کیا Turnitin پیرا فریز شدہ متن کا پتہ لگا سکتا ہے؟

جی ہاں۔ Turnitin پیرا فریز کیے گئے متن کو شناخت کرتا ہے، اور اسے اسی مقصد کے لیے بنایا گیا تھا۔ ایک ہی رپورٹ کے اندر موجود دو نظام اسے پکڑتے ہیں۔ Similarity Report اُن اقتباسات کو نشان زد کرتا ہے جو الفاظ بدلنے کے بعد بھی شائع شدہ کام یا پہلے جمع کرائے گئے مقالوں سے جزوی طور پر مماثل رہتے ہیں، اور یہ وہی کام ہے جو اس نے AI لکھائی کے وجود میں آنے سے بہت پہلے سے کیا ہے۔ AI Writing Report میں AI سے پیدا شدہ متن کے لیے اپنی الگ لیبل شدہ قسم موجود ہے، جب اسے paraphrasing tool یا word spinner سے گزارا گیا ہو۔ مترادف الفاظ سے الفاظ بدل دینے سے ان میں سے کوئی بھی صاف نہیں ہوتا۔

کون سا نظام کسی مخصوص اقتباس کو پکڑے گا، یہ اس بات پر منحصر ہے کہ متن کہاں سے آیا ہے۔ کسی ماخذ سے لیا گیا اور دوبارہ الفاظ میں ڈھالا گیا مواد similarity کا مسئلہ ہے۔ ChatGPT سے پیدا کیا گیا اور دوبارہ الفاظ میں ڈھالا گیا مواد AI لکھائی کا مسئلہ ہے۔ بہت سی جمع کرائی گئی تحریریں ایک ساتھ دونوں ہوتی ہیں، اور دونوں نظام بہرحال ہر submission کو پڑھتے ہیں۔

Turnitin پیرا فریز کیے گئے AI متن کو اپنی الگ قسم کے طور پر نامزد کرتا ہے

یہ detectors کے عمومی طور پر کام کرنے کے طریقے سے اخذ کیا گیا نتیجہ نہیں ہے۔ Turnitin کا AI Writing Report اپنی فیصد کو دو لیبل شدہ زمروں میں تقسیم کرتا ہے، اور دوسرا زمرہ پیرا فریز کیا گیا AI متن ہے۔

رپورٹ اپنی سرخی والی عددی مقدار کی تعریف یوں کرتی ہے: "the combined amount of likely AI-generated text as well as likely AI-generated text that was also likely AI-paraphrased". دوسری سطر "AI-generated text that was AI-paraphrased" کے طور پر لیبل کی گئی ہے اور اسے "likely AI-generated text that was likely revised using an AI-paraphrase tool or word spinner" کے طور پر بیان کیا گیا ہے۔

Turnitin کی سپورٹ دستاویزات اس سوال کا جواب صاف الفاظ میں دیتی ہیں۔ جب براہ راست پوچھا گیا کہ آیا یہ AI paraphrasing tool کے ذریعے paraphrase کیے گئے مواد کو detect کر سکتا ہے، تو اس کی رہنمائی میں کہا گیا: "Yes, Turnitin's AI indicator includes detection of AI-generated content that may have been paraphrased using a word spinner/AI paraphrasing tool." اس کے قریب قریب ایک جیسا جواب اس متن پر بھی لاگو ہوتا ہے جو خاص طور پر detector سے بچنے کے لیے AI output کو دوبارہ لکھنے والے bypasser tool سے گزارا گیا ہو۔ دونوں الگ score پیدا نہیں کرتے۔ دونوں اسی ایک percentage میں شامل ہوتے ہیں جو instructor دیکھتا ہے۔

ہر نظام کیا پکڑتا ہے

	Similarity Report	AI Writing Report
یہ کیا جانچتا ہے	کیا متن Turnitin کے web content, publications اور student papers کے database میں موجود sources سے overlap کرتا ہے	کیا نثر شماریاتی طور پر machine-generated writing کی عام ساخت کے مطابق پڑھتی ہے
کس کی paraphrasing پکڑتا ہے	کسی اور کے شائع شدہ یا جمع کرائے گئے کام کی	AI-generated drafts کی، جن میں paraphraser یا bypasser کے ذریعے نظرثانی شدہ drafts بھی شامل ہیں
synonym pass کا اثر	percentage کم کر دیتا ہے، لیکن نمایاں اصطلاحات، اقتباسات اور جملوں کی ساخت matching رہتی ہے	score کو بڑی حد تک وہیں رہنے دیتا ہے، کیونکہ classifier لفظوں کے انتخاب کے بجائے جملوں کے pattern کو پڑھتا ہے
یہ کہاں ظاہر ہوتا ہے	ایک percentage، ساتھ میں match groups جو ہر source کا نام دیتے ہیں	ایک percentage، جو صرف AI-generated اور AI-paraphrased میں تقسیم ہوتا ہے

یہ دونوں reports الگ products ہیں اور ان کے numbers بھی الگ ہیں، اور ایک paper ایک میں صاف ہو سکتا ہے اور دوسرے میں flagged ہو سکتا ہے۔ TextPulse اس تقسیم کو مکمل طور پر اپنی Turnitin کے similarity score کا اس کے AI score کے مقابلے میں موازنہ میں، اور classifier کے طریقۂ کار کو اپنی Turnitin AI writing کو کیسے detect کرتا ہے میں بیان کرتا ہے۔

Similarity کا پہلو: دوبارہ الفاظ میں لکھا ہوا متن پھر بھی overlap کرتا ہے

مشابہت کی جانچ ایک تطبیقی مشق ہے۔ Turnitin ایک جمع شدہ کام کا موازنہ اپنے ویب مواد، اشاعتوں اور پہلے جمع کرائے گئے مقالوں کے ذخیرے سے کرتا ہے، اور بتاتا ہے کہ اس کا کتنا حصہ پہلے سے اشاریہ بند کسی چیز سے اوورلیپ کرتا ہے۔ الفاظ کافی بدل دیے جائیں تو موازنہ کیے جانے والے عین سلسلے سکڑ جاتے ہیں، اس لیے فیصد کم ہو جاتا ہے۔ یہ حقیقت ہے، اور یہی وجہ ہے کہ پیرا فریزنگ کے اوزار موجود ہیں۔

جو چیز اس تبدیلی کے بعد باقی رہتی ہے، وہ وہ حصہ ہے جسے طلبہ کم سمجھتے ہیں۔ فنی اصطلاحات، اسمائے خاص، حوالہ دیے گئے اعداد و شمار اور براہِ راست اقتباسات جوں کے توں منتقل ہو جاتے ہیں، کیونکہ ان کے لیے کوئی مترادف نہیں ہوتا۔ یہی حال جملوں کی ساخت کا بھی ہے، جب صرف ربطی الفاظ بدلے جائیں۔ Turnitin اوورلیپ کو میچ گروپس کی صورت میں رپورٹ کرتا ہے، اور ہر گروپ اپنے ماخذ کا نام دیتا ہے، یہی وہ چیز ہے جو درست طور پر حوالہ دیے گئے اقتباس کو دوبارہ الفاظ میں بیان کیے گئے حصے سے الگ کرتی ہے۔

کسی ماخذ کو اس کی جملوں کی ترتیب اور معاون تفصیل برقرار رکھتے ہوئے دوبارہ الفاظ میں بیان کرنا patchwriting کہلاتا ہے، اور زیادہ تر جامعاتی پالیسیوں میں اسے plagiarism کی ایک صورت سمجھا جاتا ہے، چاہے similarity percentage کم ہو یا نہ ہو۔ اسے پہچاننے کی تربیت رکھنے والے جانچنے والے اسے اکثر نظر سے پہچان لیتے ہیں، کیونکہ جو استدلال ماخذ کے پیراگراف کے بعد پیراگراف چلتا ہے، وہ الفاظ سے قطع نظر ایک ہی ماخذ کی طرح پڑھا جاتا ہے۔ کم عدد صاف کام کے برابر نہیں ہوتا، اور یہی TextPulse کی اس رہنمائی کا نکتہ ہے کہ کیا چیز اچھا Turnitin score شمار ہوتی ہے۔

AI کا پہلو: مترادفات کی تبدیلی score کو نہیں بدلتی

AI writing indicator نے کبھی آپ کے پیراگراف کا کسی ماخذ کے ساتھ موازنہ نہیں کیا، اس لیے synonym کو توڑنے کے لیے کوئی match موجود نہیں۔ یہ نثر کو جملہ بہ جملہ اس بات کے لیے score کرتا ہے کہ وہ machine-generated writing کے statistical pattern سے کتنی قریب ہے: word predictability, sentence rhythm, اور وہ generic phrasing جس کی طرف language model default طور پر جاتا ہے۔

الفاظ بدل دینے سے ان میں سے تقریباً سب کچھ اپنی جگہ برقرار رہتا ہے۔ جملہ اپنی length، اپنی order، اور clauses کے درمیان وہی stock connective tissue برقرار رکھتا ہے۔ اسی لیے کسی AI draft کو paraphrasing tool سے گزارنا اور AI score کو جوں کا توں رہتے دیکھنا ایک عام تجربہ ہے۔ vocabulary بدل گئی۔ classifier جس pattern کو score کرتا ہے وہ نہیں بدلا، اس لیے متن اب بھی machine-written کے طور پر پڑھا جا رہا ہے، بالکل ویسے ہی جیسے Turnitin کی paraphrase category کہتی ہے کہ اسے ہونا چاہیے۔

Sentence Length Distribution Rewrite کے بعد بھی برقرار رہتی ہے

Machine-drafted نثر sentence lengths کے ایک تنگ band میں settle ہو جاتی ہے، کیونکہ ایک model جو ایک وقت میں ایک token predict کرتا ہے، اس کے پاس sentence four کو sentence three سے چھوٹا بنانے کی کوئی وجہ نہیں ہوتی۔ انسانی تحریر اس کے برعکس بکھر جاتی ہے: ایک 19-word جملہ، پھر 6-word جملہ، پھر 32-word جملہ جو ایک claim اور اس کی qualification کو ساتھ لے کر چلتا ہے۔ GPTZero کی اپنی explainer اس بات کو براہ راست نام دیتی ہے، burstiness کو اس پیمائش کے طور پر define کرتے ہوئے کہ writing patterns اور text perplexities کسی document میں کتنی vary کرتی ہیں۔

ایک synonym swap جملے کی length کو ایک یا دو لفظوں سے بدل دیتا ہے، اور ہر جملے کو اسی طرح کی چھوٹی مقدار سے بدلتا ہے، اس لیے distribution اپنی shape برقرار رکھتی ہے۔ 18، 19، 17 اور 20 words پر مشتمل ایک پیراگراف، کسی pass سے پہلے، بعد میں بھی اسی flat profile سے ایک یا دو لفظ کے اندر رہے گا۔

یہ detector کے قریب گئے بغیر بھی measurable ہے۔ ایک free burstiness checker یہ رپورٹ کرتا ہے کہ کسی passage میں sentence-level variation کتنی ہے، اور اسی پیراگراف کو paraphrase pass سے پہلے اور بعد میں اس پر چلانے سے ظاہر ہوتا ہے کہ vocabulary مکمل طور پر بدلنے کے باوجود number بمشکل حرکت کرتا ہے۔

Clause Order اور Transitions بھی اس سے بچ جاتے ہیں

شقوں کی ترتیب دوسری ساختی خصوصیت ہے جسے paraphraser جوں کا توں چھوڑ دیتا ہے، اور یہ قاری کو جملے کی لمبائی کے مقابلے میں زیادہ واضح طور پر نظر آتی ہے۔ مشینی نثر عموماً موضوع کو پہلے لاتی ہے، دعویٰ بیان کرتی ہے، پھر آخر میں ایک مشروط شق جوڑ دیتی ہے، بار بار۔ "While the sample size was limited, the results suggest" اور "Although further research is needed, the findings indicate" ایک ہی جملہ ہیں، صرف الفاظ مختلف ہیں۔

ایک paraphrasing tool "while" کو "although" میں اور "suggest" کو "show" میں بدل دے گا۔ یہ یہ فیصلہ نہیں کرے گا کہ یہ شرط اپنی الگ مختصر جملے کی صورت میں تین سطریں بعد آنی چاہیے، یا یہ کہ احتیاطی انداز کو مکمل طور پر حذف کر دینا چاہیے۔ یہ اس بات پر ایک اداری فیصلہ ہے کہ پیراگراف کیا استدلال کر رہا ہے، اور substitution engine کے پاس اس استدلال کے بارے میں کوئی رائے نہیں ہوتی۔

Transitions تیسری اور سب سے نمایاں خصوصیت ہیں۔ Models جوڑوں پر رابطی الفاظ کے ایک چھوٹے، مستحکم مجموعے کی طرف رجوع کرتے ہیں, however, additionally, furthermore, in addition. ایک paraphraser ان میں سے ایک کو اسی مجموعے کے دوسرے رکن سے بدل دیتا ہے، اس لیے classifier پھر بھی متوقع مقام پر متوقع تقسیم سے لیا گیا ایک عام transition دیکھتا ہے۔ یہی وہ signal ہے جسے وہ rewrite شروع ہونے سے پہلے پڑھ رہا تھا۔

Feature a classifier reads	Changed by a paraphrase pass	Why
Individual word choice	Yes, substantially	The only feature a substitution engine is built to change
Sentence length and its variance	Barely	Substituted words are close in length, so the profile holds
Clause order within a sentence	Rarely	Reordering changes emphasis, which the meaning constraint discourages
Connectives at the joins	Swapped inside the same small set	One stock transition replaces another stock transition
Predictability of the next word	Slightly	A rarer synonym is less expected, but the frame around it stays as predictable as before
Specific evidence and detail	No	A rewrite cannot add material that was never in the draft

اصل میں نتیجہ کیا چیز بدلتی ہے

دونوں نظام ایک ہی سطحی ازسرنو تحریر کی مختلف علامات پر ردعمل دے رہے ہیں، اس لیے دونوں کے لیے حل بھی ایک ہی ہے, لکھائی کو بدلیں، الفاظ کو نہیں۔ اس کا مطلب یہ ہے کہ جملوں کی ساخت کو دوبارہ ترتیب دینا، نہ کہ ان کے مواد کو دوبارہ منظم کرنا، جملوں کی لمبائی کو دانستہ طور پر مختلف رکھنا، وہ عمومی ربطی الفاظ کم کرنا جن پر ایک ماڈل عموماً انحصار کرتا ہے، اور اتنی مخصوص معاون تفصیل شامل کرنا کہ وہ صرف اسی ماخذ مواد سے آ سکتی ہو جسے آپ نے واقعی پڑھا تھا۔ مماثلت کم ہو جاتی ہے کیونکہ ساخت اب ماخذ کی پیروی نہیں کرتی۔ AI اسکور کم ہو جاتا ہے کیونکہ وہ نمونہ جسے classifier اسکور کرتا ہے، باقی نہیں رہتا۔

ایک paraphrasing tool یہ کام نہیں کر سکتا، اور دونوں اقسام کے tool کے درمیان فرق کو سمجھنا اس سے پہلے اہم ہے کہ کسی ایک کے لیے بھی ادائیگی کی جائے، جسے TextPulse AI humanizer versus paraphraser میں بیان کرتا ہے۔ مسودے کی اپنی لفظی سطح کی پیش بینی کو free perplexity checker کے ذریعے جانچنا اس نمونے کو دکھاتا ہے جس پر classifier ردعمل دیتا ہے، اور یہ محض ایک اسکور سے زیادہ مفید ہے۔

TextPulse کا AI humanizer for students مسئلے کے ساختی پہلو پر کام کرتا ہے، جملوں کی روانی، لمبائی میں تنوع اور شقوں کی ترتیب کو دوبارہ بناتا ہے، بجائے اس کے کہ انفرادی الفاظ کو بدلا جائے، اور یہی وہ خلا ہے جو صرف synonym کی تبدیلی والا عمل کھلا چھوڑ دیتا ہے۔ خاص طور پر coursework کے لیے، humanizing an AI essay for college ابتدا سے انتہا تک workflow بیان کرتا ہے، اور whether Turnitin detects DeepSeek ایک مختلف model کے لیے یہی سوال جواب کرتا ہے۔

ان میں سے کوئی چیز بھی یہ نہیں بدلتی کہ کسی course کی AI use policy کیا اجازت دیتی ہے، اور کوئی بھی rewriting approach بعد از واقعہ کسی score کو طے نہیں کرتی۔ جمع کرانے سے پہلے جس test کو لاگو کرنا قابلِ قدر ہے وہ یہ ہے کہ کیا آپ جملہ بہ جملہ یہ سمجھا سکتے ہیں کہ آپ کے سامنے موجود کام وہی بات کیوں کہتا ہے جو وہ کہتا ہے۔