छोटो उत्तर: एआई डिटेक्टरहरूले कसले केही लेख्यो भनेर "प्रमाणित" गर्दैनन्; तिनीहरूले परिच्छेद परिचित भाषा-मोडेल ढाँचाहरूसँग कति नजिकबाट मेल खान्छ भनेर अनुमान गर्छन्। धेरैजसो वर्गीकरणकर्ताहरू, भविष्यवाणी संकेतहरू (जटिलता/विस्फोट), शैलीमिति, र, दुर्लभ अवस्थामा, वाटरमार्क जाँचहरूको मिश्रणमा भर पर्छन्। जब नमूना छोटो, अत्यधिक औपचारिक, प्राविधिक, वा ESL लेखकद्वारा लेखिएको हुन्छ, स्कोरलाई समीक्षाको लागि संकेतको रूपमा व्यवहार गर्नुहोस् - निर्णय होइन।
मुख्य कुराहरू:
प्रमाण होइन, सम्भाव्यता: प्रतिशतलाई निश्चितता होइन, "एआई-समानता" जोखिम संकेतको रूपमा व्यवहार गर्नुहोस्।
गलत सकारात्मक पक्षहरू: औपचारिक, प्राविधिक, टेम्प्लेट गरिएको, वा गैर-स्थानीय लेखन प्रायः गलत फ्ल्याग गरिन्छ।
विधिहरूको मिश्रण: उपकरणहरूले वर्गीकरणकर्ता, जटिलता/बर्स्टिनेस, शैलीमिति, र असामान्य वाटरमार्क जाँचहरू संयोजन गर्दछ।
पारदर्शिता: केवल एकल संख्या मात्र नभई, स्प्यान, सुविधाहरू र अनिश्चिततालाई सतहमा राख्ने डिटेक्टरहरूलाई प्राथमिकता दिनुहोस्।
प्रतिस्पर्धात्मकता: विवाद र पुनरावेदनहरूको लागि मस्यौदा/नोटहरू र प्रशोधन प्रमाणहरू हातमा राख्नुहोस्।
यसपछि पढ्न मन लाग्ने लेखहरू:
🔗 सबैभन्दा राम्रो एआई डिटेक्टर के हो?
शुद्धता, सुविधाहरू, र प्रयोगका केसहरूको तुलनामा शीर्ष एआई पत्ता लगाउने उपकरणहरू।.
🔗 के एआई डिटेक्टरहरू भरपर्दो छन्?
विश्वसनीयता, गलत सकारात्मकता, र परिणामहरू किन प्रायः फरक हुन्छन् भनेर व्याख्या गर्दछ।.
🔗 के टर्निटिनले एआई पत्ता लगाउन सक्छ?
टर्निटिन एआई पत्ता लगाउने, सीमाहरू, र उत्तम अभ्यासहरूको लागि पूर्ण गाइड।.
🔗 के QuillBot AI डिटेक्टर सही छ?
शुद्धता, शक्ति, कमजोरी, र वास्तविक-विश्व परीक्षणहरूको विस्तृत समीक्षा।.
१) द्रुत विचार - एआई डिटेक्टरले वास्तवमा के गरिरहेको छ ⚙️
धेरैजसो एआई डिटेक्टरहरूले माछा समात्ने जाल जस्तै "एआई समात्दैनन्"। तिनीहरू केही बढी प्रोसाइक गरिरहेका छन्:
-
तिनीहरूले पाठको एक भाग भाषा मोडेलबाट आएको जस्तो देखिने सम्भावनाको अनुमान गर्छन् (वा एउटाबाट धेरै सहयोग प्राप्त भएको थियो)। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण; OpenAI)
-
तिनीहरूले तपाईंको पाठलाई तालिम डेटामा देखिएका ढाँचाहरूसँग तुलना गर्छन् (मानव लेखन बनाम मोडेल-उत्पन्न लेखन)। ( LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण )
-
तिनीहरूले एक स्कोर (प्रायः प्रतिशत) उत्पादन गर्छन् जुन निश्चित लाग्छ...तर सामान्यतया त्यस्तो हुँदैन। (टर्निटिन गाइडहरू)
इमानदार बनौं - UI ले "९२% AI" जस्तो केहि भन्नेछ, र तपाईंको दिमाग "सजिलो हुन्छ, अनुमान गर्नुहोस् कि यो तथ्य हो।" यो तथ्य होइन। यो अर्को मोडेलको औंठाछापको बारेमा एक मोडेलको अनुमान हो। जुन हल्का रमाइलो छ, कुकुरहरूले कुकुरलाई सुँघ्ने जस्तै 🐕🐕
२) एआई डिटेक्टरहरूले कसरी काम गर्छन्: सबैभन्दा सामान्य "पत्ता लगाउने इन्जिनहरू" 🔍
डिटेक्टरहरूले सामान्यतया यी मध्ये एउटा (वा मिश्रण) प्रयोग गर्छन्: (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
क) वर्गीकरण मोडेलहरू (सबैभन्दा सामान्य)
वर्गीकरणकर्तालाई लेबल गरिएका उदाहरणहरूमा तालिम दिइन्छ:
-
मानव-लिखित नमूनाहरू
-
एआई-उत्पन्न नमूनाहरू
-
कहिलेकाहीँ "हाइब्रिड" नमूनाहरू (मानव सम्पादन गरिएको एआई पाठ)
त्यसपछि यसले समूहहरूलाई छुट्याउने ढाँचाहरू सिक्छ। यो क्लासिक मेसिन लर्निङ दृष्टिकोण हो र यो आश्चर्यजनक रूपमा राम्रो हुन सक्छ ... जबसम्म यो हुँदैन। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
ख) अन्योल र "विस्फोटक" स्कोरिङ 📈
केही डिटेक्टरहरूले पाठ कति "अनुमानयोग्य" छ भनेर गणना गर्छन्।.
-
अन्योल: लगभग, अर्को शब्दले भाषा मोडेल कति छक्क पर्छ। (बोस्टन विश्वविद्यालय - अन्योल पोस्टहरू)
-
कम जटिलताले पाठ अत्यधिक अनुमानित छ भन्ने सुझाव दिन सक्छ (जुन AI आउटपुटहरूसँग हुन सक्छ)। (DetectGPT)
-
"बर्स्टिनेस" ले वाक्य जटिलता र लयमा कति भिन्नता छ भनेर मापन गर्ने प्रयास गर्दछ। (GPTZero)
यो दृष्टिकोण सरल र छिटो छ। यसलाई भ्रमित गर्न पनि सजिलो छ, किनकि मानिसहरूले पनि अनुमानित रूपमा लेख्न सक्छन् (नमस्ते कर्पोरेट इमेलहरू)। (OpenAI)
ग) स्टाइलोमेट्री (लेखन औंठाछाप) ✍️
स्टाइलोमेट्रीले ढाँचाहरूलाई हेर्छ जस्तै:
-
औसत वाक्य लम्बाइ
-
विराम चिह्न शैली
-
प्रकार्य शब्द आवृत्ति (the, and, but…)
-
शब्दावली विविधता
-
पठनीयता स्कोरहरू
यो "हस्तलेखन विश्लेषण" जस्तै हो, पाठ बाहेक। कहिलेकाहीँ यसले मद्दत गर्छ। कहिलेकाहीँ यो कसैको जुत्ता हेरेर रुघाखोकी निदान गर्नु जस्तै हो। (स्टाइलमेट्री र फोरेन्सिक विज्ञान: एक साहित्य समीक्षा; लेखकत्व विशेषता मा कार्य शब्दहरू)
घ) वाटरमार्क पत्ता लगाउने (जब यो अवस्थित हुन्छ) 🧩
केही मोडेल प्रदायकहरूले सूक्ष्म ढाँचाहरू ("वाटरमार्क") उत्पन्न गरिएको पाठमा इम्बेड गर्न सक्छन्। यदि डिटेक्टरलाई वाटरमार्क योजना थाहा छ भने, यसले यसलाई प्रमाणित गर्ने प्रयास गर्न सक्छ। (ठूला भाषा मोडेलहरूको लागि वाटरमार्क; SynthID पाठ)
तर... सबै मोडेलहरूले वाटरमार्क गर्दैनन्, सबै आउटपुटहरूले सम्पादन पछि वाटरमार्क राख्दैनन्, र सबै डिटेक्टरहरूको गोप्य ससमा पहुँच हुँदैन। त्यसैले यो विश्वव्यापी समाधान होइन। (ठूला भाषा मोडेलहरूको लागि वाटरमार्कहरूको विश्वसनीयतामा; OpenAI)
३) एआई डिटेक्टरको राम्रो संस्करण के ले बनाउँछ ✅
"राम्रो" डिटेक्टर (मेरो अनुभवमा सम्पादकीय कार्यप्रवाहको लागि तिनीहरूको समूहलाई छेउछाउमा परीक्षण गर्ने) सबैभन्दा ठूलो स्वरले चिच्याउने होइन। यो जिम्मेवारीपूर्वक व्यवहार गर्ने हो।.
एआई डिटेक्टरलाई ठोस बनाउने कुरा यहाँ दिइएको छ:
-
क्यालिब्रेटेड आत्मविश्वास: ७०% को अर्थ हात हल्लाउनु होइन, केही स्थिर हुनुपर्छ। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
-
कम झूटा सकारात्मकताहरू: यसले गैर-मातृभाषा अंग्रेजी, कानुनी लेखन, वा प्राविधिक म्यानुअलहरूलाई "एआई" को रूपमा फ्ल्याग गर्नु हुँदैन किनभने तिनीहरू सफा छन्। (स्ट्यानफोर्ड एचएआई; लियांग एट अल। (arXiv))
-
पारदर्शी सीमाहरू: यसले अनिश्चितता स्वीकार गर्नुपर्छ र दायराहरू देखाउनुपर्छ, सर्वज्ञ भएको बहाना गर्नु हुँदैन। (ओपनएआई; टर्निटिन)
-
डोमेन जागरूकता: क्याजुअल ब्लगहरूमा प्रशिक्षित डिटेक्टरहरू प्रायः शैक्षिक पाठसँग संघर्ष गर्छन् र यसको विपरीत पनि। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
-
छोटो-पाठ ह्यान्डलिङ: राम्रो उपकरणहरूले साना नमूनाहरूमा अत्यधिक आत्मविश्वासी स्कोरहरूबाट बच्न सक्छन् (अनुच्छेद ब्रह्माण्ड होइन)। (ओपनएआई; टर्निटिन)
-
संशोधन संवेदनशीलता: यसले तुरुन्तै बकवास परिणामहरूमा नफसाईकन मानव सम्पादनलाई ह्यान्डल गर्नुपर्छ। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
मैले देखेका राम्राहरू अलि नम्र हुन्छन्। सबैभन्दा नराम्राहरू दिमाग पढिरहेको जस्तो व्यवहार गर्छन् 😬
४) तुलना तालिका - सामान्य एआई डिटेक्टर "प्रकारहरू" र तिनीहरू कहाँ चम्किन्छन् 🧾
तल एउटा व्यावहारिक तुलना दिइएको छ। यी ब्रान्ड नामहरू होइनन् - यी मुख्य कोटीहरू हुन् जुन तपाईंले भेट्नुहुनेछ। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
| उपकरणको प्रकार (is) | उत्कृष्ट दर्शकहरू | मूल्य महसुस | यो किन काम गर्छ (कहिलेकाहीं) |
|---|---|---|---|
| पेरप्लेक्सिटी चेकर लाइट | शिक्षकहरू, द्रुत जाँचहरू | स्वतन्त्र | भविष्यवाणी गर्ने क्षमतामा द्रुत संकेत - तर उफ्रिन सक्छ.. |
| वर्गीकरणकर्ता स्क्यानर प्रो | सम्पादकहरू, मानव संसाधन, अनुपालन | सदस्यता | लेबल गरिएको डेटाबाट ढाँचाहरू सिक्छ - मध्यम लम्बाइको पाठमा राम्रो |
| स्टाइलोमेट्री विश्लेषक | अनुसन्धानकर्ताहरू, फोरेन्सिक व्यक्तिहरू | $$$ वा आला | लेखन औंठाछापहरूको तुलना गर्दछ - अनौठो तर लामो रूपमा उपयोगी |
| वाटरमार्क खोजकर्ता | प्लेटफर्महरू, आन्तरिक टोलीहरू | प्रायः बन्डल गरिएको | वाटरमार्क हुँदा बलियो - यदि छैन भने, यो मूलतः काँध उचाल्ने हो |
| हाइब्रिड इन्टरप्राइज सुइट | ठूला संस्थाहरू | प्रति सिट, सम्झौताहरू | धेरै सिग्नलहरू संयोजन गर्दछ - राम्रो कभरेज, ट्युन गर्न थप नबहरू (र गलत कन्फिगर गर्ने थप तरिकाहरू, उफ्) |
"मूल्य महसुस" स्तम्भलाई ध्यान दिनुहोस्। हो, त्यो वैज्ञानिक होइन। तर यो स्पष्ट छ 😄
५) कोर सिग्नल डिटेक्टरहरूले खोज्छन् - "बताउँछ" 🧠
धेरै डिटेक्टरहरूले हुड मुनि मापन गर्ने प्रयास गर्ने कुरा यहाँ छ:
भविष्यवाणी (टोकन सम्भाव्यता)
भाषा मोडेलहरूले सम्भावित अर्को टोकनहरूको भविष्यवाणी गरेर पाठ उत्पन्न गर्छन्। त्यसले निम्न कुराहरू सिर्जना गर्छ:
-
सहज संक्रमणहरू
-
कम आश्चर्यजनक शब्द विकल्पहरू
-
कम अनौठा ट्यान्जेन्टहरू (प्रोम्प्ट नगरिएसम्म)
-
सुसंगत स्वर (बोस्टन विश्वविद्यालय - पेरप्लेक्सिटी पोस्टहरू; डिटेक्टजीपीटी)
अर्कोतर्फ, मानिसहरू प्रायः बढी जिग-ज्याग गर्छन्। हामी आफैंको विरोध गर्छौं, हामी अनियमित साइड टिप्पणीहरू थप्छौं, हामी थोरै रूपकहरू प्रयोग गर्छौं - जस्तै कविताको न्याय गर्ने टोस्टरसँग एआई डिटेक्टरको तुलना गर्नु। त्यो रूपक नराम्रो छ, तर तपाईंले बुझ्नुभयो।.
पुनरावृत्ति र संरचना ढाँचाहरू
एआई लेखनले सूक्ष्म पुनरावृत्ति देखाउन सक्छ:
-
दोहोरिएका वाक्यका मचानहरू ("निष्कर्षमा...", "थप रूपमा...", "यसबाहेक...")
-
समान अनुच्छेद लम्बाइहरू
-
निरन्तर गति (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
तर पनि - धेरै मानिसहरूले त्यस्तै लेख्छन्, विशेष गरी स्कूल वा कर्पोरेट सेटिङहरूमा। त्यसैले दोहोरिने कुरा एउटा संकेत हो, प्रमाण होइन।.
अत्यधिक स्पष्टता र "धेरै सफा" गद्य ✨
यो एउटा अनौठो कुरा हो। केही डिटेक्टरहरूले "धेरै सफा लेखन" लाई अप्रत्यक्ष रूपमा शंकास्पद मान्छन्। (ओपनएआई)
जुन अप्ठ्यारो छ किनभने:
-
राम्रा लेखकहरू छन्
-
सम्पादकहरू अवस्थित छन्
-
हिज्जे जाँच अवस्थित छ
त्यसोभए यदि तपाईं एआई डिटेक्टरहरूले कसरी काम गर्छन् भनेरभने, उत्तरको एक अंश यो हो: कहिलेकाहीँ तिनीहरूले खस्रोपनलाई पुरस्कृत गर्छन्। जुन ... एक प्रकारको उल्टो हो।
अर्थपूर्ण घनत्व र सामान्य वाक्यांश
डिटेक्टरहरूले निम्न कुराहरू महसुस गर्ने पाठलाई फ्ल्याग गर्न सक्छन्:
-
अति सामान्य
-
विशिष्ट जीवन विवरणहरूमा कम
-
सन्तुलित, तटस्थ कथनहरूमा भारी (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
एआईले प्रायः त्यस्तो सामग्री उत्पादन गर्छ जुन उचित सुनिन्छ तर थोरै एयरब्रश गरिएको हुन्छ। जस्तै होटलको कोठा जुन राम्रो देखिन्छ तर शून्य व्यक्तित्व हुन्छ 🛏️
६) वर्गीकरण गर्ने दृष्टिकोण - यसलाई कसरी प्रशिक्षित गरिन्छ (र यो किन बिग्रन्छ) 🧪
वर्गीकरणकर्ता डिटेक्टरलाई सामान्यतया यसरी तालिम दिइन्छ:
-
मानव पाठको डेटासेट सङ्कलन गर्नुहोस् (निबन्ध, लेख, फोरम, आदि)
-
एआई टेक्स्ट उत्पन्न गर्नुहोस् (बहु प्रम्प्टहरू, शैलीहरू, लम्बाइहरू)
-
नमुनाहरूलाई लेबल गर्नुहोस्
-
सुविधाहरू वा इम्बेडिङहरू प्रयोग गरेर मोडेललाई छुट्याउन तालिम दिनुहोस्।
-
रोकिएको डेटामा यसलाई प्रमाणित गर्नुहोस्
-
यसलाई पठाउनुहोस्... अनि वास्तविकताले यसलाई अनुहारमा मुक्का हान्छ (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
वास्तविकताले किन ठक्कर दिन्छ:
-
डोमेन परिवर्तन: तालिम डेटा वास्तविक प्रयोगकर्ता लेखनसँग मेल खाँदैन
-
मोडेल परिवर्तन: नयाँ पुस्ताका मोडेलहरूले डेटासेटमा भएका जस्तो व्यवहार गर्दैनन्।
-
सम्पादन प्रभावहरू: मानव सम्पादनहरूले स्पष्ट ढाँचाहरू हटाउन सक्छन् तर सूक्ष्म ढाँचाहरू राख्न सक्छन्।
-
भाषा भिन्नता: बोलीहरू, ESL लेखन, र औपचारिक शैलीहरू गलत पढिन्छन् (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण; लियाङ एट अल। (arXiv))
मैले डिटेक्टरहरू देखेको छु जुन आफ्नै डेमो सेटमा "उत्कृष्ट" थिए, त्यसपछि वास्तविक कार्यस्थल लेखनमा बिग्रिए। यो एउटा स्निफर कुकुरलाई केवल एउटा ब्रान्डको कुकिजमा तालिम दिनु र यसले संसारको सबै खाजा फेला पार्ने अपेक्षा गर्नु जस्तै हो 🍪
७) अन्योल र उथलपुथल - गणितको सर्टकट 📉
डिटेक्टरहरूको यो परिवार भाषा-मोडेल स्कोरिङमा निर्भर रहन्छ:
-
तिनीहरूले तपाईंको पाठलाई एउटा मोडेल मार्फत चलाउँछन् जसले प्रत्येक अर्को टोकन कति सम्भावना छ भनेर अनुमान गर्दछ।.
-
तिनीहरूले समग्र "आश्चर्य" (अन्योल) गणना गर्छन्। (बोस्टन विश्वविद्यालय - अविश्वसनीय पोस्टहरू)
-
लय मानवीय लाग्छ कि भनेर हेर्नको लागि तिनीहरूले भिन्नता मेट्रिक्स ("बर्स्टिनेस") थप्न सक्छन्। (GPTZero)
किन यो कहिलेकाहीं काम गर्छ:
-
कच्चा एआई पाठ अत्यन्तै सहज र तथ्याङ्कीय रूपमा अनुमान गर्न सकिन्छ (DetectGPT)
यो किन असफल हुन्छ:
-
छोटो नमुनाहरू हल्लाइरहेका छन्।
-
औपचारिक लेखन अनुमानयोग्य छ
-
प्राविधिक लेखन अनुमानयोग्य छ
-
गैर-स्थानीय लेखन अनुमान गर्न सकिन्छ
-
धेरै सम्पादन गरिएको एआई पाठ मानव जस्तो देखिन सक्छ (ओपनएआई; टर्निटिन)
त्यसोभए, एआई डिटेक्टरहरूले कसरी काम गर्छन् कहिलेकाहीं साइकल र मोटरसाइकललाई भ्रमित गर्ने स्पीड गन जस्तो देखिन्छ। एउटै बाटो, फरक इन्जिनहरू 🚲🏍️
८) वाटरमार्क - "मसीमा औंठाछाप" विचार 🖋️
वाटरमार्किङ सफा समाधान जस्तो लाग्छ: जेनेरेसन समयमा एआई टेक्स्ट चिन्ह लगाउनुहोस्, त्यसपछि पछि पत्ता लगाउनुहोस्। (ठूला भाषा मोडेलहरूको लागि वाटरमार्क; सिन्थआईडी टेक्स्ट)
व्यवहारमा, वाटरमार्कहरू नाजुक हुन सक्छन्:
-
व्याख्याले तिनीहरूलाई कमजोर बनाउन सक्छ
-
अनुवादले तिनीहरूलाई तोड्न सक्छ।
-
आंशिक उद्धरणले तिनीहरूलाई हटाउन सक्छ
-
धेरै स्रोतहरू मिलाउँदा ढाँचा धमिलो हुन सक्छ (ठूला भाषा मोडेलहरूको लागि वाटरमार्कहरूको विश्वसनीयतामा)
साथै, वाटरमार्क पत्ता लगाउने कार्य केवल तब मात्र हुन्छ यदि:
-
वाटरमार्क प्रयोग गरिएको छ
-
डिटेक्टरलाई थाहा छ कि यसलाई कसरी जाँच गर्ने।
-
पाठ धेरै रूपान्तरण गरिएको छैन (OpenAI; SynthID पाठ)
त्यसो भए, वाटरमार्कहरू शक्तिशाली हुन सक्छन्, तर तिनीहरू विश्वव्यापी प्रहरी ब्याज होइनन्।.
९) गलत पोजिटिभ र तिनीहरू किन हुन्छन् (पीडादायी भाग) 😬
यो यसको आफ्नै खण्डको हकदार छ किनकि यो त्यो ठाउँ हो जहाँ धेरैजसो विवादहरू बस्छन्।.
सामान्य झूटा सकारात्मक ट्रिगरहरू:
-
धेरै औपचारिक स्वर (शैक्षिक, कानुनी, अनुपालन लेखन)
-
गैर-मातृभाषा अंग्रेजी (सरल वाक्य संरचनाहरू "मोडेल-जस्तो" देखिन सक्छन्)
-
टेम्प्लेट-आधारित लेखन (आवरण पत्रहरू, SOPs, प्रयोगशाला रिपोर्टहरू)
-
छोटो पाठ नमुनाहरू (पर्याप्त संकेत छैन)
-
विषयगत अवरोधहरू (केही विषयहरूले दोहोरिने वाक्यांशहरूलाई बाध्य पार्छन्) (लियाङ एट अल. (arXiv); टर्निटिन)
यदि तपाईंले कहिल्यै कसैलाई धेरै राम्रो लेखेकोमा दोषी ठहराइएको देख्नुभएको छ भने... हो। त्यस्तो हुन्छ। र यो क्रूर पनि हुन्छ।.
डिटेक्टर स्कोरलाई यसरी व्यवहार गर्नुपर्छ:
-
धुवाँको अलार्म, अदालतको फैसला होइन 🔥
यसले तपाईंलाई "सायद जाँच गर्नुहोस्" भन्छ, "केस बन्द" होइन। (ओपनएआई; टर्निटिन)
१०) वयस्कले जस्तै डिटेक्टर स्कोर कसरी व्याख्या गर्ने 🧠🙂
नतिजा पढ्ने एउटा व्यावहारिक तरिका यहाँ छ:
यदि उपकरणले एकल प्रतिशत दिन्छ भने
यसलाई कुनै नराम्रो जोखिम संकेतको रूपमा लिनुहोस्:
-
0-30%: सम्भवतः मानव वा धेरै सम्पादन गरिएको
-
30-70%: अस्पष्ट क्षेत्र - केहि पनि नमान्नुहोस्
-
७०-१००%: सम्भवतः एआई-जस्तो ढाँचाहरू, तर अझै प्रमाणित छैनन् (टर्निटिन गाइडहरू)
उच्च स्कोर पनि गलत हुन सक्छ, विशेष गरी निम्नका लागि:
-
मानकीकृत लेखन
-
निश्चित विधाहरू (सारांश, परिभाषाहरू)
-
ESL लेखन (लियाङ एट अल. (arXiv))
संख्या मात्र होइन, व्याख्या खोज्नुहोस्
राम्रो डिटेक्टरहरूले प्रदान गर्छन्:
-
हाइलाइट गरिएका स्प्यानहरू
-
विशेषता नोटहरू (भविष्यवाणी, पुनरावृत्ति, आदि)
-
आत्मविश्वास अन्तराल वा अनिश्चितता भाषा (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
यदि कुनै उपकरणले केहि पनि व्याख्या गर्न अस्वीकार गर्छ र तपाईंको निधारमा एउटा नम्बर थप्पड लगाउँछ भने... मलाई विश्वास लाग्दैन। तपाईंले पनि गर्नु हुँदैन।.
११) एआई डिटेक्टरहरूले कसरी काम गर्छन्: एउटा साधारण मानसिक मोडेल 🧠🧩
यदि तपाईं सफा टेकअवे चाहनुहुन्छ भने, यो मानसिक मोडेल प्रयोग गर्नुहोस्:
-
एआई डिटेक्टरहरूले मेसिन-उत्पन्न पाठमा सामान्य तथ्याङ्कीय र शैलीगत ढाँचाहरू खोज्छन् । ( एलएलएम-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण )
-
तिनीहरूले ती ढाँचाहरूलाई तालिमका उदाहरणहरूबाट सिकेका कुराहरूसँग तुलना गर्छन्। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
-
तिनीहरूले वास्तविक उत्पत्तिको कथा होइन, सम्भाव्यता जस्तो अनुमान उत्पादन गर्छन्। ( ओपनएआई )
-
अनुमान विधा, विषय, लम्बाइ, सम्पादन, र डिटेक्टरको प्रशिक्षण डेटा। (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
अर्को शब्दमा भन्नु पर्दा, एआई डिटेक्टरहरूले कसरी काम गर्छन् भन्ने कुरा भनेको तिनीहरूले लेखकत्व होइन, "समानताको न्याय गर्छन्"। जस्तै कोही आफ्नो काकाको जस्तो देखिन्छ भन्नु। त्यो डीएनए परीक्षण जस्तै होइन... र डीएनए परीक्षणमा पनि एज केसहरू हुन्छन्।
१२) खेल नखेलीकनै दुर्घटनाग्रस्त झण्डाहरू कम गर्ने व्यावहारिक सुझावहरू ✍️✅
"डिटेक्टरहरूलाई कसरी ट्रिक गर्ने" होइन। वास्तविक लेखकत्व प्रतिबिम्बित गर्ने र अनौठा गलत पठनहरूबाट बच्ने तरिकाले कसरी लेख्ने भन्ने जस्तै।.
-
ठोस विवरणहरू थप्नुहोस्: तपाईंले वास्तवमा प्रयोग गर्नुभएको अवधारणाहरूको नाम, तपाईंले चाल्नुभएका कदमहरू, तपाईंले विचार गर्नुभएको सम्झौताहरू
-
प्राकृतिक भिन्नता प्रयोग गर्नुहोस्: छोटो र लामो वाक्यहरू मिलाउनुहोस् (मानिसहरूले सोच्दा जस्तै)
-
वास्तविक बाधाहरू समावेश गर्नुहोस्: समय सीमा, प्रयोग गरिएका उपकरणहरू, के गलत भयो, तपाईंले के फरक तरिकाले गर्नुहुनेछ
-
टेम्प्लेटमा धेरै शब्दहरू प्रयोग नगर्नुहोस्: तपाईंले वास्तवमा भन्न चाहनुभएको कुराको लागि "यसबाहेक" साट्नुहोस्।
-
मस्यौदा र नोटहरू राख्नुहोस्: यदि कहिल्यै विवाद भयो भने, प्रक्रिया प्रमाणले आन्द्राको भावना भन्दा बढी अर्थ राख्छ।
वास्तवमा, सबैभन्दा राम्रो बचाउ भनेको... वास्तविक हुनु हो। अपूर्ण रूपमा वास्तविक, "पूर्ण ब्रोसर" वास्तविक होइन।.
समापन नोटहरू 🧠✨
एआई डिटेक्टरहरू मूल्यवान हुन सक्छन्, तर तिनीहरू सत्य मेसिनहरू होइनन्। तिनीहरू अपूर्ण डेटामा प्रशिक्षित ढाँचा मिलाउनेहरू हुन्, जुन यस्तो संसारमा काम गर्छन् जहाँ लेखन शैलीहरू निरन्तर ओभरल्याप हुन्छन्। (ओपनएआई; एलएलएम-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
छोटकरीमा:
-
डिटेक्टरहरू वर्गीकरणकर्ता, जटिलता/बर्स्टिनेस, शैलीमिति, र कहिलेकाहीं वाटरमार्कहरूमा भर पर्छन् 🧩 (LLM-उत्पन्न पाठ पत्ता लगाउने सर्वेक्षण)
-
तिनीहरू "एआई-समानता" अनुमान गर्छन्, निश्चितता होइन (ओपनएआई)
-
औपचारिक, प्राविधिक, वा गैर-स्थानीय लेखनमा झूटा सकारात्मकताहरू धेरै हुन्छन् 😬 (लियाङ एट अल. (arXiv); टर्निटिन)
-
डिटेक्टर परिणामहरूलाई समीक्षाको लागि प्रम्प्टको रूपमा प्रयोग गर्नुहोस्, फैसलाको रूपमा होइन (टर्निटिन)
अनि हो... यदि कसैले फेरि सोध्यो भने, एआई डिटेक्टरहरूले कसरी काम गर्छन्, तपाईं तिनीहरूलाई भन्न सक्नुहुन्छ: "तिनीहरू ढाँचाको आधारमा अनुमान लगाउँछन् - कहिलेकाहीं स्मार्ट, कहिलेकाहीं मूर्ख, सधैं सीमित।"
वास्तविक संसारको उदाहरण: हतारमा निर्णय नगरी झण्डा लगाइएको विद्यार्थी निबन्धको समीक्षा गर्ने 🧑🏫
परिदृश्य
कल्पना गर्नुहोस्, एक विश्वविद्यालयका शिक्षकले १२०० शब्दको इतिहास निबन्ध प्राप्त गर्छन् जसलाई एआई डिटेक्टरले "८६% एआई सम्भव छ" भनेर चिन्ह लगाउँछ। निबन्ध औपचारिक, सफासँग संरचित छ, र "यसले सुझाव दिन्छ कि" र "यसलाई तर्क गर्न सकिन्छ" जस्ता दोहोरिने वाक्यांशहरूमा निर्भर गर्दछ। पहिलो नजरमा, यो शंकास्पद लाग्न सक्छ।.
तर विद्यार्थी ESL लेखक हुन्, कक्षाबाट कडा निबन्ध टेम्प्लेट प्रयोग गरे, र व्याकरण-जाँच सफ्टवेयरको साथ मस्यौदा सम्पादन गरे। अर्को शब्दमा, यो ठ्याक्कै त्यस्तै प्रकारको केस हो जहाँ डिटेक्टर स्कोरले समीक्षा सुरु गर्नुपर्छ, सजाय होइन।.
उद्देश्य विद्यार्थीलाई "पक्रनु" होइन। उद्देश्य भनेको अन्य प्रमाणहरूले स्कोरलाई समर्थन गर्छ कि गर्दैन भनेर निर्णय गर्नु हो।.
समीक्षकलाई के चाहिन्छ
कुनै पनि निर्णय गर्नु अघि, शिक्षकले निम्न कुराहरू सङ्कलन गर्छन्:
-
उपलब्ध भएमा हाइलाइट गरिएका परिच्छेदहरू सहित डिटेक्टर रिपोर्ट
-
निबन्ध संक्षिप्त र चिन्ह लगाउने रुब्रिक
-
विद्यार्थीको मस्यौदा इतिहास, नोटहरू, रूपरेखा, वा ग्रन्थसूची
-
पाठ्यक्रम नीतिमा सूचीबद्ध कुनै पनि अनुमति दिइएको लेखन-समर्थन उपकरणहरू
-
नीतिले अनुमति दिएमा, एउटै विद्यार्थीबाट एक वा दुई पहिलेका लेखन नमूनाहरू
-
विद्यार्थीको लेखन प्रक्रियाको बारेमा छोटो व्याख्या
यो कुरा महत्त्वपूर्ण छ किनभने डिटेक्टरले अन्तिम पाठ मात्र देख्छ। विद्यार्थीले चार दिन ड्राफ्टिङमा बिताए, टेम्प्लेट प्रयोग गरे, कक्षाको वाक्यांश प्रतिलिपि गरे, नोटहरू अनुवाद गरे, वा प्रतिक्रियासहित परिमार्जन गरे भन्ने कुरा यसले थाहा पाउँदैन।.
उदाहरण निर्देशन
मुद्दाको मूल्याङ्कन गर्दा शिक्षकले यो समीक्षा निर्देशन प्रयोग गर्न सक्छन्:
यस निबन्धलाई लेखन-प्रक्रिया जाँचको रूपमा समीक्षा गर्नुहोस्, AI प्रयोगको प्रमाणको रूपमा होइन। डिटेक्टर हाइलाइटहरूलाई विद्यार्थीको नोटहरू, मस्यौदा इतिहास, स्रोत सूची, र पहिलेको लेखन नमूनासँग तुलना गर्नुहोस्। कुन अनुच्छेदहरू साँच्चै शंकास्पद छन् र कुन औपचारिक, टेम्प्लेट गरिएको, वा ESL-प्रभावित हुन सक्छन् भनेर पहिचान गर्नुहोस्। प्रमाणहरूलाई तीन समूहमा विभाजन गर्नुहोस्: डिटेक्टर संकेत, लेखन-प्रक्रिया प्रमाण, र मानव निर्णय। डिटेक्टर स्कोरभन्दा बाहिर स्पष्ट समर्थन प्रमाण नभएसम्म अनुशासनात्मक कारबाही सिफारिस नगर्नुहोस्।.
यसलाई कसरी परीक्षण गर्ने
निष्पक्ष समीक्षा प्रक्रियाले तीन सरल जाँचहरू प्रयोग गर्न सक्छ:
-
विद्यार्थीलाई दुई अनुच्छेद मौखिक रूपमा व्याख्या गर्न भन्नुहोस्।
यदि उनीहरूले तर्क, स्रोतहरू, र किन उनीहरूले त्यसलाई त्यसरी वाक्यांशमा राखे भनेर व्याख्या गर्न सक्छन् भने, त्यो बहुमूल्य प्रक्रिया प्रमाण हो। -
फ्ल्याग गरिएका खण्डहरूलाई निबन्ध टेम्प्लेटसँग तुलना गर्नुहोस्
यदि डिटेक्टरले प्रायः टेम्प्लेट-शैलीका वाक्यांशहरूलाई हाइलाइट गर्दछ भने, स्कोर लेखकत्वको सट्टा संरचनामा प्रतिक्रिया गरिरहेको हुन सक्छ। -
साना टुक्राहरू होइन, लामो खण्डहरू मात्र पुन: चलाउनुहोस्।
एउटा अनुच्छेदले हल्ला गर्न सक्छ। ६००-९०० शब्दको नमूनाले सामान्यतया तीनवटा पृथक वाक्यहरू भन्दा बढी अर्थपूर्ण संकेत दिन्छ।
नतिजा
उदाहरणीय परिणाम: पाँच-निबन्ध समीक्षा अभ्यासमा, एक शिक्षकले यो कार्यप्रवाह प्रयोग गर्नु अघि र पछि प्रक्रियालाई समय दिन्छन्।.
कार्यप्रवाह अघि, प्रत्येक फ्ल्याग गरिएको निबन्ध समीक्षा गर्न लगभग ३५ मिनेट लाग्थ्यो किनभने शिक्षकले सुरुबाट के जाँच गर्ने भनेर निर्णय गर्नुपर्थ्यो।.
कार्यप्रवाह प्रयोग गरेपछि, प्रत्येक समीक्षा लगभग १८ मिनेट लाग्यो:
-
डिटेक्टर हाइलाइटहरू पढ्न ५ मिनेट
-
मस्यौदा, नोट र स्रोतहरू जाँच गर्न ६ मिनेट
-
पहिलेको लेखन वा टेम्प्लेट भाषा तुलना गर्न ४ मिनेट
-
छोटो समीक्षा नोट लेख्न ३ मिनेट
त्यो प्रति निबन्ध १७ मिनेटको अनुमानित बचत हो, वा पाँचवटा फ्ल्याग गरिएका निबन्धहरूमा ८५ मिनेट। मेट्रिक प्रमाणित गर्न सजिलो छ: प्रत्येक समीक्षाको समय, कति केसहरू वृद्धि आवश्यक छ गणना गर्नुहोस्, र अन्तिम निर्णय डिटेक्टर स्कोरमा मात्र निर्भर थियो वा समर्थन प्रमाणमा मात्र भर पर्यो भनेर रेकर्ड गर्नुहोस्।.
राम्रो सफलता मापन "कति विद्यार्थीहरू पक्राउ परे" भन्ने होइन। यो स्पष्ट प्रमाण र कम हतारमा अनुमानहरू सहित कति शंकास्पद अङ्कहरू निरन्तर समीक्षा गरियो भन्ने कुरा हो।.
के बिग्रन सक्छ?
सबैभन्दा ठूलो गल्ती भनेको डिटेक्टर प्रतिशतलाई निर्णयको रूपमा लिनु हो। "८६% एआई सम्भवतः" आधिकारिक सुनिन्छ, तर यो अझै पनि गलत हुन सक्छ।.
अन्य सामान्य गल्तीहरू समावेश छन्:
-
अन्तिम निबन्ध मात्र जाँच गर्ने र मस्यौदाहरूलाई बेवास्ता गर्ने
-
"धेरै सहज" देखिएमा पोलिश गरिएको ESL लेखनलाई दण्डित गर्ने
-
एउटा डिटेक्टर प्रयोग गर्दै मानौं यो फोरेन्सिक उपकरण हो
-
स-साना टुक्राहरू चलाउँदै र स्कोरलाई भरपर्दो मान्दै
-
विद्यार्थीहरूलाई उनीहरूले के प्रमाण प्रदान गर्न सक्छन् भनेर बताउन असफल हुनु
-
व्याकरण उपकरणहरू, टेम्प्लेटहरू, र प्रतिक्रियाले शैली परिवर्तन गर्न सक्छ भन्ने कुरा बिर्सनु
राम्रो समीक्षा प्रक्रियाले गोपनीयताको पनि सुरक्षा गर्नुपर्छ। नीतिले स्पष्ट रूपमा अनुमति नदिएसम्म विद्यार्थीहरूलाई निजी नोटहरू, व्यक्तिगत सन्देशहरू, वा असंबद्ध कागजातहरू अपलोड गर्न भन्नु हुँदैन।.
व्यावहारिक टेकवे
एआई डिटेक्टरहरूलाई ट्रुथ मेसिनको रूपमा होइन, ट्राइएज उपकरणको रूपमा प्रयोग गर्नुहोस्। बलियो प्रक्रियाले स्कोरलाई ड्राफ्ट, स्रोत जाँच, लेखन इतिहास, विद्यार्थी व्याख्या, र मानव निर्णयसँग जोड्दछ। यसले स्कूलहरू, सम्पादकहरू र समीक्षकहरूलाई डरलाग्दो प्रतिशत भन्दा धेरै मूल्यवान कुरा दिन्छ: एउटा निर्णय जुन उनीहरूले आत्मविश्वासका साथ बचाउन सक्छन्।.
सोधिने प्रश्न
एआई डिटेक्टरहरूले व्यवहारमा कसरी काम गर्छन्?
धेरैजसो एआई डिटेक्टरहरूले लेखकत्व "प्रमाणित" गर्दैनन्। तिनीहरूले तपाईंको पाठ भाषा मोडेलहरूद्वारा सामान्यतया उत्पादित ढाँचाहरूसँग कति नजिकबाट मिल्दोजुल्दो छ भनेर अनुमान गर्छन्, त्यसपछि सम्भाव्यता-जस्तो स्कोर आउटपुट गर्छन्। हुड अन्तर्गत, तिनीहरूले वर्गीकरण मोडेलहरू, जटिलता-शैली भविष्यवाणी स्कोरिङ, शैलीमिति सुविधाहरू, वा वाटरमार्क जाँचहरू प्रयोग गर्न सक्छन्। परिणामलाई निश्चित निर्णय होइन, जोखिम संकेतको रूपमा व्यवहार गरिन्छ।.
लिखित रूपमा एआई डिटेक्टरहरूले कस्ता संकेतहरू खोज्छन्?
सामान्य संकेतहरूमा भविष्यवाणी गर्ने क्षमता (तपाईंको अर्को शब्दहरूले मोडेललाई कति "आश्चर्यचकित" बनाउँछ), वाक्यको मचानमा दोहोरिने, असामान्य रूपमा एकरूप गति, र कम ठोस विवरणको साथ सामान्य वाक्यांश समावेश छ। केही उपकरणहरूले वाक्यको लम्बाइ, विराम चिह्न बानी, र प्रकार्य-शब्द आवृत्ति जस्ता शैलीमिति मार्करहरूको पनि जाँच गर्छन्। यी संकेतहरू मानव लेखनसँग ओभरल्याप हुन सक्छन्, विशेष गरी औपचारिक, शैक्षिक, वा प्राविधिक विधाहरूमा।.
एआई डिटेक्टरहरूले मानव लेखनलाई एआईको रूपमा किन चिन्ह लगाउँछन्?
मानव लेखन तथ्याङ्कीय रूपमा "सहज" वा टेम्प्लेट जस्तो देखिन्छ भने गलत सकारात्मकताहरू हुन्छन्। औपचारिक स्वर, अनुपालन-शैली शब्दहरू, प्राविधिक व्याख्याहरू, छोटो नमूनाहरू, र गैर-नेटिभ अंग्रेजी सबैलाई AI-जस्तो गलत रूपमा पढ्न सकिन्छ किनभने तिनीहरूले भिन्नता कम गर्छन्। त्यसैले सफा, राम्रोसँग सम्पादन गरिएको अनुच्छेदले उच्च स्कोर ट्रिगर गर्न सक्छ। डिटेक्टरले समानताको तुलना गरिरहेको छ, उत्पत्ति पुष्टि गरिरहेको छैन।.
के भ्रम र "फट्नेस" डिटेक्टरहरू भरपर्दो छन्?
पाठ कच्चा हुँदा, अत्यधिक अनुमानित एआई आउटपुट हुँदा जटिलतामा आधारित विधिहरूले काम गर्न सक्छन्। तर तिनीहरू कमजोर हुन्छन्: छोटो परिच्छेदहरू कोलाहलपूर्ण हुन्छन्, र धेरै वैध मानव विधाहरू स्वाभाविक रूपमा अनुमानित हुन्छन् (सारांश, परिभाषा, कर्पोरेट इमेलहरू, म्यानुअलहरू)। सम्पादन र पालिश गर्नाले पनि स्कोर नाटकीय रूपमा परिवर्तन हुन सक्छ। यी उपकरणहरू द्रुत ट्राइजमा फिट हुन्छन्, आफ्नै उच्च-दांव निर्णयहरूमा होइन।.
वर्गीकरणकर्ता डिटेक्टर र स्टाइलोमेट्री उपकरणहरू बीच के भिन्नता छ?
वर्गीकरणकर्ता डिटेक्टरहरूले मानव बनाम एआई (र कहिलेकाहीं हाइब्रिड) पाठको लेबल गरिएको डेटासेटहरूबाट सिक्छन् र तपाईंको पाठ कुन बकेटसँग धेरै मिल्दोजुल्दो छ भनेर भविष्यवाणी गर्छन्। स्टाइलोमेट्री उपकरणहरूले शब्द-छनौट ढाँचाहरू, प्रकार्य शब्दहरू, र पठनीयता संकेतहरू जस्ता "औंठाछापहरू" लेखनमा केन्द्रित हुन्छन्, जुन लामो-रूप विश्लेषणमा बढी जानकारीमूलक हुन सक्छ। दुवै दृष्टिकोणहरू डोमेन परिवर्तनबाट ग्रस्त हुन्छन् र लेखन शैली वा विषय तिनीहरूको प्रशिक्षण डेटाबाट फरक हुँदा संघर्ष गर्न सक्छन्।.
के वाटरमार्कले एआई पत्ता लगाउने समस्यालाई सधैंको लागि समाधान गर्छ?
मोडेलले वाटरमार्क प्रयोग गर्दा र डिटेक्टरले वाटरमार्क योजना थाहा पाउँदा वाटरमार्क बलियो हुन सक्छ। वास्तविकतामा, सबै प्रदायकहरूले वाटरमार्क गर्दैनन्, र सामान्य रूपान्तरणहरू - प्याराफ्रेजिङ, अनुवाद, आंशिक उद्धरण, वा स्रोतहरू मिश्रण गर्दा - ढाँचालाई कमजोर वा तोड्न सक्छन्। वाटरमार्क पत्ता लगाउने काम साँघुरो अवस्थामा शक्तिशाली हुन्छ जहाँ सम्पूर्ण चेन लाइन अप हुन्छ, तर यो विश्वव्यापी कभरेज होइन।.
"X% AI" स्कोरलाई मैले कसरी व्याख्या गर्नुपर्छ?
एकल प्रतिशतलाई "एआई-समानताको" मोटामोटी सूचकको रूपमा व्यवहार गर्नुहोस्, एआई लेखकत्वको प्रमाण होइन। मध्यम-दायरा स्कोरहरू विशेष गरी अस्पष्ट हुन्छन्, र उच्च स्कोरहरू पनि मानकीकृत वा औपचारिक लेखनमा गलत हुन सक्छन्। राम्रो उपकरणहरूले हाइलाइट गरिएका स्प्यानहरू, सुविधा नोटहरू, र अनिश्चितता भाषा जस्ता स्पष्टीकरणहरू प्रदान गर्दछ। यदि डिटेक्टरले आफैलाई व्याख्या गर्दैन भने, संख्यालाई आधिकारिक रूपमा व्यवहार नगर्नुहोस्।.
विद्यालय वा सम्पादकीय कार्यप्रवाहको लागि राम्रो एआई डिटेक्टर के ले बनाउँछ?
ठोस डिटेक्टर क्यालिब्रेट गरिएको हुन्छ, गलत सकारात्मकतालाई कम गर्छ, र सीमाहरू स्पष्ट रूपमा सञ्चार गर्छ। यसले छोटो नमूनाहरूमा अत्यधिक आत्मविश्वासी दाबीहरूबाट बच्नुपर्छ, विभिन्न डोमेनहरू (शैक्षिक बनाम ब्लग बनाम प्राविधिक) ह्यान्डल गर्नुपर्छ, र मानिसहरूले पाठ परिमार्जन गर्दा स्थिर रहनुपर्छ। सबैभन्दा जिम्मेवार उपकरणहरू नम्रताका साथ व्यवहार गर्छन्: तिनीहरूले दिमाग पाठकहरू जस्तै काम गर्नुको सट्टा प्रमाण र अनिश्चितता प्रदान गर्छन्।.
प्रणालीलाई "गेम" नगरी म कसरी आकस्मिक एआई फ्ल्यागहरू कम गर्न सक्छु?
चालहरू भन्दा प्रामाणिक लेखकत्व संकेतहरूमा ध्यान केन्द्रित गर्नुहोस्। ठोस विशिष्टताहरू थप्नुहोस् (तपाईंले चाल्नुभएका चरणहरू, अवरोधहरू, ट्रेडअफहरू), वाक्य लयलाई स्वाभाविक रूपमा परिवर्तन गर्नुहोस्, र तपाईंले सामान्यतया प्रयोग नगर्ने अत्यधिक टेम्प्लेट गरिएका संक्रमणहरूबाट बच्नुहोस्। मस्यौदा, नोटहरू, र संशोधन इतिहास राख्नुहोस् - प्रक्रिया प्रमाणहरू प्रायः विवादहरूमा डिटेक्टर स्कोर भन्दा बढी महत्त्वपूर्ण हुन्छन्। लक्ष्य व्यक्तित्वको साथ स्पष्टता हो, उत्तम ब्रोसर गद्य होइन।.
सन्दर्भ सामग्रीहरू
-
एसोसिएसन फर कम्प्युटेशनल लिंग्विस्टिक्स (ACL एन्थोलोजी) - LLM-उत्पन्न टेक्स्ट डिटेक्शनमा एक सर्वेक्षण - aclanthology.org
-
ओपनएआई - एआई-लिखित पाठ संकेत गर्न नयाँ एआई वर्गीकरणकर्ता - openai.com
-
टर्निटिन गाइडहरू - क्लासिक रिपोर्ट दृश्यमा एआई लेखन पत्ता लगाउने - guides.turnitin.com
-
टर्निटिन गाइडहरू - एआई लेखन पत्ता लगाउने मोडेल - guides.turnitin.com
-
टर्निटिन - हाम्रो एआई लेखन पत्ता लगाउने क्षमताहरू भित्रका गलत सकारात्मक कुराहरू बुझ्ने - turnitin.com
-
arXiv - डिटेक्टGPT - arxiv.org
-
बोस्टन विश्वविद्यालय - अन्योल पोस्टहरू - cs.bu.edu
-
GPTZero - अन्योल र उथलपुथल: यो के हो? - gptzero.me
-
पबमेड सेन्ट्रल (NCBI) - स्टाइलोमेट्री र फोरेन्सिक विज्ञान: एक साहित्य समीक्षा - ncbi.nlm.nih.gov
-
एसोसिएसन फर कम्प्युटेशनल लिंग्विस्टिक्स (ACL एन्थोलोजी) - लेखकत्व विशेषता मा फंक्शन शब्दहरू - aclanthology.org
-
arXiv - ठूला भाषा मोडेलहरूको लागि वाटरमार्क - arxiv.org
-
विकासकर्ताहरूको लागि गुगल एआई - सिन्थआईडी टेक्स्ट - ai.google.dev
-
arXiv - ठूला भाषा मोडेलहरूको लागि वाटरमार्कहरूको विश्वसनीयतामा - arxiv.org
-
ओपनएआई - हामीले अनलाइनमा देखेका र सुनेका कुराहरूको स्रोत बुझ्ने - openai.com
-
स्ट्यानफोर्ड एचएआई - गैर-मातृभाषा अंग्रेजी लेखकहरू विरुद्ध एआई डिटेक्टरहरू पक्षपाती - hai.stanford.edu
-
arXiv - लियाङ एट अल - arxiv.org