Trình kiểm tra Perplexity miễn phí Đo khả năng dự đoán ở cấp độ từ
Perplexity đo một khía cạnh hẹp, mức độ một mô hình ngôn ngữ bất ngờ trước từ kế tiếp trong một câu. Trình kiểm tra perplexity miễn phí này ước lượng điều đó từ phía mà bạn thực sự có thể chỉnh sửa, tức là độ biến thiên từ vựng, được chấm bằng thước đo MATTR bền vững với độ dài, một tỷ lệ type-token đơn giản, và danh sách những từ mà bản thảo của bạn dựa vào nhiều nhất. Một vốn từ hẹp, lặp lại khiến các phỏng đoán của mô hình trở nên dễ dàng và sự chú ý của người đọc giảm đi vì cùng một lý do. Nhịp điệu ở cấp câu là một câu hỏi riêng, được trình bày trong trình kiểm tra burstiness, trang này chỉ tập trung vào từ đơn.
Ước tính mức độ đa dạng từ bằng điểm MATTR bền vững theo độ dài, tỷ lệ loại trên mã thông báo của bạn và những từ mà bản thảo của bạn dựa vào nhiều nhất.
0 / 1,000 từ
84,000+
Nhà nghiên cứu quốc tế
Đánh giá trung bình
Được các nhà nghiên cứu tin dùng khi xuất bản trên
Cách trình kiểm tra perplexity chấm một bản thảo
Thêm đoạn văn bạn muốn chấm
Chỉ cần một đoạn là có thể bắt đầu, một mục đầy đủ sẽ cho kết quả ổn định nhất. Bất kỳ bản thảo nghiên cứu hoặc có hỗ trợ AI nào cũng phù hợp.
Đọc các điểm số từ vựng
MATTR trên thang 0-100 cùng một dải đánh giá, kèm theo tỷ lệ type-token và số lượng từ duy nhất.
Xử lý phần lặp lại quan trọng
Danh sách từ lặp cho biết bản thảo đang phụ thuộc vào quá ít từ như thế nào. Hãy thay đổi các động từ và liên từ quanh các thuật ngữ chính của bạn, giữ nguyên chính các thuật ngữ đó.
Cách trình kiểm tra này đo khả năng dự đoán ở cấp độ từ
Ổn định ở mọi độ dài
TTR đơn giản giảm khi một đoạn văn dài hơn, chỉ vì các liên từ và mạo từ buộc phải lặp lại, điều này âm thầm bất lợi cho các bài nộp dài hơn. Con số chính ở đây là MATTR, được tính trên một cửa sổ trượt năm mươi từ, vì vậy một mục dài hai trang và một chương dài mười trang đều được đánh giá theo cùng một chuẩn.
Chỉ ra các từ lặp lại nhiều nhất
Một con số đơn lẻ không cho biết bạn cần sửa gì. Danh sách từ xếp hạng chính xác những thuật ngữ nào đang gánh quá nhiều nội dung của đoạn văn, với các từ chức năng thông dụng được lọc bỏ trước.
Cùng một chỉ số được dùng ở nơi khác trên trang này
Đây là phép tính biến thiên từ vựng giống hệt như trên ô perplexity trong giao diện chỉnh sửa của TextPulse humanizer, nhưng chạy ngay trên thiết bị của bạn.
Các phép đo đơn giản
Đầu ra là dữ liệu từ vựng, một điểm số, một tỷ lệ, một danh sách. Không có kết luận về tác giả nào đi kèm, vì không con số nào trong số này có thể trung thực hỗ trợ điều đó.
Perplexity đo gì, và bỏ qua gì
Mô hình hóa ngôn ngữ đã trao cho perplexity nhiệm vụ ban đầu của nó, chấm mức độ một mô hình dự đoán token tiếp theo của một chuỗi mà nó chưa từng thấy. Một mô hình liên tục đoán đúng, vì phần văn bản phía trước nó dựa vào cách diễn đạt quen thuộc, cũ kỹ, sẽ tạo ra một con số thấp. Một mô hình mà dự đoán hàng đầu của nó liên tục sai, vì người viết luôn chọn những từ cụ thể và ít phổ biến hơn, sẽ tạo ra một con số cao hơn. Thuật ngữ này đã chuyển ra ngoài lĩnh vực kỹ thuật khi người đọc nhận ra một sự tương ứng gần đúng, văn bản mà máy thấy dễ đoán thường cũng là văn bản mà người đọc lật trang thấy dễ đoán, vì cùng một lý do nền tảng.
Một trang web không thể chạy một mô hình ngôn ngữ thực sự, vì vậy công cụ kiểm tra này đo thành phần duy nhất của độ ngạc nhiên có thể quan sát được khi không có mô hình: mức độ lặp lại của vốn từ. Thước đo cơ bản, tỷ lệ loại trên từ, đếm số từ khác nhau so với tổng số từ, và nó có một nhược điểm đã biết: tỷ lệ này tự động giảm khi một đoạn văn dài ra, vì các từ chức năng buộc phải lặp lại dù người viết có biến đổi mọi thứ khác thế nào. MATTR khắc phục điều đó bằng cách trượt một khung cố định năm mươi từ qua văn bản và lấy trung bình tỷ lệ trong từng vị trí, nhờ vậy một tóm tắt ngắn và một chương đầy đủ được đặt trên cùng một cơ sở so sánh. Kết quả thấp hầu như luôn bắt nguồn từ cùng một nguyên nhân: một số ít từ đang đảm nhiệm phần lớn công việc.
Không phải mọi sự lặp lại đều là một khuyết điểm cần sửa. Một nghiên cứu nêu tên một khái niệm một lần thì phải tiếp tục gọi đúng như vậy trong phần còn lại của bản thảo, và một người phản biện nhận thấy tên gọi dao động giữa các từ đồng nghĩa sẽ đọc đó như một vấn đề về định nghĩa hơn là một lựa chọn phong cách. Phần lặp lại đáng loại bỏ nằm quanh các thuật ngữ cố định đó, chứ không nằm bên trong chúng: động từ, liên từ, các cụm mô tả đang đảm nhiệm phần việc xung quanh. Thay một động từ mòn sáo bằng một động từ chính xác hơn làm tăng điểm như một hệ quả phụ của việc câu văn thực sự nói được nhiều hơn, và đó là thứ tự mà hai việc này nên diễn ra.
Lựa chọn từ ngữ chỉ là một trục của văn xuôi đọc tự nhiên. Nhịp điệu ở cấp câu được đo riêng bằng burstiness checker; vốn từ cụ thể mà bản thảo AI lạm dụng có công cụ riêng là AI word cleaner. Khi cách diễn đạt có thể đoán trước cần được viết lại thay vì chỉ đo lường, đó là nhiệm vụ của TextPulse humanizer.
Which words to vary, and which to keep fixed
A vocabulary score rewards editing some parts of a draft and punishes editing others. Telling the two apart is most of the revision skill.
Everyday connective language
A paragraph that runs "the results show" three times has a variety problem with a one-line fix: results can confirm, narrow, contradict or complicate, and every one of those verbs says something more exact than "show". The same logic covers connectors: however, although, whereas and despite each draw a distinction that a recycled "but" erases.
Defined constructs and key terms
A paper that names "working memory capacity" once has to keep naming it exactly that on every later page. Swapping in "cognitive load" halfway through for variety's sake changes the claim, and a reviewer reads that kind of drift as a definitional problem, not a style choice. Expect your key terms to top the repeated-word list this checker produces; that repetition is doing its job.
Synonym padding
Trading a plain word for a rare one to move the number does not help: "use" says nothing more once it becomes "utilize". Real variety comes from making a more specific claim, not from dressing up an identical one. If a swap adds no precision, the plain word was already correct.
Ai sử dụng công cụ kiểm tra độ ngạc nhiên
Sinh viên đại học và sau đại học
Xác định những từ mà một bài luận phụ thuộc vào, rồi luyện thay khung của một lập luận bằng cách diễn đạt mới thay vì lặp lại nó.
Giảng viên và nhà nghiên cứu tiến sĩ
Phát hiện một động từ bị dùng lại trước khi người phản biện gặp nó hàng chục lần trong bản thảo, đặc biệt ở các phần kết quả và thảo luận được soạn nhanh.
Nhóm nội dung và SEO
Vốn từ lặp lại khiến cả con người lẫn hệ thống xếp hạng xem đó là mẫu có sẵn. Hãy chạy một bài viết qua công cụ trước khi nó mang tên tác giả.
Người viết bằng ngôn ngữ thứ hai
Vốn từ làm việc nhỏ hơn trong một ngôn ngữ thứ hai thường biểu hiện trước hết bằng sự lặp lại. Theo dõi điểm số khi phạm vi chủ động của bạn mở rộng theo thời gian.
Cách diễn đạt có thể đoán trước rất dễ nhận ra.
Cách sửa áp dụng trên toàn bộ bản thảo.
TextPulse humanizer viết lại vốn từ, cách diễn đạt và nhịp câu trên toàn bộ bản thảo trong khi giữ nguyên ý nghĩa và thuật ngữ của bạn, với mọi thay đổi được hiển thị trong tracked changes để bạn chấp nhận hoặc từ chối từng dòng.