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

غیر مقامی بولنے والوں کے خلاف متعصب AI detectors ایک موضوعی شکایت نہیں ہے۔ 2023 کی ایک peer-reviewed Stanford study نے اسے براہ راست ناپا۔ محققین نے 91 حقیقی TOEFL مضامین، جو غیر مقامی انگریزی بولنے والوں نے لکھے تھے، اور 88 مضامین، جو امریکی آٹھویں جماعت کے طلبہ نے لکھے تھے، پر سات وسیع طور پر استعمال ہونے والے GPT detectors آزمائے، پھر یہ موازنہ کیا کہ ہر گروہ کو کس طرح اسکور کیا گیا۔

detectors نے آٹھویں جماعت کے مضامین تقریباً ہر بار درست پڑھ لیے۔ TOEFL مضامین پر، جو ایسے بالغوں نے لکھے تھے جنہوں نے پہلے ہی graduate-level انگریزی proficiency exam پاس کر لیا تھا، انہی سات tools نے اوسط false positive rate 61.22 percent واپس دی۔ اکیاسی میں سے انہتر مضامین، 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 بات چھوڑ دی جاتی ہے وہ mechanism ہے, یعنی graduate-level English speaker کی نثر ابتدا ہی میں machine-made کیوں محسوس ہوتی ہے، اور جب وہ اس طرح محسوس ہونا بند کرتی ہے تو کیا بدلتا ہے۔

غیر مقامی بولنے والوں کے خلاف متعصب AI Detectors: Mechanism

ایک detector کبھی معنی کے لیے نہیں پڑھتا۔ یہ اس بات کے لیے پڑھتا ہے کہ ہر لفظ کتنا predictable ہے، ان الفاظ کی بنیاد پر جو اس سے پہلے آئے ہیں، اور کسی passage کو اس وقت کم score دیتا ہے جب model اس کا زیادہ تر حصہ پہلے سے اندازہ لگا سکتا ہو۔ Lexical diversity, یعنی ایک writer کس حد تک وسیع vocabulary استعمال کرتا ہے بجائے اس کے کہ محفوظ الفاظ کے ایک چھوٹے مجموعے کو بار بار دہرائے, اور syntactic predictability, یعنی sentence structure زبان کے سب سے عام pattern کی کتنی قریب پیروی کرتا ہے بجائے اس کے کہ اس میں تنوع لائے, زبان کی production کی دو ایسی 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، چاہے جملے باقی تمام لحاظ سے یکساں ہوں۔ نحوی پیش بینی پذیری ساخت سے متعلق ہے: فاعل، فعل، مفعول، جو بار بار دہرایا جائے، اس جملے کے بجائے جو ماتحت جملے 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 ہر لحاظ سے معقول ہے۔

دوسری زبان میں لکھی گئی تحریر میں قابلِ اعتماد طور پر ان دونوں کی مقدار کم ہوتی ہے، اور یہ کسی کمی کے طور پر نہیں۔ اضافی زبان میں کام کرنے والا مصنف اس ذخیرۂ الفاظ اور جملوں کے ان نمونوں پر انحصار کرتا ہے جن کے درست ہونے کا امکان زیادہ ہوتا ہے، کیونکہ غلط اندازہ لگانے کی قیمت زیادہ ہوتی ہے جب زبان ابھی پوری طرح خودکار نہ ہو۔ Stanford کے اس مقالے میں جس نے detector تعصب کو دستاویزی شکل دی، اطلاقی لسانیات کی ایک ایسی تحقیقاتی روایت کا حوالہ دیا گیا ہے جو بالکل اسی نمونے پر مبنی ہے اور AI detectors کے وجود میں آنے سے بہت پہلے قائم ہو چکی تھی: کم لغوی ثروت، کم لغوی تنوع، اور سادہ تر جملہ ساخت دوسری زبان میں لکھی گئی تحریر کی دستاویزی، قابلِ پیمائش خصوصیات ہیں، نہ کہ کسی اور چیز کی علامت۔

مادری اور غیر مادری زبان میں لکھی گئی تحریر کے درمیان یہ خلا perplexity کے فرق کے طور پر ظاہر ہوتا ہے، وہی پیمائش جسے detector اس بات کا فیصلہ کرنے کے لیے استعمال کرتا ہے کہ کوئی عبارت machine-generated تھی یا نہیں۔ کم perplexity زیادہ machine-like محسوس ہوتی ہے، اس سے قطع نظر کہ اسے کس نے تیار کیا، اور دوسری زبان میں لکھی گئی تحریر اس پیمانے پر کم درجے پر اسباب کی بنا پر آتی ہے جن کا کسی chatbot سے کوئی تعلق نہیں۔ آیا یہ خلا واقعی detectors کو چلانے والی چیز ہے، محض اتفاق کے بجائے، یہ ایک قابلِ آزمائش سوال ہے۔ Stanford کی ٹیم نے اسے براہِ راست آزمایا۔

جب وہی مضامین زیادہ بھرپور 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 نظرثانی کرے: "لفظوں کے انتخاب کو اس طرح بہتر بنائیں کہ وہ کسی native speaker کی طرح زیادہ محسوس ہوں۔" مواد، استدلال، یا قواعد میں تبدیلی کی کوئی ہدایت نہیں دی گئی تھی۔ اس ایک ترمیم کے بعد، انہی سات detectors میں اوسط false positive rate 11.77 percent تک گر گئی، یعنی تقریباً پچاس percentage points کی کمی، اور ہر detector کے ذریعے متفقہ طور پر flagged ہونے والے مضامین کی تعداد اٹھارہ سے کم ہو کر ایک رہ گئی۔

اس کے بعد محققین نے تجربہ الٹی سمت میں کیا۔ 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 قدم رہی: جب TOEFL مضامین کو زیادہ بامعنی الفاظ سے enriched کیا گیا تو یہ تیزی سے بڑھی، اور جب eighth-grade مضامین کو سادہ کیا گیا تو یہ تیزی سے گھٹ گئی۔ مصنفین اس سے ایک واضح نتیجہ اخذ کرتے ہیں: detectors دراصل authorship پر کبھی ردعمل نہیں دے رہے تھے۔ وہ word choice پر ردعمل دے رہے تھے، یعنی ایک ایسی خصوصیت جسے کسی بھی writer کی vocabulary اپنے اندر سمو سکتی ہے، چاہے اس نے English کہیں بھی سیکھی ہو۔

مختلف detectors کے درمیان یہ تعصب کتنا یکساں ہے

ساتوں detectors بہت کم باتوں پر متفق تھے، 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 flagged 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 ٹولز پر ناپے گئے تھے جیسا کہ وہ اس وقت موجود تھے۔ اس کے بعد کئی مکمل طور پر بدل چکے ہیں: OpenAI نے جولائی 2023 میں اپنا ہی detector بند کر دیا، اس آزمائش کے چار ماہ بعد، یہ پانے کے بعد کہ وہ حقیقی AI-لکھے ہوئے متن میں سے صرف 26 فیصد کو درست طور پر نشان زد کرتا تھا، جبکہ انسانی تحریر میں سے 9 فیصد کو اب بھی غلط طور پر لیبل کر رہا تھا۔ جو چیز نہیں بدلی وہ فرق کی سمت ہے۔ ایک وسیع تر تعصبی benchmark، جو خاص طور پر detector کو آبادیاتی اور لسانی زمروں کے لحاظ سے جانچنے کے لیے بنایا گیا تھا، دسمبر 2025 میں شائع ہوا اور چار نئے open-source tools پر آزمایا گیا، پھر بھی اس نے کم نمائندگی رکھنے والے مصنفین کے گروہوں کے لیے مسلسل کم recall رپورٹ کیا۔

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

Stanford کا مطالعہ اب کئی AI نسلیں پرانا ہے، اور اس کے اپنے مصنفین نے خود اس کی حد بیان کی تھی: ایک چھوٹا pilot sample، اور detectors 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 فرق کو ختم کر دیا ہے؟

تازہ ترین مخصوص ٹیسٹ 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 حقیقی pre-ChatGPT EFL طالب علمانہ تحریر، پیشہ ورانہ انسانی تحریر، AI-generated متن، اور مخلوط انسانی AI متن شامل تھے۔ نتائج سے مجموعی درستگی دونوں ٹولز کے لیے 69 فیصد اور 61 فیصد رہی، جبکہ مخلوط زمرے میں درستگی، یعنی وہ قسم کی تحریر جو واقعی ایک ایڈیٹنگ مرحلہ پیدا کرتا ہے، تقریباً صفر تک گر گئی۔ اسی تحقیق نے ایک دوسری تعصب بھی ظاہر کی جو لسانی تعصب کے ساتھ ساتھ چل رہی تھی, سائنسی تحریر پر درستگی، انسانی علوم کی تحریر کے مقابلے میں 28 سے 38 فیصدی نکات کم تھی۔

ان میں سے کوئی بھی نتیجہ کسی ایک خراب مصنوعات کے بارے میں نہیں ہے۔ دو مختلف ڈیٹیکٹر معماریات، جو تین سال کے وقفے سے مختلف کارپس پر مختلف تحقیقی ٹیموں نے آزمائیں، بار بار ایک ہی نتیجے پر پہنچتی ہیں: وہ تحریر جو صنفی روایت سے یا دوسری زبان سے تشکیل پاتی ہے، ان ٹولز کے نزدیک اس تحریر کے زیادہ قریب ہوتی ہے جسے یہ مشین ساختہ کہتے ہیں، بہ نسبت اس تحریر کے جو نہ یہ ہو نہ وہ۔ TextPulse کے مفت ٹولز کسی ادارے کے ڈیٹیکٹر تک پہنچنے سے پہلے مصنف کو یہی شماریاتی پروفائل جانچنے دیتے ہیں۔

آزاد شواہد کہ یہ خلا حقیقی ہے، نہ کہ جانچ کا مصنوعی نتیجہ

TOEFL نتائج کے ساتھ پہلی مشکل یہ ہے کہ یہ کہا جا سکتا ہے کہ وہ صرف 2023 کی ایک چھوٹی پائلٹ تحقیق پر لاگو ہوتے ہیں۔ اسی تحقیقی ٹیم نے ایک دوسری تحقیق میں، ایسے ڈیٹا کے ساتھ جو ڈیٹیکٹرز سے بالکل متعلق نہیں تھا، اس کا جواب دیا۔ انہوں نے ICLR 2023 میں قبول شدہ 1,574 مقالے جانچے، جو مشین لرننگ کی ایک بڑی کانفرنس ہے، اور نمونے کو ان abstracts تک محدود رکھا جو ChatGPT کے وجود میں آنے سے پہلے جمع اور review کیے گئے 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 اس طرح تشکیل نہیں دیا جا سکتا تھا کہ کوئی شخص جان بوجھ کر زیادہ یا کم chatbot جیسا محسوس 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 کوئی ایسی چیز نہیں جسے detectors نے ایجاد کیا ہو۔ یہ وہ چیز ہے جسے انہوں نے وراثت میں پایا۔

AI detection کے بطور testing problem پر 2026 کی ایک شماریاتی تحلیل اسی نتیجے کی رسمی صورت پیش کرتی 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 false positive rate زیادہ رکھے گا، یہ متنوع آبادی کی testing کی ایک ریاضیاتی خاصیت ہے، نہ کہ کسی ایک tool کی خرابی۔ غیر مقامی انگریزی لکھنے والے اس طرح کی مشابہت کی سب سے واضح طور پر 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 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 قرار دے 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 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 کم کرتی ہے، اسی نوعیت کی revision بھی ہے جس کی ایک writer کو بالکل الگ وجوہات کی بنا پر ضرورت ہو سکتی ہے، زیادہ واضح phrasing، زیادہ precise word، detector سے قطع نظر۔ TextPulse's 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 ہر چیز سے الگ۔

نئے detectors اس pattern کو اب صراحت کے ساتھ مدنظر رکھنا شروع کر رہے ہیں۔ Pangram، حالیہ تجارتی entrants میں سے ایک، اپنی technical documentation میں یہ بیان کرتا ہے کہ اس کا classifier non-native English writers کے خلاف biased نہیں ہے، اگرچہ یہ دعویٰ independent testing کے بجائے vendor کی طرف سے آتا ہے۔ ایک مفت perplexity checker وہی بنیادی measurement دکھاتا ہے جو ان tools میں سے کوئی بھی تحریر کے ایک حصے سے compute کرتا ہے، اور یہ draft کو پہلے کہیں بھی بھیجے بغیر ہوتا ہے۔

اسی cluster میں دو عملی companions بھی 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 آہنگ نہیں ہو سکی وہ ایک وسیع پیمانے پر اختیار کی گئی institutional response ہے: کسی detector کو کسی ایک writer پر اعتماد کرنے سے پہلے writers کی ایک range کے خلاف 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 کا امکان سب سے زیادہ ہے۔