کیا AI Detectors اب بھی Perplexity اور Burstiness پر انحصار کرتے ہیں؟
GPTZero نے perplexity اور burstiness کو مشہور بنایا، پھر autumn 2023 میں خاموشی سے دونوں کو ایک deep-learning classifier کے حق میں ترک کر دیا۔ یہ post بتاتی ہے کہ کیا بدلا، آج GPTZero اور Turnitin اصل میں کیا document کرتے ہیں، اور کیوں یہ دونوں statistics اب بھی اس بات کی وضاحت کرتی ہیں کہ machine text detectable کیوں ہے، اگرچہ اب کوئی بھی vendor انہیں براہ راست compute نہیں کرتا۔
آج GPTZero کے AI تحریر کا پتہ لگانے کے طریقے کے بارے میں تلاش کریں تو جو کچھ سامنے آتا ہے اس کا زیادہ تر حصہ اب بھی دو اعداد و شمار، perplexity اور burstiness، کے گرد گھومتا ہے, یہی وہ جوڑا ہے جس نے جنوری 2023 میں اس کے اجرا کے چند ہی ہفتوں کے اندر 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 AI detectors اب بھی burstiness استعمال کرتے ہیں؟ اس ٹول میں نہیں جس نے اس اصطلاح کو علمی حلقوں میں عام کر 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 تو ابتدا ہی سے اپنے طریقۂ کار کے حصے کے طور پر ان میں سے کسی اصطلاح کو شائع نہیں کیا۔ یہ تصورات گفتگو سے غائب نہیں ہوئے۔ یہ ان مصنوعات سے غائب ہوئے ہیں جو اصل میں detection کرتی ہیں۔
کیا Burstiness اب بھی AI detectors کے ذریعے استعمال ہوتی ہے؟
نہیں، GPTZero کے ذریعے نہیں، اور نام کے طور پر بھی نہیں۔ GPTZero کی اپنی سپورٹ دستاویزات یہ بات براہ 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 اور طریقہ بیان کرتی ہیں, جو submission کے chunks کو trained classifier کے ذریعے score کرنے پر مبنی ہے, اور اس دستاویزات میں بھی ان میں سے کوئی اصطلاح 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 مکمل طور پر پھینک دیا گیا تھا: GPTZero کی اپنی وضاحت اب بھی انہیں اپنے model کو feed کرنے والے سات indicators میں شمار کرتی ہے۔ وہ method بننا چھوڑ گئے مگر measurement بننا نہیں چھوڑا، اور ان دو دعووں کے درمیان فرق ہی اس سوال کا بڑا حصہ ہے۔
خزاں 2023 میں کیا بدلا
یہ دونوں اصطلاحات کبھی بھی غیر واضح نہیں تھیں۔ GPTZero کے اپنے ابتدائی وضاحتی متن میں perplexity کی تعریف یوں کی گئی تھی کہ یہ "اس بات کا پیمانہ ہے کہ ایک AI model اس بات کا کتنا امکان رکھتا تھا کہ وہ دستاویز میں موجود الفاظ کا بالکل وہی مجموعہ منتخب کرتا," اور burstiness کی تعریف یوں کی گئی تھی کہ یہ "اس بات کا پیمانہ ہے کہ تحریری نمونے اور متن کی perplexities پوری دستاویز میں کس حد تک مختلف ہوتی ہیں," یعنی یہ دستاویز کی سطح کا ایک شماریہ ہے، نہ کہ محض جملے کی لمبائی کی گنتی۔ یہ دونوں تعریفیں اب بھی GPTZero کی site 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، marketing phrase نہیں، اور یہ نوعیت میں ایک حقیقی تبدیلی کو بیان کرتا ہے۔ perplexity score براہ راست ایک formula سے compute کیا جاتا ہے: متن کو ایک reference language model سے گزاریں، log probabilities کا اوسط لیں، نتیجے کو exponentiate کریں۔ اس کے بجائے ایک deep-learning classifier کو train کیا جاتا ہے، اسے انسانی اور AI-written مثالوں کی بڑی تعداد دکھائی جاتی ہے یہاں تک کہ وہ خود بخود features کے اس کسی بھی مجموعے کو سیکھ لے جو training data میں دونوں ڈھیروں کو الگ کرتا ہو۔ دوسرے طریقے میں rule کوئی ہاتھ سے نہیں لکھتا۔ model اسے خود تلاش کرتا ہے۔
دونوں retired terms کی مکمل وضاحت اس site کے کسی اور حصے میں موجود ہے: what perplexity actually measures اور what burstiness actually measures ہر ایک اپنی mechanics کو تفصیل سے بیان کرتے ہیں، جن میں ان کے پیچھے موجود formulas بھی شامل ہیں۔ یہ حصہ صرف اس سوال تک محدود رہتا ہے کہ آیا ان میں سے کوئی آج بھی وہی چیز ہے جو detector چلاتا ہے۔
GPTZero اور Turnitin آج حقیقت میں کیا Document کرتے ہیں
موجودہ GPTZero technology page، جو بیان کرتی ہے کہ product میں کیا ship کیا گیا ہے، کہتی ہے کہ ان کا detector "end-to-end deep learning approach" ہے، جس میں "sentence-by-sentence classification model" شامل ہے جو confidence score کے ساتھ probability output پیدا کرتا ہے۔ Perplexity اور burstiness اس page پر کہیں بھی ظاہر نہیں ہوتے، نہ component کے طور پر، نہ legacy feature کے طور پر، نہ footnote میں۔
Turnitin کی دستاویزات ابتدا ہی سے ان میں سے کسی بھی اصطلاح کے گرد نہیں بنائی گئی تھیں۔ اس کے رہنما مواد میں جمع کرائی گئی تحریر کو چند سو الفاظ کے حصوں میں تقسیم کیا جاتا ہے، ہر حصے کو ایک تربیت یافتہ ماڈل اسکور کرتا ہے، اور ان حصوں کے اسکورز کو اوسط نکال کر وہ واحد فیصد بنایا جاتا ہے جو رپورٹ دکھاتی ہے۔ یہ متن کے حصوں پر کام کرنے والا ایک supervised classifier ہے، طریقۂ کار کے اسی خاندان سے تعلق رکھتا ہے 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 ظاہر نہیں ہوتیں | چند سو الفاظ کے حصے، جنہیں ایک تربیت یافتہ classifier اسکور کرتا ہے، اور پھر انہیں ایک فیصد میں اوسط کیا جاتا ہے |
اپنے مقالے کو انسانی انداز دیں
اپنے AI کی مدد سے تیار کردہ متن کو تبدیل کریں اور اسے انسانی محسوس ہونے دیں، اہم الفاظ یا حوالہ جات کو چھوئے بغیر۔
یہ تصورات اب بھی قابلِ شناخت ہونے کی وضاحت کیوں کرتے ہیں
اس میں سے کوئی چیز perplexity اور burstiness کو غلط نہیں بناتی، صرف موجودہ طریقۂ کار کی وضاحت کے طور پر انہیں فرسودہ بنا دیتی ہے۔ دونوں تصورات ہمیشہ ایک حقیقی چیز کی وضاحت کر رہے تھے: ایسا متن جو کسی model کی اپنی سب سے زیادہ احتمال والی تکمیلات کی طرف sampling کے ذریعے پیدا کیا جائے، وہ عموماً لفظ بہ لفظ اس متن سے زیادہ قابلِ پیش گوئی ہوتا ہے جو کوئی شخص ابتدا سے لکھتا ہے، اور وہ ایک جملے سے دوسرے جملے تک کم بدلتا 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 اس کو تلاش کیسے کرتا ہے۔
تربیت یافتہ درجہ بند کنندہ سے صراحتاً یہ نہیں کہا جاتا کہ وہ perplexity یا burstiness کو تلاش کرے۔ اس کے بجائے، اسے انسانی اور مشینی متن کے درمیان اسی بنیادی امتیاز پر تربیت دی جاتی ہے جسے یہ دونوں اعداد و شمار گرفت میں لینے کے لیے وضع کیے گئے تھے۔ اور یہ بات نہایت غیر محتمل معلوم ہوتی ہے کہ دو ڈھیروں میں تمیز کرنے کے لیے تربیت یافتہ کوئی درجہ بند کنندہ اسی باقاعدگی کو، جو ان دونوں کے درمیان سب سے قابل اعتماد فرقوں میں سے ایک ہے، بھی پیش نظر نہ رکھے۔ یہ اس بات کے بارے میں ایک استدلال ہے کہ درجہ بند کنندہ غالباً کیوں کام کرتا ہے، نہ کہ اس کی شائع شدہ خصوصیات کی فہرست کے بارے میں کوئی دعویٰ، اور ان دونوں کو الگ رکھنا چاہیے۔
آزاد تحقیق اس خیال کی تائید کرتی ہے کہ بنیادی اعداد و شمار کی اہمیت برقرار ہے، حتیٰ کہ کسی ایک فروشندہ کی مصنوعات سے باہر بھی۔ DetectGPT، ایک علمی zero-shot طریقہ جو 2023 میں شائع ہوا، perplexity کے ایک قریبی ہم معنی، یعنی یہ کہ کسی ماڈل کا log-probability function کسی عبارت کے گرد کتنی تیزی سے خم کھاتا ہے، کو دیکھتا ہے، اور ایک benchmark پر 0.95 AUROC تک پہنچتا ہے، جبکہ بہترین سابقہ zero-shot baseline کے لیے یہ 0.81 ہے، اور یہ سب کچھ بغیر کسی labeled examples پر classifier کو تربیت دیے ہوتا ہے۔ بنیادی خیال یہ ہے کہ مشینی طور پر پیدا شدہ متن ماڈل کی اپنی probability space کے ایک شماریاتی طور پر ممتاز خطے میں واقع ہوتا ہے، اور یہ اب بھی فعال تحقیق کا موضوع 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 جنوری 2023 کے اجرا کے دوران یا اس کے فوراً بعد لکھی گئیں، جب perplexity اور burstiness ہی وہ واحد عوامی توضیحی فریم تھے جو خود کمپنی نے پیش کیے تھے۔ وہ ابتدائی وضاحتی صفحات آج بھی موجود ہیں۔ خزاں 2023 کا ریٹائرمنٹ نوٹس ان میں ضم ہونے کے بجائے ایک الگ support page پر موجود ہے، اس لیے جو مصنف پہلا صفحہ پڑھ کر تحقیق وہیں روک دے، اسے یہ جاننے کی کوئی وجہ نہیں ہوگی کہ طریقہ ایک سال سے بھی کم عرصے بعد بدل گیا تھا۔
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 اس کی تائید نہیں کرتی۔ اپنی shipped product کو بیان کرنے والی company کا بیان اسی product کے بارے میں کسی غیر مصدقہ تیسرے فریق کے دعوے پر پھر بھی فوقیت رکھتا 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 لیے 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، میکانکی 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 کے architecture change کے باوجود برقرار رہا، اگرچہ اسے بیان کرنے والی vocabulary برقرار نہ رہی۔
اس میں سے کسی بات کے لیے کسی کے قول پر بھروسا کرنا ضروری نہیں، اس post کے بھی نہیں۔ TextPulse کا free perplexity checker اور free tools collection آپ کو یہ دیکھنے دیتے ہیں کہ آپ کا اپنا draft detector کے سامنے کہاں کھڑا ہے، چاہے وہ کسی بھی generation کا ہو، اس سے پہلے کہ وہ کبھی ایسا کرے۔
اگر جواب آپ کو اپنی ہی writing کی طرف واپس لے جائے، تو عملی اگلے steps burstiness کو جان بوجھ کر بڑھانا اور ایک academic paragraph میں جملوں کی لمبائی کو مختلف کرنا ہیں، اور metric کے بغیر یہی کام بیان کیا گیا ہے۔
detector جس mechanism کو چلاتا 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 given year میں کون سا formula مقبول ہے۔
اکثر پوچھے گئے سوالات
کیا burstiness اب بھی AI detectors میں استعمال ہوتی ہے؟ GPTZero میں نہیں، اور اس نام کے تحت بھی نہیں۔ GPTZero کی اپنی support documentation واضح طور پر کہتی ہے کہ اس نے autumn 2023 میں detection کے لیے perplexity اور burstiness کا استعمال بند کر دیا، جب اس نے deep-learning based architecture کی طرف migration کی۔ Turnitin نے کبھی بھی اپنے method کے حصے کے طور پر ان میں سے کسی term کو publish نہیں کیا، اور اب دونوں companies trained classifiers کی وضاحت کرتی ہیں۔
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.