Kā darbojas mākslīgā intelekta detektori?

Kā darbojas mākslīgā intelekta detektori?

Īsā atbilde: mākslīgā intelekta detektori "nepierāda", kas kaut ko ir sarakstījis; tie novērtē, cik precīzi fragments atbilst pazīstamiem valodas modeļa modeļiem. Lielākā daļa paļaujas uz klasifikatoru, paredzamības signālu (apjukuma/pārspīlējuma), stilometrijas un retākos gadījumos ūdenszīmju pārbaužu apvienojumu. Ja paraugs ir īss, ļoti formāls, tehnisks vai to ir sarakstījis angļu valodas kā otrās valodas autors, uztveriet vērtējumu kā norādi pārskatīšanai, nevis spriedumu.

Galvenie secinājumi:

Varbūtība, nevis pierādījums : procentuālās daļas uztveriet kā “mākslīgā intelekta līdzības” riska signālus, nevis pārliecību.

Kļūdaini pozitīvi rezultāti : formāls, tehnisks, veidnēs balstīts vai nevietējā valodā rakstīts teksts bieži tiek nepareizi atzīmēts.

Metožu sajaukums : rīki apvieno klasifikatorus, sarežģītības/pārsprāgtības, stilometriju un neparastas ūdenszīmju pārbaudes.

Caurspīdīgums : dodiet priekšroku detektoriem, kas aptver virsmas diapazonus, pazīmes un nenoteiktību, nevis tikai vienu skaitli.

Apstrīdamība : Saglabājiet melnrakstus/piezīmes un procesa pierādījumus strīdu un apelāciju gadījumā.

Kā darbojas mākslīgā intelekta detektori? Infografika

Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:

🔗 Kāds ir labākais mākslīgā intelekta detektors?
Labāko mākslīgā intelekta noteikšanas rīku salīdzinājums pēc precizitātes, funkcijām un lietošanas gadījumiem.

🔗 Vai mākslīgā intelekta detektori ir uzticami?
Izskaidro uzticamību, viltus pozitīvus rezultātus un to, kāpēc rezultāti bieži atšķiras.

🔗 Vai Turnitin var noteikt mākslīgo intelektu?
Pilnīgs ceļvedis par Turnitin mākslīgā intelekta noteikšanu, ierobežojumiem un labāko praksi.

🔗 Vai QuillBot AI detektors ir precīzs?
Detalizēts precizitātes, stipro un vājo pušu, kā arī reālās pasaules testu pārskats.

1) Īsa ideja — ko īsti dara mākslīgā intelekta detektors ⚙️

Lielākā daļa mākslīgā intelekta detektoru "neķer mākslīgo intelektu" kā tīkls, kas ķer zivi. Tie dara kaut ko prozaiskāku:

Būsim godīgi — lietotāja interfeiss rādīs kaut ko līdzīgu “92% mākslīgā intelekta”, un jūsu smadzenes iesauks: “Ak, laikam jau tas ir fakts.” Tas nav fakts. Tas ir modeļa minējums par cita modeļa pirkstu nospiedumiem. Kas ir nedaudz smieklīgi, līdzīgi kā suņi ošņā suņus 🐕🐕

2) Kā darbojas mākslīgā intelekta detektori: visizplatītākie “noteikšanas dzinēji” 🔍

Detektori parasti izmanto vienu no šīm pieejām (vai to kombināciju): ( Aptauja par LLM ģenerēta teksta noteikšanu )

A) Klasifikatora modeļi (visizplatītākie)

Klasifikators tiek apmācīts, izmantojot marķētus piemērus:

  • Cilvēka rakstīti paraugi

  • AI ģenerēti paraugi

  • Dažreiz “hibrīdi” paraugi (cilvēka rediģēts mākslīgā intelekta teksts)

Tad tā apgūst modeļus, kas atdala grupas. Šī ir klasiska mašīnmācīšanās pieeja, un tā var būt pārsteidzoši laba… līdz brīdim, kad tā vairs nav. ( Aptauja par LLM ģenerēta teksta noteikšanu )

B) Apjukuma un “pārsprāguma” vērtēšana 📈

Daži detektori aprēķina, cik “paredzams” ir teksts.

  • Apjukums : aptuveni, cik pārsteigts valodas modelis ir par nākamo vārdu. ( Bostonas Universitāte — apjukuma ieraksti )

  • Zemāka neskaidrība var liecināt, ka teksts ir ļoti paredzams (kas var notikt ar mākslīgā intelekta izvadi). ( DetectGPT )

  • “Burstiness” (saīsinājums) mēģina izmērīt teikumu sarežģītības un ritma variācijas. ( GPTZero )

Šī pieeja ir vienkārša un ātra. To ir arī viegli sajaukt, jo arī cilvēki var rakstīt paredzami (sveiki, korporatīvie e-pasti). ( OpenAI )

C) Stilometrija (raksta pirkstu nospiedumu noņemšana) ✍️

Stilometrija aplūko tādus modeļus kā:

  • vidējais teikuma garums

  • pieturzīmju stils

  • funkcijas vārdu biežums (the, and, but…)

  • vārdu krājuma daudzveidība

  • lasāmības rādītāji

Tas ir līdzīgi kā “rokraksta analīze”, izņemot tekstu. Dažreiz tas palīdz. Dažreiz tas ir līdzīgi kā saaukstēšanās diagnosticēšana, aplūkojot kāda cilvēka apavus. ( Stilometrija un kriminālistika: literatūras apskats ; Funkciju vārdi autorības norādīšanā )

D) Ūdenszīmju noteikšana (ja tāda ir) 🧩

Daži modeļu nodrošinātāji var iegult smalkus rakstus (“ūdenszīmes”) ģenerētajā tekstā. Ja detektors zina ūdenszīmes shēmu, tas var mēģināt to pārbaudīt. ( Ūdenszīme lieliem valodu modeļiem ; SynthID teksts )

Bet… ne visiem modeļiem ir ūdenszīme, ne visi izvades dati saglabā ūdenszīmi pēc rediģēšanas, un ne visiem detektoriem ir piekļuve slepenajai receptei. Tāpēc tas nav universāls risinājums. ( Par ūdenszīmju uzticamību lieliem valodu modeļiem ; OpenAI )

3) Kas veido labu mākslīgā intelekta detektora versiju ✅

“Labs” detektors (pēc manas pieredzes, testējot vairākus no tiem blakus redakcionālām darbplūsmām) nav tas, kas kliedz visskaļāk. Tas ir tas, kas uzvedas atbildīgi.

Lūk, kas padara AI detektoru stabilu:

  • Kalibrēta ticamība : 70% vajadzētu nozīmēt kaut ko konsekventu, nevis rokas vicināšanu. ( Aptauja par LLM ģenerēta teksta noteikšanu )

  • Zems kļūdaini pozitīvu rezultātu skaits : nevajadzētu atzīmēt tekstu, kas nav dzimtā angļu valoda, juridiskos rakstus vai tehniskās rokasgrāmatas kā “mākslīgo intelektu” tikai tāpēc, ka tās ir tīras. ( Stenfordas HAI ; Liang et al. (arXiv) )

  • Caurspīdīgas robežas : tai jāpieļauj nenoteiktība un jāparāda diapazoni, nevis jāizliekas, ka tā ir viszinoša. ( OpenAI ; Turnitin )

  • Domēna atpazīšana : detektoriem, kas apmācīti ikdienas emuāros, bieži vien ir grūtības ar akadēmisku tekstu un otrādi. ( Aptauja par LLM ģenerēta teksta noteikšanu )

  • Īsu tekstu apstrāde : labi rīki ļauj izvairīties no pārāk pārliecinošiem vērtējumiem nelielos paraugos (rindkopa nav vesels universs). ( OpenAI ; Turnitin )

  • Revīzijas jutība : tai vajadzētu tikt galā ar cilvēka veiktu rediģēšanu, nekavējoties neradot bezjēdzīgus rezultātus. ( Aptauja par LLM ģenerēta teksta noteikšanu )

Labākie, ko esmu redzējis, mēdz būt nedaudz pazemīgi. Sliktākie uzvedas tā, it kā lasītu domas 😬

4) Salīdzināšanas tabula — izplatītākie mākslīgā intelekta detektoru “veidi” un to priekšrocības 🧾

Zemāk ir sniegts praktisks salīdzinājums. Tie nav zīmolu nosaukumi — tās ir galvenās kategorijas, ar kurām jūs saskarsieties. ( Aptauja par LLM ģenerēta teksta noteikšanu )

Instrumenta tips (aptuveni) Labākā auditorija Cenas sajūta Kāpēc tas darbojas (dažreiz)
Perplexity Checker Lite Skolotāji, ātras pārbaudes Brīvības pieskaņa Ātrs paredzamības signāls, taču var būt arī saraustīts…
Klasifikatora skeneris Pro Redaktori, personāla vadība, atbilstības nodrošināšana Abonements Apgūst modeļus no marķētiem datiem — pieņemami darbojas ar vidēja garuma tekstu
Stilometrijas analizators Pētnieki, tiesu medicīnas speciālisti $$$ vai niša Salīdzina pirkstu nospiedumu rakstīšanu — savdabīgs, bet noderīgs garākā formā
Ūdenszīmju meklētājs Platformas, iekšējās komandas Bieži komplektā Spēcīgs, ja ir ūdenszīme — ja tās nav, tas būtībā ir plecu paraustīšana
Hibrīda uzņēmuma komplekts Lielas organizācijas Līgumi par katru vietu Apvieno vairākus signālus — labāks pārklājums, vairāk regulēšanas pogu (un vairāk veidu, kā nepareizi konfigurēt, ups)

Ievērojiet kolonnu “cenas sajūta”. Jā, tas nav zinātnisks apgalvojums. Bet tas ir atklāti 😄

5) Detektoru meklētie galvenie signāli — “ziņotāji” 🧠

Lūk, ko daudzi detektori mēģina izmērīt zem pārsega:

Paredzamība (tokenu varbūtība)

Valodu modeļi ģenerē tekstu, paredzot iespējamos nākamos marķierus. Tas parasti rada:

Cilvēki, savukārt, bieži vien vairāk zigzaga veidā kļūdās. Mēs paši sev pretrunājam, pievienojam nejaušus komentārus, lietojam nedaudz nepareizas metaforas — piemēram, salīdzinot mākslīgā intelekta detektoru ar tosteri, kas vērtē dzeju. Šī metafora ir slikta, bet jūs sapratāt.

Atkārtošanās un struktūras modeļi

Mākslīgā intelekta rakstīšana var parādīt smalkas atkārtošanās:

Bet arī - daudzi cilvēki raksta šādi, it īpaši skolā vai korporatīvajā vidē. Tātad atkārtošana ir pavediens, nevis pierādījums.

Pārāk skaidra un “pārāk tīra” proza ​​✨

Šis ir īpatnējs gadījums. Daži detektori netieši uzskata “ļoti tīru rakstību” par aizdomīgu. ( OpenAI )

Kas ir neērti, jo:

  • labi rakstnieki pastāv

  • redaktori pastāv

  • pareizrakstības pārbaude pastāv

Tātad, ja jūs domājat par to, kā darbojas mākslīgā intelekta detektori , daļa no atbildes ir šāda: dažreiz tie atalgo rupjību. Kas ir… nedaudz apgriezti.

Semantiskais blīvums un vispārīga frāze

Detektori var atzīmēt tekstu, kas šķiet:

Mākslīgais intelekts bieži rada saturu, kas izklausās saprātīgs, bet nedaudz mākslīgs. Piemēram, viesnīcas numurs, kas izskatās jauki, bet bez personības 🛏️

6) Klasifikatora pieeja — kā tā tiek apmācīta (un kāpēc tā nedarbojas) 🧪

Klasifikatora detektors parasti tiek apmācīts šādi:

  1. Apkopojiet cilvēka teksta datu kopu (esejas, raksti, forumi utt.)

  2. Ģenerēt mākslīgā intelekta tekstu (vairākas uzvednes, stili, garumi)

  3. Marķējiet paraugus

  4. Apmācīt modeli, lai tos atdalītu, izmantojot funkcijas vai iegultos elementus

  5. Validējiet to ar slēptiem datiem

  6. Nosūti to… un tad realitāte tam ietriecas sejā ( Aptauja par LLM ģenerēta teksta atpazīšanu )

Kāpēc realitāte to sit:

  • Domēna nobīde : apmācības dati neatbilst reālajam lietotāja rakstītajam

  • Modeļa nobīde : jaunās paaudzes modeļi neuzvedas tāpat kā datu kopā esošie.

  • Rediģēšanas efekti : cilvēku veiktās rediģēšanas var noņemt acīmredzamus modeļus, bet saglabāt smalkus.

  • Valodas variācijas : dialekti, angļu valodas kā otrās valodas rakstīšana un formālie stili tiek nepareizi nolasīti ( Apsekojums par LLM ģenerēta teksta noteikšanu ; Liang et al. (arXiv) )

Esmu redzējis detektorus, kas paši savā demonstrācijas komplektā bija “izcili”, bet pēc tam, rakstot reālā darba vietā, sabruka. Tas ir kā apmācīt ostīšanas suni tikai ar vienas markas cepumiem un sagaidīt, ka tas atradīs visas uzkodas pasaulē 🍪

7) Apjukums un strauja satraukuma sajūta — matemātikas saīsne 📉

Šī detektoru saime parasti balstās uz valodas modeļa vērtēšanu:

  • Viņi izvada jūsu tekstu caur modeli, kas novērtē katra nākamā marķiera iespējamību.

  • Viņi aprēķina kopējo “pārsteigumu” (apjukumu). ( Bostonas Universitāte — apjukuma ieraksti )

  • Viņi var pievienot variācijas rādītājus (“pārsprāgstošu ritmu”), lai redzētu, vai ritms šķiet cilvēcisks. ( GPTZero )

Kāpēc tas dažreiz darbojas:

  • Neapstrādāts mākslīgā intelekta teksts var būt ārkārtīgi vienmērīgs un statistiski paredzams ( DetectGPT )

Kāpēc tas neizdodas:

  • īsi paraugi ir trokšņaini

  • formāla rakstīšana ir paredzama

  • tehniskā rakstīšana ir paredzama

  • svešvalodas rakstība var būt paredzama

  • stipri rediģēts mākslīgā intelekta teksts var izskatīties cilvēcisks ( OpenAI ; Turnitin )

Tātad, kā darbojas mākslīgā intelekta detektori, dažreiz atgādina ātruma lielgabalu, kas mulsina velosipēdistus un motociklus. Viens un tas pats ceļš, dažādi dzinēji 🚲🏍️

8) Ūdenszīmes — ideja par “pirkstu nospiedumu tintē” 🖋️

Ūdenszīmju lietošana izklausās pēc tīra risinājuma: iezīmēt mākslīgā intelekta tekstu ģenerēšanas laikā un pēc tam to noteikt vēlāk. ( Ūdenszīme lieliem valodu modeļiem ; SynthID teksts )

Praksē ūdenszīmes var būt trauslas:

Turklāt ūdenszīmju noteikšana darbojas tikai tad, ja:

  • tiek izmantota ūdenszīme

  • detektors zina, kā to pārbaudīt

  • teksts nav daudz pārveidots ( OpenAI ; SynthID Text )

Tātad, jā, ūdenszīmes var būt spēcīgas, taču tās nav universāla policijas nozīmīte.

9) Viltus pozitīvi rezultāti un to rašanās iemesls (sāpīgā daļa) 😬

Tas ir pelnījis savu atsevišķu sadaļu, jo tieši tur rodas vislielākās pretrunas.

Biežākie viltus pozitīvie trigeri:

  • Ļoti formāls tonis (akadēmisks, juridisks, atbilstības rakstīšanas darbs)

  • Nedzimtā angļu valoda (vienkāršākas teikumu struktūras var izskatīties “parauga veidā”)

  • Rakstīšana, kuras pamatā ir veidnes (motivācijas vēstules, SOP, laboratorijas ziņojumi)

  • Īsi teksta paraugi (nav pietiekams signāls)

  • Tēmas ierobežojumi (dažas tēmas piespiež atkārtotu frāzēšanu) ( Liang et al. (arXiv) ; Turnitin )

Ja kādreiz esat redzējuši, ka kāds tiek atzīmēts par pārāk labu rakstīšanu… jā. Tas notiek. Un tas ir nežēlīgi.

Detektora vērtējums jāapstrādā šādi:

  • dūmu detektors, nevis tiesas spriedums 🔥
    Tas pasaka “varbūt pārbaudīt”, nevis “lieta slēgta”. ( OpenAI ; Turnitin )

10) Kā interpretēt detektora rezultātus kā pieaugušajam 🧠🙂

Lūk, praktisks veids, kā nolasīt rezultātus:

Ja rīks sniedz vienu procentuālo vērtību

Uztveriet to kā aptuvenu riska signālu:

  • 0-30%iespējams, cilvēka darbs vai stipri rediģēts

  • 30-70%neskaidra zona — nepieņemiet neko

  • 70–100 % : ticamāki mākslīgajam intelektam līdzīgi modeļi, taču tie joprojām nav pierādījumi ( Turnitin rokasgrāmatas )

Pat augsti rezultāti var būt nepareizi, īpaši attiecībā uz:

  • standartizēta rakstīšana

  • noteikti žanri (kopsavilkumi, definīcijas)

  • ESL rakstīšana ( Liang et al. (arXiv) )

Meklējiet skaidrojumus, ne tikai skaitļus

Labāki detektori nodrošina:

Ja rīks atsakās kaut ko paskaidrot un vienkārši uzspiež jums pa pieri skaitli… es tam neuzticos. Jums arī nevajadzētu.

11) Kā darbojas mākslīgā intelekta detektori: vienkāršs mentālais modelis 🧠🧩

Ja vēlaties tīru ēdienu līdzņemšanai, izmantojiet šo mentālo modeli:

  1. Mākslīgā intelekta detektori meklē statistiskus un stilistiskus modeļus, kas ir izplatīti mašīnģenerētā tekstā. ( Aptauja par LLM ģenerēta teksta noteikšanu )

  2. Viņi salīdzina šos modeļus ar to, ko ir iemācījušies no apmācības piemēriem. ( Aptauja par LLM ģenerēta teksta noteikšanu )

  3. Tie izvada varbūtībai līdzīgu minējumu , nevis faktisku izcelsmes stāstu. ( OpenAI )

  4. Minējums ir jutīgs pret žanru, tēmu, garumu, rediģēšanu un detektora apmācības datiem . ( Aptauja par LLM ģenerēta teksta noteikšanu )

Citiem vārdiem sakot, mākslīgā intelekta detektori darbojas tā, ka tie "vērtē līdzību", nevis autorību. Līdzīgi kā teikt, ka kāds izskatās pēc sava brālēna. Tas nav tas pats, kas DNS tests... un pat DNS testiem ir robežgadījumi.

12) Praktiski padomi, kā samazināt nejaušu karodziņu skaitu (nespēlējot spēles) ✍️✅

Nevis "kā apmānīt detektorus". Drīzāk kā rakstīt tā, lai atspoguļotu īsto autorību un izvairītos no nejaušām kļūdām.

  • Pievienojiet konkrētu informāciju: faktiski izmantoto jēdzienu nosaukumus, veiktās darbības, apsvērtos kompromisus

  • Izmantojiet dabisko variāciju: kombinējiet īsus un garus teikumus (tāpat kā cilvēki domāšanas laikā)

  • Iekļaujiet reālus ierobežojumus: laika ierobežojumus, izmantotos rīkus, kas nogāja greizi, ko jūs darītu citādi

  • Izvairieties no pārāk sakarīga formulējuma: nomainiet vārdu “Turklāt” ar kaut ko tādu, ko jūs patiesībā teiktu

  • Saglabājiet melnrakstus un piezīmes: strīda gadījumā procesa pierādījumi ir svarīgāki par intuīciju

Patiesībā labākā aizsardzība ir vienkārši… būt patiesam. Nepilnīgi patiesam, nevis “ideāli patiesam” kā “brošūrai”.

Noslēguma piezīmes 🧠✨

Mākslīgā intelekta detektori var būt vērtīgi, taču tie nav patiesības mašīnas. Tie ir modeļu saskaņotāji, kas apmācīti ar nepilnīgiem datiem un darbojas pasaulē, kurā rakstīšanas stili pastāvīgi pārklājas. ( OpenAI ; Aptauja par LLM ģenerēta teksta noteikšanu )

Īsumā:

  • Detektori paļaujas uz klasifikatoriem, perpleksiju/pārsprāgstošu raksturu, stilometriju un dažreiz ūdenszīmēm 🧩 ( Aptauja par LLM ģenerēta teksta noteikšanu )

  • Viņi novērtē “mākslīgā intelekta līdzību”, nevis noteiktību ( OpenAI )

  • Kļūdaini pozitīvi rezultāti bieži rodas formālā, tehniskā vai ne-dzimtās valodas rakstībā 😬 ( Liang et al. (arXiv) ; Turnitin )

  • Izmantojiet detektora rezultātus kā pamudinājumu pārskatīšanai, nevis spriedumu ( Turnitin )

Un jā… ja kāds atkal jautā, kā darbojas mākslīgā intelekta detektori , varat viņam atbildēt: “Viņi min, balstoties uz modeļiem – dažreiz gudri, dažreiz muļķīgi, vienmēr ierobežoti.” 🤖

Bieži uzdotie jautājumi

Kā praktiski darbojas mākslīgā intelekta detektori?

Lielākā daļa mākslīgā intelekta detektoru "nepierāda" autorību. Tie novērtē, cik lielā mērā jūsu teksts līdzinās valodu modeļu parasti ģenerētiem modeļiem, un pēc tam izvada varbūtībai līdzīgu vērtējumu. Zem pārsega tie var izmantot klasifikatoru modeļus, paredzamības vērtēšanu sarežģītības stilā, stilometrijas funkcijas vai ūdenszīmju pārbaudes. Rezultātu vislabāk uzskatīt par riska signālu, nevis galīgu spriedumu.

Kādus signālus rakstībā meklē mākslīgā intelekta detektori?

Bieži sastopamas pazīmes ir paredzamība (cik “pārsteigts” modelis ir par jūsu nākamajiem vārdiem), atkārtošanās teikumu sastatnēs, neparasti konsekvents temps un vispārīgas frāzes ar zemu konkrētu detaļu līmeni. Daži rīki analizē arī stilometrijas marķierus, piemēram, teikuma garumu, pieturzīmju lietošanas paradumus un funkcionālo vārdu biežumu. Šīs pazīmes var pārklāties ar cilvēka rakstīto, īpaši formālos, akadēmiskos vai tehniskos žanros.

Kāpēc mākslīgā intelekta detektori cilvēka rakstīto tekstu atzīmē kā mākslīgo intelektu?

Kļūdaini pozitīvi rezultāti rodas, ja cilvēka rakstīts teksts izskatās statistiski “gluds” vai līdzīgs veidnei. Formāls tonis, atbilstības stila formulējums, tehniski skaidrojumi, īsi paraugi un angļu valoda, kas nav dzimtā valoda, var tikt kļūdaini interpretēta kā mākslīgā intelekta teksts, jo tie samazina variācijas. Tāpēc tīra, labi rediģēta rindkopa var izraisīt augstu vērtējumu. Detektors salīdzina līdzību, nevis apstiprina izcelsmi.

Vai perpleksitātes un "pārsprādziena" detektori ir uzticami?

Uz sarežģītību balstītas metodes var darboties, ja teksts ir neapstrādāts, ļoti paredzams mākslīgā intelekta rezultāts. Taču tās ir trauslas: īsas rindkopas ir trokšņainas, un daudzi likumīgi cilvēku radīti žanri ir dabiski paredzami (kopsavilkumi, definīcijas, korporatīvie e-pasti, rokasgrāmatas). Rediģēšana un pulēšana var arī dramatiski mainīt vērtējumu. Šie rīki ir piemēroti ātrai atlasei, nevis lēmumiem par augstām likmēm.

Kāda ir atšķirība starp klasifikatora detektoriem un stilometrijas rīkiem?

Klasifikatoru detektori mācās no marķētām cilvēka un mākslīgā intelekta (un dažreiz arī hibrīda) teksta datu kopām un paredz, kurai grupai jūsu teksts visvairāk līdzinās. Stilometrijas rīki koncentrējas uz “pirkstu nospiedumu” rakstīšanu, piemēram, vārdu izvēles modeļiem, funkciju vārdiem un lasāmības signāliem, kas var būt informatīvāki garās formas analīzē. Abas pieejas cieš no domēna nobīdes un var rasties grūtības, ja rakstīšanas stils vai tēma atšķiras no to apmācības datiem.

Vai ūdenszīmes uz visiem laikiem atrisina mākslīgā intelekta noteikšanu?

Ūdenszīmes var būt spēcīgas, ja modelis tās izmanto un detektors zina ūdenszīmes shēmu. Patiesībā ne visi pakalpojumu sniedzēji izmanto ūdenszīmi, un izplatītas transformācijas — pārfrāzēšana, tulkošana, daļēja citēšana vai avotu sajaukšana — var vājināt vai salauzt modeli. Ūdenszīmju noteikšana ir spēcīga šauros gadījumos, kad visa ķēde sakrīt, taču tā nav universāla.

Kā man jāinterpretē “X% AI” rādītājs?

Uztveriet vienu procentuālo daļu kā aptuvenu “mākslīgā intelekta līdzības” rādītāju, nevis mākslīgā intelekta autorības pierādījumu. Vidēja diapazona rezultāti ir īpaši neskaidri, un pat augsti rezultāti standartizētā vai formālā rakstībā var būt nepareizi. Labāki rīki sniedz skaidrojumus, piemēram, iezīmētus diapazonus, piezīmes par funkcijām un nenoteiktības formulējumu. Ja detektors pats sevi nepaskaidro, neuztveriet skaitli kā autoritatīvu.

Kas padara AI detektoru labu skolām vai redakcionālām darbplūsmām?

Stabils detektors ir kalibrēts, samazina kļūdaini pozitīvu rezultātu skaitu un skaidri norāda ierobežojumus. Tam vajadzētu izvairīties no pārāk pārliecinātiem apgalvojumiem par īsiem paraugiem, darboties dažādās jomās (akadēmiskajā, emuāru un tehniskajā jomā) un saglabāt stabilitāti, kad cilvēki pārskata tekstu. Visatbildīgākie rīki uzvedas ar pazemību: tie piedāvā pierādījumus un nenoteiktību, nevis darbojas kā domu lasītāji.

Kā es varu samazināt nejaušu mākslīgā intelekta karodziņu skaitu, "neietekmējot" sistēmu?

Koncentrējieties uz autentiskām autorības pazīmēm, nevis trikiem. Pievienojiet konkrētus aprakstus (veiktos soļus, ierobežojumus, kompromisus), dabiski mainiet teikumu ritmu un izvairieties no pārāk šabloniskām pārejām, kuras parasti neizmantojat. Saglabājiet melnrakstus, piezīmes un pārskatīšanas vēsturi — strīdos procesa pierādījumi bieži vien ir svarīgāki par detektora rezultātu. Mērķis ir skaidrība ar personību, nevis perfekta brošūras proza.

Atsauces

  1. Datorlingvistikas asociācija (ACL antoloģija) — aptauja par LLM ģenerēta teksta noteikšanu — aclanthology.org

  2. OpenAI — jauns mākslīgā intelekta klasifikators mākslīgā intelekta rakstīta teksta apzīmēšanai — openai.com

  3. Turnitin rokasgrāmatas — mākslīgā intelekta rakstīšanas noteikšana klasiskajā atskaites skatā — guides.turnitin.com

  4. Turnitin rokasgrāmatas — mākslīgā intelekta rakstīšanas noteikšanas modelis — guides.turnitin.com

  5. Turnitin — izpratne par viltus pozitīviem rezultātiem mūsu mākslīgā intelekta rakstīšanas noteikšanas iespējās — turnitin.com

  6. arXiv — DetectGPT — arxiv.org

  7. Bostonas Universitāte — Apjukuma raksti — cs.bu.edu

  8. GPTZero — Apjukums un eksplozija: kas tas ir? — gptzero.me

  9. PubMed Central (NCBI) - Stilometrija un kriminālistika: literatūras apskats - ncbi.nlm.nih.gov

  10. Datorlingvistikas asociācija (ACL antoloģija) — Funkciju vārdi autorības atribucijā — aclanthology.org

  11. arXiv — ūdenszīme lieliem valodu modeļiem — arxiv.org

  12. Google mākslīgais intelekts izstrādātājiem — SynthID teksts — ai.google.dev

  13. arXiv — Par ūdenszīmju uzticamību lielo valodu modeļos — arxiv.org

  14. OpenAI — Izpratne par to, ko mēs redzam un dzirdam tiešsaistē — openai.com

  15. Stenfordas Universitātes HAI — mākslīgā intelekta detektori ir neobjektīvi pret rakstniekiem, kuru dzimtā valoda nav angļu — hai.stanford.edu

  16. arXiv — Liang et al. — arxiv.org

Atrodiet jaunāko mākslīgo intelektu oficiālajā mākslīgā intelekta palīgu veikalā

Par mums

Atpakaļ uz emuāru