Cách giảm điểm phát hiện AI của bạn

Người học đưa một đoạn văn qua một bộ phát hiện, thấy điểm số là 82 phần trăm, thay một chục từ bằng từ đồng nghĩa mà không chạm vào hình dạng của dù chỉ một câu, rồi kiểm tra lại. Con số hầu như không đổi. Toàn bộ câu chuyện là, một số chỉnh sửa gần như không thay đổi gì, và một chỉnh sửa thay đổi nhiều hơn tất cả những chỉnh sửa còn lại cộng lại, vì những lý do hoàn toàn không liên quan đến việc đánh bại phần mềm.

Phần này trình bày cách giảm điểm AI theo đúng thứ tự thực sự quan trọng: những chỉnh sửa nào hầu như không được ghi nhận, những chỉnh sửa nào làm con số thay đổi đáng kể, và chỉnh sửa nào làm nó thay đổi nhiều nhất, cùng với lý do. Phần này cũng đề cập đến việc con số đó thực sự đang đo cái gì, vì một điểm số thấp hơn đáng mong muốn là vì một lý do thực sự, đó là lối viết rõ ràng hơn, cụ thể hơn, và là một mục tiêu kém để theo đuổi nếu đứng riêng lẻ.

Điểm AI thực sự đo lường điều gì

Một mô hình ngôn ngữ viết bằng cách dự đoán từ có khả năng xuất hiện tiếp theo, lặp đi lặp lại, và điều đó tạo ra một dấu vân tay thống kê đặc thù: độ dài câu có xu hướng tụ lại gần nhau, các liên kết chuyển ý được rút từ một tập nhỏ các lựa chọn an toàn, các lựa chọn từ ngữ nằm gần trung tâm của những gì được kỳ vọng trong ngữ cảnh đó. Điểm phát hiện AI là một ước lượng về mức độ một đoạn văn khớp với dấu vân tay đó, được tạo ra bởi một bộ phân loại được huấn luyện để nhận ra nó, chứ không phải là một तथ्य về việc ai đã gõ câu đó.

Các bộ phát hiện không phải tất cả đều định nghĩa con số này theo cùng một cách. Turnitin nêu rõ rằng tỷ lệ phần trăm của nó "cho biết lượng văn bản đủ điều kiện trong bài nộp mà mô hình phát hiện viết bằng AI của Turnitin xác định có khả năng do AI tạo ra", và nói rõ rằng đây là tỷ lệ của phần văn bản bị gắn cờ, không phải là một điểm xác suất hay điểm tin cậy. Các bộ phát hiện khác đưa ra một giá trị gần với mức độ tin cậy hơn trên chính câu văn. Dù theo cách nào, một phần giải thích đầy đủ về cơ chế đằng sau các con số này rất đáng đọc trong cách các bộ phát hiện AI hoạt động. Điều quan trọng ở đây đơn giản hơn, con số này luôn là một ước lượng thống kê, và mọi chỉnh sửa dưới đây đều hoạt động bằng cách thay đổi các thống kê mà nó được xây dựng để đọc, chứ không phải bằng cách che giấu sự thật rằng có một mô hình đã tham gia.

Thay thế từ đồng nghĩa hầu như không làm thay đổi điểm AI

Thay một từ bằng một từ đồng nghĩa ít phổ biến hơn hầu như không làm thay đổi mẫu mà bộ phân loại đang chấm điểm, vì nó giữ nguyên độ dài câu, cấu trúc mệnh đề và nhịp điệu. Một mô hình được huấn luyện để nhận ra hình thức câu đồng đều sẽ không quan tâm liệu một câu dùng enables hay allows. Nó quan tâm rằng ba câu liên tiếp có độ dài gần như giống nhau và mở đầu theo cùng một cách.

Một câu phẳng viết: "The platform enables users to efficiently accomplish routine tasks without additional training." Nếu thay từng từ, nó trở thành: "The platform allows users to efficiently complete routine tasks without extra training." Cùng độ dài, cùng thứ tự mệnh đề, cùng nhịp điệu. Một người đọc có thể nhận thấy một từ hơi khác. Một bộ phân loại chấm điểm các mẫu ở cấp độ câu trên toàn đoạn văn hầu như không có gì mới để xử lý.

Đây không phải là một lập luận chống lại việc sửa vốn từ vựng rập khuôn. Những từ như facilitate, robust và myriad đáng được loại bỏ vì một người đọc cẩn thận sẽ nhận ra chúng, và một AI word cleaner miễn phí có thể phát hiện phần lớn chúng chỉ trong vài giây. Đây là một lập luận chống lại việc kỳ vọng rằng bước đó sẽ gánh phần việc nặng nhất. Nếu điểm số hầu như không thay đổi sau một lượt chỉnh sửa vốn từ vựng, đó là kết quả được dự đoán trước, không phải dấu hiệu cho thấy lượt chỉnh sửa đó thất bại.

Đa dạng câu làm nó tiến xa hơn

Một mô hình dự đoán từng token một và không có lý do sẵn có nào để làm câu thứ ba ngắn hơn câu thứ hai, vì vậy nếu để mặc, một đoạn văn sẽ ổn định trong một dải hẹp về độ dài và hình thức. Chính sự đều đặn đó, chứ không phải bất kỳ từ đơn lẻ nào, là tín hiệu mạnh hơn, vì một bộ phân loại được huấn luyện trên đầu ra của máy đã thấy mẫu đó hàng nghìn lần.

Ba câu phẳng đọc như sau: "The results were significant. The findings supported the hypothesis. The data was analyzed using standard methods." Khi được cấu trúc lại để đa dạng hơn, cùng nội dung đó đọc như sau: "The results were significant, and they supported the hypothesis, though the standard analysis needed a second pass once two of the outlying cases were removed." Giờ đây, một câu mang cả mệnh đề chính và phần bổ sung của nó cùng lúc, với sự biến đổi thực sự về độ dài và cấu trúc mệnh đề trong toàn đoạn. Đó là điều mà một burstiness checker đang đo khi nó chấm mức độ không đều, và đó là lý do vì sao chỉnh sửa này làm điểm số thay đổi nhiều hơn một lượt chỉnh sửa vốn từ vựng.

Không có gì khó để làm bằng tay trên một hoặc hai trang. Hãy đọc to đoạn văn, đánh dấu bất kỳ chuỗi nào gồm hai hoặc ba câu nghe có độ dài và hình thức giống nhau, rồi tách một câu ra hoặc gộp hai câu thành một, với dấu phẩy đảm nhiệm vai trò thực sự. Các chỉnh sửa ở cấp câu đứng sau phần này được trình bày từng bước, kèm thêm nhiều ví dụ minh họa, trong hướng dẫn đầy đủ về cách nhân hóa AI text.

Bằng chứng của chính bạn làm thay đổi điểm AI nhiều nhất

Một mô hình ngôn ngữ không có quyền truy cập vào những gì thực sự đã xảy ra trong dự án của bạn. Khi được yêu cầu viết về một nghiên cứu, nó mặc định dùng cách diễn đạt an toàn nhất, phù hợp với hầu như bất kỳ nghiên cứu nào cùng chủ đề, vì đó là toàn bộ tư liệu mà nó có. Một câu chứa một khẳng định cụ thể từ một nguồn cụ thể không phải là câu mà mô hình sẽ tạo ra chỉ từ lời nhắc, và chính khoảng cách đó là điều làm thay đổi điểm số nhiều nhất.

Một câu chung chung: "The intervention had a positive effect on outcomes for participants." Câu này có thể mô tả hàng trăm nghiên cứu. Viết lại bằng tư liệu riêng của người viết: "Attendance records showed the effect held only for students who came to more than six sessions, a threshold the original design had not anticipated." Dài hơn, cụ thể hơn, và chỉ có thể mô tả nghiên cứu này. Một mô hình tham chiếu được yêu cầu tiếp tục cùng lời nhắc đó sẽ không đoán ra chi tiết sáu buổi, vì không có gì trong lời nhắc gợi ý rằng chi tiết đó tồn tại.

Đây cũng là kiểu chỉnh sửa cải thiện bài viết nhiều nhất, bất kể bất kỳ bộ phát hiện nào báo cáo điều gì, và đó mới là điểm đáng suy ngẫm. Một con số cụ thể, một hạn chế được nêu tên, một nguồn được trích dẫn trực tiếp thay vì diễn giải thành một khẳng định mơ hồ, những yếu tố này làm cho một đoạn văn thuyết phục hơn đối với người đọc, và việc chúng cũng làm thay đổi điểm số thì gần với tác dụng phụ hơn là mục tiêu.

Chỉnh sửa	Tác động điển hình lên điểm số	Vì sao
Thay từ bằng từ đồng nghĩa	Nhỏ đến không đáng kể	Độ dài câu, cấu trúc và nhịp điệu vẫn giữ nguyên
Thay đổi độ dài và cấu trúc câu	Vừa đến lớn	Làm vỡ mẫu hình đồng nhất mà bộ phân loại được huấn luyện để nhận ra
Thêm bằng chứng hoặc khẳng định của riêng bạn	Lớn nhất	Đưa vào nội dung mà mô hình không có cách nào tạo ra chỉ từ lời nhắc

Cách Giảm Điểm AI Mà Không Theo Đuổi Mục Tiêu Sai

Mọi con số ở trên đều là ước tính, không phải là phán quyết. Turnitin cũng nói rõ điều này trong tài liệu của mình, khi nêu rằng tính năng phát hiện văn bản do AI viết của họ "may not always be accurate" và "should not be used as the sole basis for adverse actions against a student." Một điểm số có thể thay đổi vì những lý do hoàn toàn không liên quan đến tác giả, và nó cũng có thể giữ nguyên đối với một bài viết mà một người đã viết từ đầu. Việc coi con số đó là một факт về người đã viết một câu là nguồn gốc của phần lớn sự lo lắng quanh chủ đề này, và đó không phải là điều mà con số tự nhận.

Đó cũng là lý do vì sao việc chỉ đơn thuần làm giảm điểm số là một mục tiêu kém. Đuổi theo một con số có thể đẩy người viết về phía những chỉnh sửa dễ tự động hóa nhất, một lượt thay đổi từ vựng, vài mệnh đề được sắp xếp lại, trong khi bỏ qua điều quan trọng nhất, thêm vào những nội dung cụ thể mà chỉ người viết thực sự có. Một điểm số thấp hơn đạt được theo cách đó là điều đáng có.

Việc đuổi theo một điểm số thấp hơn cũng có thể đẩy một đoạn văn theo hướng sai về mặt phong cách, né tránh mọi khẳng định, chồng chất các từ bổ nghĩa, thêm những câu đệm chỉ tồn tại để ngắt nhịp chứ không nhằm nói điều gì. Không điều nào trong số đó khắc phục được mô thức nền tảng, và tất cả đều làm đoạn văn khó đọc hơn. Những chỉnh sửa thực sự làm thay đổi điểm số, sự đa dạng của câu và bằng chứng cụ thể, cũng chính là những chỉnh sửa làm cho bài viết tốt hơn theo chính tiêu chuẩn của nó, và đó là một phép kiểm hữu ích khi một chỉnh sửa bắt đầu có cảm giác như phần thêm thắt hơn là cải thiện.

AI humanizer của TextPulse AI humanizer áp dụng các chỉnh sửa ở cấp câu và cấu trúc nêu trên trên toàn bộ tài liệu cùng lúc, và báo cáo một Human Score ước tính được tính từ chính các tín hiệu đó, chứ không phải một khẳng định rằng bất kỳ bộ phát hiện nào được nêu tên sẽ chấp nhận nó. Khi được dùng đúng cách, đây là một bước xử lý đầu tiên nhanh cho một tài liệu dài. Nó vẫn không thể thêm vào điều duy nhất làm thay đổi điểm số nhiều nhất, vì nó chưa bao giờ có mặt khi công việc thực sự diễn ra. Phần đó vẫn thuộc về người viết.

Hai câu hỏi cần được giải quyết trước là: liệu AI humanizers có thực sự hoạt động hay không, và liệu chúng có an toàn để dùng cho bài viết mà bạn dự định nộp hay không.

Thứ tự ở trên cũng là một danh sách ưu tiên cho việc nên dành thời gian hạn chế vào đâu trước thời hạn. Hãy bỏ qua bước rà soát từ đồng nghĩa nếu thời gian eo hẹp. Đừng bỏ qua đoạn văn nơi bạn thêm lại chi tiết mà không ai khác có thể viết ra, vì đó là chỉnh sửa duy nhất mà không có phần mềm viết lại nào có thể làm thay bạn.