AI ڈیٹیکٹر کیسے کام کرتے ہیں؟ پرپلکسٹی، برسٹینس اور ٹوکن احتمال

آپ کی یونیورسٹی نے جمع کرائی گئی تحریروں کو AI detector سے گزارنا شروع کر دیا ہے، اور ایک رپورٹ میں ایسا عدد آیا ہے جس کی آپ کو توقع نہیں تھی۔ اس پر اعتراض کرنے سے پہلے، یہ جاننا مفید ہے کہ اس عدد کا مطلب کیا ہے۔ AI detectors کیسے کام کرتے ہیں؟ وہ مشینی تحریر کو اس طرح نہیں پڑھتے جیسے کوئی انسان پڑھتا ہے۔ وہ اس بات کی پیمائش کرتے ہیں کہ آپ کا متن کسی language model کے لیے کتنا قابلِ پیش گوئی ہے، پھر اس قابلِ پیش گوئی کو ایک score میں بدل دیتے ہیں۔ اس عمل میں کچھ بھی اس بات کو نہیں دیکھتا کہ آپ کی مراد کیا ہے، آپ کی دلیل کیا ہے، یا آیا یہ چیز واقعی آپ نے لکھی تھی یا نہیں۔

میں نے برسوں تک ایسے tools بنانے میں وقت صرف کیا ہے جو متن کو شماریاتی طور پر الگ کرتے ہیں، اور detection کے بارے میں سمجھنے کی سب سے مفید بات یہ ہے: یہ معمولیت کی پیمائش ہے، ماخذ کی نہیں۔ جب یہ بات سمجھ میں آ جاتی ہے، تو technology اور اس کی ناکامیاں دونوں بہت زیادہ واضح ہو جاتی ہیں۔

ایک detector دراصل کس چیز کی پیمائش کر رہا ہے

ایک detector کو یہ معلوم نہیں ہوتا کہ کچھ کس نے لکھا ہے۔ اس کے پاس صرف ایک language model اور ایک scoring function ہوتا ہے۔ model آپ کے متن کو بائیں سے دائیں پڑھتا ہے، اور ہر مرحلے پر یہ اس بات کی probability distribution بناتا ہے کہ اگلا لفظ کیا ہونا چاہیے۔ اسے "the results of the" کے الفاظ دیں، تو یہ "study" کو سب سے اوپر رکھے گا، "experiment" کو کچھ نیچے، اور "marmalade" کو تقریباً صفر کے قریب کہیں رکھے گا۔

اس لیے detector آپ کی دستاویز سے ایک سوال پوچھتا ہے: اس متن نے کتنی بار وہ لفظ چنا جس کی model کو توقع تھی؟ ایسی writing جو بار بار high-probability words پر آ کر ٹھہرتی ہے، machine-made لگتی ہے، کیونکہ text generator بالکل یہی کرتا ہے۔ model اپنی ہی distribution کے اوپر والے حصے سے بار بار، ہزاروں tokens تک، sample لیتا ہے۔

یہی وجہ ہے کہ اس پوری category کی بنیاد marketing کے دعووں کے مقابلے میں زیادہ کمزور ہے۔ ایک detector نہ تو watermark تلاش کر رہا ہوتا ہے نہ fingerprint۔ وہ صرف یہ نوٹ کر رہا ہوتا ہے کہ آپ کی نثر شماریاتی طور پر غیر متوقع نہیں ہے، اور غیر متوقع نہ ہونے والی نثر کے chatbot کے سوا بھی بہت سے اسباب ہو سکتے ہیں۔

Perplexity: model کتنی حیرت محسوس کرتا ہے

اہم ترین پیمانہ perplexity کہلاتا ہے، اور یہ سننے میں جتنا مشکل لگتا ہے، اتنا ہے نہیں۔ اس احتمال کو لیں جو ماڈل نے ہر اس لفظ کے لیے مختص کیا جو واقعی ظاہر ہوا، ان احتمالات کے لاگارتھم کا اوسط نکالیں، اور حاصلِ ضرب کو exponentiate کریں۔ جو نتیجہ نکلتا ہے وہ ایک واحد عدد ہے جو بیان کرتا ہے کہ آپ کے دستاویز نے ماڈل کو کتنا حیران کیا۔ آپ اندازہ لگانے کے بجائے اپنے مسودے کی perplexity چیک کر سکتے ہیں۔

کم perplexity کا مطلب ہے کہ متن اسی سمت گیا جس کی ماڈل کو توقع تھی۔ زیادہ perplexity کا مطلب ہے کہ وہ بار بار ایسے موڑ لیتا رہا جن کی ماڈل کو توقع نہیں تھی۔ انسانی تحریر عموماً زیادہ اوپر ہوتی ہے، کیونکہ لوگ غیر معمولی مخصوص اسم، غیر مانوس ساخت، اور وہ جملہ اختیار کرتے ہیں جو کسی غیر متوقع جگہ سے شروع ہوتا ہے۔ پیدا کردہ متن عموماً نیچے ہوتا ہے، کیونکہ decoding کا عمل بالکل انہی حرکات سے بچنے کے لیے بنایا گیا ہے۔

طریقۂ کار کے حصے کا آغاز کرنے کے دو طریقوں کا موازنہ کریں۔ "The results of the study were statistically significant" ایک ایسی ترتیب ہے جس کی پیش گوئی تقریباً ہر ماڈل بلند اعتماد کے ساتھ کر سکتا ہے، کیونکہ اس میں کوئی غیر متوقع معلومات نہیں ہوتیں۔ "Two of the three cohorts drifted before week six, which we had not planned for" کہیں کم قابلِ پیش گوئی ہے، کیونکہ اس میں مخصوص، قدرے بھدی معلومات شامل ہیں جن کا اندازہ مقالے کے باقی حصے سے نہیں لگایا جا سکتا تھا۔ دوسرا جملہ detector سے حقیقی حیرت وصول کرتا ہے، اور یہی حیرت انسانی ہونے کے طور پر ثبت ہوتی ہے۔

Burstiness: اوسط نہیں، تغیر

Perplexity اکیلے کافی نہیں ہے، کیونکہ کوئی دستاویز مجموعی طور پر ایک بالکل معقول عدد تک اوسط ہو سکتی ہے، مگر اندر سے مشتبہ طور پر یکساں ہو سکتی ہے۔ اصل اہمیت آپ کے متن میں پائے جانے والے تغیر کی ہے، اور burstiness اسی کو ناپتا ہے: تحریر کے آگے بڑھنے کے ساتھ جملوں کی لمبائی اور جملہ سطح کی perplexity میں کتنا اتار چڑھاؤ آتا ہے۔ ایک burstiness checker یہ پھیلاؤ براہِ راست دکھا دے گا۔

ہم اعتماد کی حالت میں تیز لکھتے ہیں اور احتیاط برتتے وقت آہستہ، اور یہی ردھم نثر میں بھی برقرار رہتا ہے۔ لوگ جھٹکوں میں لکھتے ہیں۔ ایک پیراگراف آٹھ لفظوں کے ایک مختصر خبری جملے سے شروع ہو سکتا ہے، پھر چونتیس لفظوں کے ایک ایسے جملے تک پہنچ سکتا ہے جس میں تین شقیں اور ایک جملہ معترضہ شامل ہو، اور پھر دوبارہ کسی تیز رفتار عبارت پر آ سکتا ہے۔

ماڈل کا آؤٹ پٹ یہ کام قابلِ اعتماد طور پر نہیں کرتا۔ جملے اوسط لمبائی کے قریب مجتمع ہو جاتے ہیں۔ پیراگراف منظم مجموعوں کی صورت میں آتے ہیں۔ ہر حصہ اپنی ہی سرخی کو دوبارہ بیان کر کے شروع ہوتا ہے۔ یہ روانی سے پڑھا جاتا ہے اور اس کا اسکور خراب آتا ہے، کیونکہ جملوں کے درمیان کم تغیر ایک detector کے لیے سب سے مضبوط اشاروں میں سے ایک ہے۔ اسے بے نقاب کرنے والا کوئی ایک جملہ نہیں ہوتا۔ یہ یکسانیت ہوتی ہے۔

اشارہ	یہ کیا ناپتا ہے	مشینی متن کا اسکور کم کیوں آتا ہے
Perplexity	پورے دستاویز میں اوسطاً، آپ کے لفظی انتخاب پر ماڈل کتنا حیران ہوتا ہے	ڈیکوڈنگ، اعلی احتمال والے tokens سے نمونے لینے کی بنا پر ہوتی ہے
Burstiness	متن میں جملوں کی لمبائی اور پیش بینی میں کتنا فرق ہوتا ہے	آؤٹ پٹ جھولنے کے بجائے اوسط کے قریب مجتمع ہو جاتا ہے
Token probability	ہر لفظ کے لحاظ سے وہ امکان جس سے باقی دونوں کا حساب کیا جاتا ہے	انفرادی طور پر غیر نمایاں انتخابوں کی طویل مسلسل قطاریں

Token probability اور اسکور کہاں سے آتا ہے

یہ دونوں اعداد ایک تیسرے عدد سے بنتے ہیں, per-token log-likelihood, وہ خام مواد جس سے باقی سب کچھ حساب کیا جاتا ہے۔ کچھ tools اسے براہِ راست دکھاتے ہیں، اور ان حصوں کو نمایاں کرتے ہیں جہاں آپ کا متن سب سے زیادہ قابلِ پیش گوئی تھا۔ یہ highlights مخصوص جملوں پر الزامات نہیں ہیں، خواہ interface کچھ بھی تاثر دے۔ یہ وہ حصے ہیں جنہوں نے document-level عدد میں سب سے زیادہ حصہ ڈالا۔

تحقیقی طریقے سادہ thresholds سے آگے بڑھ چکے ہیں۔ DetectGPT اور اس کے بعد آنے والے طریقے curvature کو دیکھتے ہیں: وہ آپ کے متن میں معمولی perturbation کرتے ہیں اور جانچتے ہیں کہ آیا likelihood اس نمونے کے مطابق کم ہوتی ہے جو generated text میں عموماً دکھائی دیتا ہے۔ دوسرے ایک ہی passage کا دو مختلف models کے تحت موازنہ کرتے ہیں اور اختلاف کو ایک اشارے کے طور پر استعمال کرتے ہیں۔

ایک نتیجہ ہر اس شخص کے لیے اہم ہے جس کا جائزہ لیا جا رہا ہو۔ چونکہ میٹرکس ایک خاص حوالہ ماڈل کے مقابلے میں شمار کی جاتی ہیں، اس لیے اسکور ہمیشہ اسی ماڈل کے نسبتاً ہوتا ہے۔ دو ڈیٹیکٹر ایک ہی پیراگراف کو پڑھ کر مکمل طور پر اختلاف کر سکتے ہیں، اور ان میں سے کوئی بھی خراب کام نہیں کر رہا ہوتا۔ وہ ایک ہی سوال کے جواب مختلف حوالہ نقاط کے ساتھ دے رہے ہوتے ہیں۔

دوسرا نتیجہ کم ہی بیان کیا جاتا ہے۔ کوئی ماڈل کسی عبارت کو صرف اسی وقت قابل پیش گوئی سمجھ سکتا ہے جب وہ عبارت اس چیز سے مشابہ ہو جس پر اسے تربیت دی گئی تھی، اس لیے جیسے جیسے حوالہ ماڈل اور متن پیدا کرنے والی چیز کے درمیان فاصلہ بڑھتا ہے، شناخت کا معیار کمزور ہوتا جاتا ہے۔ نئے جنریٹرز، غیر معمولی مضامین، اور انگریزی کے سوا دوسری زبانیں سب اس فاصلے کو بڑھاتی ہیں۔ یہی وجہ کا ایک حصہ ہے کہ کنٹرول شدہ benchmark میں ناپی گئی درستگی حقیقی submissions کے ڈھیر سے سامنا ہونے پر شاذ و نادر ہی برقرار رہتی ہے۔

AI متن آخر کیوں شناخت ہوتا ہے

Language Model اپنا اگلا لفظ کیسے چنتا ہے

اگر اسے اپنے حال پر چھوڑ دیا جائے تو ایک language model محض ممکنہ اگلے الفاظ کی اپنی مکمل درجہ بند فہرست پیش کرے گا اور کسی اور چیز کو انتخاب کرنے دے گا۔ عملی طور پر، decoding strategy یہ انتخاب خودکار طور پر، لفظ بہ لفظ، کرتی ہے، اور کون سی strategy چل رہی ہے اس سے output کی صورت بدل جاتی ہے، چاہے بنیادی model کبھی نہ بدلے۔

Greedy decoding ہمیشہ سب سے زیادہ ممکنہ لفظ منتخب کرتا ہے۔ جس paper نے nucleus sampling کو ایک حل کے طور پر متعارف کرایا، اس میں Ari Holtzman اور coauthors نے مشاہدہ کیا کہ اس strategy کی پیروی کرنے سے ایسا متن پیدا ہوتا ہے جو، ان کے اپنے الفاظ میں، 'bland and strangely repetitive.' Beam search، جو ایک وقت میں کئی ممکنہ تسلسلوں کو ایک پر ٹھہرنے سے پہلے track کرتا ہے، اسی مسئلے کی ایک ملتی جلتی صورت سے دوچار ہوتا ہے۔

Sampling strategies کچھ randomness دوبارہ شامل کرتی ہیں، لیکن ایک قابو شدہ طریقے سے۔ Temperature اس بات کو adjust کرتی ہے کہ کوئی لفظ draw کیے جانے سے پہلے model اپنی top choices کو کتنی شدت سے ترجیح دیتا ہے۔ Nucleus sampling، جسے کبھی top-p بھی کہا جاتا ہے، distribution کو ان الفاظ کے سب سے چھوٹے مجموعے تک محدود کر دیتا ہے جن کی مشترک probability ایک threshold سے اوپر چلی جائے، اور صرف اسی مجموعے سے draw کرتا ہے، جیسا کہ اصل paper میں اسے distribution کے dynamic nucleus سے sampling کرنے کے طور پر بیان کیا گیا ہے، نہ کہ اس کی غیر معتبر tail سے۔

ان ترتیبات میں سب سے کم تعیینی ترتیب بھی پھر بھی ایک ایسی مختصر فہرست سے اخذ کرتی ہے جو اس بات کے گرد بنی ہوتی ہے کہ ماڈل پہلے ہی کیا چیزیں ممکنہ سمجھتا ہے۔ انسانی تحریر کبھی الفاظ کی درجہ بندی بنا کر اور پھر اس کے اوپر والے حصے سے انتخاب کر کے پیدا نہیں ہوئی، اس لیے وہ مسلسل اس مختصر فہرست سے آگے جاتی رہتی ہے۔ معنی کبھی کبھی اس لفظ میں رہتے ہیں جو فہرست میں کبھی تھا ہی نہیں۔

لغوی ہمواری: کم، زیادہ محفوظ الفاظ

لغوی ہمواری اسی عادت کی لفظی سطح پر صورت ہے۔ جملے کے ہر مقام پر درجنوں الفاظ بظاہر اسے آگے بڑھا سکتے ہیں، لیکن ان میں سے چند الفاظ ماڈل کی درجہ بندی میں باقی سب سے کہیں اوپر ہوتے ہیں، اور decoding بار بار انہی چند الفاظ پر آ کر ٹھہرتی ہے۔ یہ انتخاب جب دستاویز کے ہر جملے پر لاگو ہوتا ہے تو حقیقت میں استعمال ہونے والے الفاظ کی وسعت، اسی طوالت کی انسانی تحریر کے مقابلے میں، قابلِ پیمائش طور پر سکڑ جاتی ہے۔

یہ اثر مستقل رہنے کے بجائے جمع ہوتا جاتا ہے۔ جو ماڈل پہلے جملے میں سب سے اوپر درج لفظ کی طرف جاتا ہے، اس کے لیے زیادہ امکان ہوتا ہے کہ وہ ایسا سیاق قائم کرے جس میں دوسرے جملے میں بھی سب سے اوپر درج لفظ عام ہو، کیونکہ عام الفاظ عموماً عام الفاظ کے بعد آتے ہیں۔ انسانی مصنف اس بہاؤ کو مسلسل توڑتا ہے، مخصوص فنی اصطلاح، قدرے غیر معمولی فعل، یا وہ لفظ چنتا ہے جو اصل شے کا نام دیتا ہے، نہ کہ اس کی محفوظ انداز کی کوئی قریب ترین متبادل تعبیر۔ یہ فرق پیدا شدہ متن میں قابلِ پیمائش طور پر چھوٹی working vocabulary کی صورت میں ظاہر ہوتا ہے، حتیٰ کہ جب دونوں متون ایک ہی بنیادی حقائق بیان کرتے ہوں۔

یہ پورے اقتباس کی خاصیت ہے، کسی ایک لفظی انتخاب کی نہیں۔ ایک محفوظ لفظ کچھ ثابت نہیں کرتا۔ ایسے الفاظ کا ایک صفحہ، جس میں جملہ بہ جملہ ایک ہی درجے کے عام لغوی ذخیرے کی طرف رجوع کیا جائے، وہ چیز ہے جسے detector کا لفظی سطح کا signal دراصل پہچاننے کے لیے بنایا گیا ہے۔

نحوی یکسانیت: ایک ہی ساختیں، بار بار

نحوی یکسانیت اس کی جملہ سطح کی صورت ہے۔ اس کا تعلق اس بات سے نہیں کہ جملہ کتنی دیر چلتا ہے۔ اس کا تعلق اس سے ہے کہ ایک اقتباس کتنی مختلف نحوی ساختیں استعمال کرتا ہے: جملے کیسے شروع ہوتے ہیں، clauses ایک دوسرے سے کیسے جڑتے ہیں، transition word کتنی بار ایک خیال کو دوسرے سے ملانے کا کام کرتا ہے۔ جو ماڈل شماریاتی طور پر ممکنہ اگلی ساخت کی پیش گوئی کرتا رہتا ہے، وہ ساختوں کے ایک چھوٹے سے چکر میں آ کر ٹھہر جاتا ہے اور اسی کو دہراتا رہتا ہے۔

ایک پیراگراف اپنے جملوں کی طوالت میں فرق رکھ سکتا ہے اور پھر بھی نحوی طور پر ہموار محسوس ہو سکتا ہے اگر ہر جملہ ایک ہی فاعل، فعل، مفعول کی ساخت کی پیروی کرے، ایک ہی طرح کے انتقال کے ساتھ شروع ہو، یا ایک ہی انداز سے ختم ہو۔ پیش بینی پیٹرن میں ہوتی ہے، الفاظ کی تعداد میں نہیں، اور اس فرق کی مزید تفصیل burstiness اصل میں کیا ناپتا ہے کے رہنما میں بیان کی گئی ہے۔

کیا تنگ کرتا ہے	decoding-optimized متن عموماً کیا کرتا ہے	انسانی تحریر عموماً کیا کرتی ہے
لفظ کا انتخاب	ہر مرحلے پر سب سے زیادہ ممکنہ عام لفظ پر ٹھہر جاتا ہے	خاص یا کم عام لفظ کی طرف جاتا ہے جو اصل چیز کا نام دیتا ہے
جملے کی ابتدا	محفوظ ابتدائی انتقالات کی ایک چھوٹی سی گردش کو دہراتا ہے	جملہ کس طرح شروع ہوتا ہے اس میں تنوع پیدا کرتا ہے، ان ابتداؤں سمیت جنہیں ایک ماڈل کم ممکنہ قرار دے گا
شق کی ساخت	ایک یا دو پسندیدہ نحوی ساختیں پورے متن میں دہراتا ہے	سادہ اور پیچیدہ ساختوں کو اس بات کے مطابق ملاتا ہے کہ جملے کو کیا درکار ہے

وہ انتخاب جو صرف انسان عموماً کرتا ہے

تنگ دائرے کا دوسرا رخ وہ ہے جو اس کے باہر آتا ہے۔ حقیقی واقعات بیان کرنے والا شخص عین عدد کی طرف جاتا ہے، گول عدد کی طرف نہیں، اس حصے کو مان لیتا ہے جو کام نہیں آیا، جملے کو درمیانِ خیال میں روک کر اسے درست کرتا ہے، یا ایسا لفظ چنتا ہے جو درست ہو، نہ کہ محض معمول کے مطابق۔ ان میں سے ہر انتخاب، language model کے نقطۂ نظر سے، ایک کم-احتمالی token ہے، اور یہی وہ قسم ہے جس سے decoding بچنے کے لیے بنایا گیا ہے۔

اس کا یہ مطلب نہیں کہ مخصوص یا غیر معمولی تحریر ہر flag سے محفوظ ہے، یا یہ کہ رواں اور درست تحریر بذاتِ خود مشتبہ ہے۔ کسی methods section، کسی قانونی شق، یا بہت زیادہ تدوین شدہ آخری مسودے کا تنگ دائرے میں آ جانا ان وجوہ سے بھی ہو سکتا ہے جن کا model سے کوئی تعلق نہیں، اسی لیے ایک واحد score کسی pattern کی وضاحت ہے، اس بات کا فیصلہ نہیں کہ اسے کس نے ٹائپ کیا تھا۔

اپنے مسودے کا اس بینڈ میں کہاں مقام ہے، یہ دیکھنا اندازہ لگانے سے زیادہ مفید ہے۔ TextPulse کا مفت perplexity checker اور burstiness checker لفظی سطح کی پیش بینی پذیری اور جملہ بہ جملہ ردھم کو الگ الگ ناپتے ہیں، اس لیے محدود ذخیرۂ الفاظ اور دہرائی گئی جملاتی ساخت دو مختلف اشاروں کی صورت میں ظاہر ہوتی ہیں، ایک ملے جلے عدد کی صورت میں نہیں۔

اس سے دو زیادہ محدود صفحات سامنے آتے ہیں۔ Turnitin AI کو خاص طور پر کیسے detect کرتا ہے ایک ہے، اور اس کے similarity score اور AI score کے درمیان فرق دوسرا ہے، کیونکہ یہ دونوں معمول کے مطابق ایک دوسرے کے ساتھ خلط ملط ہو جاتے ہیں۔

دونوں free tools collection کے وسیع تر مجموعے کے اندر آتے ہیں، ہر اس شخص کے لیے جو ایک ہی عدد پر اندھا اعتماد کرنے کے بجائے خود نمونہ دیکھنا چاہتا ہے۔

اب ویب کا کتنا حصہ AI سے تیار شدہ ہے؟

کئی پیمانوں کے مطابق، مشین سے تیار شدہ متن اب آن لائن انسانی تحریر سے زیادہ ہو چکا ہے۔ Amazon Web Services کی ایک ٹیم نے ویب سے 6.4 billion جملوں کا تجزیہ کیا اور پایا کہ 57.1% تین یا اس سے زیادہ زبانوں میں مشینی تراجم کے طور پر موجود تھا, جس کا بڑا حصہ کم معیار کا تھا۔ SEO فرم Graphite کے 2025 کے تجزیے میں پایا گیا کہ نئی شائع ہونے والی ویب مضامین میں سے کچھ اوپر نصف AI سے تیار شدہ تھے۔ Wikipedia بھی مستثنیٰ نہیں: Princeton کی ایک تحقیق نے August 2024 میں بنائے گئے صفحات میں تقریباً ہر بیس میں سے ایک نئی English مضمون کو نمایاں طور پر AI سے تیار شدہ ناپا۔

یہ حصہ بڑھ رہا ہے، کیونکہ ماڈل آؤٹ پٹ کی لاگت انسانی تحریر کے مقابلے میں کئی درجے کم ہے اور ہر تجارتی محرک اسی سمت اشارہ کرتا ہے۔ پوری کی پوری پلیٹ فارمیں اب انسانی لکھنے والوں کے بغیر چل رہی ہیں: Chirper ایک ایسا سوشل نیٹ ورک ہے جو مکمل طور پر AI اکاؤنٹس سے بھرا ہوا ہے، جہاں انسان صرف دیکھ سکتے ہیں، اور SocialAI ایک ایسا فیڈ فروخت کرتا ہے جس میں آپ کے ہر جواب کا ماخذ ایک bot ہوتا ہے۔ فورمز، review sections اور comment threads میں بھی یہی نمونہ چھوٹے پیمانے پر موجود ہے۔

پتہ لگانے کے لیے یہ بنیادی شرح کو بدل دیتا ہے۔ 2023 میں کسی بھی ویب متن کو پڑھنے والا درجہ بند کنندہ یہ فرض کر سکتا تھا کہ اس کا بیشتر حصہ انسانی ہے، 2026 میں ایسا نہیں ہو سکتا۔ یہ خود ماڈلز پر بھی واپس اثر ڈالتا ہے، کیونکہ ہر نئی نسل ایسی ویب پر تربیت پاتی ہے جس میں اس کے پیش رو پہلے ہی مواد لکھ چکے ہوتے ہیں، اور یہی ایک وجہ ہے کہ جن لفظی عادات پر detectors نظر رکھتے ہیں وہ پھیلتی ہیں، مدھم نہیں ہوتیں۔

آپ کی اپنی تحریر کے لیے اس کا نتیجہ صاف ہے: انسانی لکھی ہوئی نثر اب اقلیتی زمرہ بنتی جا رہی ہے، اور markers، editors اور readers یہ جانتے ہیں۔ اب بڑھا ہوا شبہ معمول کی حالت ہے، اور یہی وجہ ہے کہ یہ سمجھنا فائدہ مند ہے کہ ایک detector کیا ناپ سکتا ہے اور کیا نہیں۔

تجارتی detectors اوپر سے کیا اضافہ کرتے ہیں

وہ tools جو ادارے واقعی خریدتے ہیں، نصابی perplexity نہیں چلاتے۔ Turnitin، GPTZero، Originality اور باقی tools supervised classifiers کو انسانی اور مشینی متن کے بڑے label شدہ مجموعوں پر تربیت دیتے ہیں، اور stylistic features کے ساتھ statistical features بھی استعمال کرتے ہیں۔ classifier جو کچھ سیکھتا ہے وہ یہی ہوتا ہے کہ اس کی training data میں یہ دونوں ڈھیر کس چیز سے الگ ہوتے ہیں، اور یہ "AI writing" کے عمومی تصور سے زیادہ محدود اور زیادہ تاریخی چیز ہے۔

تربیت پر انحصار خاموش مسئلہ ہے۔ جو classifier بنیادی طور پر model output کی ایک نسل پر تربیت پاتا ہے، اسے نئی models، غیر مانوس مضامین، اور ایسے writers تک generalize کرنا ہوتا ہے جن کی English اس کی training distribution سے مشابہ نہیں ہوتی۔ vendors اپنی evaluations سے accuracy کے اعداد شائع کرتے ہیں، اور independent benchmarks عموماً انہی tools پر ان اعداد سے کافی نیچے آتے ہیں۔

اسکور کو حد سے زیادہ پڑھے بغیر پڑھنا

ایک detector report عموماً percentage کی صورت میں آتی ہے، اور اس percentage کو اکثر غلط سمجھا جاتا ہے۔ یہ آپ کے document کے اس حصے کا تناسب نہیں ہوتا جو کسی machine نے لکھا ہو۔ tool کے مطابق یہ classifier confidence ہو سکتی ہے، یا ان sentences کا حصہ جو کسی اندرونی threshold سے گزر گئے ہوں، اور vendors اکثر اس بارے میں مبہم رہتے ہیں کہ کون سا مطلب مراد ہے۔ دو reports اگر دونوں ساٹھ فیصد دکھائیں تو ان کے معنی کافی مختلف ہو سکتے ہیں۔

یہ جاننا بھی اہم ہے کہ کوئی اسکور ان وجوہات سے کیسے بدلتا ہے جن کا اس کے مصنف سے کوئی تعلق نہیں ہوتا۔ مختصر دستاویزات میں شور زیادہ ہوتا ہے، کیونکہ اوسطوں کے مستحکم ہونے کے لیے متن کم ہوتا ہے، اور پانچ سو لفظوں کا مضمون دو یا تین غیر معمولی جملوں کی بنیاد پر کافی حد تک بدل سکتا ہے۔ اقتباس شدہ مواد بھی شمار ہوتا ہے، جب تک کہ ٹول اسے الگ نہ کر دے، اس لیے block quotes سے بھرا ہوا literature review جس چیز کا بھی حوالہ دیتا ہے، اس کی پیش بینی کو اپنے اندر سمو لیتا ہے۔ اصطلاحات سے بھرپور ایک فنی عبارت بھی اسی طرح برتاؤ کرتی ہے۔

اگر آپ کے حصے میں کوئی flag آئے، تو مفید ردعمل metric پر بحث نہیں بلکہ ثبوت ہوتا ہے۔ version history، drafts، notes اور search records سب عمل کی طرف اشارہ کرتے ہیں، اور عمل ہی وہ چیز ہے جس کا misconduct panel واقعی جائزہ لے سکتا ہے۔ کوئی ایسی حد موجود نہیں جس کی طرف اشارہ کر کے کوئی careful writer اور model کے درمیان فرق بتایا جا سکے۔

detectors ایسی تحریر کو کیوں flag کرتے ہیں جو کسی model نے پیدا نہیں کی

false positives کوئی نایاب خرابی نہیں ہیں۔ یہ براہ راست typicality کی پیمائش سے پیدا ہوتے ہیں۔ کوئی بھی تحریر جو واقعی قابلِ پیش گوئی ہو، قابلِ پیش گوئی ہی شمار ہوگی، اس سے قطع نظر کہ اسے کس نے پیدا کیا۔

Non-native English writers سب سے زیادہ متاثر ہوتے ہیں۔ Stanford کے محققین نے پایا کہ detectors نے non-native speakers کے مضامین کے بڑے حصے کو machine-generated سمجھ کر غلط درجہ بند کیا، جبکہ native-speaker مضامین کو درست درجہ بند کیا۔ اس کی وجہ مکینیکی ہے، بدنیتی پر مبنی نہیں: دوسری زبان میں کام کرنے والے writers عموماً آزمودہ تراکیب اور زیادہ عام vocabulary پر انحصار کرتے ہیں۔ یہ low perplexity کا بالکل وہی profile ہے، اسی لیے ESL writers کو احتیاط سے لکھنے پر flag کیا جاتا ہے۔

تعلیمی conventions بھی یہی مسئلہ پیدا کرتی ہیں۔ methods section کا formulaic ہونا متوقع ہے۔ قانونی تحریر، فنی documentation اور clinical reporting سب میں اختراعی انداز کے مقابلے میں معیاری phrasing کو ترجیح ملتی ہے۔ زیادہ editing اس مسئلے کو مزید بڑھا دیتی ہے، کیونکہ draft کو polish کرنے کا مطلب عموماً ان بے قاعدگیوں کو ہٹانا ہوتا ہے جو آپ کے statistical signature کو ساتھ لے کر چل رہی تھیں۔

اداروں نے اس پر توجہ دی ہے۔ Vanderbilt نے Turnitin کی AI detection feature کو بند کر دیا، بجائے اس کے کہ ایسے scores پر کارروائی کرے جن کی وہ تصدیق نہیں کر سکتا تھا، اور دیگر universities نے misconduct proceedings میں numbers کے استعمال کے طریقے محدود کر دیے ہیں۔ detector score کو evidence کا ایک کمزور جز سمجھیں، verdict نہیں۔

اس کا آپ کی اپنی writing کے لیے کیا مطلب ہے

mechanics سے جو عملی مشورہ نکلتا ہے وہ غیر معمولی نہیں ہے، اور اس میں سے کوئی بھی چیز gaming سے متعلق نہیں۔ اپنی sentence length کو جان بوجھ کر مختلف رکھیں، کیونکہ uniformity ہی وہ چیز ہے جو register کرتی ہے۔ specific detail برقرار رکھیں, اصل figure, اصل limitation, وہ چیز جو week six میں غلط ہوئی۔ generic competence وہ چیز ہے جو machine-made کے طور پر score کرتی ہے، اور specificity بہتر writing بھی ہے اور ایک مضبوط signal بھی۔

اپنا idiom بھی برقرار رکھیں۔ اگر آپ کے اظہار کا کوئی خاص طریقہ ہے، تو اسے رہنے دیں۔ draft کو اس حد تک ہموار کرنے کی instinct کہ وہ field کے ہر دوسرے paper جیسا لگنے لگے، وہی instinct ہے جو آپ کی perplexity کم کرتی ہے۔

ایک چیز جس سے بچنا چاہیے: کچھ tools جان بوجھ کر grammatical errors شامل کرتے ہیں تاکہ perplexity بڑھ جائے۔ یہ metric پر تو کام کرتا ہے، لیکن کسی بھی graded یا peer-reviewed چیز کے لیے یہ بہت خراب idea ہے، کیونکہ آپ ایک suspicion کے بدلے ایک certainty حاصل کر رہے ہوتے ہیں۔ مقصد ایسی writing ہے جو آپ کی اپنی پڑھے، نہ کہ ایسی writing جو جان بوجھ کر خراب کی گئی ہو۔ یہی rewriting for a human reader اور text کو scorer کو دھوکا دینے کے لیے توڑنے کے درمیان پورا فرق ہے۔

اگر آپ یہ numbers اپنے draft کے لیے خود دیکھنا چاہتے ہیں، بجائے اس کے کہ کسی black box کی بات مان لیں، تو بنیادی measurements راز نہیں ہیں۔ free text analysis tools آپ کو دکھائیں گے کہ آپ کی prose کہاں کھڑی ہے، اور آپ خود فیصلہ کر سکتے ہیں کہ آیا flat stretches ایک stylistic problem ہیں جسے درست کرنا چاہیے۔