Turnitin có phát hiện văn bản diễn giải lại không?

Có. Turnitin phát hiện văn bản diễn giải lại, và hệ thống này được xây dựng để làm điều đó. Hai hệ thống trong cùng một báo cáo sẽ phát hiện ra nó. Similarity Report đánh dấu những đoạn vẫn còn trùng lặp với các công trình đã xuất bản hoặc các bài nộp trước đó sau khi cách diễn đạt đã được thay đổi, đó là nhiệm vụ mà hệ thống này đã thực hiện từ rất lâu trước khi việc viết bằng AI tồn tại. AI Writing Report có một hạng mục riêng được gắn nhãn cho văn bản do AI tạo ra đã được đưa qua công cụ diễn giải lại hoặc công cụ xoay từ. Việc thay từ bằng từ đồng nghĩa không làm sạch được cả hai.

Hệ thống nào bắt được một đoạn cụ thể phụ thuộc vào nguồn gốc của văn bản. Tài liệu được diễn đạt lại lấy từ một nguồn là vấn đề về tương đồng. Tài liệu được diễn đạt lại do ChatGPT tạo ra là vấn đề về viết bằng AI. Nhiều bài nộp đồng thời thuộc cả hai loại, và dù sao thì cả hai hệ thống cũng đọc mọi bài nộp.

Turnitin Gọi Văn Bản AI Đã Diễn Giải Lại Là Một Hạng Mục Riêng

Đây không phải là một suy luận từ cách các bộ phát hiện hoạt động nói chung. AI Writing Report của Turnitin chia tỷ lệ phần trăm của nó thành hai hạng mục được gắn nhãn, và hạng mục thứ hai là văn bản AI đã diễn giải lại.

Báo cáo định nghĩa con số ở tiêu đề là "the combined amount of likely AI-generated text as well as likely AI-generated text that was also likely AI-paraphrased". Mục thứ hai được gắn nhãn "AI-generated text that was AI-paraphrased" và được mô tả là "likely AI-generated text that was likely revised using an AI-paraphrase tool or word spinner".

Tài liệu hỗ trợ của Turnitin trả lời câu hỏi một cách trực tiếp. Khi được hỏi thẳng liệu nó có thể phát hiện nội dung được diễn đạt lại bằng một công cụ diễn đạt lại bằng AI hay không, hướng dẫn của nó nêu rõ: "Yes, Turnitin's AI indicator includes detection of AI-generated content that may have been paraphrased using a word spinner/AI paraphrasing tool." Một câu trả lời gần như giống hệt áp dụng cho văn bản đã được đưa qua một công cụ bypasser được xây dựng riêng để viết lại đầu ra của AI nhằm vượt qua bộ phát hiện. Không công cụ nào tạo ra một điểm số riêng. Cả hai đều đưa vào cùng một tỷ lệ phần trăm duy nhất mà giảng viên nhìn thấy.

What Each System Catches

	Similarity Report	AI Writing Report
What it checks	Whether the text overlaps sources already in Turnitin's database of web content, publications and student papers	Whether the prose reads as statistically typical of machine-generated writing
Catches paraphrasing of	Someone else's published or submitted work	AI-generated drafts, including ones revised by a paraphraser or bypasser
Effect of a synonym pass	Lowers the percentage, but leaves distinctive terms, quotations and sentence structure matching	Leaves the score largely where it was, because the classifier reads sentence pattern rather than word choice
Where it shows up	A percentage plus match groups naming each source	One percentage, split into AI-generated only and AI-paraphrased

Hai báo cáo là các sản phẩm riêng biệt với các con số riêng biệt, và một bài viết có thể sạch ở báo cáo này nhưng bị gắn cờ ở báo cáo kia. TextPulse trình bày đầy đủ sự phân tách đó trong so sánh điểm tương đồng của Turnitin với điểm AI của nó, và cơ chế của chính bộ phân loại trong cách Turnitin phát hiện bài viết AI.

Phía Tương Đồng: Văn Bản Được Diễn Đạt Lại Vẫn Trùng Khớp

Kiểm tra độ tương đồng là một bài đối chiếu. Turnitin so sánh một bài nộp với kho nội dung web, các ấn phẩm và các bài đã nộp trước đó, rồi báo cáo mức độ phần nào của bài trùng với những gì đã được lập chỉ mục trước đó. Thay đổi đủ nhiều cách diễn đạt thì các chuỗi chính xác đang được so sánh sẽ thu hẹp lại, nên tỷ lệ phần trăm giảm xuống. Điều đó là có thật, và đó là lý do các công cụ diễn đạt lại tồn tại.

Điều còn lại sau khi thay thế là phần mà sinh viên thường đánh giá thấp. Các thuật ngữ kỹ thuật, danh từ riêng, số liệu được trích dẫn và các câu trích dẫn nguyên văn được giữ nguyên vì không có từ đồng nghĩa cho chúng. Cấu trúc câu cũng vậy, khi chỉ các từ nối được thay thế. Turnitin báo cáo phần trùng lặp dưới dạng các nhóm khớp, mỗi nhóm nêu nguồn của nó, và đó là điều phân biệt một đoạn được trích dẫn đúng cách với một đoạn đã được diễn đạt lại.

Việc diễn đạt lại một nguồn trong khi giữ nguyên thứ tự câu và các chi tiết hỗ trợ của nó được gọi là patchwriting, và trong hầu hết các quy định của đại học, nó được xem là một dạng đạo văn dù tỷ lệ tương đồng có giảm hay không. Những người chấm bài được đào tạo để nhận ra nó thường phát hiện bằng mắt, vì một lập luận đi theo một đoạn nguồn từng câu một sẽ đọc giống như nguồn đó bất kể từ vựng. Một con số thấp không đồng nghĩa với bài làm sạch, và đó là điểm của hướng dẫn của TextPulse về mức nào được xem là một điểm Turnitin tốt.

Phía AI, một lượt thay bằng từ đồng nghĩa không làm thay đổi điểm số

Chỉ báo viết bằng AI chưa bao giờ so sánh đoạn văn của bạn với một nguồn, vì vậy không có chỗ nào để một từ đồng nghĩa phá vỡ sự trùng khớp. Nó chấm văn bản theo từng câu dựa trên mức độ phù hợp với mẫu thống kê của văn bản do máy tạo ra, gồm độ dự đoán của từ, nhịp câu, và lối diễn đạt chung chung mà một mô hình ngôn ngữ mặc định thường dùng.

Việc thay thế từ ngữ giữ lại gần như toàn bộ những yếu tố đó. Câu vẫn giữ độ dài, trật tự, và cùng một lớp liên kết công thức giữa các mệnh đề. Đây là lý do vì sao việc đưa một bản nháp AI qua một công cụ diễn đạt lại rồi thấy điểm AI vẫn giữ nguyên là một trải nghiệm rất phổ biến. Từ vựng đã thay đổi. Mẫu mà bộ phân loại chấm điểm thì không, nên văn bản vẫn bị đọc là do máy viết, đúng như danh mục diễn đạt lại của Turnitin nêu ra.

Phân bố độ dài câu vẫn tồn tại sau khi viết lại

Văn xuôi do máy soạn thường ổn định trong một dải hẹp về độ dài câu, vì một mô hình dự đoán từng token một không có lý do gì để làm cho câu thứ tư ngắn hơn câu thứ ba. Ngược lại, văn bản do con người viết thường phân tán hơn, một câu mười chín từ, rồi một câu sáu từ, rồi một câu ba mươi hai từ vừa chứa một khẳng định vừa kèm theo điều kiện của nó. Phần giải thích của GPTZero gọi trực tiếp điều này, định nghĩa burstiness là thước đo mức độ các mẫu viết và độ perplexity của văn bản biến thiên trên toàn bộ tài liệu.

Việc thay một từ đồng nghĩa làm độ dài của một câu thay đổi một hoặc hai từ, và nó làm mọi câu thay đổi với mức độ nhỏ tương tự, vì vậy phân bố vẫn giữ nguyên hình dạng. Một đoạn văn chạy theo mẫu phẳng gồm mười tám, mười chín, mười bảy và hai mươi từ trước khi chỉnh sửa sẽ vẫn nằm trong phạm vi lệch đi một hoặc hai từ so với chính mẫu phẳng đó sau khi chỉnh sửa.

Điều này có thể đo được mà không cần dùng đến bộ phát hiện. Một free burstiness checker cho biết mức độ biến thiên ở cấp câu mà một đoạn văn mang theo, và khi chạy cùng một đoạn văn qua công cụ này trước và sau một lượt diễn đạt lại, con số hầu như không đổi trong khi từ vựng thay đổi hoàn toàn.

Thứ tự mệnh đề và các liên từ chuyển tiếp cũng vẫn tồn tại

Thứ tự mệnh đề là đặc điểm cấu trúc thứ hai mà một công cụ diễn đạt lại để nguyên, và nó dễ thấy đối với người đọc hơn là độ dài câu. Văn bản do máy tạo ra có xu hướng đưa chủ đề lên trước, nêu luận điểm, rồi gắn một mệnh đề điều kiện ở cuối, lặp đi lặp lại. "While the sample size was limited, the results suggest" và "Although further research is needed, the findings indicate" là cùng một câu nhưng khoác những từ khác nhau.

Một công cụ diễn đạt lại sẽ chuyển "while" thành "although" và "suggest" thành "show". Nó sẽ không quyết định rằng phần điều kiện nên nằm trong một câu ngắn riêng ở ba dòng sau, hoặc rằng phần giảm nhẹ nên bị cắt bỏ hoàn toàn. Đó là một phán đoán biên tập về lập luận của đoạn văn, và một công cụ thay thế từ ngữ không có quan điểm về lập luận đó.

Các từ nối là đặc điểm thứ ba và cũng là dễ thấy nhất. Các mô hình thường chọn một tập nhỏ, ổn định các liên từ ở chỗ nối, chẳng hạn however, additionally, furthermore, in addition. Một công cụ diễn đạt lại sẽ đổi một từ trong số đó sang một thành viên khác của cùng tập, vì vậy bộ phân loại vẫn thấy một từ nối quen thuộc, ở vị trí dự kiến, từ phân bố dự kiến. Đó là tín hiệu mà nó đã đọc trước khi việc viết lại bắt đầu.

Đặc điểm mà bộ phân loại đọc	Thay đổi bởi một lượt diễn đạt lại	Vì sao
Lựa chọn từ ngữ riêng lẻ	Có, đáng kể	Đây là đặc điểm duy nhất mà một công cụ thay thế từ ngữ được xây dựng để thay đổi
Độ dài câu và mức biến thiên của nó	Hầu như không	Các từ được thay thế có độ dài gần nhau, nên cấu hình vẫn giữ nguyên
Thứ tự mệnh đề trong một câu	Hiếm khi	Việc sắp xếp lại làm thay đổi trọng tâm, điều mà ràng buộc về nghĩa không khuyến khích
Các từ nối ở chỗ nối	Được đổi trong cùng một tập nhỏ	Một từ nối quen thuộc thay cho một từ nối quen thuộc khác
Tính dự đoán của từ tiếp theo	Hơi thay đổi	Một từ đồng nghĩa hiếm hơn thì ít được dự đoán hơn, nhưng khung bao quanh nó vẫn dự đoán được như trước
Bằng chứng và chi tiết cụ thể	Không	Một bản viết lại không thể thêm vật liệu vốn chưa từng có trong bản nháp

Điều gì thực sự làm thay đổi kết quả

Cả hai hệ thống đều đang phản ứng với những triệu chứng khác nhau của cùng một kiểu viết lại hời hợt, vì vậy cách khắc phục cũng giống nhau cho cả hai, hãy thay đổi cách viết, không phải các từ. Điều đó có nghĩa là tái cấu trúc câu thay vì sắp xếp lại nội dung của chúng, cố ý thay đổi độ dài câu, cắt bỏ các liên từ chung chung mà một mô hình thường mặc định dùng, và thêm chi tiết hỗ trợ đủ cụ thể để nó chỉ có thể đến từ tài liệu nguồn mà bạn thực sự đã đọc. Mức độ tương đồng giảm vì cấu trúc không còn bám theo nguồn. Điểm AI giảm vì mẫu mà bộ phân loại chấm điểm không còn nữa.

Một công cụ diễn đạt lại không thể làm công việc đó, và sự khác biệt giữa hai loại công cụ này đáng để hiểu trước khi trả tiền cho bất kỳ công cụ nào, điều mà TextPulse trình bày trong AI humanizer versus paraphraser. Kiểm tra khả năng dự đoán ở cấp độ từ của chính bản nháp bằng một free perplexity checker cho thấy mẫu mà bộ phân loại phản ứng đến một cách hữu ích hơn là chỉ nhìn vào một điểm số đơn lẻ.

AI humanizer for students của TextPulse hoạt động ở phía cấu trúc của vấn đề, tái xây dựng nhịp câu, độ biến thiên độ dài và trật tự mệnh đề thay vì thay thế từng từ riêng lẻ, đó chính là khoảng trống mà một lượt chỉ thay đồng nghĩa để lại hoàn toàn mở. Đối với bài tập học phần nói riêng, humanizing an AI essay for college trình bày quy trình từ đầu đến cuối, và whether Turnitin detects DeepSeek trả lời cùng câu hỏi đó cho một mô hình khác.

Không điều gì trong số này làm thay đổi việc chính sách sử dụng AI của một khóa học cho phép gì, và không có cách viết lại nào có thể quyết định một điểm số sau khi sự việc đã xảy ra. Bài kiểm tra đáng áp dụng trước khi nộp bất cứ thứ gì là liệu bạn có thể giải thích, từng câu một, vì sao bài viết trước mặt bạn lại nói đúng như nó đang nói hay không.