المقياس الأساسي: الحيرة
يعين نموذج اللغة احتمالية لكل تسلسل من الرموز المميزة. الحيرة هي عكس تلك الاحتمالات: النص الذي يجده النموذج قابلاً للتنبؤ به للغاية - حيث تكون معظم الكلمات هي بالضبط ما كان سيختاره النموذج - يكون لديه درجة منخفضة من الحيرة. عادةً ما يكون النص الذي تم إنشاؤه بواسطة الذكاء الاصطناعي منخفضًا جدًا في الحيرة مقارنة بالنموذج الذي أنشأه، لأن النموذج يختار دائمًا استمرارية عالية الاحتمال. تتسم الكتابة البشرية بقدر أكبر من الحيرة والتنوع، لأن البشر يتخذون اختيارات غير متوقعة ولكنها متماسكة للكلمات.
الانفجار: إشارة التباين البشري
لا يحافظ الكتّاب البشريون على مستوى ثابت من التعقيد. وهي تتناوب بين الجمل البسيطة والمباشرة والجمل المعقدة والمضمنة، وهو ما يسميه الباحثون "الانفجار". يميل نص الذكاء الاصطناعي إلى الحفاظ على مستوى تعقيد سلس ومتسق عبر الفقرات، وهو أمر غير معتاد إحصائيًا بالنسبة للكتابة البشرية. تقيس أجهزة الكشف التباين في تعقيد الجملة لإنتاج درجة الانفجار: يشير التباين المنخفض إلى توليد الذكاء الاصطناعي.
تحليل تردد N-جرام
ترتبط أنماط معينة من العبارات ارتباطًا وثيقًا بجيل الذكاء الاصطناعي، لدرجة أن وجودها وحده يتنبأ بالمصدر بدقة معقولة. تتضمن الأمثلة الشائعة "من الجدير بالذكر أن" و"في الختام" و"من المهم". تحتفظ كاشفات N-gram بجداول بحث كبيرة للعبارات الممثلة بشكل زائد وتسجل النص بناءً على كثافتها. تتميز هذه الكاشفات بأنها سريعة ولكنها هشة، فهي تفشل في مواجهة النماذج التي تم تدريبها بعد إنشاء جدول البحث.
احتمالية الكشف عن العلامة المائية
عندما يستخدم النموذج نظام علامة مائية حتمية مثل SynthID، فإن الكاشف لديه حق الوصول إلى نفس المفتاح السري المستخدم أثناء الإنشاء. يقوم بإعادة تسجيل كل رمز مميز مقابل القائمة الخضراء ويجمع عدد الرموز المميزة للقائمة الخضراء. تشكل النتيجة الأعلى بكثير من مستوى الفرصة المتوقعة اكتشافًا إيجابيًا. يعد هذا أكثر موثوقية من تسجيل درجة الحيرة ولكنه يعمل فقط مع النماذج ذات العلامات المائية التي يحمل الكاشف مفتاحها.
نماذج السمات الأسلوبية
تستخرج كاشفات التعلم العميق العشرات من ميزات القياس الأسلوبي - متوسط طول الجملة، وكثافة علامات الترقيم، وثراء المفردات، ونسبة الصوت السلبي - وتمريرها من خلال مصنف تم تدريبه على مجموعة كبيرة من النصوص البشرية والذكاء الاصطناعي. تعمم هذه النماذج بشكل أفضل من قوائم n-gram ولكنها تعاني من تحول توزيعي: فهي تسيء تصنيف النص من نماذج الذكاء الاصطناعي الجديدة التي تم إصدارها بعد التدريب.
لماذا يؤدي تنظيف العناصر المخفية على مستوى الأحرف إلى تحسين نتائج الكاشف
تستخدم العديد من كاشفات الذكاء الاصطناعي وجود أحرف Unicode غير المرئية كإشارة إيجابية قوية للنص الذي ينشئه الذكاء الاصطناعي، لأن النص البشري الشرعي لا يحتوي أبدًا على مسافات صفرية العرض أو علامات ترتيب البايت في منتصف الجملة. تؤدي إزالة هذه الأحرف إلى إزالة إحدى الإشارات الأكثر موثوقية. بشكل منفصل، تعمل تسوية المسافات غير المنفصلة وعلامات الترقيم الذكية على تقليل تداخل n-gram مع مجموعات تدريب الذكاء الاصطناعي، مما يؤدي إلى خفض درجة ثقة الكاشف.