Cách Trình Phát Hiện AI Hoạt Động: Perplexity và Burstiness

Trình phát hiện AI không đọc ý nghĩa theo cách một con người làm. Thay vào đó, chúng đo lường các mẫu thống kê trong cách các từ được chọn và sắp xếp. Hai trong số những mẫu đó, perplexity và burstiness, đảm nhận phần lớn công việc. Hiểu chúng giúp người rà soát đọc một điểm số như bằng chứng cần kiểm tra, chứ không phải một phán quyết cuối cùng.

Perplexity đo lường điều gì

Perplexity mô tả mức độ dễ đoán của một đoạn văn đối với một mô hình ngôn ngữ. Trình phát hiện về cơ bản hỏi rằng một mô hình sẽ ngạc nhiên đến mức nào trước mỗi từ tiếp theo. Khi văn bản đi theo con đường có khả năng nhất lặp đi lặp lại, perplexity thấp. Khi lựa chọn từ ngữ bất ngờ, đặc trưng hoặc không đồng đều, perplexity tăng lên.

Điều này quan trọng vì các mô hình như GPT-5, Claude và Gemini được huấn luyện để tạo ra văn bản trôi chảy, có xác suất cao. Đầu ra mặc định của chúng thường mượt mà và tự tin, điều này có xu hướng cho điểm perplexity thấp. Ngược lại, bản nháp của con người lan man nhiều hơn, để lại một dấu vết ít dễ đoán hơn.

Burstiness đo lường điều gì

Burstiness xem xét sự biến đổi giữa các câu chứ không phải trong từng lựa chọn từ ngữ. Văn viết của con người tự nhiên không đồng đều: một câu dài, lòng vòng có thể nằm cạnh một câu ngắn. Nhịp điệu thay đổi, độ phức tạp tăng giảm, và cấu trúc biến đổi.

Văn bản do máy tạo ra thường giữ một nhịp ổn định hơn, với các câu có độ dài tương tự và cấu trúc đồng nhất. Burstiness thấp, kết hợp với perplexity thấp, là một mẫu phổ biến trong các bản nháp có sự hỗ trợ của AI. Trang phương pháp luận của chúng tôi mô tả cách các tín hiệu này được kết hợp.

Tại sao những tín hiệu này không phải là phán quyết

Không có thước đo nào chứng minh quyền tác giả. Một số tình huống thông thường đẩy văn viết của con người về phía các mẫu giống AI:

• Văn bản dịch thường trở nên mượt mà và đồng nhất hơn bản gốc.
• Văn viết kỹ thuật hoặc theo mẫu tuân theo các cấu trúc cố định làm giảm burstiness.
• Văn viết của người không phải bản ngữ có thể ưu tiên cách diễn đạt đơn giản hơn, dễ đoán hơn.
• Bản nháp được chỉnh sửa nhiều có thể mất đi sự không đồng đều vốn báo hiệu bàn tay con người.

Vì những sự chồng chéo này, một điểm số nên thu hẹp nơi người rà soát tìm kiếm, chứ không quyết định kết quả. Hãy xem các ghi chú của chúng tôi về độ chính xác của trình phát hiện để biết độ tin cậy thay đổi như thế nào theo độ dài mẫu và loại tài liệu.

GPTZeroAI áp dụng chúng như thế nào

Trình Phát Hiện AI báo cáo các tín hiệu ở cấp độ đoạn văn cùng với một ước tính tổng thể, để người rà soát có thể thấy nơi nào tính dễ đoán và tính đồng nhất tập trung. Các mẫu ngắn hơn mang nhiều bất định hơn, vì vậy các đầu vào rất ngắn được gắn cờ thận trọng thay vì một điểm số chắc chắn. Mục đích là một dấu vết rà soát minh bạch, chứ không phải một lời buộc tội.

Sử dụng tín hiệu phát hiện một cách có trách nhiệm

Hãy coi perplexity và burstiness là điểm khởi đầu. So sánh các đoạn văn bị gắn cờ với bản nháp, trích dẫn và giọng văn thường thấy của tác giả. Ghi lại bối cảnh tài liệu, xác nhận mẫu đủ dài để đánh giá, và theo dõi bằng một cuộc trò chuyện khi kết quả mơ hồ. Một tín hiệu chứng tỏ giá trị của nó khi dẫn đến một bước tiếp theo công bằng, có ghi chép.