Jak działają detektory AI: perplexity i burstiness wyjaśnione

Detektory AI nie odczytują znaczenia tak jak człowiek. Zamiast tego mierzą wzorce statystyczne w sposobie doboru i ułożenia słów. Dwa z tych wzorców, perplexity i burstiness, wykonują większość pracy. Ich zrozumienie pomaga recenzentom traktować wynik jako dowód do sprawdzenia, a nie ostateczny werdykt.

Co mierzy perplexity

Perplexity opisuje, jak przewidywalny jest fragment dla modelu językowego. Detektor pyta w praktyce, jak bardzo model byłby zaskoczony każdym kolejnym słowem. Gdy tekst raz po raz podąża najbardziej prawdopodobną ścieżką, perplexity jest niskie. Gdy dobór słów jest nieoczekiwany, osobliwy lub nierówny, perplexity rośnie.

Ma to znaczenie, ponieważ modele takie jak GPT-5, Claude i Gemini są trenowane, by tworzyć płynny tekst o wysokim prawdopodobieństwie. Ich domyślny wynik jest często gładki i pewny, co zwykle daje niskie perplexity. Ludzkie szkice natomiast bardziej błądzą, pozostawiając mniej przewidywalny ślad.

Co mierzy burstiness

Burstiness analizuje zróżnicowanie między zdaniami, a nie w obrębie pojedynczych słów. Pisanie człowieka jest z natury nierówne: długie, kręte zdanie może sąsiadować z krótkim. Rytm się zmienia, złożoność rośnie i opada, a struktura jest różnorodna.

Tekst generowany maszynowo często utrzymuje bardziej miarowy rytm, ze zdaniami podobnej długości i jednolitej konstrukcji. Niskie burstiness w połączeniu z niskim perplexity to częsty wzorzec w szkicach wspomaganych przez AI. Nasza strona metodologii opisuje, jak łączymy te sygnały.

Dlaczego te sygnały nie są werdyktami

Żadna z tych miar nie dowodzi autorstwa. Kilka zwyczajnych sytuacji popycha ludzkie pisanie w stronę wzorców przypominających AI:

• Tekst tłumaczony często staje się gładszy i bardziej jednolity niż oryginał.
• Pisanie techniczne lub szablonowe trzyma się stałych struktur, które obniżają burstiness.
• Pisanie osób nieanglojęzycznych może faworyzować prostsze, bardziej przewidywalne sformułowania.
• Mocno redagowane szkice mogą tracić nierówność, która zdradza ludzką rękę.

Z powodu tych nakładań wynik powinien zawężać miejsce, w które patrzy recenzent, a nie rozstrzygać rezultatu. Zobacz nasze uwagi o dokładności detektora, by zrozumieć, jak pewność zmienia się wraz z długością próbki i typem dokumentu.

Jak GPTZeroAI je stosuje

Detektor AI raportuje sygnały na poziomie fragmentów obok ogólnego szacunku, aby recenzenci widzieli, gdzie skupiają się przewidywalność i jednolitość. Krótsze próbki niosą więcej niepewności, więc bardzo krótkie dane wejściowe są oznaczane z ostrożnością, a nie stanowczym wynikiem. Celem jest przejrzysty ślad weryfikacji, a nie oskarżenie.

Odpowiedzialne korzystanie z sygnałów detektora

Traktuj perplexity i burstiness jako punkty wyjścia. Porównaj oznaczone fragmenty ze szkicami, cytowaniami i zwykłym głosem autora. Zapisz kontekst dokumentu, potwierdź, że próbka jest wystarczająco długa do oceny, i podejmij rozmowę, gdy wyniki są niejednoznaczne. Sygnał zyskuje wartość, gdy prowadzi do sprawiedliwego, udokumentowanego kolejnego kroku.