کیا AI Detectors اب بھی Perplexity اور Burstiness پر انحصار کرتے ہیں؟

آج GPTZero کے ذریعے AI تحریر کی شناخت کے بارے میں تلاش کریں، تو جو کچھ سامنے آتا ہے اس میں سے زیادہ تر اب بھی دو اعداد و شمار، perplexity اور burstiness، کے گرد گھومتا ہے، یہی وہ جوڑا تھا جس نے جنوری 2023 میں اس کے اجرا کے چند ہی ہفتوں میں اس ٹول کو مشہور کر دیا تھا۔ GPTZero کی اپنی سپورٹ دستاویزات اب کچھ اور کہتی ہیں: اس نے اسی سال کے خزاں میں ان دونوں کا استعمال بند کر دیا تھا۔

تو کیا burstiness اب بھی AI detectors کے ذریعے استعمال ہوتی ہے؟ اس ٹول کے ذریعے نہیں جس نے اس اصطلاح کو علمی حلقوں میں عام فہم بنا دیا تھا۔ GPTZero کا سپورٹ سینٹر صاف طور پر کہتا ہے کہ وہ اب perplexity یا burstiness استعمال نہیں کرتا، بلکہ اس نے deep-learning architecture اختیار کر لی ہے۔ Turnitin، جس سے زیادہ تر طلبہ واقعی واسطہ پڑتا ہے، نے ابتدا ہی سے اپنے طریقۂ کار کے حصے کے طور پر ان میں سے کسی بھی اصطلاح کو شائع نہیں کیا۔ یہ تصورات گفتگو سے غائب نہیں ہوئے۔ یہ ان مصنوعات سے غائب ہوئے ہیں جو واقعی شناخت کا کام کر رہی ہیں۔

کیا Burstiness اب بھی AI Detectors کے ذریعے استعمال ہوتی ہے؟

نہیں، GPTZero کے ذریعے نہیں، اور نام کے ساتھ تو بالکل نہیں۔ GPTZero کی اپنی سپورٹ دستاویزات یہ بات براہِ راست کہتی ہیں: "As of autumn 2023, GPTZero no longer uses perplexity and burstiness for its AI detection because we migrated to a deep-learning based architecture." Turnitin کی اپنی guides ایک مختلف طریقہ بیان کرتی ہیں، جو کسی submission کے حصوں کو trained classifier کے ذریعے score کرنے پر مبنی ہے، اور ان دستاویزات میں بھی یہ دونوں اصطلاحات کہیں موجود نہیں۔ AI detection کی پہلی لہر کی تعریف کرنے والے یہ دو اعداد و شمار وہ نہیں ہیں جو اس وقت leading tools چلا رہے ہیں۔ اس کا مطلب یہ کہنا نہیں کہ انہیں بالکل پھینک دیا گیا تھا: GPTZero کی اپنی وضاحت اب بھی انہیں اپنے model کو feed کرنے والے سات indicators میں شمار کرتی ہے۔ وہ measurement بنے رہتے ہوئے method نہیں رہے، اور ان دونوں دعووں کے درمیان فرق ہی اس سوال کا بڑا حصہ ہے۔

خزاں 2023 میں کیا بدلا

یہ دونوں اصطلاحات کبھی بھی غیر معروف نہیں تھیں۔ GPTZero کے اپنے ابتدائی وضاحتی متن میں perplexity کی تعریف یوں کی گئی تھی: "a measure of how likely an AI model would have chosen the exact same set of words as found in the document," اور burstiness کی تعریف یوں کی گئی تھی: "a measure of how much writing patterns and text perplexities vary over the entire document," یعنی یہ دستاویز کی سطح کا ایک شماریہ ہے، نہ کہ محض جملے کی لمبائی کی سادہ گنتی۔ یہ دونوں تعریفیں اب بھی GPTZero کی سائٹ پر شائع ہیں۔ جو چیز بدلی ہے وہ یہ ہے کہ detector حقیقت میں ان میں سے کس کو چلاتا ہے۔

"Migrated to a deep-learning based architecture" ایک مخصوص دعویٰ ہے، کوئی تشہیری فقرہ نہیں، اور یہ نوعیت میں ایک حقیقی تبدیلی کو بیان کرتا ہے۔ perplexity score براہ راست ایک فارمولے سے نکالا جاتا ہے: متن کو ایک reference language model سے گزاریں، log probabilities کا اوسط لیں، اور نتیجے کو exponentiate کریں۔ اس کے برعکس ایک deep-learning classifier کو تربیت دی جاتی ہے، اسے انسانی اور AI-written مثالوں کی بڑی تعداد دکھائی جاتی ہے، یہاں تک کہ وہ خود بخود، ان خصوصیات کے کسی بھی ایسے مجموعے کو سیکھ لے جو اس training data میں دونوں ڈھیروں کو الگ کرے۔ دوسرے طریقے میں قاعدہ کوئی ہاتھ سے نہیں لکھتا۔ model اسے خود تلاش کرتا ہے۔

دونوں retired terms کی مکمل وضاحت اس site کے ایک اور حصے میں موجود ہے: perplexity اصل میں کیا ناپتا ہے اور burstiness اصل میں کیا ناپتا ہے، ہر ایک اپنی mechanics کو تفصیل سے بیان کرتا ہے، جن میں ان کے پیچھے موجود formulas بھی شامل ہیں۔ یہ مضمون صرف اس سوال تک محدود رہتا ہے کہ آیا ان میں سے کوئی بھی آج بھی وہی چیز ہے جسے detector چلاتا ہے۔

GPTZero اور Turnitin آج اصل میں کیا دستاویز کرتے ہیں

موجودہ GPTZero technology page, جو یہ بیان کرتی ہے کہ product میں کیا فراہم کیا جاتا ہے، کہتی ہے کہ کمپنی "an end-to-end deep learning approach, trained on text datasets from the web, education, and AI-generated from a range of LLMs" استعمال کرتی ہے، جس میں "a sentence-by-sentence classification model determines the probability and confidence that a text was created by AI". Perplexity اور burstiness اس page پر کہیں بھی ظاہر نہیں ہوتے، نہ بطور component، نہ بطور legacy feature، نہ کسی footnote میں۔

Turnitin کی دستاویزات ابتدا ہی سے ان میں سے کسی بھی اصطلاح کے گرد نہیں بنائی گئی تھیں۔ اس کی گائیڈز ایک جمع کرائی گئی تحریر کو چند سو الفاظ کے حصوں میں تقسیم کرنے کی وضاحت کرتی ہیں، ہر حصے کو ایک تربیت یافتہ ماڈل کے ذریعے اسکور کیا جاتا ہے، اور پھر ان حصوں کے اسکورز کو اوسط نکال کر اس واحد فیصد میں بدلا جاتا ہے جو رپورٹ دکھاتی ہے۔ یہ متن کے حصوں پر کام کرنے والا ایک supervised classifier ہے، اسی نوعیت کا طریقہ جس کی طرف GPTZero منتقل ہوا ہے، نہ کہ perplexity کا حساب اور نہ ہی burstiness کا حساب کسی دوسرے نام کے تحت۔

اس تبدیلی کو ساتھ ساتھ دیکھنا سب سے آسان ہے۔

	ابتدائی وضاحت کنندگان نے کیا بیان کیا تھا (2023)	موجودہ دستاویزات کیا بیان کرتی ہیں
GPTZero	Perplexity اور burstiness، ایک reference model کے خلاف اسکور کیا گیا	جملہ بہ جملہ deep-learning classifier جو probability اور confidence score نکالتا ہے
Turnitin	کبھی شائع نہیں کیا گیا، یہ اصطلاحات Turnitin کے اپنے مواد میں کسی بھی مرحلے پر موجود نہیں ہیں	چند سو الفاظ کے حصے ایک trained classifier کے ذریعے اسکور کیے جاتے ہیں، اور پھر انہیں ایک فیصد میں اوسط کیا جاتا ہے

یہ تصورات اب بھی قابلِ شناخت ہونے کی وضاحت کیوں کرتے ہیں

اس میں سے کوئی بات perplexity اور burstiness کو غلط نہیں بناتی، صرف موجودہ طریقۂ کار کی وضاحت کے طور پر انہیں فرسودہ بناتی ہے۔ دونوں تصورات ہمیشہ کسی حقیقی چیز کی وضاحت کر رہے تھے: جو متن کسی model کی اپنی سب سے زیادہ احتمال رکھنے والی تکمیلوں کی طرف sampling کے ذریعے تیار کیا جاتا ہے، وہ عموماً لفظ بہ لفظ اس متن سے زیادہ قابلِ پیش گوئی ہوتا ہے جو کوئی شخص ابتدا سے لکھتا ہے، اور ایک جملے سے دوسرے جملے تک اس میں فرق بھی کم ہوتا ہے۔ بنیادی باقاعدگی اس لیے نہیں بدلی کہ کسی vendor نے اپنے detector کی ساخت بدل دی۔ جو چیز بدلی ہے وہ یہ ہے کہ detector اب اسے تلاش کیسے کرتا ہے۔

تربیت یافتہ classifier سے صراحتاً perplexity یا burstiness تلاش کرنے کو نہیں کہا جاتا۔ بلکہ اسے انسانی اور مشینی متن کے درمیان اسی بنیادی امتیاز پر تربیت دی جاتی ہے جسے یہ دونوں statistics گرفت میں لینے کے لیے بنائی گئی تھیں۔ اور یہ بات نہایت غیر محتمل معلوم ہوتی ہے کہ ایک ایسا classifier جو ان دونوں ڈھیروں میں فرق کرنے کے لیے تربیت یافتہ ہو، وہ اسی باقاعدگی، یعنی ان دونوں کے درمیان سب سے قابلِ اعتماد فرقوں میں سے ایک، کو بھی بالکل اسی طرح بنیاد نہ بنائے۔ یہ اس بات کے بارے میں ایک استدلال ہے کہ classifier غالباً کیسے کام کرتا ہے، نہ کہ اس کی شائع شدہ feature list کے بارے میں کوئی دعویٰ، اور ان دونوں کو الگ رہنا چاہیے۔

آزاد تحقیق اس خیال کی تائید کرتی ہے کہ بنیادی statistic کی اہمیت برقرار ہے، حتیٰ کہ کسی ایک vendor کی product سے باہر بھی۔ DetectGPT, ایک academic zero-shot method جو 2023 میں شائع ہوئی، perplexity کے ایک قریبی ہم معنی پر نظر ڈالتی ہے, یعنی یہ کہ model کا log-probability function کسی passage کے گرد کتنی تیزی سے مڑتا ہے, اور ایک benchmark پر 0.95 AUROC تک پہنچتی ہے، جبکہ بہترین سابقہ zero-shot baseline کے لیے یہ 0.81 تھا، اور وہ بھی بغیر labelled examples پر classifier کو بالکل تربیت دیے۔ بنیادی خیال، کہ machine-generated text model کے اپنے probability space کے ایک statistically distinct region میں واقع ہوتا ہے، اب بھی active research ہے۔ یہ محض وہ چیز نہیں ہے جو GPTZero صارفین کو فراہم کرتا ہے۔

انٹرنیٹ کا اتنا بڑا حصہ اب بھی یہ بات کیوں غلط سمجھتا ہے

AI detection کیسے کام کرتی ہے، اس کی زیادہ تر شائع شدہ توضیحات GPTZero کے January 2023 launch کے دوران یا اس کے فوراً بعد لکھی گئیں، جب perplexity اور burstiness وہ واحد public framing تھے جو کمپنی نے خود پیش کیے تھے۔ وہ ابتدائی explainer pages آج بھی موجود ہیں۔ autumn 2023 کی retirement notice ایک الگ support page پر ہے، ان میں ضم نہیں کی گئی، اس لیے جو writer پہلا صفحہ پڑھ کر تحقیق وہیں روک دے، اسے یہ جاننے کی کوئی وجہ نہیں ہوگی کہ method ایک سال سے بھی کم عرصے بعد بدل گئی تھی۔

2026 میں گردش کرنے والا ایک تیسرے فریق کا detector review یہ دعویٰ کرتا ہے کہ GPTZero اب بھی perplexity اور burstiness کو ایک بڑے نظام کے اندر کئی layers میں سے ایک layer کے طور پر چلاتا ہے۔ یہ دعویٰ GPTZero کے اپنے موجودہ technology page اور اس کی اپنی support documentation سے براہ راست متصادم ہے، اور GPTZero کی اپنی site پر کوئی چیز بھی اس کی تائید نہیں کرتی۔ جو کمپنی اپنی shipped product کے بارے میں خود بیان دے رہی ہو، اس کی بات اسی product کے بارے میں کسی غیر مصدقہ تیسرے فریق کے دعوے پر پھر بھی فوقیت رکھتی ہے، اگرچہ vendor documentation بھی غلط ہو سکتی ہے۔ یہ تحریر review کے بجائے GPTZero کے اپنے pages کی پیروی کرتی ہے جو پرانی کہانی کو دہراتا ہے۔

اس کا آپ کی تحریر کے طریقے پر کیا مطلب ہے

burstiness کے گرد بنی ہوئی عملی رہنمائی صرف اس وجہ سے بے کار نہیں ہو گئی کہ یہ لفظ GPTZero کے اپنے مواد سے غائب ہو گیا۔ جملوں کی لمبائی کو جان بوجھ کر مختلف رکھنا اب بھی، میکانیکی طور پر، اسی statistical uniformity سے بچنے کی دلیل ہے جسے classifier بہت غالب امکان کے ساتھ نوٹ کرنے کے لیے trained ہوتا ہے، چاہے وہ اس signal کو اندرونی طور پر کچھ بھی نام دے۔ بنیادی مشورہ vendor کی architecture change کے باوجود برقرار رہا، اگرچہ اسے بیان کرنے والی vocabulary برقرار نہ رہی۔

اس میں سے کسی چیز کے لیے کسی کی بات ماننے کی ضرورت نہیں، اس post کی بھی نہیں۔ TextPulse کا free perplexity checker اور وسیع تر free tools collection آپ کو یہ دیکھنے دیتے ہیں کہ آپ کا اپنا draft detector کے سامنے کہاں کھڑا ہے، اس سے پہلے کہ کسی بھی generation کا detector کبھی ایسا کرے۔

اگر جواب آپ کو دوبارہ آپ کی اپنی writing کی طرف لے جاتا ہے، تو عملی اگلے steps burstiness کو جان بوجھ کر بڑھانا اور ایک academic paragraph میں جملوں کی لمبائی کو مختلف کرنا ہیں، جو metric کے بغیر بیان کیا گیا وہی کام ہے۔

detector جس mechanism پر چلتا ہے وہ بدلتا رہے گا, GPTZero اسے پہلے ہی ایک بار بدل چکا ہے۔ جو چیز مستقل رہتی ہے وہ اصل سوال ہے، جس کی مکمل وضاحت اس site کے guide to how AI detectors actually work میں کی گئی ہے: آیا قابلِ پیش گوئی writing اور machine-written writing ایک ہی چیز ہیں، اس سے قطع نظر کہ کسی سال میں کون سا formula مقبول ہے۔