Cách làm cho văn bản AI trở nên tự nhiên như người viết: Hướng dẫn đầy đủ

Bản nháp đầu tiên được ChatGPT trả lại trong chưa đầy một phút, đọc trôi chảy, và nói đúng mọi điều bạn định nói. Vấn đề là nó cũng đọc giống như mọi bản nháp khác mà ChatGPT trả lại, cùng nhịp điệu, cùng vốn từ an toàn, cùng thói quen nhắc lại bất cứ tiêu đề nào nó vừa viết. Học cách nhân hóa văn bản AI thực ra là học cách phá bỏ sự giống nhau đó, từng câu một, trước khi nó đến được với một bộ phát hiện hoặc một người đọc đã thấy hàng trăm bản nháp giống hệt như vậy.

Nhân hóa văn bản AI có nghĩa là chỉnh sửa một bản nháp do máy tạo ra cho đến khi nhịp câu, cách chọn từ và cấu trúc của nó đọc lên như văn viết của một người, chứ không phải giá trị trung bình thống kê của phán đoán tốt nhất từ một mô hình ngôn ngữ. Một phần của việc chỉnh sửa này chỉ mất vài phút. Một phần khác, trên toàn bộ tài liệu, đủ tẻ nhạt để một công cụ thực sự xứng đáng với vị trí của nó. Hướng dẫn này bao quát cả hai theo thứ tự hữu ích, trước hết là các chỉnh sửa, sau đó là nơi một công cụ nhân hóa AI tiếp nhận phần mà chỉnh sửa thủ công không thể hoàn tất.

Một lưu ý nhanh cho bất kỳ ai đã tìm kiếm "humanise AI" theo cách viết của UK, kỹ thuật này là hoàn toàn giống nhau, chỉ khác ở chữ cái.

Tại sao văn bản AI lại nghe giống nhau mỗi lần?

Cách nó hoạt động là một mô hình ngôn ngữ viết bằng cách dự đoán từ có khả năng xuất hiện tiếp theo cao nhất, lặp đi lặp lại hàng nghìn lần. Đó là cách bạn có được lối viết trôi chảy, an toàn, các câu có xu hướng dài xấp xỉ nhau, các đoạn văn bắt đầu bằng việc nhắc lại tiêu đề của chính chúng, và các chuyển ý dựa vào cùng vài từ nối quen thuộc. Tất cả những điều này không phải là lỗi. Chúng là điều xảy ra khi bạn tối ưu hóa cho từ được kỳ vọng ở quy mô lớn.

Tất cả điều này được giải thích chi tiết trong bài viết đi kèm của chúng tôi về cách AI detectors hoạt động. Ở đây, chúng tôi tập trung vào điều quan trọng cần hiểu, mỗi chỉnh sửa dưới đây đều phá vỡ một khuôn mẫu mà mô hình không thể không tạo ra. Không chỉnh sửa nào trong số đó che giấu được việc có một mô hình tham gia, vì đó không phải là điều mà một chỉnh sửa ở cấp câu có thể làm được. Hai chỉ số phổ biến nhất mà detectors tính trước khi hiển thị cho bạn một tỷ lệ phần trăm là perplexity và burstiness.

Phá vỡ nhịp điệu, độ dài câu và cấu trúc

Đó là dấu hiệu rõ nhất trong tất cả: nhịp câu. Mô hình chỉ có thể dự đoán một token tại một thời điểm. Nó không có động cơ rút ngắn câu ba so với câu hai. Và khi để nó tự vận hành, một đoạn văn sẽ có xu hướng hướng tới một độ dài và hình dạng nhất định. Đây là một ví dụ về một chuỗi phẳng: "Kết quả của nghiên cứu có ý nghĩa thống kê. Các phát hiện ủng hộ giả thuyết ban đầu. Dữ liệu được phân tích bằng các phương pháp tiêu chuẩn." Ba câu phẳng, cùng độ dài, cùng một cách mở đầu mỗi lần.

Khi được chia nhỏ, cùng thông tin đó sẽ được đọc như sau: "Kết quả có ý nghĩa thống kê, điều này ủng hộ giả thuyết, mặc dù hai trong ba biến số biến động ít hơn dự kiến, vì vậy phân tích tiêu chuẩn cần được xem lại lần thứ hai." Giờ đây một câu duy nhất gánh cả mệnh đề chính và phần phức tạp của nó, với dấu phẩy đảm nhiệm công việc mà ba câu phẳng trước đây phải làm riêng rẽ. Chính sự không đều đó là điều mà một burstiness checker đang đo khi chấm điểm một đoạn văn, và đây là chỉnh sửa nhanh nhất trong danh sách này vì bạn đang sắp xếp lại những mệnh đề đã viết, chứ không phải tạo ra nội dung mới.

Nửa còn lại của cấu trúc là vị trí của ý chính. Một mô hình có xu hướng dẫn dắt đến điểm chính của nó hoặc chôn nó trong một mệnh đề phụ thuộc. Một khẳng định cụ thể sẽ đọc tốt hơn khi đứng trước, với phần điều kiện đi sau: "Mặc dù kích thước mẫu khác nhau giữa các địa điểm, hiệu ứng vẫn được duy trì" an toàn và mơ hồ hơn "Hiệu ứng được duy trì ở mọi địa điểm, dù hai địa điểm trong số đó chỉ thực hiện một phần ba cỡ mẫu dự kiến." Đặt khẳng định trước và phần lưu ý trở thành bằng chứng, không phải là một sự dè dặt.

Cắt bỏ những từ tố cáo nó

Một số từ xuất hiện trong các bản nháp do máy tạo ra thường xuyên hơn nhiều so với trong văn bản do con người viết, không phải vì chúng sai, mà vì chúng rất đúng xét theo phân phối xác suất của mô hình đối với văn phong trang trọng. Facilitate thay vì help. Robust thay vì strong. Myriad thay vì many. Underscore thay vì show. Không từ nào trong số này là sai. Tất cả chúng chỉ đơn giản là lựa chọn an toàn nhất, trung bình nhất có sẵn, và đó chính là lý do mô hình chọn chúng trước tiên.

Một câu văn phẳng đọc như sau: "Nghiên cứu đã sử dụng một phương pháp luận vững chắc để tạo điều kiện cho sự hiểu biết rộng rãi về vô số yếu tố liên quan." Cùng một nhận định ấy, nhưng bằng những từ mà một người thực sự sẽ chọn: "Nghiên cứu đã dùng một thiết kế phương pháp hỗn hợp để xác định trong số vài yếu tố thì yếu tố nào quan trọng nhất." Không có gì trong phiên bản thứ hai là kém chính xác hơn. Nó chỉ ít tầm thường hơn.

Thay robust bằng strong sẽ không làm thay đổi độ dài câu và cũng không chạm vào nhịp điệu mà một bộ phát hiện thực sự đang chấm điểm. Việc thay từ đơn lẻ sẽ không tự mình làm được quá nhiều. Biết điều này sẽ giúp bạn cảnh giác với suy nghĩ rằng chỉ cần thay bằng từ đồng nghĩa là có thể đi hết chặng đường mà không cần chỉnh sửa thêm. Nó sẽ giúp người đọc nhận ra văn xuôi đang cố gắng ít hơn. Những chỉnh sửa về cấu trúc ở trên vẫn phải diễn ra song song với nó. Chạy một đoạn văn qua một AI word cleaner sẽ nhanh chóng phát hiện các dấu hiệu ở cấp độ từ.

Sửa các thói quen về dấu câu mà cả bộ phát hiện lẫn người đọc đều nhận thấy

Dấu câu có dấu ấn riêng của nó. Nó phụ thuộc quá nhiều vào một hoặc hai dấu, và dùng những dấu đó thường xuyên hơn nhiều so với lối viết thông thường, phổ biến nhất là một dấu gạch ngang được dùng như một liên kết phổ quát, nơi mà dấu phẩy, dấu chấm hoặc dấu hai chấm cũng có thể dùng được. Nó trở nên lặp lại và bắt đầu nghe như một thói quen máy móc hơn là một phong cách khi một đoạn văn cứ cố với tới cùng một dấu ở mỗi câu thứ ba.

Dấu chấm phẩy và dấu hai chấm cũng bị lạm dụng tương tự, thường nối hai mệnh đề mà sẽ tự nhiên hơn nếu viết thành hai câu. "The results were mixed; some participants improved while others showed no change" là đúng về ngữ pháp nhưng đã cũ về phong cách. Hai câu mang cùng thông tin đó với nhiều khoảng thở hơn: "The results were mixed. Some participants improved. Others showed no change at all." Đọc to một đoạn văn sẽ bắt được phần lớn điều này, vì tai nhận ra nhịp điệu lặp lại trước khi mắt nhận ra.

Một công cụ loại bỏ em dash xử lý phần cơ học của bước này chỉ trong vài giây. Phong cách nội bộ của TextPulse cấm hoàn toàn ký tự này, và hướng dẫn này cũng theo cùng quy tắc. Quyết định mang tính phán đoán, liệu một câu có phù hợp hơn khi viết thành một mệnh đề hay hai mệnh đề, vẫn cần con người.

Thay các câu chung chung bằng các câu cụ thể

Lần chỉnh sửa cuối cùng trong danh sách này mất nhiều thời gian nhất, và cũng quan trọng nhất. Một mô hình ngôn ngữ không có ký ức về dự án thực tế của bạn, vì vậy nó mặc định dùng cách diễn đạt an toàn nhất có thể: có năng lực, mơ hồ, và đúng với hầu như bất kỳ bài viết nào cùng chủ đề.

"The intervention was found to have a positive effect on student outcomes." Bị động, chung chung, có thể mô tả hàng trăm nghiên cứu khác nhau. "The tutoring program raised test scores by roughly half a grade, but only for students who attended more than six sessions." Chủ động, cụ thể, chỉ có thể mô tả bài của bạn. Câu này cũng dài hơn, và đó là câu mà người đọc tin, vì một mô hình sẽ không bao giờ tự đoán ra chi tiết sáu buổi học. Một người theo dõi dữ liệu phải nhận ra điều đó trước.

Đây cũng là kiểu chỉnh sửa mà một mô hình ngôn ngữ không thể làm thay bạn, kể cả khi có công cụ humanizer. Một công cụ có thể thay đổi độ dài câu của bạn và đổi vốn từ của bạn, nhưng nó không có mặt trong phòng khi điều thú vị xảy ra, nên nó không thể đưa cho bạn một chi tiết mà bạn chưa từng cung cấp. Hãy quay lại ghi chú của bạn, chứ đừng quay lại qua trình viết lại thêm một lần nữa.

Những gì chỉnh sửa thủ công không thể khắc phục

Mọi chỉnh sửa ở trên đều miễn phí và chỉ mất vài phút cho một đoạn văn đơn lẻ. Vấn đề thực sự là độ dài. Một phản hồi năm đoạn cho một bài đăng thảo luận là công việc mười lăm phút nếu làm thủ công. Một chương luận văn dài bốn mươi trang, được viết lại với cùng mức cẩn trọng, là công việc kéo dài nhiều ngày, và hầu như không ai có nhiều thời gian đến vậy cho một chương.

Bảng dưới đây là một hướng dẫn lập kế hoạch, không phải một phép đo. Các mốc thời gian là ước lượng làm việc cho văn xuôi học thuật trung bình, và chúng thay đổi theo mức độ dày đặc của bài viết.

Chỉnh sửa thủ công	Nó khắc phục điều gì	Chi phí thời gian	Nó sẽ không khắc phục điều gì
Thay đổi độ dài và cấu trúc câu	Nhịp điệu đồng đều, tín hiệu burstiness mạnh nhất	Khoảng 10 đến 15 phút cho mỗi 1,000 từ	Các dấu hiệu ở cấp độ từ mà chỉ riêng việc thay đổi nhịp điệu không chạm tới
Cắt bỏ vốn từ sáo mòn	Các từ riêng lẻ mà một người đọc cẩn thận chỉ nhận ra lờ mờ	5 đến 10 phút với một lượt tìm kiếm	Nhịp câu phẳng lặng bao quanh từ đó
Sửa thói quen dùng dấu câu	Các dấu lặp lại như dấu gạch ngang hoặc một chuỗi dấu chấm phẩy	Khoảng 5 phút	Bất cứ thứ gì nằm dưới bề mặt, lượt này chỉ mang tính thẩm mỹ
Bổ sung chi tiết cụ thể	Các khẳng định chung chung có thể thuộc về bất kỳ bài viết nào về chủ đề này	20 đến 30 phút cho mỗi 1,000 từ, nhiều hơn nếu bạn phải lần tìm chi tiết đó	Không gì cả, nếu bạn thực sự có chi tiết để bổ sung
Chạy một lượt đầy đủ qua công cụ humanizer	Tính nhất quán trên toàn tài liệu, nhanh, hữu ích như một lượt đầu tiên đối với bản thảo dài	Dưới một phút, cộng với thời gian tự rà soát của bạn	Không có sự chắc chắn trước bất kỳ bộ phát hiện cụ thể nào, và bất kỳ chi tiết nào mà công cụ chưa từng được cung cấp

Không có hàng nào trong năm hàng đưa một tài liệu dài đến mức hoàn toàn đạt yêu cầu. Đó là chức năng của phần tiếp theo.

Công cụ humanizer AI thực sự phát huy tác dụng ở đâu

Một công cụ humanizer AI chuyên dụng, đôi khi được bán như một ChatGPT humanizer, vì đây là nơi hầu hết bản thảo bắt đầu, sẽ áp dụng các chỉnh sửa này cùng nhau, về nhịp điệu và vốn từ, một cách trọn vẹn trên toàn bộ tài liệu trong khoảng thời gian đủ để pha cà phê, chứ không phải một đoạn văn trong mười lăm phút. Dù được gọi là gì, công cụ humanizer AI, AI text humanizer, AI paragraph rewriter hay AI to human text converter, những công cụ tốt sẽ làm cùng một việc: thay đổi hình thức và lựa chọn từ ngữ của câu trong khi vẫn giữ nguyên ý nghĩa. Mức độ thay đổi của cách diễn đạt khác nhau từ đoạn này sang đoạn khác.

TextPulse hoạt động theo cách này. Nó viết lại một bản thảo hoàn chỉnh và trả về một Human Score ước tính được tính từ chính những tín hiệu đó, chứ không phải một lời hứa rằng bất kỳ bộ phát hiện cụ thể nào cũng sẽ chấp nhận nó. Sự thận trọng đó không chỉ riêng chúng tôi có: trang AI humanizer của Grammarly cũng nói rõ rằng công cụ của họ "not intended to bypass AI detectors," đây là một mô tả công bằng về điều mà bất kỳ lần humanizing nào cũng có thể hứa một cách trung thực. Nếu bạn đến đây với mục đích làm cho văn bản AI không thể bị phát hiện, câu trả lời trung thực là không có chỉnh sửa nào và không có công cụ nào có thể bảo đảm điều đó, vì các bộ phát hiện không đồng ý với nhau và thay đổi mà không báo trước.

Một công cụ AI humanizer có trách nhiệm có thể cung cấp một bước xử lý đầu tiên nhanh và một điểm số để làm việc tiếp. Mục tiêu là giảm AI score bằng cách làm cho mẫu hình bớt đồng nhất, chứ không phải đánh lừa con số trực tiếp. Một bản viết lại bằng AI nhằm đạt cùng điều đó ở cấp độ tài liệu mà một lần chỉnh sửa thủ công cẩn thận đạt được ở cấp độ đoạn văn. Hãy thêm chi tiết cụ thể, mang tính con người từ phần ở trên bằng tay, vì công cụ đã không có mặt trong phòng khi điều thú vị xảy ra.

Nếu bạn đang làm việc trên một dự án có thời hạn, bạn có thể dùng AI humanizer for students, công cụ này sử dụng cùng cơ chế nhưng đã tính đến các quy ước học thuật. Trật tự quan trọng hơn công cụ, vì một câu chung chung trong văn xuôi cẩn trọng vẫn là chung chung. Bạn vẫn cần thực hiện bước thêm chi tiết cụ thể bằng tay.

Cách humanize văn bản AI trong mười phút tiếp theo

Hãy sắp xếp các chỉnh sửa ở trên theo thứ tự và chúng sẽ tạo thành một quy trình ngắn, chứ không phải một danh sách kiểm tra để ghi nhớ. Áp dụng cho một trang, khoảng 300 đến 400 từ, đây là cách mười phút được chia ra.

1. Đọc to đoạn văn một lần, và đánh dấu mọi câu nghe có độ dài hoặc hình thức giống hệt câu liền kề của nó.
2. Tách hai hoặc ba câu phẳng nhất ra, đưa luận điểm chính lên đầu mỗi câu.
3. Tìm các từ vựng khuôn mẫu như facilitate, robust, myriad và underscore, rồi thay từng từ bằng từ đơn giản hơn mà bạn thực sự sẽ dùng.
4. Loại bỏ hoặc thay thế các dấu gạch ngang và dấu chấm phẩy lặp lại, đọc to từng chỗ sửa để kiểm tra xem nó vẫn nghe tự nhiên hay không.
5. Bổ sung lại một chi tiết cụ thể cho mỗi đoạn, một con số, một tên riêng, một hạn chế, mà chỉ người đã làm công việc đó mới biết.
6. Nếu bản nháp dài hơn một hoặc hai trang, hãy cho nó qua một công cụ humanizer AI để xử lý lần đầu, rồi lặp lại các bước một đến năm trên bất cứ phần nào vẫn còn đọc lên thấy phẳng.

Vài mạch ở đây mở ra thành những trang riêng. Liệu các công cụ này có thực sự hoạt động hay không và liệu chúng có an toàn khi dùng cho bài làm được chấm điểm hay không là những câu hỏi riêng với những câu trả lời riêng, và Turnitin làm gì với văn bản đã được humanize sau khi nó được nộp là câu hỏi thứ ba. Với những vấn đề hẹp hơn, có các bài hướng dẫn từng bước về cách hạ điểm AI và về cách chỉnh sửa đầu ra của ChatGPT theo từng đoạn.

Không có điều nào trong số này tạo ra văn bản không thể bị phát hiện, và không một hướng dẫn trung thực nào nên hứa rằng nó làm được như vậy. Nó tạo ra văn bản nghe như thể bạn thực sự đã dành ra mười phút, và đó là mục tiêu bền vững hơn, một người đọc tin vào lối viết cụ thể, không đều, dù cho có hay không có bộ phát hiện nào từng nhìn thấy nó.