کیا Turnitin انسانی بنایا گیا AI متن شناخت کر سکتا ہے؟

Turnitin اس سوال کا جواب اپنی ہی سپورٹ سائٹ پر دیتا ہے، اور یہ جواب عام بحث کے دونوں جانبوں سے زیادہ مخصوص ہے۔ اس کا AI writing indicator، Turnitin says, پہلے ہی ایسے AI-generated مواد کی detection شامل کرتا ہے جو detection سے بچنے کے لیے humanized کیا گیا ہو یا bypasser سے گزارا گیا ہو۔ یہ ایک vendor کی اپنی product کی وضاحت ہے۔ یہ آغاز کے لیے درست جگہ بھی ہے، کیونکہ یہ بتاتا ہے کہ model کن چیزوں کو cover کرنے کا دعویٰ کرتا ہے۔

تو، کیا Turnitin humanized text detect کر سکتا ہے؟ سوال کی ایک زیادہ محدود اور زیادہ مفید صورت یہ ہے۔ Turnitin کا model کسی humanizer کے fingerprint کو تلاش نہیں کرتا اور tools کی کوئی فہرست نہیں رکھتا۔ یہ نثر کو جملہ بہ جملہ اس بنیاد پر score کرتا ہے کہ writing machine-generated text کے statistical patterns سے کتنی قریب ہے، پھر ان scores کا document بھر میں اوسط نکالتا ہے۔ کوئی humanized passage پھر بھی high score کرے گا یا نہیں، یہ اس بات پر منحصر ہے کہ rewrite نے اس pattern کو کتنا بدلا، اور اس بات پر بھی کہ document کا کتنا حصہ بالکل rewrite ہوا۔

کیا Turnitin Humanized Text Detect کر سکتا ہے؟ Turnitin کیا دعویٰ کرتا ہے

ان کا شائع شدہ مؤقف صاف طور پر ہاں ہے۔ اس سوال کا جواب دیتے ہوئے کہ آیا یہ ایسے content کو detect کر سکتا ہے جو humanizer سے گزارا گیا ہو، ان کی guidance کہتی ہے: "Yes, Turnitin's AI indicator includes detection of AI-generated content that may have been humanized or passed through a bypasser to avoid detection." اسی صفحے پر AI paraphrasing tools کے لیے بھی یہی جواب دیا گیا ہے۔

یہ دعویٰ report میں کہیں دوسرے number کے طور پر ظاہر نہیں ہوتا۔ Turnitin اسے ایک ہی AI writing percentage میں شامل کرتا ہے، اور اس percentage کی published definition یہ بات براہ راست کہتی ہے: اس میں وہ text شامل ہے جسے model کے مطابق غالباً AI نے generate کیا تھا، یا غالباً generate کیا گیا تھا اور پھر کسی AI paraphraser یا bypasser کے ذریعے modify کیا گیا تھا۔ ایک ہی score ہے، اور model جتنا سمجھ سکے اتنا rewrite کو پہلے ہی account میں لے لیتا ہے۔

احتیاط سے پڑھیں، یہ کوریج کے بارے میں ایک بیان ہے، درستگی کے بارے میں نہیں۔ Turnitin یہ کہہ رہا ہے کہ humanized متن اس دائرے میں شامل تھا جب ماڈل بنایا گیا تھا۔ یہ اس بات تک ہرگز نہیں پہنچتا کہ ہر humanized دستاویز کو بلند اسکور ملتا ہے، اور اس کے اپنے شائع شدہ اعداد و شمار، ذرا آگے، ایک ایسے ماڈل کی وضاحت کرتے ہیں جو انفرادی جملوں کو غیر یقینی سمجھتا ہے۔

AI Writing Indicator اصل میں کس چیز کا اسکور کر رہا ہے

یہ فیصد نہیں ہے۔ یہ متن کا ایک حصہ ہے، اس لیے یہ اعتماد کی سطح نہیں ہے۔ یہ اس بات کا پیمانہ ہے کہ آپ کی دستاویز کے اندر کتنا متن ہمارے ماڈل کے خیال میں غالباً AI generated ہے۔ ہم اسے qualified text کہتے ہیں، جس کا مطلب ہے طویل نثری تحریری قالب میں موجود نثری جملے۔ اس میں بلٹ فہرستیں، کوڈ، جدولیں یا مختصر ٹکڑے شامل نہیں ہوتے۔ اور اسی لیے آپ کو ایک ہی مقالے کے لیے مختلف اعداد نظر آ سکتے ہیں، اس بات پر منحصر کہ اس کا کتنا حصہ مسلسل نثر پر مشتمل ہے۔

اس کے نیچے کارفرما طریقۂ کار اتنا سادہ ہے کہ اسے تصور کیا جا سکتا ہے۔ Turnitin ایک دستاویز کو تقریباً چند سو الفاظ کے اوورلیپ کرنے والے حصوں میں تقسیم کرتا ہے، ہر حصے میں لگ بھگ پانچ سے دس جملے ہوتے ہیں، اور یہ اس طرح اوورلیپ کیے جاتے ہیں کہ ہر جملے کو سیاق میں اسکور ملے۔ ہر جملے کو 0 اور 1 کے درمیان ایک قدر ملتی ہے۔ پھر حصوں کے اسکور پورے دستاویز میں اوسط نکال کر اس ایک عدد کو پیدا کرتے ہیں جو ایک استاد دیکھتا ہے۔ Turnitin AI کو کیسے detect کرتا ہے کی مرحلہ وار تفصیل ہر مرحلے کو زیادہ وضاحت سے بیان کرتی ہے۔

اوسط نکالنے کا یہ مرحلہ humanized متن کے لیے پائپ لائن کے کسی بھی دوسرے حصے سے زیادہ اہم ہے، اور یہی وہ حصہ ہے جس کا حساب تقریباً کوئی نہیں رکھتا۔ استاد جو عدد پڑھتا ہے وہ حصوں کی سطح پر دیے گئے فیصلوں کا حسابی اوسط ہوتا ہے۔ ایک دستاویز کا آدھا حصہ دوبارہ لکھا جا سکتا ہے اور وہ مختلف وجوہ کی بنا پر درمیان میں کہیں آ سکتی ہے، جن کا دوبارہ لکھنے کی کیفیت سے بہت کم تعلق ہوتا ہے۔

Humanized Output کبھی کبھی پھر بھی بلند اسکور کیوں لیتا ہے

سب سے عام وجہ کوریج ہے۔ کسی humanizer کا تعارف اور اختتام پر لاگو ہونا literature review اور discussion کو جوں کا توں چھوڑ دیتا ہے، اور وہ حصے اپنے اصل scores براہ راست اوسط میں لے آتے ہیں۔ کسی طویل chapter میں، ابتدائی صفحات کو دوبارہ لکھنے سے چند segments بدلتے ہیں اور باقی بالکل ویسے ہی رہتے ہیں، جس سے وہ حرکت پیدا ہوتی ہے جو writer کو اس کام سے توقع ہوتی ہے جو بظاہر کافی substantial محسوس ہوا تھا۔

دوسری وجہ rewrite کی گہرائی ہے۔ ایسا pass جو vocabulary کو بدل دے مگر sentence lengths، clause order اور transition choices کو اپنی جگہ برقرار رکھے، classifier کی training کے وقت سیکھا گیا pattern بڑی حد تک جوں کا توں چھوڑ دیتا ہے۔ model prose کی shape کو score کرتا ہے، اس لیے اس shape کو بھرنے والے words بدلنے سے اتنا اثر نہیں پڑتا جتنا اکثر لوگ سمجھتے ہیں۔ ایک free perplexity checker یہ دکھائے گا کہ rewrite کے بعد کوئی passage اب بھی کتنا predictable پڑھا جاتا ہے، اور یہ before اور after کے word-level comparison سے زیادہ informative signal ہے۔

تیسری وجہ یہ ہے کہ rewrite اپنی ہی regularity قائم کر سکتا ہے۔ ایسا software جو ہر paragraph پر ایک ہی transformation لاگو کرے، ایک نیا pattern پیدا کرے گا جو پرانے pattern جتنا ہی regular ہوگا۔ اگر ہر sentence میں ایک ہی type کا joint cut ہو، یا اگر ہر sentence میں hedging clause کی ایک ہی قسم شامل کر کے اسے اسی جگہ رکھا جائے، تو classifier ان sentences کو اتنی ہی evenly دیکھے گا جتنی evenly وہ اس صورت میں دیکھی جاتیں اگر شروع ہی سے سب کی length ایک جیسی ہوتی۔

صورت حال	AI اسکور کیا کرتا ہے	کیوں
دستاویز کا صرف ایک حصہ دوبارہ لکھا گیا تھا	متوقع سے کم گرتا ہے	غیر تبدیل شدہ حصے اپنے اصل اسکور اوسط میں شامل کرتے ہیں
الفاظ بدل دیے گئے، جملوں کی ساخت برقرار رکھی گئی	بہت کم حرکت کرتا ہے	classifier ان جملہ سطحی نمونوں کو اسکور کرتا ہے جو تبادلے نے اپنی جگہ برقرار رکھے
جملوں کی حقیقی طور پر پورے متن میں نئی ساخت بنائی گئی	زیادہ حرکت کرتا ہے	وہ یکساں ردھم جسے model کو پہچاننے کے لیے تربیت دی گئی تھی، ٹوٹ جاتا ہے
300 الفاظ سے کم نثری متن جمع کیا گیا	کوئی اسکور بالکل پیدا نہیں ہوتا	Turnitin فیصد رپورٹ کرنے سے پہلے 300 الفاظ کی اہل نثر درکار ہوتی ہے
نتیجہ 20 percent سے نیچے آتا ہے	عدد کے بجائے ایک ستارہ	Turnitin اس حد میں نتائج کو کم قابل اعتماد قرار دیتا ہے

ایک ہی دوبارہ نویسی کبھی کبھی کم اسکور کیوں پیدا کرتی ہے

ایک انسانی انداز میں ڈھالی گئی دستاویز ان وجوہات کی بنا پر کم اسکور کے ساتھ واپس آ سکتی ہے جن کا دوبارہ نویسی سے کوئی تعلق نہیں ہوتا۔ Turnitin کو AI فیصد پیدا کرنے سے پہلے کم از کم 300 الفاظ کی اہل نثر درکار ہوتی ہے، اور اس نے یہ حد اصل 150 الفاظ سے اس بیان کردہ بنیاد پر بڑھائی کہ تھوڑا زیادہ متن ہونے سے درستگی بہتر ہوتی ہے۔ ایک مختصر reflective piece کوئی عدد پیدا نہیں کرتی، اور اسکور کا نہ ہونا صاف اسکور ہونے کے برابر نہیں ہے۔

Turnitin 20 percent سے کم کی حد کو عین فیصد دینے کے بجائے ستارے کے ساتھ نشان زد کرتا ہے، کیونکہ اس حد میں false positives کی شرح زیادہ ہوتی ہے۔ آغاز کے وقت، education reporting نے بھی اس رویے کا ذکر کیا تھا، اور کہا تھا کہ 20 percent سے کم AI-written بتائے گئے نتائج میں false positives کی شرح زیادہ تھی، اس لیے Turnitin نے disclaimers شامل کیے۔ اس بینڈ میں موجود دستاویز کو ایسی حد کے طور پر نشان زد کیا گیا ہے جسے Turnitin درست طور پر رپورٹ کرنے سے گریز کرتا ہے، اور یہ cleared ہونے سے مختلف بات ہے۔

اس سب کے اوپر ایک ادارہ جاتی دروازہ بھی موجود ہے۔ Turnitin صرف اسی صورت میں AI تحریر کی شناخت کے لیے جمع کرائی گئی تحریر کو پراسیس کرتا ہے جب ادارے نے اس فیچر کو آن کیا ہو، اور منتظمین اسے پورے اکاؤنٹ کی سطح پر غیر فعال کر سکتے ہیں۔ Vanderbilt University نے اگست 2023 میں بالکل یہی کیا، Turnitin کی اس وقت شائع شدہ 1 percent false-positive rate، تقریباً 75,000 سالانہ جمع کرائی گئی تحریروں کے مقابلے میں، غیر مقامی انگریزی لکھنے والوں کے خلاف تعصب، اور اس بات کی شفافیت کے فقدان کا حوالہ دیتے ہوئے کہ ماڈل کیسے کام کرتا ہے۔ جس ادارے میں یہ فیچر بند ہو، وہاں طالب علم کی کسی بھی جمع کرائی گئی تحریر پر AI score نہیں آتا، چاہے وہ humanized ہو یا کچھ اور۔

اور جہاں دوبارہ لکھنا واقعی ساختی نوعیت کا تھا، وہاں score کم ہو سکتا ہے کیونکہ ناپا گیا pattern بدل گیا۔ Turnitin تحریری patterns سے اخذ کردہ ایک estimate رپورٹ کرتا ہے، اس لیے جس متن کے patterns مختلف ہوں اس کا score بھی مختلف ہوتا ہے۔ یہ mechanism دونوں سمتوں میں کام کرتا ہے، اور یہی اس کا غیر آرام دہ پہلو ہے, اصل انسانی تحریر بھی کبھی کبھی بالکل اسی وجہ سے زیادہ score حاصل کر لیتی ہے۔

ہر Humanizer Vendor کیا دعویٰ کرتا ہے، اور کیا دستاویزی طور پر ثابت ہے

ایک قاعدہ اس جدول کو govern کرتا ہے۔ درمیانی کالم vendor کی اپنی marketing language ہے، جو اس کی اپنی site سے لی گئی ہے جہاں بھی وہ site ایسا کرنے کے لیے موزوں ہو۔ دایاں کالم یہ ریکارڈ کرتا ہے کہ ہر دعوے کے پیچھے حقیقت میں کیا موجود ہے، جو زیادہ تر صورتوں میں کوئی dataset، date یا method بالکل نہیں ہوتا۔ ان brands کے لیے کوئی public head-to-head test موجود نہیں ہے۔

برانڈ	فروخت کنندہ کیا دعویٰ کرتا ہے	کیا دستاویزی طور پر موجود ہے
Undetectable.ai	AI detectors کو پاس کرنا بطور product feature درج کرتا ہے، مگر اس کے ساتھ کوئی عدد نہیں دیتا، اور اگر output کو human نہ سمجھا جائے تو humanization کی لاگت واپس کرنے کی پیشکش کرتا ہے	رقم کی واپسی ایک تجارتی شرط ہے، اس دعوے کے پیچھے نہ کوئی dataset ہے، نہ تاریخ، نہ detector بہ detector نتیجہ
QuillBot	اپنے صفحات پر humanizer feature کے لیے detection یا bypass کا کوئی دعویٰ نہیں کرتا۔ اس کا الگ AI detector صرف AI-generated content کو detect کرنے کے طور پر بیان کیا گیا ہے	QuillBot humanizer کو ایک عمومی writing suite کے اندر فروخت کرتا ہے اور اس کے لیے Turnitin-specific کوئی دعویٰ نہیں کرتا
WriteHuman	Humanizer Leaderboard میں number one قرار دیا گیا ہے، اور serious writing کے لیے premium AI humanizer کے طور پر بیان کیا گیا ہے	Leaderboard میں نہ کوئی methodology ہے نہ sample، اور WriteHuman اس ranking کے ساتھ کوئی numeric accuracy figure منسلک نہیں کرتا
Walter Writes AI	80+ languages میں وسیع humanization کی مارکیٹنگ کرتا ہے، مگر Turnitin-specific کوئی دعویٰ نہیں کرتا	دونوں طرف سے کوئی test data موجود نہیں
HIX Bypass	detector بہ detector bypass pages کی مارکیٹنگ کرتا ہے، مگر Turnitin-specific کوئی figure نہیں دیتا	HIX Bypass اور BypassGPT الگ domains پر الگ products ہیں، اس لیے یہ واضح کریں کہ دعویٰ کس کے بارے میں ہے
StealthGPT	Turnitin پر 98% human average اور GPTZero پر 95%، ہر ایک 30 samples کے stated run سے، zero detections کے ساتھ، اور اگر subscriber detect ہو جائے تو money-back guarantee بھی دیتا ہے	خود رپورٹ کردہ۔ figures کے ساتھ نہ dataset، نہ sample selection، نہ تاریخ، نہ method شائع کی گئی ہے، اور 30 documents کسی ایسے دعوے کے لیے چھوٹا run ہے جو model کے millions of submissions score کرنے سے متعلق ہے
Phrasly	خود کو AI detection remover کے طور پر پیش کرتا ہے، test data شائع نہیں کرتا	دونوں طرف سے کوئی public claim نہیں۔ reviews میں گردش کرنے والے figures بالواسطہ ہیں اور اصولاً یہاں شامل نہیں کیے گئے
Grammarly	اپنی rewriting کو detection bypass کے طور پر بالکل مارکیٹ نہیں کرتا۔ اس کا AI detector page 99% detection accuracy اور RAID کے independent benchmark پر number one ranking کا دعویٰ کرتا ہے	وہی Grammarly page کہتا ہے کہ کوئی AI detector 100% accurate نہیں ہوتا۔ اس کا Authorship feature متن کو human typed، AI کے ساتھ created، یا Grammarly کے ساتھ edited کے طور پر label کرتا ہے
TextPulse	Turnitin AI پر 92.33% pass rate، Originality.ai پر 89.12% اور GPTZero پر 87.91%، جو 2,000-document academic corpus پر ناپا گیا	TextPulse نے خود ناپ کر شائع کیا، اس لیے اوپر دی گئی ہر figure کی طرح self-reported ہے۔ corpus size اور detectors کا نام دیا گیا ہے، مگر کسی individual document کے لیے detector outcome کا وعدہ نہیں کیا گیا

اس جدول سے تین باتیں سامنے آتی ہیں۔ ان میں سے زیادہ تر ٹولز کوئی detector claim بالکل شائع نہیں کرتے۔ چند ایک کسی عدد کے ساتھ sample size جوڑتے ہیں، جو اس category کے باقی حصے کے مقابلے میں زیادہ ہے۔ اور ان میں سے کوئی بھی ایسا dataset شائع نہیں کرتا جسے کمپنی کے باہر کوئی شخص خود چلا سکے۔ تاہم ہر brand کو وہی credit دینا چاہیے جو وہ کماتا ہے۔ Undetectable.ai اپنی claim کے ساتھ refund رکھتا ہے، جو ایک صفت کے بجائے ایک ٹھوس commitment ہے۔ WriteHuman ہر tier کے لیے exact request اور word ceilings شائع کرتا ہے، اس لیے خریدار کو معلوم ہوتا ہے کہ اسے کیا مل رہا ہے۔ Grammarly اپنی accuracy figure کو اسی page پر qualify کرتا ہے جس پر وہ اسے بیان کرتا ہے، جو زیادہ تر detector vendors کے مقابلے میں بہتر ہے۔ اور QuillBot کا بالکل bypass claim نہ کرنا اس فہرست میں سب سے زیادہ defensible position ہے۔

vendor کے باہر کوئی بھی ان اعداد کو کیوں check نہیں کر سکتا

ایک humanizer vendor جو Turnitin pass rate کا دعویٰ کرتا ہے، دراصل ان runs کی وضاحت کر رہا ہوتا ہے جو اس کے controlled account کے ذریعے، ان documents پر کیے گئے جنہیں اس نے خود منتخب کیا، ایک ایسی date پر جسے وہ عموماً بیان نہیں کرتا، اور ایک ایسے classifier کے خلاف جو Turnitin نئے language models کے جاری ہونے کے ساتھ revise کرتا رہتا ہے۔ یہ StealthGPT کے thirty-sample figure کے بارے میں بھی درست ہے اور اسی طرح اس 2,000-document figure کے بارے میں بھی جو یہ site شائع کرتا ہے۔ Corpus size اس بات کو بدلتا ہے کہ کسی number میں کتنا noise موجود ہے۔ یہ self-report کو audit میں تبدیل نہیں کرتا۔

مسئلے کا دوسرا حصہ یہ ہے کہ Turnitin کی اپنی list of models, جنہیں وہ detect کرنے کا دعویٰ کرتا ہے, نئے releases آنے کے ساتھ edit ہوتی رہتی ہے۔ last quarter کے classifier کے خلاف ماپا گیا وہ pass rate last quarter کے classifier کو بیان کرتا ہے اور کچھ نہیں۔ اس کا مطلب یہ کیوں ہے کہ کوئی بھی best AI humanizer to bypass Turnitin کا نام نہیں لے سکتا, یہ الگ سے بیان کیا گیا ہے۔ ہر humanizer homepage پر موجود ہر figure, اس site سمیت, ایک snapshot ہے جس کے ساتھ ایک date ہوتی ہے جو vendor نے شاید کبھی شائع ہی نہ کی ہو۔

ادائیگی سے پہلے bypass claim کو کیسے پڑھیں

چار سوال ایک ایسی claim کو جس پر غور کرنا چاہیے، ایک ایسی claim سے الگ کرتے ہیں جسے نظر انداز کرنا چاہیے، اور یہ اوپر دیے گئے table کی ہر row پر لاگو ہوتے ہیں، آخری row سمیت۔

• کتنے دستاویزات کا امتحان لیا گیا، اور انہیں کس نے منتخب کیا؟ بغیر نمونے کے حجم کے دیا گیا فیصد ایک ایسا نعرہ ہے جس نے عدد پہن رکھا ہے۔
• کس تاریخ کو، اور کس detector version کے خلاف؟ detection models نئے language models کے جاری ہونے کے ساتھ revised ہوتے رہتے ہیں، اور بغیر تاریخ کے pass rate کی عمر بہت تیزی سے گزرتی ہے۔
• کیا ضمانت refund ہے یا result؟ money-back promise ایک چھوٹا مالی خطرہ منتقل کرتی ہے اور academic integrity panel کے بارے میں بالکل کچھ نہیں کرتی۔
• vendor کے مطابق citation، technical term یا block quotation کے ساتھ کیا ہوتا ہے؟ زیادہ تر humanizer pages کچھ نہیں کہتے، اور یہی خود ایک جواب ہے۔

یہ آخری سوال detector arithmetic سے زیادہ اہمیت رکھتا ہے، ہر اس شخص کے لیے جو academic work جمع کر رہا ہو۔ ایک ایسی rewrite جو اچھا score کرے اور methods sentence کو خاموشی سے generalise کر دے، اس چیز کی قیمت پر آتی ہے جس پر آپ کی marking ہو رہی تھی۔ TextPulse's academic humanizer APA، MLA، IEEE، Chicago، Harvard اور Vancouver میں citation preservation کی دستاویز فراہم کرتا ہے، freeze terms exact vocabulary کو pass چلنے سے پہلے lock کرنے کے لیے، اور peer-reviewed academic text پر training کے ساتھ output کو Flesch-Kincaid grade 13 to 18 تک محدود رکھتا ہے۔ یہ اس بارے میں دعوے ہیں کہ text کے ساتھ کیا ہوتا ہے، جو detector کے بارے میں کسی percentage سے مختلف نوعیت کا دعویٰ ہے، اور قاری ایک منٹ کے اندر output میں ان کی تصدیق کر سکتا ہے۔

اسکور کا طالب علم کے لیے ہر حال میں کیا مطلب ہے

Turnitin واضح طور پر کہتا ہے کہ AI writing indicator misconduct کا تعین نہیں ہے۔ Turnitin's product page صراحت سے بیان کرتی ہے کہ Turnitin Originality "does not make a determination of misconduct through our AI writing detection (or similarity checking) technology." یہ بھی واضح کرتی ہے کہ Turnitin اساتذہ کو معلومات فراہم کرتا ہے تاکہ وہ اپنی institution's policies کی بنیاد پر باخبر فیصلہ کر سکیں۔ اس بات کو اس تنبیہ کے ذریعے دہرایا گیا ہے کہ model "may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student."

طلبہ بطورِ ڈیفالٹ اسکور نہیں دیکھتے۔ Turnitin صاف طور پر بیان کرتا ہے کہ AI writing detection indicator اور report طلبہ کے لیے نظر نہیں آتے، اور انہیں دیکھنے کا واحد طریقہ یہ ہے کہ instructor report کو PDF کے طور پر download کرے اور اسے فراہم کرے۔ جو طالب علم اپنا draft خود چیک کرتا ہے، وہ ایک مختلف tool چیک کر رہا ہوتا ہے جو مختلف data پر trained ہے، اور ان دو numbers پر لازم نہیں کہ وہ ایک دوسرے سے agree کریں۔

اس سے وہ بات باقی رہ جاتی ہے جسے کوئی score طے نہیں کرتا۔ آیا AI assistance بالکل permitted تھی یا نہیں، یہ course اور institution کا سوال ہے، اور ایک AI use policy اسے اس طرح جواب دیتی ہے جس طرح کوئی percentage کبھی نہیں دیتی۔ permitted، disclosed use پر high score evidence کے ساتھ ایک conversation ہے۔ policy کے خلاف undisclosed use پر low score پھر بھی undisclosed use ہی رہتا ہے۔

اپنے draft میں ترمیم کرنے والے writer کے لیے، اس سب کی عملی reading یہ ہے کہ score writing کے پیچھے چلتا ہے۔ Turnitin's model پورے document میں sentence-level pattern کی پیمائش کرتا ہے، اس لیے partial rewrites partial movement پیدا کرتے ہیں اور vocabulary passes سے بالکل کم movement ہوتا ہے۔ how to humanize AI text کی مکمل walkthrough ان structural edits کو step by step واضح کرتی ہے جو pattern کو بدلتی ہیں، اسی ترتیب میں جو اسے سب سے زیادہ move کرتی ہے۔

TextPulse کا AI humanizer ان structural edits کو ایک ہی بار میں پورے document پر apply کرتا ہے اور text itself سے computed ایک estimated Human Score report کرتا ہے، کبھی بھی اس prediction کے طور پر نہیں کہ کوئی named detector کیا کہے گا۔ کوئی tool Turnitin outcome کی ضمانت نہیں دے سکتا، کیونکہ کوئی tool Turnitin's model کے اندر نہیں دیکھ سکتا۔ جو product اس کے برعکس دعویٰ کرے، وہ ایسے result کی description کر رہا ہے جسے observe کرنے کا اس کے پاس کوئی طریقہ نہیں۔

humanizer اور paraphraser کے درمیان فرق یہاں اہم ہے، اسی طرح وہ وجہ بھی کہ paraphrased text پھر بھی flag کیوں ہوتا ہے۔

اس میں عدد سب سے کم دل چسپ حصہ ہے۔ نتیجہ جس چیز سے طے ہوتا ہے وہ اس کے بعد کے بیس منٹ ہیں، جب ایک جانچنے والا اسے دیکھتا ہے: آیا مقالہ اپنا طریقۂ کار دکھا سکتا ہے، ایک مسودہ جاتی تاریخ، نوٹس کا ایک مجموعہ، ایسے مصادر جن کے بارے میں مصنف ان کو کھولے بغیر بات کر سکے۔ یہ ثبوت ہر اس شخص کے لیے دستیاب ہے جس نے کام کیا ہو، اور یہ اس اسکور کے باوجود باقی رہتا ہے جسے دوبارہ لکھنے کی کوشش بدل نہ سکی۔