Så fungerar AI-detektorer: perplexitet och burstiness förklarat

AI-detektorer läser inte betydelse på det sätt som en människa gör. I stället mäter de statistiska mönster i hur ord väljs och ordnas. Två av dessa mönster, perplexitet och burstiness, gör det mesta av arbetet. Att förstå dem hjälper granskare att läsa en poäng som bevis att inspektera, inte som en slutgiltig dom.

Vad perplexitet mäter

Perplexitet beskriver hur förutsägbar en passage är för en språkmodell. Detektorn frågar i praktiken hur överraskad en modell skulle bli av varje nästa ord. När text gång på gång följer den mest sannolika vägen är perplexiteten låg. När ordvalen är oväntade, egensinniga eller ojämna stiger perplexiteten.

Detta spelar roll eftersom modeller som GPT-5, Claude och Gemini är tränade att producera flytande text med hög sannolikhet. Deras standardutdata är ofta jämn och säker, vilket tenderar att ge låg perplexitet. Mänskliga utkast vandrar däremot mer och lämnar ett mindre förutsägbart spår.

Vad burstiness mäter

Burstiness tittar på variation mellan meningar snarare än inom enskilda ordval. Mänskligt skrivande är naturligt ojämnt: en lång, slingrande mening kan stå bredvid en kort. Rytmen skiftar, komplexiteten stiger och faller, och strukturen varierar.

Maskingenererad text håller ofta en stadigare kadens, med meningar av liknande längd och enhetlig konstruktion. Låg burstiness, parad med låg perplexitet, är ett vanligt mönster i AI-assisterade utkast. Vår sida om metodik beskriver hur dessa signaler kombineras.

Varför dessa signaler inte är domar

Inget av måtten bevisar författarskap. Flera vanliga situationer driver mänskligt skrivande mot AI-liknande mönster:

• Översatt text blir ofta jämnare och mer enhetlig än originalet.
• Tekniskt eller mallbaserat skrivande följer fasta strukturer som sänker burstiness.
• Skrivande på ett andraspråk kan föredra enklare, mer förutsägbara formuleringar.
• Hårt redigerade utkast kan förlora den ojämnhet som signalerar en mänsklig hand.

På grund av dessa överlapp bör en poäng begränsa var en granskare tittar, inte avgöra utfallet. Se våra anteckningar om detektorns träffsäkerhet för hur säkerheten förändras med provets längd och dokumenttyp.

Hur GPTZeroAI tillämpar dem

Vår AI Detector rapporterar signaler på passagenivå tillsammans med en övergripande uppskattning, så att granskare kan se var förutsägbarhet och enhetlighet samlas. Kortare prover bär mer osäkerhet, så väldigt korta inmatningar flaggas med försiktighet i stället för en bestämd poäng. Avsikten är ett transparent granskningsspår, inte en anklagelse.

Att använda detektorsignaler ansvarsfullt

Behandla perplexitet och burstiness som utgångspunkter. Jämför flaggade passager mot utkast, källhänvisningar och författarens vanliga röst. Notera dokumentets sammanhang, bekräfta att provet är tillräckligt långt för att bedöma, och följ upp med ett samtal när resultaten är tvetydiga. En signal förtjänar sitt värde när den leder till ett rättvist, dokumenterat nästa steg.