Kuidas tehisintellekti detektorid töötavad?

Kuidas tehisintellekti detektorid töötavad?

Lühike vastus: tehisintellekti detektorid ei „tõesta“, kes midagi kirjutas; nad hindavad, kui täpselt lõik vastab tuttavatele keelemudeli mustritele. Enamik tugineb klassifikaatorite, ennustatavussignaalide (segadus/purskeline kõla), stülomeetria ja harvematel juhtudel vesimärgikontrollide kombinatsioonile. Kui näidis on lühike, väga formaalne, tehniline või kirjutatud inglise keelt kõneleva autori poolt, tuleks skoori käsitleda kui ülevaatamise vihjet, mitte hinnangut.

Peamised järeldused:

Tõenäosus, mitte tõestus : käsitle protsente kui tehisintellekti sarnasuse riskisignaale, mitte kindlust.

Valepositiivsed : Formaalne, tehniline, mallipõhine või mitte-emakeelne tekst märgistatakse sageli valesti.

Meetodite segu : Tööriistad ühendavad klassifikaatoreid, segadust/purunevust, stülomeetriat ja haruldaste vesimärkide kontrolle.

Läbipaistvus : Eelista detektoreid, mis kajastavad ulatust, omadusi ja määramatust – mitte ainult ühte arvu.

Vaidlustatavus : Hoidke mustandeid/märkmeid ja protsessi kohta käivaid tõendeid vaidluste ja apellatsioonide jaoks käepärast.

Kuidas tehisintellekti detektorid töötavad? Infograafik

Artiklid, mida võiksite pärast seda lugeda:

🔗 Milline on parim tehisintellekti detektor?
Parimad tehisintellekti tuvastamise tööriistad, mida võrreldakse täpsuse, funktsioonide ja kasutusjuhtude poolest.

🔗 Kas tehisintellekti detektorid on usaldusväärsed?
Selgitab usaldusväärsust, valepositiivseid tulemusi ja seda, miks tulemused sageli erinevad.

🔗 Kas Turnitin suudab tehisintellekti tuvastada?
Täielik juhend Turnitini tehisintellekti tuvastamise, piirangute ja parimate tavade kohta.

🔗 Kas QuillBoti tehisintellekti detektor on täpne?
Täpsuse, tugevuste, nõrkuste ja reaalsete testide üksikasjalik ülevaade.

1) Kiire idee – mida tehisintellekti detektor tegelikult teeb ⚙️

Enamik tehisintellekti detektoreid ei "püüa tehisintellekti" kinni nagu võrk kala püüdmas. Nad teevad midagi proosalisemat:

Olgem ausad – kasutajaliides ütleb midagi sellist nagu „92% tehisintellektist” ja su aju ütleb: „Nojah, see on vist fakt.” See pole fakt. See on ühe mudeli oletus teise mudeli sõrmejälgede kohta. Mis on pehmelt öeldes naljakas, nagu koerad nuusutaksid koeri 🐕🐕

2) Kuidas tehisintellektil põhinevad detektorid töötavad: kõige levinumad „tuvastusmootorid” 🔍

Detektorid kasutavad tavaliselt ühte (või nende kombinatsiooni) järgmistest lähenemisviisidest: ( LLM-i genereeritud teksti tuvastamise uuring )

A) Klassifikaatori mudelid (kõige levinumad)

Klassifikaatorit treenitakse sildistatud näidete põhjal:

  • Inimese kirjutatud näidised

  • Tehisintellekti loodud näidised

  • Mõnikord „hübriidsed” näidised (inimese toimetatud tehisintellekti tekst)

Seejärel õpib see mustreid, mis gruppe eraldavad. See on klassikaline masinõppe meetod ja see võib olla üllatavalt korralik... kuni see enam ei ole. ( Uuring LLM-i genereeritud teksti tuvastamise kohta )

B) Segaduse ja „purske“ punktiarvestus 📈

Mõned detektorid arvutavad, kui "etteaimatav" tekst on.

  • Hämmeldus : umbes kui üllatunud on keelemudel järgmise sõna peale. ( Bostoni Ülikool - hämmelduse postitused )

  • Väiksem hägusus võib viidata sellele, et tekst on väga etteaimatav (mis võib juhtuda tehisintellekti väljundite puhul). ( DetectGPT )

  • „Burstiness“ püüab mõõta lause keerukuse ja rütmi varieeruvust. ( GPTZero )

See lähenemine on lihtne ja kiire. Seda on ka lihtne segadusse ajada, sest ka inimesed oskavad etteaimatavalt kirjutada (tere, ettevõtete e-kirjad). ( OpenAI )

C) Stülomeetria (sõrmejälgede võtmine kirjutamisel) ✍️

Stülomeetria vaatleb mustreid nagu:

  • keskmine lause pikkus

  • kirjavahemärkide stiil

  • funktsioonisõnade sagedus (the, and, but…)

  • sõnavara mitmekesisus

  • loetavuse hinded

See on nagu „käekirja analüüs“, ainult et teksti puhul. Mõnikord see aitab. Mõnikord on see nagu külmetuse diagnoosimine kellegi kingade järgi. ( Stülomeetria ja kohtumeditsiin: kirjanduse ülevaade ; funktsioonisõnad autori omistamisel )

D) Vesimärgi tuvastamine (kui see on olemas) 🧩

Mõned mudelipakkujad saavad genereeritud teksti sisse manustada peeneid mustreid („vesimärke“). Kui detektor teab vesimärgi skeemi, saab ta proovida seda kontrollida. ( Vesimärk suurtele keelemudelitele ; SynthID tekst )

Aga… mitte kõik mudelid ei säilita vesimärki, mitte kõik väljundid ei säilita vesimärki pärast redigeerimist ja mitte kõigil detektoritel pole juurdepääsu salajasele kastmele. Seega pole see universaalne lahendus. ( Vesimärkide usaldusväärsusest suurte keelemudelite puhul ; OpenAI )

3) Mis teeb tehisintellekti detektorist hea versiooni ✅

„Hea“ detektor (minu kogemuse põhjal testisin toimetuse töövoogude jaoks mitut neist kõrvuti) ei ole see, mis kõige valjemini karjub. See on see, mis käitub vastutustundlikult.

Mis teeb tehisintellekti detektorist tugeva?

  • Kalibreeritud usaldusnivoo : 70% peaks tähendama midagi järjepidevat, mitte käega vehkimist. ( LLM-i loodud teksti tuvastamise uuring )

  • Madal valepositiivsete tulemuste arv : see ei tohiks märgistada mitte-emakeelset inglise keelt, juriidilist teksti ega tehnilisi käsiraamatuid kui „tehisintellekti” ainult seetõttu, et need on puhtad. ( Stanford HAI ; Liang jt (arXiv) )

  • Läbipaistvad piirid : see peaks tunnistama ebakindlust ja näitama vahemikke, mitte teesklema kõiketeadvat olekut. ( OpenAI ; Turnitin )

  • Domeeniteadlikkus : juhuslike ajaveebide jaoks treenitud detektoritel on akadeemilise tekstiga sageli raskusi ja vastupidi. ( LLM-i loodud teksti tuvastamise uuring )

  • Lühikese teksti käsitlemine : head tööriistad väldivad pisikeste valimite puhul liiga enesekindlaid hindeid (lõik ei ole universum). ( OpenAI ; Turnitin )

  • Redaktsioonitundlikkus : see peaks hakkama saama inimeste toimetamisega ilma koheselt mõttetuteks tulemusteks kokku varisemata. ( Uuring LLM-i loodud teksti tuvastamise kohta )

Parimad, keda ma näinud olen, kipuvad olema veidi tagasihoidlikud. Halvimad käituvad nagu loeksid mõtteid 😬

4) Võrdlustabel – levinumad tehisintellekti detektorite „tüübid” ja kus need silma paistavad 🧾

Allpool on praktiline võrdlus. Need ei ole kaubamärgid – need on peamised kategooriad, millega kokku puutute. ( Uuring LLM-i loodud teksti tuvastamise kohta )

Tööriista tüüp (umbes) Parim publik Hinnatunnetus Miks see toimib (mõnikord)
Perplexity Checker Lite Õpetajad, kiire kontroll Vabameelne Kiire signaal ennustatavuse kohta – aga võib olla ka hüplik…
Klassifikaatori skanner Pro Toimetajad, personalijuhtimine, vastavus Tellimus Õpib mustreid sildistatud andmetest - keskmise pikkusega tekstiga korralik
Stülomeetria analüsaator Teadlased, kohtumeditsiini spetsialistid $$$ või nišš Võrdleb sõrmejälgede kirjutamist - omapärane, aga pikas vormis käepärane
Vesimärgi leidja Platvormid, sisemised meeskonnad Sageli komplekteeritud Tugev, kui vesimärk on olemas – kui seda pole, siis on tegemist põhimõtteliselt õlgu kehitamisega
Hübriidettevõtte sviit Suured organisatsioonid Istekohapõhised lepingud Kombineerib mitu signaali – parem leviala, rohkem nuppe häälestamiseks (ja rohkem võimalusi valesti konfigureerimiseks, ups)

Pane tähele „hinna tunnetamise” veergu. Jah, see pole küll teaduslik. Aga see on aus 😄

5) Detektorid otsivad põhisignaale – „signaalid“ 🧠

Siin on see, mida paljud detektorid proovivad kapoti all mõõta:

Ennustatavus (sümboolne tõenäosus)

Keelemudelid genereerivad teksti, ennustades tõenäolisi järgmisi märke. See kipub looma:

Inimesed seevastu kalduvad tihtipeale siksakilisemalt kõrvale. Me räägime endale vastu, lisame suvalisi kõrvalmärkusi, kasutame pisut paigast ära olevaid metafoore – näiteks võrdleme tehisintellekti detektorit rösteriga, mis hindab luulet. See metafoor on halb, aga saate aru.

Kordus- ja struktuurimustrid

Tehisintellekti kirjutamine võib näidata peent kordust:

Aga ka – paljud inimesed kirjutavad nii, eriti koolis või ettevõtetes. Seega on kordamine vihje, mitte tõestus.

Liigne selgus ja „liiga puhas” proosa ✨

See on omapärane. Mõned detektorid käsitlevad „väga puhast kirja” kaudselt kahtlasena. ( OpenAI )

Mis on ebamugav, sest:

  • häid kirjanikke on olemas

  • toimetajad on olemas

  • õigekirjakontroll on olemas

Seega, kui te mõtlete, kuidas tehisintellekti detektorid töötavad , siis osa vastusest on järgmine: mõnikord premeerivad nad ebaviisakust. Mis on... natuke tagurpidi.

Semantiline tihedus ja üldine fraasimine

Detektorid võivad märgistada teksti, mis tundub:

Tehisintellekt loob sageli sisu, mis kõlab mõistlikult, aga on pisut töödeldud. Nagu hotellituba, mis näeb küll kena välja, aga millel puudub igasugune isiksus 🛏️

6) Klassifikaatori lähenemisviis – kuidas seda treenitakse (ja miks see katki läheb) 🧪

Klassifikaatori detektorit treenitakse tavaliselt järgmiselt:

  1. Koguge inimtekstide andmekogum (esseed, artiklid, foorumid jne)

  2. Tehisintellekti teksti genereerimine (mitu viipa, stiili, pikkust)

  3. Märgistage proovid

  4. Treenige mudelit nende eraldamiseks funktsioonide või manustuste abil

  5. Valideeri seda varjatud andmete põhjal

  6. Saatke see ära... ja siis reaalsus lööb teile näkku ( LLM-i genereeritud teksti tuvastamise uuring )

Miks reaalsus lööb selle maha:

  • Domeeni nihe : treeningandmed ei vasta tegeliku kasutaja kirjutatule

  • Mudeli nihe : uue põlvkonna mudelid ei käitu samamoodi nagu andmestikus olevad mudelid.

  • Redigeerimisefektid : inimeste tehtud muudatused võivad eemaldada ilmseid mustreid, kuid säilitada peeneid mustreid.

  • Keeleline varieeruvus : murdeid, ESL-kirjutisi ja formaalseid stiile loetakse valesti ( LLM-i loodud tekstituvastuse uuring ; Liang jt (arXiv) )

Olen näinud detektoreid, mis olid omaenda demokomplektis „suurepärased“, aga siis päris töökohal kirjutades lagunesid. See on nagu treenida nuusutamiskoera ainult ühe küpsisemargi peal ja eeldada, et ta leiab kõik maailma suupisted 🍪

7) Segadus ja purskus - matemaatiline otsetee 📉

See detektorite perekond kipub tuginema keelemudeli hindamisele:

  • Nad juhivad teie teksti läbi mudeli, mis hindab iga järgmise märgi tõenäosust.

  • Nad arvutavad välja üldise „üllatuse“ (segaduse). ( Bostoni Ülikool – segaduse postitused )

  • Nad võivad lisada variatsioonimõõdikuid („purskeline rütm“), et näha, kas rütm tundub inimlik. ( GPTZero )

Miks see mõnikord toimib:

  • Tehisintellektil põhinev toores tekst võib olla äärmiselt sujuv ja statistiliselt etteaimatav ( DetectGPT )

Miks see ebaõnnestub:

  • lühikesed näidised on lärmakad

  • ametlik kirjutamine on etteaimatav

  • tehniline kirjutamine on etteaimatav

  • mitte-emakeelne kirjutamine võib olla etteaimatav

  • tugevalt toimetatud tehisintellekti tekst võib tunduda inimlik ( OpenAI ; Turnitin )

Seega tehisintellekti detektorite tööpõhimõte kohati kiiruspüstoliga, mis ajab jalgratturid ja mootorrattad segadusse. Sama tee, erinevad mootorid 🚲🏍️

8) Vesimärgid – idee „sõrmejäljest tindi sees“ 🖋️

Vesimärgistamine kõlab puhta lahendusena: tehisintellekti tekst märgistatakse genereerimise ajal ja seejärel tuvastatakse see hiljem. ( Vesimärk suurtele keelemudelitele ; SynthID tekst )

Praktikas võivad vesimärgid olla habras:

Samuti töötab vesimärgi tuvastamine ainult siis, kui:

  • kasutatakse vesimärki

  • detektor teab, kuidas seda kontrollida

  • teksti pole palju muudetud ( OpenAI ; SynthID Text )

Seega jah, vesimärgid võivad olla võimsad, kuid need ei ole universaalne politseimärk.

9) Valepositiivsed tulemused ja miks need juhtuvad (valulik osa) 😬

See väärib omaette peatükki, sest just seal on kõige rohkem vastuolusid.

Levinumad valepositiivsed käivitajad:

  • Väga ametlik toon (akadeemiline, juriidiline, vastavusalane kirjutamine)

  • Mitteemakeelena inglise keel (lihtsamad lauseehitused võivad tunduda „eeskujulikud“)

  • Mallipõhine kirjutamine (kaaskirjad, standardsed tööprotseduurid, laboriaruanded)

  • Lühikesed tekstinäited (signaali pole piisavalt)

  • Teemapiirangud (mõned teemad sunnivad korduvat fraasimist) ( Liang jt (arXiv) ; Turnitin )

Kui oled kunagi näinud kedagi liiga hästi kirjutamise pärast märgistatuna... jah. Seda juhtub. Ja see on jõhker.

Detektori skoori tuleks käsitleda järgmiselt:

  • Suitsuandur, mitte kohtusaali otsus 🔥
    See ütleb sulle „võib-olla kontrollida“, mitte „juhtum suletud“. ( OpenAI ; Turnitin )

10) Kuidas detektori tulemusi täiskasvanu kombel tõlgendada 🧠🙂

Siin on praktiline viis tulemuste lugemiseks:

Kui tööriist annab ühe protsendi

Käsitle seda kui ligikaudset riskisignaali:

  • 0-30%tõenäoliselt inimese tehtud või tugevalt redigeeritud

  • 30-70%mitmetähenduslik tsoon - ära eelda midagi

  • 70–100% : tõenäolisemad tehisintellekti sarnased mustrid, kuid siiski mitte tõestus ( Turnitini juhendid )

Isegi kõrged skoorid võivad olla valed, eriti järgmistel juhtudel:

  • standardiseeritud kirjutamine

  • teatud žanrid (kokkuvõtted, definitsioonid)

  • ESL-kirjutamine ( Liang jt (arXiv) )

Otsi selgitusi, mitte ainult numbreid

Paremad detektorid pakuvad:

Kui tööriist keeldub midagi selgitamast ja lihtsalt lööb sulle otsaette numbri... siis mina seda ei usalda. Sina ka mitte.

11) Kuidas tehisintellekti detektorid töötavad: lihtne mentaalne mudel 🧠🧩

Kui soovid puhast ja tervislikku toitu, kasuta seda mõttemudelit:

  1. Tehisintellekti detektorid otsivad masinloodud tekstis levinud statistilisi ja stiililisi mustreid Uuring LLM-i abil genereeritud teksti tuvastamise kohta )

  2. Nad võrdlevad neid mustreid treeningnäidetest õpituga. ( LLM-i genereeritud teksti tuvastamise uuring )

  3. Nad annavad välja tõenäosusliku oletuse , mitte faktilise päritoluloo. ( OpenAI )

  4. Pakkumine on tundlik žanri, teema, pikkuse, muudatuste ja detektori treeningandmete . ( LLM-i genereeritud teksti tuvastamise uuring )

Teisisõnu, tehisintellekti detektorid töötavad nii, et nad „hindavad sarnasust“, mitte autorlust. Nagu näiteks öelda, et keegi näeb välja nagu tema nõbu. See ei ole sama mis DNA-test... ja isegi DNA-testidel on omad äärejuhtumid.

12) Praktilised näpunäited juhuslike lippude vähendamiseks (ilma mänge mängimata) ✍️✅

Mitte „kuidas detektoreid petta“. Pigem kuidas kirjutada viisil, mis peegeldab tegelikku autorlust ja väldib juhuslikke valesti lugemisi.

  • Lisa konkreetsed üksikasjad: kasutatud kontseptsioonide nimed, astutud sammud, kaalutud kompromissid

  • Kasuta loomulikku variatsiooni: sega lühikesi ja pikki lauseid (nagu inimesed mõtlemise ajal teevad)

  • Lisage tegelikud piirangud: ajapiirangud, kasutatud tööriistad, mis läks valesti, mida teeksite teisiti

  • Väldi liiga mallipõhist sõnastust: asenda sõna „Lisaks” millegi sellisega, mida sa tegelikult ütleksid

  • Hoidke mustandeid ja märkmeid: vaidluse korral on protsessi käigus kogutud tõendid olulisemad kui kõhutunne

Tegelikult on parim kaitse lihtsalt... olla ehtne. Ebatäiuslikult ehtne, mitte „täiusliku brošüüri“ ehtne.

Lõppsõnad 🧠✨

Tehisintellekti detektorid võivad olla väärtuslikud, kuid need ei ole tõemasinad. Need on mustrite sobitamise masinad, mis on treenitud ebatäiuslike andmete põhjal ja töötavad maailmas, kus kirjutamisstiilid pidevalt kattuvad. ( OpenAI ; uuring LLM-i loodud teksti tuvastamise kohta )

Lühidalt:

  • Detektorid tuginevad klassifikaatoritele, perpleksilisusele/purskelisusele, stülomeetriale ja mõnikord ka vesimärkidele 🧩 ( LLM-i genereeritud teksti tuvastamise uuring )

  • Nad hindavad tehisintellekti sarnasust, mitte kindlust ( OpenAI )

  • Valepositiivseid tulemusi juhtub palju formaalses, tehnilises või mitte-emakeelses kirjutamises 😬 ( Liang jt (arXiv) ; Turnitin )

  • Kasutage detektori tulemusi ülevaatamise ajendina, mitte hinnanguna ( Turnitin )

Ja jep… kui keegi uuesti küsib, kuidas tehisintellekti detektorid töötavad , võid talle vastata: „Nad arvavad mustrite põhjal – mõnikord targad, mõnikord tobedad, alati piiratud.“ 🤖

KKK

Kuidas tehisintellekti detektorid praktikas töötavad?

Enamik tehisintellekti detektoreid ei „tõesta“ autorlust. Nad hindavad, kui lähedal teie tekst sarnaneb keelemudelite tavaliselt loodud mustritele, ja seejärel väljastavad tõenäosusliku skoori. Kapoti all võivad nad kasutada klassifikaatormudeleid, segaduselaadset ennustatavuse hindamist, stülomeetria funktsioone või vesimärkide kontrolle. Tulemust on kõige parem käsitleda riskisignaalina, mitte lõpliku otsusena.

Milliseid signaale tehisintellekti detektorid kirjas otsivad?

Levinud signaalide hulka kuuluvad ennustatavus (kui „üllatunud“ modell teie järgmiste sõnade peale on), kordus lausestruktuurides, ebatavaliselt ühtlane tempo ja üldine fraseerimine vähese konkreetse detailiga. Mõned tööriistad uurivad ka stülomeetria markereid, nagu lause pikkus, kirjavahemärkide kasutusharjumused ja funktsioonisõnade sagedus. Need signaalid võivad kattuda inimkirjaga, eriti formaalsetes, akadeemilistes või tehnilistes žanrites.

Miks tehisintellekti detektorid märgistavad inimese kirjutamise tehisintellektina?

Valepositiivsed tulemused juhtuvad siis, kui inimese kirjutatud tekst tundub statistiliselt „sujuv“ või mallilaadne. Formaalne toon, nõuetele vastav sõnastus, tehnilised selgitused, lühikesed näidised ja mitte-emakeelne inglise keel võivad kõik tehisintellekti-laadseks tunduda, kuna need vähendavad variatsiooni. Seetõttu võib puhas ja hästi toimetatud lõik anda kõrge tulemuse. Detektor võrdleb sarnasust, mitte ei kinnita päritolu.

Kas perpleksilisuse ja "purskekindluse" detektorid on usaldusväärsed?

Segadusel põhinevad meetodid võivad toimida ka siis, kui tekst on toores ja väga etteaimatav tehisintellekti väljund. Kuid need on habras: lühikesed lõigud on lärmakad ja paljud õigustatud inimžanrid on loomupäraselt etteaimatavad (kokkuvõtted, definitsioonid, ettevõtete e-kirjad, käsiraamatud). Redigeerimine ja lihvimine võivad samuti tulemust dramaatiliselt muuta. Need tööriistad sobivad kiireks triaažiks, mitte aga suurte panustega otsuste langetamiseks.

Mis vahe on klassifikaatordetektoritel ja stülomeetria tööriistadel?

Klassifikaatori detektorid õpivad inimese ja tehisintellekti (ja mõnikord ka hübriidteksti) sildistatud andmekogumitest ning ennustavad, millisele ämbrile teie tekst kõige rohkem sarnaneb. Stülomeetria tööriistad keskenduvad „sõrmejälgede” kirjutamisele, nagu sõnavaliku mustrid, funktsioonisõnad ja loetavuse signaalid, mis võivad olla pikemate vormide analüüsis informatiivsemad. Mõlemad lähenemisviisid kannatavad valdkonna nihkumise all ja võivad olla raskustes, kui kirjutamisstiil või teema erineb nende treeningandmetest.

Kas vesimärgid lahendavad tehisintellekti tuvastamise jäädavalt?

Vesimärgid võivad olla tugevad, kui mudel neid kasutab ja detektor teab vesimärgi skeemi. Tegelikkuses ei kasuta kõik pakkujad vesimärke ja tavalised teisendused – parafraseerimine, tõlkimine, osaline tsiteerimine või allikate segamine – võivad mustrit nõrgestada või murda. Vesimärkide tuvastamine on võimas kitsastel juhtudel, kus kogu ahel joondub, kuid see ei ole universaalne.

Kuidas peaksin tõlgendama „X% AI” skoori?

Käsitle ühte protsenti kui ligikaudset tehisintellekti sarnasuse näitajat, mitte tõendit tehisintellekti autorluse kohta. Keskmise suurusega skoorid on eriti mitmetähenduslikud ja isegi kõrged skoorid võivad standardiseeritud või ametlikus kirjutamises olla valed. Paremad tööriistad pakuvad selgitusi, näiteks esiletõstetud ulatusi, tunnusmärkmeid ja ebakindluse väljendeid. Kui detektor ennast ise ei seleta, ära käsitle numbrit autoriteetse näitajana.

Mis teeb tehisintellekti detektorist hea koolide või toimetuslike töövoogude jaoks?

Kindel detektor on kalibreeritud, minimeerib valepositiivseid tulemusi ja edastab piire selgelt. See peaks vältima lühikeste valimite puhul liiga enesekindlaid väiteid, hakkama saama erinevate valdkondadega (akadeemiline vs blogi vs tehniline) ja jääma stabiilseks, kui inimesed teksti muudavad. Kõige vastutustundlikumad tööriistad käituvad alandlikult: nad pakuvad tõendeid ja ebakindlust, selle asemel et tegutseda nagu mõtete lugejad.

Kuidas vähendada juhuslikke tehisintellekti märgistusi ilma süsteemi "mängimata"?

Keskendu autentsetele autori signaalidele, mitte nippidele. Lisa konkreetseid üksikasju (sammud, piirangud, kompromissid), varieeri lauserütmi loomulikult ja väldi liiga mallide järgi tehtud üleminekuid, mida sa tavaliselt ei kasuta. Säilita mustandid, märkmed ja paranduste ajalugu – vaidluste korral on protsessi tõendid sageli olulisemad kui detektori skoor. Eesmärk on isikupärane selgus, mitte täiuslik brošüüri proosa.

Viited

  1. Arvutuslingvistika Assotsiatsioon (ACL Anthology) - Uuring LLM-i loodud teksti tuvastamise kohta - aclanthology.org

  2. OpenAI - Uus tehisintellekti klassifikaator tehisintellekti kirjutatud teksti tähistamiseks - openai.com

  3. Turnitini juhendid - tehisintellekti abil kirjutatud teksti tuvastamine klassikalises aruandevaates - guides.turnitin.com

  4. Turnitini juhendid - tehisintellekti kirjutamise tuvastamise mudel - guides.turnitin.com

  5. Turnitin - Valepositiivsete tulemuste mõistmine meie tehisintellekti kirjutamistuvastusvõimaluste raames - turnitin.com

  6. arXiv - DetectGPT - arxiv.org

  7. Bostoni Ülikool - Segaduse postitused - cs.bu.edu

  8. GPTZero - Segadus ja purskus: mis see on? - gptzero.me

  9. PubMed Central (NCBI) - Stülomeetria ja kohtuekspertiis: kirjanduse ülevaade - ncbi.nlm.nih.gov

  10. Arvutuslingvistika Assotsiatsioon (ACL Anthology) - Autori omistamise funktsioonisõnad - aclanthology.org

  11. arXiv - vesimärk suurtele keelemudelitele - arxiv.org

  12. Google'i tehisintellekt arendajatele – SynthID tekst – ai.google.dev

  13. arXiv - Suurte keelemudelite vesimärkide usaldusväärsusest - arxiv.org

  14. OpenAI – veebis nähtu ja kuuldu allika mõistmine – openai.com

  15. Stanfordi HAI – tehisintellekti detektorid on kallutatud mitte-emakeelsete inglise keelt kõnelevate kirjanike suhtes – hai.stanford.edu

  16. arXiv - Liang jt - arxiv.org

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist

Tagasi blogisse