Süni intellekt detektorları necə işləyir? [Video və Viktorina]

Qısa cavab: Süni intellekt detektorları kimin nəyisə yazdığını "sübut etmir"; onlar bir parçanın tanış dil model nümunələri ilə nə dərəcədə uyğun olduğunu təxmin edirlər. Əksəriyyəti təsnifatçıların, proqnozlaşdırma siqnallarının (çaşqınlıq/partlayış), stilometriyanın və nadir hallarda su nişanı yoxlamalarının qarışığına əsaslanır. Nümunə qısa, yüksək rəsmi, texniki və ya ESL müəllifi tərəfindən yazılmış olduqda, ballara hökm deyil, nəzərdən keçirmək üçün bir işarə kimi yanaşın.

Əsas nəticələr:

Ehtimal, sübut deyil: Faizləri müəyyənlik deyil, "Süni İntellekt bənzərliyi" risk siqnalları kimi qəbul edin.

Yanlış müsbət cəhətlər: Formal, texniki, şablonlaşdırılmış və ya yerli olmayan yazı tez-tez səhv qeyd olunur.

Metodların qarışığı: Alətlər təsnifatçıları, çaşqınlıq/partlayış, stilometriya və qeyri-adi su nişanı yoxlamalarını birləşdirir.

Şəffaflıq: Yalnız tək bir rəqəm deyil, həm də səthi əhatə edən, xüsusiyyətləri və qeyri-müəyyənliyi əhatə edən detektorlara üstünlük verin.

Mübahisəyə yararlılıq: Mübahisələr və apelyasiyalar üçün qaralamaları/qeydləri saxlayın və sübutları əlinizdə saxlayın.

Bundan sonra oxumaq istəyə biləcəyiniz məqalələr:

🔗 Ən yaxşı süni intellekt detektoru hansıdır?
Dəqiqlik, xüsusiyyətlər və istifadə hallarına görə ən yaxşı süni intellekt aşkarlama vasitələrinin müqayisəsi.

🔗 Süni intellekt detektorları etibarlıdırmı?
Etibarlılığı, yalançı müsbət nəticələri və nəticələrin niyə tez-tez dəyişdiyini izah edir.

🔗 Turnitin süni intellekt aşkar edə bilərmi?
Turnitin AI aşkarlanması, limitləri və ən yaxşı təcrübələri üzrə tam təlimat.

🔗 QuillBot süni intellekt detektoru dəqiqdirmi?
Dəqiqlik, güclü və zəif tərəflər və real dünya testlərinin ətraflı icmalı.

1) Tez bir fikir - süni intellekt detektorunun əslində nə etdiyi ⚙️

Əksər süni intellekt detektorları balıq tutan tor kimi süni intellektləri "tutmur". Onlar daha sadə bir şey edirlər:

• Onlar mətnin bir hissəsinin bir dil modelindən götürülmüş (və ya birinin köməyi ilə əldə edilmiş) kimi görünmə ehtimalını qiymətləndirirlər . ( LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu ; OpenAI )

• Onlar mətninizi təlim məlumatlarında (insan yazısı və model tərəfindən yaradılan yazı) müşahidə olunan nümunələrlə müqayisə edirlər. (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

• Onlar qəti hiss olunan, lakin adətən belə olmayan bir bal (çox vaxt faiz) verirlər . ( Turnitin Təlimatları )

Düzünü desək, istifadəçi interfeysi "92% süni intellekt" kimi bir şey deyəcək və beyniniz "hə, deməli, bu faktdır" deyə düşünəcək. Bu, fakt deyil. Bu, modelin başqa bir modelin barmaq izləri haqqında təxminidir. Bu, itlərin itləri iyləməsi kimi bir az gülməlidir 🐕🐕

2) Süni intellekt detektorları necə işləyir: ən çox yayılmış "aşkarlama mühərrikləri" 🔍

Detektorlar adətən bu yanaşmalardan birini (və ya qarışığını) istifadə edirlər: (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

A) Təsnifatçı modellər (ən çox yayılmış)

Təsnifatçı etiketlənmiş nümunələr üzərində təlim keçir:

• İnsan tərəfindən yazılmış nümunələr

• Süni intellekt tərəfindən yaradılan nümunələr

• Bəzən "hibrid" nümunələr (insan tərəfindən redaktə edilmiş süni intellekt mətni)

Daha sonra qrupları ayıran nümunələri öyrənir. Bu, klassik maşın öyrənmə yanaşmasıdır və təəccüblü dərəcədə yaxşı ola bilər... ta ki, belə olmayana qədər. (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

B) Çaşqınlıq və "partlayış" hesablamaları 📈

Bəzi detektorlar mətnin nə qədər "proqnozlaşdırıla bilən" olduğunu hesablayır.

• Çaşqınlıq: təxminən, bir dil modelinin növbəti sözə nə qədər təəccübləndiyi. (Boston Universiteti - Çaşqınlıq Yazıları)

• Daha az çaşqınlıq mətnin yüksək dərəcədə proqnozlaşdırıla biləcəyini göstərə bilər (bu, süni intellekt çıxışları ilə baş verə bilər). (DetectGPT)

• “Partlayış” cümlə mürəkkəbliyində və ritmində nə qədər variasiya olduğunu ölçməyə çalışır. (GPTZero)

Bu yanaşma sadə və sürətlidir. İnsanlar da proqnozlaşdırıla bilən şəkildə yaza bildikləri üçün çaşdırmaq da asandır (korporativ e-poçtlara salam). (OpenAI)

C) Stilometriya (yazı barmaq izi) ✍️

Stilometriya aşağıdakı kimi naxışlara baxır:

• orta cümlə uzunluğu

• durğu işarəsi tərzi

• funksiya söz tezliyi (the, and, but…)

• lüğət müxtəlifliyi

• oxunabilirlik balları

Bu, mətn istisna olmaqla, "əl yazısı təhlili" kimidir. Bəzən kömək edir. Bəzən isə kiminsə ayaqqabısına baxaraq soyuqdəymə diaqnozu qoymaq kimidir. (Stilometriya və məhkəmə tibb elmi: Ədəbiyyat icmalı; Müəlliflik Atributunda Funksional Sözlər)

D) Su nişanının aşkarlanması (mövcud olduqda) 🧩

Bəzi model təminatçıları yaradılan mətnə ​​incə naxışlar ("su nişanları") yerləşdirə bilərlər. Detektor su nişanı sxemini bilirsə, onu yoxlamağa cəhd edə bilər. (Böyük Dil Modelləri üçün Su Nişanı; SynthID Mətn)

Amma... bütün modellərdə su nişanı yoxdur, bütün çıxışlar redaktələrdən sonra su nişanını saxlamır və bütün detektorların gizli sousa çıxışı yoxdur. Buna görə də bu, universal bir həll deyil. (Böyük Dil Modelləri üçün Su Nişanlarının Etibarlılığı Haqqında; OpenAI)

3) Süni intellekt detektorunun yaxşı versiyasını nə təşkil edir ✅

Təcrübəmdə, "yaxşı" detektor (redaksiya iş axınları üçün bir dəstəsini yan-yana sınaqdan keçirirəm) ən yüksək səslə qışqıran deyil, məsuliyyətli davranandır.

Süni intellekt detektorunu möhkəm edən budur:

• Kalibrlənmiş etibarlılıq: 70% əl yelləmək yox, ardıcıl bir şey demək olmalıdır. (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

• Aşağı yalançı müsbət nəticələr: ana dili olmayan ingilis dili, hüquqi yazı və ya texniki dərsliklər təmiz olduqları üçün "Süni intellekt" kimi qeyd edilməməlidir. (Stanford HAI; Liang və digərləri (arXiv))

• Şəffaf limitlər: qeyri-müəyyənliyi qəbul etməli və diapazonları göstərməlidir, hər şeyi bilən kimi davranmamalıdır. (OpenAI; Turnitin)

• Sahə məlumatlılığı: təsadüfi bloqlarda təlim keçmiş detektorlar tez-tez akademik mətnlə çətinlik çəkirlər və əksinə. (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

• Qısa mətnlərin işlənməsi: yaxşı vasitələr kiçik nümunələrdə həddindən artıq özünəinamlı balların qarşısını alır (abzas kainat deyil). (OpenAI; Turnitin)

• Düzəliş həssaslığı: dərhal mənasız nəticələrə çevrilmədən insan redaktəsini idarə etməlidir. (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

Gördüyüm ən yaxşıları bir az təvazökar olmağa meyllidirlər. Ən pisləri isə fikirləri oxuyurmuş kimi davranırlar 😬

4) Müqayisə Cədvəli - ümumi süni intellekt detektoru "növləri" və onların harada parıldadığı 🧾

Aşağıda praktik bir müqayisə verilmişdir. Bunlar brend adları deyil - qarşılaşacağınız əsas kateqoriyalar bunlardır. (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

“Qiymət hissi” sütununa diqqət yetirin. Bəli, bu elmi deyil. Amma səmimidir 😄

5) Detektorların axtardığı əsas siqnallar - "xəbər verir" 🧠

Bir çox detektorun kapotun altında ölçməyə çalışdığı şeylər:

Proqnozlaşdırıla bilənlik (token ehtimalı)

Dil modelləri, ehtimal olunan növbəti tokenləri proqnozlaşdırmaqla mətn yaradır. Bu, aşağıdakıları yaratmağa meyllidir:

• daha hamar keçidlər

• daha az təəccüblü söz seçimləri

• daha az qəribə toxunuşlar (tələb olunmadığı təqdirdə)

• ardıcıl ton (Boston Universiteti - Çaşqınlıq Yazıları; DetectGPT)

İnsanlar isə əksinə, daha çox ziqzaq hərəkətləri edirlər. Özümüzlə ziddiyyət təşkil edirik, təsadüfi şərhlər əlavə edirik, bir az qeyri-adi metaforalardan istifadə edirik - məsələn, süni intellekt detektorunu şeiri qiymətləndirən tosterlə müqayisə etmək kimi. Bu metafora pisdir, amma başa düşürsünüz.

Təkrarlama və struktur nümunələri

Süni intellekt yazısı incə təkrarlanma göstərə bilər:

• təkrarlanan cümlə iskeleleri (“Nəticə olaraq…”, “Əlavə olaraq…”, “Əlavə olaraq…”)

• oxşar abzas uzunluqları

• ardıcıl templəmə (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

Amma eyni zamanda - bir çox insan, xüsusən də məktəbdə və ya korporativ mühitdə belə yazır. Beləliklə, təkrar sübut deyil, ipucudur.

Həddindən artıq aydınlıq və "həddindən artıq təmiz" nəsr ✨

Bu qəribə bir şeydir. Bəzi detektorlar dolayı yolla "çox təmiz yazı"nı şübhəli hesab edirlər. (OpenAI)

Hansı ki, bu, yöndəmsizdir, çünki:

• yaxşı yazıçılar var

• redaktorlar mövcuddur

• orfoqrafiya yoxlaması mövcuddur

Beləliklə, əgər süni intellekt detektorlarının necə işlədiyini düşünürsünüzsə , cavabın bir hissəsi budur: bəzən kobudluğu mükafatlandırırlar. Bu isə... bir növ geriyə dönüşdür.

Semantik sıxlıq və ümumi ifadələr

Detektorlar aşağıdakı hissləri yaradan mətni qeyd edə bilər:

• həddindən artıq ümumi

• konkret yaşanmış detallar azdır

• balanslı, neytral ifadələrə çox diqqət yetirir (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

Süni intellekt tez-tez ağlabatan səslənən, lakin bir az hava ilə bəzədilmiş məzmun yaradır. Gözəl görünən, lakin heç bir şəxsiyyətə malik olmayan otel otağı kimi 🛏️

6) Təsnifatçı yanaşması - necə öyrədilir (və niyə sıradan çıxır) 🧪

Təsnifatçı detektoru adətən belə öyrədilir:

1. İnsan mətnlərindən (esselər, məqalələr, forumlar və s.) ibarət məlumat dəsti toplayın

2. Süni intellekt mətni yaradın (çoxlu sorğu, üslub, uzunluq)

3. Nümunələri etiketləyin

4. Xüsusiyyətlər və ya yerləşdirmələr istifadə edərək onları ayırmaq üçün bir modeli öyrədin

5. Saxlanılan məlumatlar üzərində təsdiqləyin

6. Göndər... və sonra reallıq onun üzünə yumruq vurur (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

Reallıq niyə onu məğlub edir:

• Domen dəyişikliyi: təlim məlumatları real istifadəçi yazıları ilə uyğun gəlmir

• Model dəyişikliyi: yeni nəsil modellər verilənlər bazasındakı modellər kimi davranmır

• Redaktə effektləri: insan redaktələri aşkar nümunələri silə bilər, lakin incə nümunələri saxlaya bilər

• Dil variasiyaları: dialektlər, ESL yazıları və rəsmi üslublar səhv oxunur (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu; Liang və digərləri (arXiv))

Öz demo dəstlərində "əla" olan, sonra isə real iş yerində yazı yazarkən sıradan çıxan detektorlar görmüşəm. Bu, sanki bir iyləyici itə yalnız bir marka peçenye öyrədib dünyanın hər yerindəki qəlyanaltını tapmasını gözləmək kimidir 🍪

7) Çaşqınlıq və partlayış - riyazi qısa yol 📉

Bu detektor ailəsi dil modelinin qiymətləndirilməsinə əsaslanır:

• Onlar mətninizi hər növbəti tokenin nə qədər ehtimal olunduğunu təxmin edən bir model vasitəsilə idarə edirlər.

• Onlar ümumi "təəccüb"ü (çaşqınlığı) hesablayırlar. (Boston Universiteti - Çaşqınlıq Yazıları)

• Ritmin insan hiss edib-etmədiyini görmək üçün variasiya metrikləri ("partlayış") əlavə edə bilərlər. (GPTZero)

Niyə bəzən işləyir:

• Xam süni intellekt mətni son dərəcə hamar və statistik cəhətdən proqnozlaşdırıla bilən ola bilər (DetectGPT)

Niyə uğursuz olur:

• Qısa nümunələr səs-küylüdür

• rəsmi yazı proqnozlaşdırıla biləndir

• texniki yazı proqnozlaşdırıla biləndir

• yerli olmayan yazı proqnozlaşdırıla bilər

• Çox redaktə edilmiş süni intellekt mətni insana xas görünə bilər (OpenAI; Turnitin)

Beləliklə, süni intellekt detektorlarının işləmə prinsipi bəzən velosipedləri və motosikletləri çaşdıran sürət tapançasına bənzəyir. Eyni yol, fərqli mühərriklər 🚲🏍️

8) Su nişanları - “mürəkkəbdəki barmaq izi” ideyası 🖋️

Su nişanlanması təmiz bir həll yolu kimi səslənir: süni intellekt mətnini generasiya zamanı işarələyin, sonra isə onu aşkar edin. (Böyük Dil Modelləri üçün Su nişanı; SynthID Mətn)

Təcrübədə su nişanları kövrək ola bilər:

• Parafraz onları zəiflədə bilər

• tərcümə onları poza bilər

• qismən sitat gətirmə onları silə bilər

• Birdən çox mənbənin qarışdırılması nümunəni qarışdıra bilər (Böyük Dil Modelləri üçün Su Nişanlarının Etibarlılığı Haqqında)

Həmçinin, su nişanının aşkarlanması yalnız aşağıdakı hallarda işləyir:

• su nişanı istifadə olunur

• Detektor bunu necə yoxlamağı bilir

• Mətn çox dəyişdirilməyib (OpenAI; SynthID Mətn)

Bəli, su nişanları güclü ola bilər, lakin onlar universal polis nişanı deyil.

9) Yanlış müsbət nəticələr və onların baş vermə səbəbi (ağrılı hissəsi) 😬

Bu, özəl bir bölməyə layiqdir, çünki ən çox mübahisənin yaşandığı yer budur.

Ümumi yalançı müsbət tetikleyicilər:

• Çox rəsmi ton (akademik, hüquqi, uyğunluq yazısı)

• Ana dili olmayan ingilis dili (daha sadə cümlə strukturları "model kimi" görünə bilər)

• Şablon əsaslı yazı (örtük məktubları, SOP-lar, laboratoriya hesabatları)

• Qısa mətn nümunələri (kifayət qədər siqnal yoxdur)

• Mövzu məhdudiyyətləri (bəzi mövzular təkrarlanan ifadələri məcbur edir) (Liang və digərləri (arXiv); Turnitin)

Əgər kiminsə həddindən artıq yaxşı yazdığına görə tənqid olunduğunu görmüsünüzsə... bəli. Bu da baş verir. Və bu, çox qəddardır.

Detektor balına aşağıdakı kimi yanaşmaq lazımdır:

• tüstü siqnalı, məhkəmə qərarı deyil 🔥
  Sizə "iş bağlanıb" yox, "bəlkə yoxlayın" deyir. (OpenAI; Turnitin)

10) Detektor ballarını böyüklər kimi necə şərh etmək olar 🧠🙂

Nəticələri oxumağın praktik bir yolu:

Əgər alət tək bir faiz verirsə

Bunu kobud bir risk siqnalı kimi qəbul edin:

• 0-30%: ehtimal ki, insan tərəfindən və ya çox redaktə edilib

• 30-70%: qeyri-müəyyən zona - heç nəyi fərz etmə

• 70-100%: süni intellekt kimi nümunələr daha çox ehtimal olunur, lakin yenə də sübut deyil (Turnitin Təlimatları)

Hətta yüksək ballar belə, xüsusən də aşağıdakılar üçün səhv ola bilər:

• standartlaşdırılmış yazı

• müəyyən janrlar (xülasələr, təriflər)

• ESL yazı (Liang və digərləri (arXiv))

Yalnız rəqəmlər deyil, izahlar axtarın

Daha yaxşı detektorlar aşağıdakıları təmin edir:

• vurğulanmış aralıqlar

• xüsusiyyət qeydləri (proqnozlaşdırıla bilənlik, təkrarlanma və s.)

• Etibarlılıq intervalları və ya qeyri-müəyyənlik dili (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

Əgər bir alət heç nəyi izah etməkdən imtina edirsə və sadəcə alnınıza bir rəqəm vurursa... Mən ona inanmıram. Siz də inanmamalısınız.

11) Süni intellekt detektorları necə işləyir: sadə zehni model 🧠🧩

Təmiz bir nəticə istəyirsinizsə, bu zehni modeldən istifadə edin:

1. Süni intellekt detektorları maşın tərəfindən yaradılan mətndə ümumi statistik və stilistik nümunələri axtarır . ( LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu )

2. Onlar bu nümunələri təlim nümunələrindən öyrəndikləri ilə müqayisə edirlər. (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

3. Onlar ehtimala bənzər bir təxmin. (OpenAI)

4. Təxmin janr, mövzu, uzunluq, redaktə və detektorun təlim məlumatlarına həssasdır . ( LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu )

Başqa sözlə, süni intellekt detektorlarının işləmə prinsipi müəllifliyi deyil, "oxşarlığı qiymətləndirmək" deməkdir. Sanki kiminsə əmisi oğluna oxşadığını demək kimidir. Bu, DNT testi ilə eyni deyil... hətta DNT testlərinin də müəyyən üstünlükləri var.

12) Təsadüfi bayraqları azaltmaq üçün praktik məsləhətlər (oyun oynamadan) ✍️✅

“Detektorları necə aldatmaq olar” yox. Daha çox əsl müəllifliyi əks etdirən və qəribə səhv oxunuşlardan qaçınan şəkildə necə yazmaq olar.

• Konkret detallar əlavə edin: əslində istifadə etdiyiniz anlayışların adları, atdığınız addımlar, nəzərdən keçirdiyiniz güzəştlər

• Təbii variasiyadan istifadə edin: qısa və uzun cümlələri qarışdırın (insanların düşünərkən etdikləri kimi)

• Həqiqi məhdudiyyətləri daxil edin: vaxt məhdudiyyətləri, istifadə olunan alətlər, nəyin səhv getdiyi, fərqli şəkildə nə edəcəyiniz

• Həddindən artıq şablon ifadələrindən çəkinin: əslində deyə biləcəyiniz bir şeylə "Bundan əlavə" sözünü əvəz edin

• Qaralamaları və qeydləri saxlayın: əgər mübahisə yaranarsa, proses sübutları daxili hisslərdən daha vacibdir

Əslində, ən yaxşı müdafiə sadəcə... səmimi olmaqdır. "Mükəmməl broşür"ün orijinallığı yox, qeyri-kamil səmimilikdir.

Yekun Qeydlər 🧠✨

Süni intellekt detektorları dəyərli ola bilər, lakin onlar həqiqət maşınları deyil. Onlar qeyri-kamil məlumatlar üzərində təlim keçmiş və yazı üslublarının daim üst-üstə düşdüyü bir dünyada işləyən nümunə uyğunlaşdırıcılarıdır. (OpenAI; LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

Qısaca:

• Detektorlar təsnifatçılara, çaşqınlığa/partlayışa, stilometriyaya və bəzən su nişanlarına əsaslanır 🧩 (LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu)

• Onlar əminliyi deyil, "Süni intellekt bənzərliyini" qiymətləndirirlər (OpenAI)

• Yalançı müsbət nəticələr rəsmi, texniki və ya yerli olmayan yazılarda tez-tez baş verir 😬 (Liang və digərləri (arXiv); Turnitin)

• Detektor nəticələrindən hökm kimi deyil, nəzərdən keçirmə üçün bir sorğu kimi istifadə edin (Turnitin)

Bəli... əgər kimsə yenidən " Süni intellekt detektorları necə işləyir", onlara deyə bilərsiniz: "Onlar nümunələrə əsaslanaraq təxmin edirlər - bəzən ağıllı, bəzən gülməli, həmişə məhduddur." 

Real həyat nümunəsi: Tələsik mühakimə etmədən tələbənin qeyd olunmuş essesini nəzərdən keçirmək 🧑🏫

Ssenari

Təsəvvür edin ki, universitet yazı müəllimi süni intellekt detektorunun "86% süni intellekt ehtimalı" kimi qeyd etdiyi 1200 sözdən ibarət tarix essesi alır. Esse rəsmi, səliqəli şəkildə qurulmuşdur və "bu, bunu göstərir" və "mübahisə edilə bilər" kimi təkrarlanan ifadələrə əsaslanır. İlk baxışdan şübhəli görünə bilər.

Amma tələbə ESL yazıçısıdır, dərsdən ciddi esse şablonundan istifadə edib və qaralamanı qrammatika yoxlama proqramı ilə redaktə edib. Başqa sözlə, bu, detektor balı cəza deyil, təkrarlamaya səbəb olmalı olduğu haldır.

Məqsəd tələbəni "tutmaq" deyil. Məqsəd balın digər dəlillərlə dəstəklənib-dəyişmədiyini müəyyən etməkdir.

Rəyçinin nəyə ehtiyacı var

Hər hansı bir qərar verməzdən əvvəl müəllim aşağıdakıları toplayır:

• Detektor hesabatı, əgər varsa, vurğulanmış hissələr də daxil olmaqla

• Essenin qısa məzmunu və qiymətləndirmə rubrikası

• Tələbənin qaralama tarixi, qeydləri, planı və ya biblioqrafiyası

• Kurs siyasətində sadalanan icazə verilən yazı dəstəyi vasitələri

• Siyasət icazə verərsə, eyni tələbədən bir və ya iki əvvəlki yazı nümunəsi

• Tələbənin yazı prosesi haqqında qısa izahatı

Bu vacibdir, çünki detektor yalnız son mətni görür. Tələbənin dörd gün ərzində layihə hazırladığını, şablondan istifadə etdiyini, sinif ifadələrini köçürdüyünü, qeydləri tərcümə etdiyini və ya rəylə yenidən işlədiyini bilmir.

Nümunə təlimat

Müəllim işi qiymətləndirərkən bu icmal təlimatından istifadə edə bilər:

Bu esseyə süni intellektdən istifadənin sübutu kimi deyil, yazı prosesinin yoxlanılması kimi baxın. Detektorun əsas məqamlarını tələbənin qeydləri, qaralama tarixi, mənbə siyahısı və əvvəlki yazı nümunəsi ilə müqayisə edin. Hansı hissələrin həqiqətən şübhəli olduğunu və hansılarının sadəcə formal, şablon və ya ESL təsirli ola biləcəyini müəyyən edin. Sübutları üç qrupa ayırın: detektor siqnalı, yazı prosesi sübutu və insan mühakiməsi. Detektor balından kənarda aydın dəstəkləyici dəlil olmadığı təqdirdə intizam tədbirləri tövsiyə etməyin.

Bunu necə sınaqdan keçirmək olar

Ədalətli yoxlama prosesi üç sadə yoxlamadan istifadə edə bilər:

1. Tələbədən iki abzası şifahi şəkildə izah etməsini xahiş edin.
   Əgər onlar arqumenti, mənbələri və niyə bu şəkildə ifadə etdiklərini izah edə bilirlərsə, bu, dəyərli proses sübutudur.

2. İşarələnmiş bölmələri esse şablonu ilə müqayisə edin.
   Əgər detektor əsasən şablon tipli ifadələri vurğulayırsa, bal müəllifliyə deyil, struktura reaksiya verə bilər.

3. Kiçik parçaları yox, yalnız uzun hissələri yenidən işlədin
   . Tək bir abzas səs-küylü ola bilər. 600-900 sözdən ibarət nümunə adətən üç ayrı cümlədən daha mənalı bir siqnal verir.

Nəticə

Təsviredici nəticə: Beş essedən ibarət icmal çalışmasında repetitor bu iş axınından istifadə etməzdən əvvəl və sonra prosesi dəfələrlə ölçür.

İş axınından əvvəl, hər bir qeyd olunmuş esse nəzərdən keçirilməsi təxminən 35 dəqiqə çəkdi, çünki repetitor sıfırdan nəyi yoxlayacağına qərar verməli idi.

İş axınından istifadə etdikdən sonra hər baxış təxminən 18 dəqiqə çəkdi:

• Detektorun əsas məqamlarını oxumaq üçün 5 dəqiqə

• Qaralamaları, qeydləri və mənbələri yoxlamaq üçün 6 dəqiqə

• Əvvəlki yazı və ya şablon dilini müqayisə etmək üçün 4 dəqiqə

• Qısa rəy qeydi yazmaq üçün 3 dəqiqə

Bu, hər esse üçün təxminən 17 dəqiqə və ya beş qeyd olunmuş esse üçün 85 dəqiqə qənaət deməkdir. Bu metrikanı yoxlamaq asandır: hər baxışa vaxt ayırın, neçə işin eskalasiyaya ehtiyacı olduğunu sayın və son qərarın yalnız detektor balına, yoxsa dəstəkləyici dəlillərə əsaslandığını qeyd edin.

Daha yaxşı uğur ölçüsü “neçə tələbənin tutulması” deyil. Əsas odur ki, nə qədər şübhəli bal ardıcıl olaraq, aydın dəlillərlə və daha az tələsik fərziyyələrlə nəzərdən keçirilsin.

Nə səhv gedə bilər

Ən böyük səhv detektor faizinin qərar kimi qəbul edilməsidir. “86% süni intellekt ehtimalı” rəsmi səslənsə də, yenə də səhv ola bilər.

Digər ümumi səhvlərə aşağıdakılar daxildir:

• Yalnız son esse yoxlanılır və qaralamalar nəzərə alınmır

• Cilalanmış ESL yazısını "çox hamar" göründüyünə görə cəzalandırıram

• Bir detektordan sanki məhkəmə ekspertizası vasitəsi kimi istifadə etmək

• Kiçik parçaları işlədir və hesabı etibarlı hesab edir

• Tələbələrə hansı dəlilləri təqdim edə biləcəklərini deməmək

• Qrammatika vasitələrinin, şablonların və rəylərin üslubu dəyişdirə biləcəyini unutmaq

Yaxşı bir araşdırma prosesi də məxfiliyi qorumalıdır. Siyasət açıq şəkildə icazə vermədikcə, tələbələrdən şəxsi qeydlər, şəxsi mesajlar və ya əlaqəsiz sənədlər yükləmələri istənilməməlidir.

Praktik yemək

Süni intellekt detektorlarından həqiqət maşını kimi deyil, çeşidləmə vasitəsi kimi istifadə edin. Güclü bir proses balları qaralamalar, mənbə yoxlamaları, yazı tarixi, tələbə izahatı və insan mühakiməsi ilə birləşdirir. Bu, məktəblərə, redaktorlara və rəyçilərə qorxulu faizdən daha dəyərli bir şey verir: inamla müdafiə edə biləcəkləri bir qərar.

Tez-tez verilən suallar

Süni intellekt detektorları praktikada necə işləyir?

Əksər süni intellekt detektorları müəllifliyi "sübut etmir". Onlar mətninizin dil modelləri tərəfindən adətən yaradılan nümunələrə nə dərəcədə bənzədiyini qiymətləndirir, sonra ehtimala bənzər bir bal verirlər. Başlıq altında, onlar təsnifat modellərindən, çaşqınlıq üslubunda proqnozlaşdırma balından, stilometriya xüsusiyyətlərindən və ya su nişanı yoxlamalarından istifadə edə bilərlər. Nəticə ən yaxşı şəkildə qəti bir hökm deyil, risk siqnalı kimi qəbul edilir.

Süni intellekt detektorları yazılı şəkildə hansı siqnalları axtarır?

Ümumi siqnallara proqnozlaşdırma (bir modelin növbəti sözlərinizlə nə qədər "təəccüblənməsi"), cümlə strukturlarında təkrarlama, qeyri-adi ardıcıl temp və aşağı konkret detallarla ümumi ifadələr daxildir. Bəzi alətlər həmçinin cümlə uzunluğu, durğu işarələri vərdişləri və funksiya söz tezliyi kimi stilometriya markerlərini də araşdırır. Bu siqnallar, xüsusən də rəsmi, akademik və ya texniki janrlarda insan yazıları ilə üst-üstə düşə bilər.

Niyə süni intellekt detektorları insan yazılarını süni intellekt kimi qeyd edir?

İnsan yazısı statistik olaraq "hamar" və ya şablon kimi göründükdə yanlış müsbət nəticələr baş verir. Formal ton, uyğunluq üslubunda ifadələr, texniki izahatlar, qısa nümunələr və ana dili olmayan ingilis dili hamısı variasiyanı azaltdıqları üçün süni intellekt kimi səhv başa düşülə bilər. Buna görə də təmiz, yaxşı redaktə edilmiş abzas yüksək bal toplaya bilər. Detektor mənşəyi təsdiqləmək əvəzinə, oxşarlığı müqayisə edir.

Çaşqınlıq və "partlayış" detektorları etibarlıdırmı?

Çaşqınlığa əsaslanan metodlar mətn xam, yüksək dərəcədə proqnozlaşdırıla bilən süni intellekt çıxışı olduqda işləyə bilər. Lakin onlar kövrəkdir: qısa parçalar səs-küylüdür və bir çox qanuni insan janrları (xülasələr, təriflər, korporativ elektron poçtlar, təlimatlar) təbii olaraq proqnozlaşdırıla bilər. Redaktə və cilalama da hesabı kəskin şəkildə dəyişə bilər. Bu alətlər öz-özünə yüksək riskli qərarlara deyil, sürətli çeşidləmələrə uyğundur.

Təsnifatçı detektorları ilə stilometriya alətləri arasında fərq nədir?

Təsnifat detektorları insan və süni intellekt (və bəzən hibrid) mətnlərinin etiketlənmiş məlumat dəstlərindən öyrənir və mətninizin hansı qovluğa ən çox bənzədiyini proqnozlaşdırır. Stilometriya alətləri uzunmüddətli təhlildə daha informativ ola bilən söz seçimi nümunələri, funksiya sözləri və oxunaqlılıq siqnalları kimi "barmaq izləri"nin yazılmasına diqqət yetirir. Hər iki yanaşma domen dəyişikliyindən əziyyət çəkir və yazı tərzi və ya mövzu təlim məlumatlarından fərqləndikdə çətinlik çəkə bilər.

Su nişanları süni intellekt aşkarlanmasını birdəfəlik həll edirmi?

Su nişanları model onlardan istifadə etdikdə və detektor su nişanı sxemini bildikdə güclü ola bilər. Əslində, bütün provayderlərin su nişanı və ümumi transformasiyalar - parafraz, tərcümə, qismən sitat gətirmə və ya mənbələrin qarışdırılması - nümunəni zəiflədə və ya poza bilməz. Su nişanının aşkarlanması bütün zəncirin düzüldüyü dar hallarda güclüdür, lakin universal əhatə dairəsi deyil.

“X% AI” balını necə şərh etməliyəm?

Tək bir faizi süni intellekt müəllifliyinin sübutu deyil, "Süni intellekt bənzərliyinin" təxmini göstəricisi kimi qəbul edin. Orta səviyyəli ballar xüsusilə qeyri-müəyyəndir və hətta yüksək ballar standart və ya rəsmi yazıda səhv ola bilər. Daha yaxşı alətlər vurğulanmış aralıqlar, xüsusiyyət qeydləri və qeyri-müəyyənlik dili kimi izahatlar verir. Detektor özünü izah etmirsə, rəqəmi etibarlı hesab etməyin.

Məktəblər və ya redaksiya iş axınları üçün yaxşı bir süni intellekt detektoru nə edir?

Möhkəm detektor kalibrlənir, yalançı müsbət nəticələri minimuma endirir və məhdudiyyətləri aydın şəkildə çatdırır. Qısa nümunələr üzərində həddindən artıq özünəinamlı iddialardan çəkinməli, fərqli sahələri (akademik, bloq və texniki) idarə etməli və insanlar mətni yenidən nəzərdən keçirdikdə sabit qalmalıdır. Ən məsuliyyətli alətlər təvazökarlıqla davranırlar: onlar zehn oxuyucuları kimi davranmaq əvəzinə, dəlil və qeyri-müəyyənlik təqdim edirlər.

Sistemi "oyun" etmədən təsadüfi süni intellekt bayraqlarını necə azalda bilərəm?

Hiylələrdən daha çox orijinal müəlliflik siqnallarına diqqət yetirin. Konkret detallar (atdığınız addımlar, məhdudiyyətlər, güzəştlər) əlavə edin, cümlə ritmini təbii şəkildə dəyişdirin və adətən istifadə etməyəcəyiniz həddindən artıq şablon keçidlərdən çəkinin. Qaralamaları, qeydləri və düzəliş tarixçəsini saxlayın - mübahisələrdə sübutların işlənməsi çox vaxt detektor balından daha vacibdir. Məqsəd mükəmməl broşür nəsri deyil, şəxsiyyətlə aydınlıqdır.

İstinadlar

1. Hesablama Dilçiliyi Assosiasiyası (ACL Antologiyası) - LLM tərəfindən yaradılan mətn aşkarlanması üzrə sorğu - aclanthology.org

2. OpenAI - Süni intellektlə yazılmış mətni göstərmək üçün yeni süni intellekt təsnifatçısı - openai.com

3. Turnitin Təlimatları - Klassik hesabat görünüşündə süni intellekt yazı aşkarlanması - guides.turnitin.com

4. Turnitin Bələdçiləri - Süni intellekt yazı aşkarlama modeli - guides.turnitin.com

5. Turnitin - Süni intellekt yazı aşkarlama imkanlarımız daxilində yalançı müsbət nəticələrin anlaşılması - turnitin.com

6. arXiv - DetectGPT - arxiv.org

7. Boston Universiteti - Çaşqınlıq Yazıları - cs.bu.edu

8. GPTZero - Çaşqınlıq və partlayış: bu nədir? - gptzero.me

9. PubMed Central (NCBI) - Stilometriya və məhkəmə tibb elmi: Ədəbiyyat icmalı - ncbi.nlm.nih.gov

10. Hesablama Dilçiliyi Assosiasiyası (ACL Antologiyası) - Müəlliflik Atributunda Funksional Sözlər - aclanthology.org

11. arXiv - Böyük Dil Modelləri üçün Su Nişanı - arxiv.org

12. Tərtibatçılar üçün Google Süni İntellekt - SynthID Mətn - ai.google.dev

13. arXiv - Böyük Dil Modelləri üçün Su Nişanlarının Etibarlılığı Haqqında - arxiv.org

14. OpenAI - İnternetdə gördüklərimizin və eşitdiklərimizin mənbəyini anlamaq - openai.com

15. Stanford HAI - Süni intellekt detektorları yerli olmayan ingilis yazıçılarına qarşı qərəzlidir - hai.stanford.edu

16. arXiv - Liang və digərləri - arxiv.org

Ən son süni intellekt texnologiyalarını rəsmi süni intellekt köməkçisi mağazasında tapın

Haqqımızda