع نظر کہ اسے کس نے تیار کیا، اور غیر مادری لکھائی اس پیمانے پر اس وجہ سے نیچے آتی ہے جس کا کسی chatbot سے کوئی تعلق نہیں۔ آیا یہ خلا واقعی detectors کو متحرک کرتا ہے، بجائے اس کے کہ یہ محض ایک اتفاق ہو، ایک قابلِ آزمائش سوال ہے۔ Stanford کی ٹیم نے اسے براہ راست آزمایا۔

جب وہی مضامین زیادہ ثروتمند ذخیرۂ الفاظ کے ساتھ دوبارہ لکھے گئے تو کیا ہوا

محققین نے وہی 91 TOEFL مضامین لیے جنہوں نے 61.22 percent کی اوسط false positive rate کو جنم دیا تھا، اور ChatGPT سے کہا کہ انہیں ایک ہی ہدایت کے ذریعے نظرِ ثانی کرے: "لفظوں کے انتخاب کو اس طرح بہتر بناؤ کہ وہ کسی native speaker کی طرح زیادہ محسوس ہوں۔" مواد، استدلال، یا قواعد میں تبدیلی کے بارے میں کچھ بھی ہدایت نہیں دی گئی تھی۔ اس ایک ترمیم کے بعد، انہی سات detectors میں اوسط false positive rate 11.77 percent تک گر گئی, جو تقریباً پچاس percentage points کی کمی تھی، اور ہر detector کے متفقہ طور پر flag کیے گئے مضامین کی تعداد اٹھارہ سے کم ہو کر ایک رہ گئی۔

اس کے بعد محققین نے تجربہ الٹی سمت میں دہرایا۔ انہوں نے 88 native-speaker eighth-grade مضامین لیے، جنہیں detectors نے ابتدا میں تقریباً ہر بار درست طور پر score کیا تھا، اور ChatGPT سے کہا کہ ان کے لفظوں کے انتخاب کو اس طرح سادہ کرے جیسے وہ کسی non-native speaker نے لکھے ہوں۔ انہی native-written مضامین پر اوسط false positive rate 5.19 percent سے بڑھ کر 56.65 percent ہو گئی۔ مضامین کی authorship نہیں بدلی۔ صرف vocabulary بدلی، اور detectors نے vocabulary کا پیچھا کیا۔

Perplexity دونوں سمتوں میں misclassification rate کے ساتھ ہم آہنگ طور پر بدلا: جب TOEFL مضامین کو زیادہ بامعنی بنایا گیا تو یہ تیزی سے بڑھا، اور جب eighth-grade مضامین کو سادہ کیا گیا تو یہ تیزی سے کم ہوا۔ مصنفین اس سے ایک دوٹوک نتیجہ اخذ کرتے ہیں: detectors دراصل جس چیز پر ردِعمل دے رہے تھے وہ کبھی authorship نہیں تھی۔ وہ word choice تھی، ایک ایسی خصوصیت جسے کسی بھی writer کی vocabulary اپنے اندر سمو سکتی ہے، اس سے قطع نظر کہ اس نے English کہاں سیکھی۔

مختلف detectors کے درمیان یہ تعصب کتنا یکساں ہے

ان سات detectors میں زیادہ تر باتوں پر اتفاق نہیں تھا، سوائے اس کے کہ غلطی کس سمت میں جا رہی تھی۔ ان میں سے ہر ایک نے TOEFL مضامین کو eighth-grade مضامین کے مقابلے میں کہیں زیادہ بار flag کیا، مگر بہت مختلف margins کے ساتھ۔

Detector	غلط مثبت شرح، TOEFL مضامین	غلط مثبت شرح، مقامی مضامین
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
OpenAI's detector	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

یہ 2023 کے اعداد و شمار ہیں، جو ان اوزاروں پر ناپے گئے تھے جیسا کہ وہ اس وقت موجود تھے۔ اس کے بعد کئی میں مکمل تبدیلی آ چکی ہے: OpenAI نے جولائی 2023 میں اپنا detector بند کر دیا، اس آزمائش کے چار ماہ بعد، یہ پانے کے بعد کہ وہ حقیقی AI-written متن میں سے صرف 26 percent کو درست طور پر نشان زد کرتا تھا، جبکہ انسانی تحریر کے 9 percent کو اب بھی غلط طور پر لیبل کر رہا تھا۔ جو چیز نہیں بدلی وہ فرق کی سمت ہے۔ تعصب کا ایک وسیع benchmark، جو خاص طور پر detector کو آبادیاتی اور لسانی زمروں کے across جانچنے کے لیے بنایا گیا تھا، دسمبر 2025 میں شائع ہوا اور چار نئے open-source tools کے خلاف چلایا گیا، پھر بھی اس نے writers کے underrepresented groups کے لیے مسلسل کم recall رپورٹ کیا۔

کیا یہ تعصب نئے detector میں بھی اب ظاہر ہوتا ہے؟

Stanford study اب کئی AI generations پرانی ہے، اور اس کے اپنے مصنفین نے خود اس کی limitation بیان کی تھی: ایک چھوٹا pilot sample، اور detector زیادہ تر GPT-2 پر بنائے گئے تھے، جو آج detection کو طاقت دینے والے model سے کہیں چھوٹا اور پرانا model ہے۔ اس سے ایک معقول سوال پیدا ہوتا ہے۔ کیا بہتر technology نے اس gap کو ختم کر دیا ہے؟

سب سے حالیہ مخصوص آزمائش کے مطابق، ابھی نہیں۔ سلطان قابوس یونیورسٹی سے فروری 2026 کی ایک تحقیق میں، محققین نے دو موجودہ تجارتی ڈیٹیکٹرز، Turnitin اور Originality، کو 192 متون کے خلاف آزمایا جن میں مستند pre-ChatGPT EFL طالب علمانہ تحریر، پیشہ ورانہ انسانی تحریر، AI-generated متن، اور مخلوط انسانی AI متن شامل تھے۔ نتائج نے دونوں tools کے لیے مجموعی درستگی 69 percent اور 61 percent دکھائی، جبکہ مخلوط زمرے میں درستگی، یعنی وہ نوعِ تحریر جو دراصل ایک editing pass پیدا کرتی ہے، تقریباً صفر تک گر گئی۔ اسی تحقیق نے ایک دوسری تعصب بھی ظاہر کی جو لسانی تعصب کے ساتھ ساتھ چل رہا تھا: سائنسی تحریر پر درستگی، انسانی علوم کی تحریر کے مقابلے میں، 28 to 38 percentage points کم تھی۔

ان میں سے کوئی بھی نتیجہ کسی ایک ناقص product کے بارے میں نہیں ہے۔ دو مختلف detector architectures، جو تین سال کے وقفے سے مختلف corpora پر مختلف research teams نے آزمائے، ایک ہی نتیجے پر پہنچتے رہتے ہیں: ایسی تحریر جو genre convention یا دوسری زبان کے اثر سے بنی ہو، ان tools کے نزدیک اس تحریر کے زیادہ قریب ہوتی ہے جسے یہ machine-made کہتے ہیں، بہ نسبت اس تحریر کے جو ان دونوں میں سے کوئی بھی نہ ہو۔ TextPulse's free tools ایک writer کو یہ اجازت دیتے ہیں کہ وہ کسی institution کے detector تک پہنچنے سے پہلے اسی statistical profile کو جانچ لے۔

آزاد شواہد کہ یہ خلا حقیقی ہے، نہ کہ testing artifact

TOEFL نتائج کے ساتھ پہلی مشکل یہ ہے کہ یہ کہا جا سکتا ہے کہ وہ صرف 2023 کی ایک چھوٹی pilot study پر لاگو ہوتے ہیں۔ اسی research team نے ایک اور study میں، ایسے data کے ساتھ جو detectors سے بالکل متعلق نہیں تھا، اس کا جواب دیا۔ انہوں نے ICLR 2023 میں قبول ہونے والے 1,574 papers کا جائزہ لیا، جو machine learning کی ایک بڑی conference ہے، اور sample کو ان abstracts تک محدود رکھا جو ChatGPT کے وجود میں آنے سے پہلے submitted اور reviewed ہوئے تھے۔

جن ممالک میں انگریزی پہلی زبان نہیں ہے، وہاں کے مصنفین نے ایسے خلاصے لکھے جن کی perplexity مقامی انگریزی بولنے والے ممالک کے مصنفین کے مقابلے میں نمایاں طور پر کم تھی، اور یہ فرق اس کے بعد بھی برقرار رہا کہ ہر مقالے کو جائزہ لینے والوں نے کتنی بلند درجہ بندی دی تھی۔ یہ نمونہ کسی ایسے شخص کے ذریعے تشکیل نہیں دیا جا سکتا تھا جو زیادہ یا کم chatbot جیسا لگنے کی کوشش کر رہا ہو۔ ChatGPT کی اشاعت میں ابھی 3 ماہ باقی تھے جب جمع کرانے کی مدت ختم ہوئی۔ مقامی اور غیر مقامی علمی تحریر کے درمیان perplexity کا فرق ایسی چیز نہیں ہے جسے detectors نے ایجاد کیا ہو۔ یہ وہ چیز ہے جسے انہوں نے وراثت میں پایا ہے۔

AI detection کو ایک testing problem کے طور پر دیکھنے والا 2026 کا شماریاتی تجزیہ اسی نتیجے کی ایک رسمی صورت پیش کرتا ہے۔ جب بھی مصنفین کا کوئی گروہ ایسی زبان پیدا کرتا ہے جو مجموعی طور پر عام AI output سے مشابہت رکھتی ہو، تو حقیقی طاقت رکھنے والا کوئی بھی detector جو AI-written text کو پکڑ سکے، اس مخصوص گروہ کے لیے لازماً زیادہ false positive rate رکھے گا، جو متنوع آبادی کی testing کی ایک ریاضیاتی خاصیت ہے، نہ کہ کسی ایک tool کی خامی۔ غیر مقامی انگریزی لکھنے والے اس عین overlap کی سب سے واضح دستاویزی مثال ہیں۔

دوسری زبان میں لکھنے والوں کے لیے اس کا کیا مطلب ہے

اس میں سے کوئی بات اس دلیل کے حق میں نہیں کہ آپ خود سے کم مشابہ انداز میں لکھیں۔ یہ اس بات کو جاننے کی وجہ ہے کہ score آنے سے پہلے حقیقت میں کیا ناپا جا رہا ہے۔ اگر کوئی detector آپ کی نثر کو predictable سمجھ رہا ہے، تو وہ دوسری زبان میں لکھنے کی ایک حقیقی شماریاتی خاصیت کو پکڑ رہا ہے، نہ کہ اس بات کا ثبوت کہ آپ نے کوئی tool استعمال کیا تھا جسے آپ نے استعمال نہیں کیا۔

Stanford کے محققین جنہوں نے اصل study کی، اپنی ہی finding کے ایک غیر آرام دہ مضمرے کی طرف اشارہ کرتے ہیں: وہی vocabulary adjustment جو false positive risk کو کم کرتا ہے، اسی نوعیت کی revision بھی ہے جس کی ایک writer کو بالکل الگ وجوہات سے ضرورت ہو سکتی ہے، زیادہ واضح phrasing، زیادہ precise word، detector سے قطع نظر۔ TextPulse کا ESL academic writers کے لیے page اس بات کا احاطہ کرتا ہے کہ اس نوعیت کی revision حقیقی جملوں میں کیسی دکھتی ہے، detection score سے متعلق کسی بھی چیز سے الگ۔

نئے ڈیٹیکٹر اس نمونے کو صراحتاً مدنظر رکھنا شروع کر رہے ہیں۔ Pangram، نسبتاً حالیہ تجارتی اداروں میں سے ایک، اپنی تکنیکی دستاویزات میں یہ بیان کرتا ہے کہ اس کا classifier غیر مقامی انگریزی لکھنے والوں کے خلاف متعصب نہیں ہے، اگرچہ یہ دعویٰ آزادانہ جانچ کے بجائے خود vendor کی طرف سے آتا ہے۔ ایک مفت perplexity checker وہی بنیادی پیمائش دکھاتا ہے جو ان میں سے کوئی بھی tool کسی تحریر کے حصے سے compute کرتا ہے، اور draft کو پہلے کہیں بھی بھیجے بغیر۔

اسی cluster میں دو عملی companion موجود ہیں: when to use a, an and the, جو اس pattern کا واحد سب سے عام source ہے، اور زیادہ عمومی طور پر how to sound natural in English academic writing۔

تحقیق دو سال بعد بھی اسی سمت میں مسلسل جمع ہو رہی ہے، مختلف teams، مختلف detectors، اور مختلف test designs کے across۔ جو چیز ہم رفتار کے ساتھ نہیں بڑھ سکی، وہ ایک وسیع پیمانے پر اختیار کی گئی institutional response ہے: کسی ایک writer پر اعتماد کرنے سے پہلے، writers کی ایک range کے مقابلے میں detector کا audit کرنا، بجائے اس کے کہ کسی specific student پر پہلے ہی الزام لگ چکا ہو۔ جب تک یہ معمول نہیں بن جاتا، false flag کو غلط ثابت کرنے کی ذمہ داری بالکل انہی writers پر آتی ہے جن کے بارے میں یہ research کہتی ہے کہ ان کے اسے receive کرنے کے امکانات سب سے زیادہ ہیں۔