Các bộ phát hiện AI hoạt động như thế nào? Perplexity, burstiness và xác suất token

Trường đại học của bạn đã bắt đầu đưa các bài nộp qua một bộ phát hiện AI, và một báo cáo đã trả về một con số mà bạn không ngờ tới. Trước khi bạn cố gắng phản đối nó, sẽ hữu ích nếu biết con số đó có nghĩa là gì. Các bộ phát hiện AI hoạt động như thế nào? Chúng không đọc văn bản do máy tạo ra theo cách một người đọc. Chúng đo mức độ có thể dự đoán trước của văn bản của bạn đối với một mô hình ngôn ngữ, rồi chuyển mức độ có thể dự đoán trước đó thành một điểm số. Không có gì trong quá trình đó xem xét ý bạn là gì, lập luận của bạn ra sao, hay liệu bạn có thực sự viết nó hay không.

Tôi đã dành nhiều năm xây dựng các công cụ phân tách văn bản theo thống kê, và điều hữu ích nhất cần hiểu về phát hiện là điều này: đó là phép đo tính điển hình, không phải nguồn gốc. Một khi điều đó được hiểu rõ, cả công nghệ lẫn những thất bại của nó đều trở nên hợp lý hơn nhiều.

Bộ phát hiện thực sự đang đo cái gì

Một bộ phát hiện không biết ai đã viết bất cứ thứ gì. Nó chỉ có một mô hình ngôn ngữ và một hàm chấm điểm. Mô hình đọc văn bản của bạn từ trái sang phải, và tại mỗi điểm nó tạo ra một phân phối xác suất về từ nào nên đứng tiếp theo. Hãy đưa cho nó các từ "the results of the" và nó sẽ xếp "study" cao nhất, "experiment" thấp hơn một chút, và "marmalade" ở đâu đó gần bằng không.

Vì vậy, bộ phát hiện đặt một câu hỏi cho tài liệu của bạn: văn bản này đã chọn từ mà mô hình kỳ vọng bao nhiêu lần? Cách viết liên tục rơi vào các từ có xác suất cao trông giống do máy tạo ra, vì đó chính xác là điều một bộ tạo văn bản làm. Mô hình lấy mẫu từ phần đầu của chính phân phối của nó, lặp đi lặp lại, cho hàng nghìn token.

Đó là lý do vì sao toàn bộ nhóm công cụ này đứng trên nền tảng mong manh hơn so với những gì tiếp thị gợi ý. Một bộ phát hiện không tìm thấy watermark hay dấu vân tay. Nó chỉ nhận ra rằng văn xuôi của bạn về mặt thống kê là điều không gây ngạc nhiên, và văn xuôi không gây ngạc nhiên có nhiều nguyên nhân ngoài chatbot.

Perplexity, mức độ mô hình bị bất ngờ

Chỉ số chính được gọi là perplexity, và nó dễ hiểu hơn nghe có vẻ. Hãy lấy xác suất mà mô hình gán cho từng từ thực sự xuất hiện, tính trung bình các logarit của những xác suất đó, rồi lấy hàm mũ của kết quả. Điều thu được là một con số duy nhất mô tả mức độ mô hình bất ngờ trước tài liệu của bạn. Bạn có thể kiểm tra perplexity của bản thảo của mình thay vì đoán mò.

Perplexity thấp có nghĩa là văn bản đi theo hướng mà mô hình dự đoán. Perplexity cao có nghĩa là nó liên tục rẽ sang những hướng mà mô hình không ngờ tới. Văn bản do con người viết thường nằm cao hơn, vì con người hay chọn những danh từ cụ thể lạ, những cấu trúc bất thường, những câu mở đầu ở một điểm không ngờ. Văn bản được tạo sinh thường nằm thấp hơn, vì quá trình giải mã được thiết kế để tránh chính xác những động tác đó.

Hãy so sánh hai cách mở đầu một phần phương pháp. "The results of the study were statistically significant" là một chuỗi mà hầu như bất kỳ mô hình nào cũng sẽ dự đoán với độ tin cậy cao, vì nó không chứa thông tin bất ngờ. "Two of the three cohorts drifted before week six, which we had not planned for" thì khó dự đoán hơn nhiều, vì nó chứa thông tin cụ thể, gượng gạo mà không thể đoán từ phần còn lại của bài viết. Câu thứ hai tạo ra sự bất ngờ thực sự đối với bộ phát hiện, và chính sự bất ngờ đó được ghi nhận là mang tính con người.

Burstiness: phương sai, không phải giá trị trung bình

Perplexity tự thân là chưa đủ, vì một tài liệu có thể cho ra giá trị trung bình hoàn toàn hợp lý nhưng bên dưới lại đồng đều một cách đáng ngờ. Điều quan trọng là sự biến thiên trong toàn bộ văn bản của bạn, và đó là điều burstiness đo lường: độ dao động của độ dài câu và perplexity ở cấp câu khi bài viết triển khai. Một burstiness checker sẽ cho bạn thấy trực tiếp độ phân tán đó.

Chúng ta tăng tốc khi tự tin và chậm lại khi còn dè dặt, và nhịp điệu đó đi vào văn xuôi. Con người viết theo từng đợt. Một đoạn văn có thể mở đầu bằng một câu trần thuật ngắn gồm tám từ, đi tiếp vào một câu dài ba mươi bốn từ chứa ba mệnh đề và một mệnh đề trong ngoặc, rồi lại hạ xuống thành một câu ngắn gọn.

Đầu ra của mô hình không làm được điều này một cách đáng tin cậy. Các câu tụ lại quanh độ dài trung bình. Các đoạn văn xuất hiện thành những cụm gọn gàng. Mỗi phần bắt đầu bằng cách nhắc lại chính tiêu đề của nó. Văn bản đọc trôi chảy và bị chấm điểm kém, vì độ biến thiên thấp giữa các câu là một trong những tín hiệu mạnh nhất mà bộ phát hiện có. Không phải một câu riêng lẻ nào làm lộ ra điều đó. Chính là sự đồng nhất.

Tín hiệu	Nó đo lường điều gì	Vì sao văn bản do máy tạo ra có điểm thấp
Perplexity	Mức độ bất ngờ của mô hình trước lựa chọn từ ngữ của bạn, được lấy trung bình trên toàn văn bản	Việc giải mã, theo thiết kế, lấy mẫu từ các token có xác suất cao
Burstiness	Mức độ độ dài câu và khả năng dự đoán thay đổi trong toàn văn bản	Đầu ra tụ lại gần giá trị trung bình thay vì dao động
Xác suất token	Xác suất theo từng từ mà hai chỉ số còn lại được tính từ đó	Các chuỗi dài gồm những lựa chọn riêng lẻ không có gì nổi bật

Xác suất token và nguồn gốc của điểm số

Cả hai con số đó đều được xây dựng từ một con số thứ ba, tức log-likelihood theo từng token, là nguyên liệu thô để mọi thứ khác được tính toán. Một số công cụ hiển thị trực tiếp cho bạn, làm nổi bật những đoạn mà văn bản của bạn có thể dự đoán cao nhất. Những phần được làm nổi bật đó không phải là cáo buộc về các câu cụ thể, bất kể giao diện ngụ ý điều gì. Chúng là những phần đóng góp nhiều nhất vào một con số ở cấp độ tài liệu.

Các phương pháp nghiên cứu đã vượt qua những ngưỡng đơn giản. DetectGPT và các phương pháp kế thừa của nó xem xét độ cong, chúng làm nhiễu văn bản của bạn một chút và kiểm tra xem xác suất có giảm theo mẫu mà văn bản do mô hình tạo ra thường thể hiện hay không. Những phương pháp khác so sánh cùng một đoạn văn dưới hai mô hình khác nhau và dùng sự bất đồng làm tín hiệu.

Một hệ quả quan trọng đối với bất kỳ ai đang được đánh giá. Vì các chỉ số được tính so với một mô hình tham chiếu cụ thể, nên điểm số luôn mang tính tương đối đối với mô hình đó. Hai bộ phát hiện có thể đọc cùng một đoạn văn và hoàn toàn bất đồng, mà không bên nào bị trục trặc. Chúng đang trả lời cùng một câu hỏi với các điểm tham chiếu khác nhau.

Hệ quả thứ hai ít khi được nhắc đến hơn. Một mô hình chỉ có thể nhận ra một đoạn văn là có thể dự đoán được nếu đoạn văn đó giống với những gì nó đã được huấn luyện trên đó, vì vậy chất lượng phát hiện suy giảm khi khoảng cách giữa mô hình tham chiếu và bất cứ thứ gì đã tạo ra văn bản ngày càng lớn. Các bộ tạo mới hơn, các lĩnh vực ít thông thường và các ngôn ngữ ngoài tiếng Anh đều làm khoảng cách đó mở rộng. Đây là một phần lý do vì sao độ chính xác được đo trong một chuẩn đánh giá có kiểm soát hiếm khi còn nguyên giá trị khi đối mặt với một đống bài nộp thực tế.

Tại sao văn bản AI lại bị phát hiện ngay từ đầu

Cách một Mô hình Ngôn ngữ Chọn Từ Tiếp Theo của Nó

Nếu để tự vận hành, một mô hình ngôn ngữ sẽ chỉ đơn giản báo cáo toàn bộ danh sách đã xếp hạng của các từ tiếp theo có thể có và để một thứ khác chọn. Trong thực tế, một chiến lược giải mã sẽ tự động thực hiện lựa chọn đó, từ này sang từ khác, và chiến lược nào đang chạy sẽ làm thay đổi hình thức của đầu ra ngay cả khi mô hình nền tảng không bao giờ thay đổi.

Giải mã tham lam luôn chọn một từ có xác suất cao nhất duy nhất. Trong bài báo giới thiệu nucleus sampling như một biện pháp khắc phục, Ari Holtzman và các đồng tác giả nhận thấy rằng việc đi theo chiến lược này dẫn đến văn bản, theo chính lời họ, là 'nhạt nhẽo và lạ lùng lặp lại.' Beam search, vốn theo dõi đồng thời nhiều phần tiếp nối có khả năng xảy ra trước khi chốt một phần, cũng gặp phải một biến thể tương tự của cùng một vấn đề.

Các chiến lược lấy mẫu đưa một phần ngẫu nhiên trở lại, nhưng theo cách có kiểm soát. Temperature điều chỉnh mức độ mô hình ưu tiên mạnh đến đâu các lựa chọn hàng đầu của chính nó trước khi một từ được rút ra. Nucleus sampling, đôi khi gọi là top-p, cắt ngắn phân phối thành tập nhỏ nhất các từ mà xác suất cộng gộp của chúng vượt qua một ngưỡng và chỉ rút từ tập đó, được mô tả trong bài báo gốc là lấy mẫu từ một hạt nhân động của phân phối thay vì từ phần đuôi không đáng tin cậy của nó.

Ngay cả những thiết lập ít mang tính tất định nhất trong số này vẫn rút từ một danh sách ngắn được xây dựng quanh những gì mô hình đã xem là có khả năng xảy ra. Văn bản do con người viết chưa bao giờ được tạo ra bằng cách xếp hạng một vốn từ vựng rồi lấy từ nhóm đứng đầu, vì vậy nó liên tục vượt ra ngoài danh sách ngắn đó. Ý nghĩa đôi khi nằm ở từ vốn chưa bao giờ có trong danh sách.

Độ phẳng của vốn từ vựng: Ít từ hơn, an toàn hơn

Độ phẳng của vốn từ vựng là phiên bản ở cấp độ từ của cùng một thói quen. Ở mỗi điểm trong một câu, hàng chục từ có thể hợp lý để tiếp nối câu đó, nhưng một số ít từ đứng cao hơn hẳn phần còn lại trong thứ hạng của mô hình, và quá trình giải mã cứ liên tục rơi vào số ít đó. Nhân lựa chọn này với từng câu trong một tài liệu, và phạm vi các từ thực sự được dùng sẽ thu hẹp một cách đo lường được so với một văn bản do con người viết có độ dài tương tự.

Tác động này tích lũy thay vì giữ nguyên. Một mô hình thường chọn từ được xếp hạng cao nhất ở câu thứ nhất sẽ có nhiều khả năng tạo ra một ngữ cảnh trong đó từ được xếp hạng cao nhất ở câu thứ hai cũng là từ phổ biến, vì các từ phổ biến có xu hướng đi sau các từ phổ biến. Người viết sẽ liên tục ngắt quãng xu hướng đó, tìm đến thuật ngữ kỹ thuật cụ thể, động từ hơi khác thường, từ gọi đúng sự vật thực tế thay vì một cách diễn đạt an toàn gần đúng. Khác biệt này thể hiện thành một vốn từ vựng làm việc nhỏ hơn một cách đo lường được trong phiên bản được tạo ra, ngay cả khi cả hai phiên bản mô tả cùng một tập hợp sự kiện nền tảng.

Đây là thuộc tính của toàn bộ đoạn văn, không phải của bất kỳ lựa chọn từ đơn lẻ nào. Một từ an toàn không chứng minh được điều gì. Một trang đầy những từ như vậy, với từng câu nối tiếp nhau đều hướng tới cùng một mức độ của vốn từ vựng thông dụng, mới là điều mà tín hiệu ở cấp độ từ của một bộ phát hiện thực sự được xây dựng để nhận ra.

Tính đồng nhất cú pháp: Các hình thức giống nhau, lặp lại

Tính đồng nhất cú pháp là phiên bản ở cấp độ câu. Nó không nói về độ dài của một câu. Nó nói về số lượng hình thức ngữ pháp khác nhau mà một đoạn văn sử dụng: câu mở đầu như thế nào, các mệnh đề gắn với nhau ra sao, một từ chuyển tiếp làm nhiệm vụ nối một ý với ý tiếp theo thường xuyên đến mức nào. Một mô hình cứ tiếp tục dự đoán cấu trúc kế tiếp có khả năng xảy ra theo thống kê sẽ ổn định vào một vòng xoay nhỏ các hình thức và lặp lại chúng.

Một đoạn văn có thể thay đổi độ dài câu mà vẫn đọc lên như phẳng về mặt cú pháp nếu mọi câu đều theo cùng một khuôn chủ ngữ, động từ, bổ ngữ, mở đầu bằng cùng một kiểu chuyển ý, hoặc kết thúc theo cùng một cách. Tính có thể dự đoán nằm ở mô thức, không phải ở số lượng từ, một phân biệt được trình bày kỹ hơn trong hướng dẫn về burstiness thực sự đo lường điều gì.

Điều làm thu hẹp	Văn bản được tối ưu cho giải mã có xu hướng làm gì	Văn bản do con người viết có xu hướng làm gì
Lựa chọn từ ngữ	Chọn từ thông dụng có xác suất cao nhất ở mỗi bước	Tìm đến từ cụ thể hơn hoặc ít thông dụng hơn để gọi đúng sự vật thực tế
Mở đầu câu	Lặp lại một số ít kiểu mở đầu chuyển ý an toàn	Thay đổi cách câu bắt đầu, kể cả những cách mở đầu mà một mô hình sẽ xếp là ít có khả năng hơn
Cấu trúc mệnh đề	Lặp lại một hoặc hai khuôn ngữ pháp ưa dùng trong suốt một đoạn	Phối hợp cấu trúc đơn giản và phức tạp tùy theo điều mà câu cần

Những lựa chọn mà chỉ con người thường có xu hướng đưa ra

Mặt trái của một dải hẹp là những gì nằm ngoài nó. Một người mô tả các sự kiện thực tế sẽ tìm đến con số chính xác thay vì con số làm tròn, thừa nhận phần đã không hiệu quả, ngắt câu để tự sửa giữa dòng suy nghĩ, hoặc chọn một từ đúng hơn là từ điển hình. Từ góc nhìn của một mô hình ngôn ngữ, mỗi lựa chọn như vậy đều là một token có xác suất thấp, chính là kiểu mà giải mã được xây dựng để tránh.

Điều này không có nghĩa là lối viết cụ thể hoặc khác thường sẽ an toàn trước mọi cờ báo, hay rằng lối viết trôi chảy, đúng chuẩn mặc định là đáng ngờ. Một phần phương pháp, một điều khoản pháp lý, hoặc một bản thảo cuối đã được biên tập kỹ có thể rơi vào một dải hẹp vì những lý do hoàn toàn không liên quan đến mô hình, đó là lý do vì sao một điểm số đơn lẻ chỉ là mô tả của một mô thức chứ không phải là phán quyết về việc ai đã gõ nó.

Việc nhìn xem bản thảo của chính bạn nằm ở đâu trên dải đó hữu ích hơn là đoán. Công cụ kiểm tra perplexity miễn phí và kiểm tra burstiness của TextPulse đo riêng mức độ dự đoán được ở cấp độ từ và nhịp điệu giữa các câu, vì vậy vốn từ đơn điệu và cấu trúc câu lặp lại sẽ hiện ra như hai tín hiệu khác nhau thay vì một con số pha trộn.

Hai trang hẹp hơn xuất phát từ đây. Turnitin phát hiện AI như thế nào một cách cụ thể là một trang, và sự khác biệt giữa điểm tương đồng và điểm AI của nó là trang còn lại, vì hai khái niệm này thường xuyên bị nhầm lẫn với nhau.

Cả hai đều nằm trong bộ công cụ miễn phí rộng hơn, dành cho bất kỳ ai muốn tự mình xem mô hình thay vì tin mù quáng vào một con số duy nhất.

Hiện nay Bao Nhiêu Nội Dung Trên Web Là Do AI Tạo Ra?

Xét theo một số thước đo, văn bản do máy tạo ra hiện nay vượt quá văn bản do con người viết trên mạng. Một nhóm tại Amazon Web Services đã phân tích 6.4 tỷ câu từ web và phát hiện rằng 57.1% tồn tại dưới dạng bản dịch máy trên ba ngôn ngữ trở lên, phần lớn có chất lượng thấp. Một phân tích năm 2025 của công ty SEO Graphite cho thấy chỉ hơn một nửa số bài viết web mới được xuất bản là do AI tạo ra. Wikipedia cũng không ngoại lệ: một nghiên cứu của Princeton về các trang được tạo trong tháng 8 năm 2024 đo được khoảng một trên hai mươi bài viết tiếng Anh mới là do AI tạo ra ở mức đáng kể.

Tỷ lệ này đang tăng, vì chi phí đầu ra của mô hình thấp hơn chi phí viết của con người theo nhiều bậc độ lớn và mọi động lực thương mại đều hướng theo cùng một chiều. Hiện nay có những nền tảng vận hành hoàn toàn không cần người viết: Chirper là một mạng xã hội được tạo thành hoàn toàn từ các tài khoản AI, nơi con người chỉ có thể quan sát, và SocialAI bán một nguồn cấp mà trong đó mọi phản hồi dành cho bạn đều là bot. Các diễn đàn, mục đánh giá và chuỗi bình luận cũng mang cùng mô hình này ở quy mô nhỏ hơn.

Đối với phát hiện, điều này làm thay đổi tỷ lệ nền. Một bộ phân loại đọc văn bản web tùy ý vào năm 2023 có thể giả định rằng phần lớn là do con người viết, còn một bộ phân loại vào năm 2026 thì không thể. Điều này cũng phản hồi ngược vào chính các mô hình, vì mỗi thế hệ mới đều được huấn luyện trên một web mà các thế hệ trước đã viết vào đó, và đó là một lý do khiến các thói quen từ vựng mà bộ phát hiện chú ý đến lan rộng thay vì phai nhạt.

Đối với chính bài viết của bạn, hệ quả là rõ ràng: văn xuôi do con người viết đang trở thành nhóm thiểu số, và giảng viên chấm bài, biên tập viên, cùng độc giả đều biết điều đó. Sự nghi ngờ gia tăng hiện là mặc định, và chính vì vậy việc hiểu một bộ phát hiện có thể và không thể đo lường điều gì là rất đáng giá.

Những gì các bộ phát hiện thương mại bổ sung thêm

Các công cụ mà các cơ sở thực sự mua không chạy perplexity theo sách giáo khoa. Turnitin, GPTZero, Originality và các công cụ còn lại huấn luyện các bộ phân loại có giám sát trên các tập dữ liệu lớn đã gán nhãn gồm văn bản của con người và của máy, sử dụng các đặc trưng thống kê cùng với các đặc trưng phong cách. Điều mà bộ phân loại học được là bất cứ thứ gì phân tách hai đống dữ liệu đó trong dữ liệu huấn luyện của nó, và đó là một thứ hẹp hơn, mang tính lịch sử hơn so với "AI writing" nói chung.

Sự phụ thuộc vào dữ liệu huấn luyện là vấn đề âm thầm. Một bộ phân loại được huấn luyện chủ yếu trên đầu ra của một thế hệ mô hình phải khái quát hóa sang các mô hình mới hơn, sang các lĩnh vực không quen thuộc, và sang những người viết có tiếng Anh không giống với phân phối huấn luyện của nó. Các nhà cung cấp công bố các con số độ chính xác từ những đánh giá của chính họ, và các chuẩn đánh giá độc lập thường cho kết quả thấp hơn đáng kể so với các con số đó trên cùng những công cụ ấy.

Đọc một điểm số mà không đọc quá mức

Một báo cáo của bộ phát hiện thường xuất hiện dưới dạng phần trăm, và phần trăm đó thường bị đọc sai. Nó không phải là tỷ lệ tài liệu của bạn được viết bởi máy. Tùy theo công cụ, đó là độ tin cậy của bộ phân loại, hoặc là phần trăm câu đã vượt qua một ngưỡng nội bộ nào đó, và các nhà cung cấp thường mơ hồ về việc là loại nào. Hai báo cáo cùng hiển thị sáu mươi phần trăm có thể có nghĩa rất khác nhau.

Cũng đáng biết điều gì làm thay đổi một điểm số vì những lý do hoàn toàn không liên quan đến người viết. Các tài liệu ngắn nhiễu hơn, vì có ít văn bản hơn để các giá trị trung bình ổn định, và một bài luận năm trăm từ có thể dao động rất mạnh chỉ vì hai hoặc ba câu bất thường. Phần trích dẫn cũng được tính, trừ khi công cụ loại bỏ chúng, nên một bài tổng quan tài liệu chứa nhiều trích dẫn khối sẽ thừa hưởng mức độ có thể dự đoán của chính những gì nó trích dẫn. Một đoạn văn kỹ thuật dày đặc thuật ngữ chuẩn cũng vận hành theo cách tương tự.

Nếu bạn là người nhận một cảnh báo, phản ứng hữu ích là đưa ra bằng chứng thay vì tranh luận về chỉ số. Lịch sử phiên bản, bản nháp, ghi chú và hồ sơ tìm kiếm đều nói lên quy trình, và quy trình mới là điều mà một hội đồng xử lý vi phạm có thể thực sự đánh giá. Không có ngưỡng nào mà bất kỳ ai có thể chỉ ra để phân biệt một người viết cẩn thận với một mô hình.

Tại sao các bộ phát hiện gắn cờ những bài viết mà không có mô hình nào tạo ra

Dương tính giả không phải là một trục trặc hiếm gặp. Chúng xuất phát trực tiếp từ việc đo tính điển hình. Bất kỳ bài viết nào thực sự có thể dự đoán được đều sẽ có điểm là có thể dự đoán, bất kể ai tạo ra nó.

Những người viết tiếng Anh không phải bản ngữ bị ảnh hưởng nhiều nhất. Các nhà nghiên cứu Stanford phát hiện rằng các bộ phát hiện đã phân loại sai một tỷ lệ lớn bài luận của người không phải bản ngữ là do máy tạo ra, trong khi phân loại đúng các bài luận của người bản ngữ. Lý do mang tính cơ học hơn là ác ý, những người viết bằng ngôn ngữ thứ hai có xu hướng dựa vào các cấu trúc quen dùng và vốn từ phổ biến hơn. Đó chính là đặc điểm của perplexity thấp, vì vậy người viết ESL bị gắn cờ vì viết cẩn thận.

Các quy ước học thuật gây ra cùng một vấn đề. Một mục phương pháp được kỳ vọng là có tính công thức. Văn bản pháp lý, tài liệu kỹ thuật và báo cáo lâm sàng đều ưu tiên cách diễn đạt chuẩn hơn là cách diễn đạt sáng tạo. Việc biên tập nhiều còn làm vấn đề trầm trọng hơn, vì trau chuốt một bản nháp thường có nghĩa là loại bỏ những chỗ bất thường vốn mang dấu hiệu thống kê của bạn.

Các cơ sở giáo dục đã chú ý. Vanderbilt đã vô hiệu hóa tính năng phát hiện AI của Turnitin thay vì dựa vào các điểm số mà họ không thể xác minh, và các trường đại học khác đã hạn chế cách các con số này có thể được sử dụng trong các thủ tục xử lý vi phạm. Hãy coi điểm số của một bộ phát hiện chỉ là một mảnh bằng chứng yếu, không phải là một phán quyết.

Điều này có ý nghĩa gì đối với bài viết của chính bạn

Lời khuyên thực tiễn rút ra từ cơ chế này không hề cầu kỳ, và không có điều gì trong đó liên quan đến việc tìm cách lách hệ thống. Hãy cố ý thay đổi độ dài câu, vì sự đồng đều là điều bị ghi nhận. Giữ lại chi tiết cụ thể, con số thực, giới hạn thực, điều đã xảy ra sai ở tuần thứ sáu. Năng lực chung chung là thứ bị chấm như do máy tạo ra, còn tính cụ thể vừa là cách viết tốt hơn vừa là tín hiệu mạnh hơn.

Hãy giữ cả cách diễn đạt riêng của bạn. Nếu bạn có một lối nói riêng, hãy để nó ở lại. Bản năng mài giũa bản thảo cho đến khi nó nghe giống mọi bài khác trong lĩnh vực chính là bản năng làm giảm perplexity của bạn.

Một điều cần tránh, một số công cụ cố ý đưa vào lỗi ngữ pháp để làm tăng perplexity. Điều đó có tác dụng đối với chỉ số, nhưng là một ý tưởng tồi cho bất kỳ bài nào được chấm điểm hoặc phản biện, vì bạn đang đánh đổi một sự nghi ngờ lấy một sự chắc chắn. Mục tiêu là bài viết đọc lên như của bạn, chứ không phải bài viết đã bị cố ý làm hỏng. Đó là toàn bộ khác biệt giữa viết lại cho người đọc và phá vỡ văn bản để đánh lừa một bộ chấm điểm.

Nếu bạn muốn xem các con số này trên bản thảo của chính mình thay vì chỉ tin vào một hộp đen, các phép đo nền tảng không phải là bí mật. Các công cụ phân tích văn bản miễn phí sẽ cho bạn thấy bài viết của bạn đang ở đâu, và bạn có thể tự quyết định liệu những đoạn phẳng có phải là một vấn đề về phong cách đáng sửa hay không.