Răspuns scurt: Detectoarele de inteligență artificială nu „dovedesc” cine a scris ceva; ele estimează cât de mult se potrivește un pasaj cu modelele familiare ale modelului lingvistic. Majoritatea se bazează pe o combinație de clasificatori, semnale de predictibilitate (perplexitate/explozie), stilometrie și, în cazuri mai rare, verificări ale filigranului. Când eșantionul este scurt, foarte formal, tehnic sau scris de un autor ESL, tratați scorul ca pe un indiciu de revizuire - nu ca pe un verdict.
Concluzii cheie:
Probabilitate, nu dovadă : Tratați procentele ca semnale de risc „asemănătoare inteligenței artificiale”, nu ca certitudine.
Fals pozitive : Scrierea formală, tehnică, bazată pe șabloane sau non-nativă este frecvent semnalată greșit.
Combinație de metode : Instrumentele combină clasificatori, perplexitate/explozie, stilometrie și verificări mai puțin frecvente ale filigranelor.
Transparență : Se preferă detectoare care prezintă întinderi, caracteristici și incertitudini - nu doar un singur număr.
Contestabilitate : Păstrați la îndemână schițe/note și dovezi de proces pentru contestații și contestații.
Articole pe care ți-ar putea plăcea să le citești după acesta:
🔗 Care este cel mai bun detector de inteligență artificială?
Instrumente de top de detectare a inteligenței artificiale comparate în funcție de precizie, caracteristici și cazuri de utilizare.
🔗 Sunt detectoarele de inteligență artificială fiabile?
Explică fiabilitatea, rezultatele fals pozitive și de ce rezultatele variază adesea.
🔗 Poate Turnitin detecta inteligența artificială?
Ghid complet despre detectarea, limitele și cele mai bune practici prin inteligența artificială în Turnitin.
🔗 Este detectorul QuillBot AI precis?
Revizuire detaliată a preciziei, punctelor forte, punctelor slabe și testelor din lumea reală.
1) Ideea rapidă - ce face de fapt un detector de inteligență artificială ⚙️
Majoritatea detectoarelor de inteligență artificială nu „prind inteligența artificială” așa cum o plasă prinde un pește. Fac ceva mai prozaic:
-
Aceștia estimează probabilitatea ca o bucată de text să pară provenită dintr-un model lingvistic (sau să fi fost puternic asistată de unul). ( Un sondaj privind detectarea textului generat de LLM ; OpenAI )
-
Acestea compară textul tău cu modelele observate în datele de antrenament (scriere umană vs. scriere generată de modele). ( Un sondaj privind detectarea textului generat de LLM )
-
Acestea generează un scor (adesea un procent) care pare definitiv... dar de obicei nu este. ( Ghiduri Turnitin )
Să fim sinceri - interfața va afișa ceva de genul „92% AI”, iar creierul tău va spune „ei bine, cred că e un fapt”. Nu e un fapt. E o presupunere a unui model despre amprentele unui alt model. Ceea ce e ușor amuzant, ca și cum câinii ar adulmeca câinii 🐕🐕
2) Cum funcționează detectoarele cu inteligență artificială: cele mai comune „motoare de detecție” 🔍
Detectoarele folosesc de obicei una (sau o combinație) dintre aceste abordări: ( Un sondaj privind detectarea textului generat de LLM )
A) Modele de clasificare (cele mai comune)
Un clasificator este antrenat pe exemple etichetate:
-
Exemple scrise de oameni
-
Eșantioane generate de inteligență artificială
-
Uneori, mostre „hibride” (text editat de inteligența artificială umană)
Apoi învață tipare care separă grupurile. Aceasta este abordarea clasică de învățare automată și poate fi surprinzător de bună... până când nu mai este. ( Un sondaj privind detectarea textului generat de LLM )
B) Scorarea perplexității și a „explozivității” 📈
Unele detectoare calculează cât de „predictibil” este textul.
-
Perplexitate : aproximativ, cât de surprins este un model lingvistic de următorul cuvânt. ( Universitatea din Boston - Postări despre perplexitate )
-
O perplexitate mai mică poate sugera că textul este foarte previzibil (ceea ce se poate întâmpla și cu ieșirile AI). ( DetectGPT )
-
„Burstiness” încearcă să măsoare câtă variație există în complexitatea și ritmul propozițiilor. ( GPTZero )
Această abordare este simplă și rapidă. De asemenea, este ușor de confundat, deoarece oamenii pot scrie și ei previzibil (salut e-mailurile corporative). ( OpenAI )
C) Stilometrie (amprentarea scrisului) ✍️
Stilometria analizează modele precum:
-
lungimea medie a propozițiilor
-
stilul de punctuație
-
frecvența cuvântului funcțional (the, and, but…)
-
varietate de vocabular
-
scoruri de lizibilitate
Este ca „analiza scrisului de mână”, cu excepția textului. Uneori ajută. Alteori este ca și cum ai diagnostica o răceală uitându-te la pantofii cuiva. ( Stilometrie și științe criminalistice: o analiză a literaturii de specialitate ; Cuvinte funcționale în atribuirea autorului )
D) Detectarea filigranului (atunci când există) 🧩
Unii furnizori de modele pot încorpora modele subtile („filigrane”) în textul generat. Dacă un detector cunoaște schema filigranului, poate încerca să o verifice. ( Un filigran pentru modele lingvistice mari ; Text SynthID )
Dar... nu toate modelele au filigran, nu toate ieșirile păstrează filigranul după editări și nu toți detectorii au acces la secretul de bază. Deci nu este o soluție universală. ( Despre fiabilitatea filigranelor pentru modele lingvistice mari ; OpenAI )
3) Ce face ca o versiune bună a unui detector de inteligență artificială să fie bună ✅
Un detector „bun” (din experiența mea, testând mai multe detectoare alăturate pentru fluxuri de lucru editoriale) nu este cel care strigă cel mai tare. Este cel care se comportă responsabil.
Iată ce face ca un detector de inteligență artificială să fie solid:
-
Încredere calibrată : un procent de 70% ar trebui să însemne ceva consistent, nu superficial. ( Un sondaj privind detectarea textului generat de LLM )
-
Rate fals pozitive scăzute : nu ar trebui să marcheze limba engleză non-maternă, scrierile juridice sau manualele tehnice ca fiind „AI” doar pentru că sunt curate. ( Stanford HAI ; Liang și colab. (arXiv) )
-
Limite transparente : ar trebui să admită incertitudinea și să arate intervale, nu să pretindă că este omniscient. ( OpenAI ; Turnitin )
-
Conștientizarea domeniului : detectorii antrenați pe bloguri ocazionale se confruntă adesea cu dificultăți în ceea ce privește textul academic și invers. ( Un sondaj privind detectarea textului generat de LLM )
-
Gestionarea textului scurt : instrumentele bune evită scorurile prea încrezătoare pe eșantioane mici (un paragraf nu este un univers). ( OpenAI ; Turnitin )
-
Sensibilitate la revizii : ar trebui să gestioneze editarea umană fără a se prăbuși instantaneu în rezultate fără sens. ( Un sondaj privind detectarea textului generat de LLM )
Cei mai buni pe care i-am văzut tind să fie puțin umili. Cei mai răi se comportă de parcă ar citi gânduri 😬
4) Tabel comparativ - „tipuri” comune de detectoare de inteligență artificială și unde se remarcă acestea 🧾
Mai jos este o comparație practică. Acestea nu sunt nume de marcă - sunt principalele categorii pe care le veți întâlni. ( Un sondaj privind detectarea textului generat de LLM )
| Tipul de instrument (aproximativ) | Cel mai bun public | Prețul perceput | De ce funcționează (uneori) |
|---|---|---|---|
| Verificator de perplexitate Lite | Profesori, verificări rapide | Aproape gratuit | Semnal rapid privind predictibilitatea - dar poate fi instabil.. |
| Scaner de clasificare Pro | Editori, Resurse Umane, Conformitate | Abonament | Învață tipare din date etichetate - decent pe texte de lungime medie |
| Analizor de stilometrie | Cercetători, specialiști în criminalistică | $$$ sau nișă | Compară amprentele digitale obținute prin scris - ciudat, dar util în format lung |
| Găsitor de filigrane | Platforme, echipe interne | Adesea incluse în pachet | Puternic când există un filigran - dacă nu există, practic ridică din umeri |
| Suită hibridă pentru întreprinderi | Organizații mari | Contracte per loc | Combină semnale multiple - acoperire mai bună, mai multe butoane de reglat (și mai multe modalități de configurare greșită, oops) |
Observați coloana „prețul perceput”. Da, nu e științific. Dar e sincer 😄
5) Detectorii de semnale centrale caută - „indicii” 🧠
Iată ce încearcă să măsoare multe detectoare în interior:
Predictibilitate (probabilitatea tokenului)
Modelele lingvistice generează text prin prezicerea probabilelor următoarele token-uri. Acest lucru tinde să creeze:
-
tranziții mai line
-
mai puține alegeri de cuvinte surprinzătoare
-
mai puține tangente ciudate (cu excepția cazului în care vi se solicită)
-
ton consistent ( Universitatea din Boston - Postări despre perplexitate ; DetectGPT )
Oamenii, pe de altă parte, adesea merg mai mult în zig-zag. Ne contrazicem, adăugăm comentarii secundare aleatorii, folosim metafore ușor nepotrivite - cum ar fi compararea unui detector de inteligență artificială cu un prăjitor de pâine care judecă poezia. Metafora asta e proastă, dar ai înțeles-o.
Repetiție și modele de structură
Scrierea cu inteligență artificială poate prezenta o repetiție subtilă:
-
schele de propoziții repetate („În concluzie…”, „În plus…”, „În plus…”)
-
lungimi similare ale paragrafelor
-
ritm consistent ( Un sondaj privind detectarea textului generat de LLM )
Dar, de asemenea - mulți oameni scriu așa, mai ales în școală sau în mediul corporativ. Deci repetiția este un indiciu, nu o dovadă.
Claritate excesivă și proză „prea curată” ✨
Aceasta este o situație ciudată. Unele detectoare tratează implicit „scrierea foarte curată” ca fiind suspectă. ( OpenAI )
Ceea ce este jenant pentru că:
-
există scriitori buni
-
editorii există
-
verificatorul ortografic există
Deci, dacă vă întrebați cum funcționează detectoarele de inteligență artificială , o parte a răspunsului este: uneori recompensează brutalitatea. Ceea ce este... cam invers.
Densitatea semantică și formularea generică
Detectoarele pot semnala text care are următorul aspect:
-
prea general
-
deficit de detalii specifice trăite
-
prea multă afirmație echilibrată și neutră ( Un sondaj privind detectarea textului generat de LLM )
IA produce adesea conținut care sună rezonabil, dar ușor modificat. Ca o cameră de hotel care arată frumos, dar nu are nicio personalitate 🛏️
6) Abordarea clasificatorului - cum este antrenat (și de ce se defectează) 🧪
Un detector clasificator este de obicei antrenat astfel:
-
Colectați un set de date cu texte umane (eseuri, articole, forumuri etc.)
-
Generați text AI (mai multe solicitări, stiluri, lungimi)
-
Etichetați mostrele
-
Antrenează un model pentru a le separa folosind caracteristici sau încorporări
-
Validați-l pe datele reținute
-
Expediează-l... și apoi realitatea îl lovește în față ( Un sondaj privind detectarea textului generat de LLM )
De ce realitatea o lovește:
-
Schimbare de domeniu : datele de antrenament nu corespund cu scrierea reală a utilizatorului
-
Schimbare de model : modelele de nouă generație nu se comportă ca cele din setul de date
-
Efecte de editare : editările umane pot elimina tiparele evidente, dar le pot păstra pe cele subtile
-
Variația limbii : dialectele, scrierea ESL și stilurile formale sunt interpretate greșit ( Un sondaj privind detectarea textului generat de LLM ; Liang și colab. (arXiv) )
Am văzut detectoare care au fost „excelente” în propriul set de demonstrații, apoi s-au stricat la scrisul real la locul de muncă. E ca și cum ai antrena un câine adulmecător doar cu o singură marcă de fursecuri și te-ai aștepta să găsească toate gustările din lume 🍪
7) Perplexitate și explozie - scurtătura matematică 📉
Această familie de detectoare tinde să se bazeze pe scorarea modelului de limbaj:
-
Ei îți trec textul printr-un model care estimează cât de probabilă este apariția fiecărui token următor.
-
Ei calculează „surpriza” (perplexitatea) generală. ( Universitatea din Boston - Postări despre perplexitate )
-
Este posibil să adauge valori de variație („burstiness”) pentru a vedea dacă ritmul pare uman. ( GPTZero )
De ce funcționează uneori:
-
Textul brut al inteligenței artificiale poate fi extrem de fluid și previzibil din punct de vedere statistic ( DetectGPT )
De ce eșuează:
-
eșantioanele scurte sunt zgomotoase
-
Scrierea formală este previzibilă
-
Scrierea tehnică este previzibilă
-
Scrierea non-nativă poate fi previzibilă
-
Textul puternic editat de inteligența artificială poate arăta ca un om ( OpenAI ; Turnitin )
Așadar, modul în care funcționează detectoarele cu inteligență artificială seamănă uneori cu un radar de viteză care încurcă bicicletele și motocicletele. Același drum, motoare diferite 🚲🏍️
8) Filigrane - ideea de „amprentă în cerneală” 🖋️
Filigranul pare a fi soluția perfectă: marcați textul AI în momentul generării, apoi detectați-l ulterior. ( Filigran pentru modele lingvistice mari ; Text SynthID )
În practică, filigranele pot fi fragile:
-
Parafrazarea le poate slăbi
-
traducerea le poate distruge
-
citarea parțială le poate elimina
-
Amestecarea mai multor surse poate estompa modelul ( Despre fiabilitatea filigranelor pentru modelele lingvistice mari )
De asemenea, detectarea filigranului funcționează numai dacă:
-
se folosește un filigran
-
detectorul știe cum să verifice
-
textul nu a fost transformat prea mult ( OpenAI ; SynthID Text )
Deci, da, filigranele pot fi puternice, dar nu sunt o insignă de poliție universală.
9) Rezultate fals pozitive și de ce se întâmplă (partea dureroasă) 😬
Aceasta merită o secțiune separată, deoarece este locul unde se află cele mai multe controverse.
Declanșatori comuni pentru rezultate fals pozitive:
-
Ton foarte formal (scriere academică, juridică, de conformitate)
-
Engleză non-nativă (structurile de propoziții mai simple pot arăta „asemănător unui model”)
-
Scriere bazată pe șabloane (scrisori de intenție, proceduri standard de operare, rapoarte de laborator)
-
Exemple de text scurt (semnal insuficient)
-
Restricții tematice (unele teme impun formularea repetitivă) ( Liang și colab. (arXiv) ; Turnitin )
Dacă ai văzut vreodată pe cineva semnalat pentru că a scris prea bine... da. Se întâmplă. Și e brutal.
Un scor al detectorului ar trebui tratat astfel:
-
o alarmă de fum, nu un verdict de instanță 🔥
Îți spune „poate verifica”, nu „caz închis”. ( OpenAI ; Turnitin )
10) Cum să interpretezi scorurile detectorului ca un adult 🧠🙂
Iată o modalitate practică de a citi rezultatele:
Dacă instrumentul oferă un singur procent
Tratează-l ca pe un semnal de risc aproximativ:
-
0-30%: probabil editat de om sau puternic
-
30-70%zonă ambiguă - nu presupune nimic
-
70-100% : mai probabil modele asemănătoare inteligenței artificiale, dar tot nu sunt dovezi ( Ghiduri Turnitin )
Chiar și scorurile mari pot fi greșite, în special pentru:
-
scriere standardizată
-
anumite genuri (rezumate, definiții)
-
Scriere în limbajul străin ( Liang și colab. (arXiv) )
Caută explicații, nu doar cifre
Detectoarele mai bune oferă:
-
deschideri evidențiate
-
Note caracteristice (predictibilitate, repetiție etc.)
-
intervale de încredere sau limbaj de incertitudine ( Un sondaj privind detectarea textului generat de LLM )
Dacă un instrument refuză să explice ceva și îți pune pur și simplu un număr pe frunte... nu am încredere în el. Nici tu n-ar trebui.
11) Cum funcționează detectoarele cu inteligență artificială: un model mental simplu 🧠🧩
Dacă vrei o concluzie clară, folosește acest model mental:
-
Detectoarele de inteligență artificială caută modele statistice și stilistice comune în textul generat automat. ( Un sondaj privind detectarea textului generat de LLM )
-
Ei compară aceste modele cu ceea ce au învățat din exemplele de antrenament. ( Un sondaj privind detectarea textului generat de LLM )
-
Acestea produc o presupunere probabilistică , nu o poveste de origine factuală. ( OpenAI )
-
Estimarea este sensibilă la gen, subiect, lungime, editări și datele de antrenament ale detectorului . ( Un sondaj privind detectarea textului generat de LLM )
Cu alte cuvinte, modul în care funcționează detectoarele de inteligență artificială este că acestea „evaluează asemănarea”, nu autorul. Ca și cum ai spune că cineva seamănă cu vărul său. Nu este același lucru cu un test ADN... și chiar și testele ADN au cazuri limită.
12) Sfaturi practice pentru a reduce semnalările accidentale (fără a juca jocuri) ✍️✅
Nu „cum să păcălești detectorii”. Mai degrabă cum să scrii într-un mod care să reflecte autorul real și să evite interpretările greșite ciudate.
-
Adăugați detalii concrete: numele conceptelor pe care le-ați folosit efectiv, pașii pe care i-ați făcut, compromisurile pe care le-ați luat în considerare
-
Folosește variația naturală: amestecă propoziții scurte și lungi (cum fac oamenii atunci când gândesc)
-
Includeți constrângeri reale: limite de timp, instrumente utilizate, ce a mers prost, ce ați face diferit
-
Evitați formularea excesivă: înlocuiți „Mai mult” cu ceva ce ați spune cu adevărat
-
Păstrați schițe și notițe: dacă apare vreodată o dispută, dovezile procesului contează mai mult decât intuiția
De fapt, cea mai bună apărare este pur și simplu... să fii sincer. Imperfect sincer, nu sincer ca în „broșura perfectă”.
Note de încheiere 🧠✨
Detectoarele de inteligență artificială pot fi valoroase, dar nu sunt mașini de găsit adevărul. Sunt dispozitive de potrivire a tiparelor antrenate pe date imperfecte, care lucrează într-o lume în care stilurile de scriere se suprapun constant. ( OpenAI ; Un sondaj privind detectarea textului generat de LLM )
Pe scurt:
-
Detectoarele se bazează pe clasificatori, perplexitate/explozie, stilometrie și uneori filigrane 🧩 ( Un sondaj privind detectarea textului generat de LLM )
-
Ei estimează „asemănarea cu IA”, nu certitudinea ( OpenAI )
-
Rezultatele fals pozitive se întâmplă des în scrierea formală, tehnică sau în limbaj non-nativ 😬 ( Liang și colab. (arXiv) ; Turnitin )
-
Folosește rezultatele detectorului ca o solicitare de revizuire, nu ca un verdict ( Turnitin )
Și da... dacă cineva te întreabă din nou „ Cum funcționează detectoarele cu inteligență artificială” , poți să-i spui: „Ei ghicesc pe baza unor tipare - uneori inteligente, alteori caraghioase, întotdeauna limitate.” 🤖
FAQ
Cum funcționează detectoarele de inteligență artificială în practică?
Majoritatea detectoarelor de inteligență artificială nu „dovedesc” autoritatea. Acestea estimează cât de mult seamănă textul cu modelele produse în mod obișnuit de modelele lingvistice, apoi generează un scor asemănător probabilității. În mod implicit, acestea pot utiliza modele de clasificare, scoruri de predictibilitate în stil perplexitate, funcții de stilometrie sau verificări ale filigranului. Rezultatul este cel mai bine tratat ca un semnal de risc, nu ca un verdict definitiv.
Ce semnale caută detectoarele de inteligență artificială în scris?
Printre semnalele comune se numără predictibilitatea (cât de „surprins” este un model de următoarele cuvinte), repetiția în structurile de propoziții, un ritm neobișnuit de consistent și o frazare generică cu detalii concrete reduse. Unele instrumente examinează, de asemenea, markerii stilometrici, cum ar fi lungimea propoziției, obiceiurile de punctuație și frecvența cuvintelor funcționale. Aceste semnale se pot suprapune cu scrierea umană, în special în genurile formale, academice sau tehnice.
De ce detectoarele de inteligență artificială marchează scrierea umană drept IA?
Rezultatele fals pozitive se întâmplă atunci când scrierea umană pare „fluidă” din punct de vedere statistic sau asemănătoare unui șablon. Tonul formal, formularea conformă, explicațiile tehnice, mostrele scurte și engleza non-nativă pot fi interpretate greșit ca fiind similare cu inteligența artificială, deoarece reduc variația. De aceea, un paragraf curat și bine editat poate declanșa un scor mare. Un detector compară asemănările, nu confirmă originea.
Sunt detectoarele de perplexitate și „explozie” fiabile?
Metodele bazate pe perplexitate pot funcționa atunci când textul este brut, o ieșire a inteligenței artificiale extrem de previzibilă. Dar sunt fragile: pasajele scurte sunt zgomotoase, iar multe genuri umane legitime sunt în mod natural previzibile (rezumate, definiții, e-mailuri corporative, manuale). Editarea și șlefuirea pot, de asemenea, schimba dramatic scorul. Aceste instrumente se potrivesc pentru o triere rapidă, nu pentru decizii cu miză mare.
Care este diferența dintre detectoarele clasificatoare și instrumentele de stilometrie?
Detectoarele de clasificare învață din seturi de date etichetate de text uman vs. text produs de inteligența artificială (și uneori hibrid) și prezic cu ce categorie seamănă cel mai mult textul tău. Instrumentele de stilometrie se concentrează pe scrierea de „amprente” precum modele de alegere a cuvintelor, cuvinte funcționale și semnale de lizibilitate, care pot fi mai informative în analiza de lungă durată. Ambele abordări suferă de schimbarea domeniului și pot avea dificultăți atunci când stilul de scriere sau subiectul diferă de datele lor de antrenament.
Rezolvă filigranele definitiv problema detectării prin inteligență artificială?
Filigranele pot fi puternice atunci când un model le folosește, iar detectorul cunoaște schema filigranului. În realitate, nu toți furnizorii folosesc filigran, iar transformările comune - parafrazarea, traducerea, citarea parțială sau amestecarea surselor - pot slăbi sau rupe modelul. Detectarea filigranelor este puternică în cazurile restrânse în care întregul lanț se aliniază, dar nu are o acoperire universală.
Cum ar trebui să interpretez un scor „X% AI”?
Tratați un singur procent ca un indicator aproximativ al „asemănării cu IA”, nu ca o dovadă a autorității IA. Scorurile medii sunt deosebit de ambigue, iar chiar și scorurile mari pot fi greșite în scrierea standardizată sau formală. Instrumente mai bune oferă explicații, cum ar fi intervale evidențiate, note despre caracteristici și limbaj de incertitudine. Dacă un detector nu se explică singur, nu tratați numărul ca fiind autoritar.
Ce face ca un detector de inteligență artificială să fie bun pentru școli sau fluxuri de lucru editoriale?
Un detector solid este calibrat, minimizează rezultatele fals pozitive și comunică limitele clar. Ar trebui să evite afirmațiile prea încrezătoare pe eșantioane scurte, să gestioneze diferite domenii (academic vs. blog vs. tehnic) și să rămână stabil atunci când oamenii revizuiesc textul. Cele mai responsabile instrumente se comportă cu umilință: oferă dovezi și incertitudine, mai degrabă decât să acționeze ca niște cititori de gânduri.
Cum pot reduce semnalările accidentale ale AI fără a „manipula” sistemul?
Concentrează-te pe semnalele autentice ale autorului, mai degrabă decât pe trucuri. Adaugă detalii concrete (pașii pe care i-ai făcut, constrângerile, compromisurile), variază ritmul propozițiilor în mod natural și evită tranzițiile prea structurate pe care nu le-ai folosi în mod normal. Păstrează schițe, notițe și istoricul reviziilor - dovezile procesului contează adesea mai mult decât un scor de detector în dispute. Scopul este claritatea cu personalitate, nu proza perfectă a broșurii.
Referințe
-
Asociația pentru Lingvistică Computațională (Antologia ACL) - Un sondaj privind detectarea textului generat de LLM - aclanthology.org
-
OpenAI - Un nou clasificator AI pentru indicarea textului scris cu ajutorul AI - openai.com
-
Ghiduri Turnitin - Detectarea scrierii prin inteligență artificială în vizualizarea clasică a raportului - guides.turnitin.com
-
Ghiduri Turnitin - Model de detectare a scrierii prin inteligență artificială - guides.turnitin.com
-
Turnitin - Înțelegerea falsurilor pozitive din cadrul capacităților noastre de detectare a scrierii prin inteligență artificială - turnitin.com
-
arXiv - DetectGPT - arxiv.org
-
Universitatea din Boston - Postări despre perplexitate - cs.bu.edu
-
GPTZero - Perplexitate și explozie: ce este? - gptzero.me
-
PubMed Central (NCBI) - Stilometrie și științe criminalistice: O analiză a literaturii de specialitate - ncbi.nlm.nih.gov
-
Asociația pentru Lingvistică Computațională (Antologia ACL) - Cuvinte funcționale în atribuirea autorului - aclanthology.org
-
arXiv - Un filigran pentru modele lingvistice mari - arxiv.org
-
Google AI pentru dezvoltatori - Text SynthID - ai.google.dev
-
arXiv - Despre fiabilitatea filigranelor pentru modele lingvistice mari - arxiv.org
-
OpenAI - Înțelegerea sursei a ceea ce vedem și auzim online - openai.com
-
Stanford HAI - Detectoarele de inteligență artificială sunt părtinitoare împotriva scriitorilor care nu sunt nativi de limba engleză - hai.stanford.edu
-
arXiv - Liang și colab. - arxiv.org