मूलभूत मीट्रिक: उलझन
एक भाषा मॉडल टोकन के प्रत्येक अनुक्रम को एक संभावना प्रदान करता है। उलझन उन संभावनाओं का उलटा है: एक पाठ जो मॉडल को बहुत पूर्वानुमानित लगता है - जहां अधिकांश शब्द बिल्कुल वही होते हैं जो मॉडल ने चुने होंगे - कम उलझन होती है। एआई-जनित पाठ में आम तौर पर उस मॉडल के प्रति बहुत कम उलझन होती है जिसने इसे उत्पन्न किया है, क्योंकि मॉडल हमेशा उच्च-संभावना निरंतरता को चुनता है। मानव लेखन में उच्चतर, अधिक परिवर्तनशील उलझन होती है क्योंकि मनुष्य अप्रत्याशित लेकिन सुसंगत शब्द चयन करता है।
फटना: मानव विचरण संकेत
मानव लेखक निरंतर जटिलता स्तर बनाए नहीं रखते हैं। वे सरल, सीधे वाक्यों और जटिल, अंतर्निहित उपवाक्यों के बीच वैकल्पिक होते हैं - जिसे शोधकर्ता 'फटना' कहते हैं। एआई टेक्स्ट पैराग्राफों में एक सहज, सुसंगत जटिलता स्तर बनाए रखता है, जो मानव लेखन के लिए सांख्यिकीय रूप से असामान्य है। डिटेक्टर बर्स्टनेस स्कोर उत्पन्न करने के लिए वाक्य जटिलता में भिन्नता को मापते हैं: कम भिन्नता एआई पीढ़ी का सुझाव देती है।
एन-ग्राम आवृत्ति विश्लेषण
कुछ वाक्यांश पैटर्न एआई-पीढ़ी के साथ इतनी मजबूती से जुड़े हुए हैं कि उनकी उपस्थिति ही उचित सटीकता के साथ स्रोत की भविष्यवाणी करती है। सामान्य उदाहरणों में 'यह ध्यान देने योग्य है', 'निष्कर्ष में', और 'यह महत्वपूर्ण है' शामिल हैं। एन-ग्राम डिटेक्टर अधिक प्रतिनिधित्व वाले वाक्यांशों की बड़ी लुकअप टेबल बनाए रखते हैं और उनके घनत्व के आधार पर टेक्स्ट स्कोर करते हैं। ये डिटेक्टर तेज़ लेकिन भंगुर हैं - वे लुकअप टेबल के निर्माण के बाद प्रशिक्षित मॉडल के मुकाबले विफल हो जाते हैं।
टोकन संभाव्यता वॉटरमार्क का पता लगाना
जब कोई मॉडल सिंथआईडी जैसी नियतात्मक वॉटरमार्किंग योजना का उपयोग करता है, तो डिटेक्टर के पास पीढ़ी के दौरान उपयोग की जाने वाली उसी गुप्त कुंजी तक पहुंच होती है। यह हर टोकन को हरी सूची के विरुद्ध दोबारा स्कोर करता है और हरी सूची वाले टोकन की संख्या का योग करता है। अपेक्षित संभावना स्तर से काफी ऊपर का स्कोर एक सकारात्मक पहचान बनता है। यह पर्प्लेक्सिटी स्कोरिंग की तुलना में कहीं अधिक विश्वसनीय है लेकिन केवल वॉटरमार्क वाले मॉडल के लिए काम करता है जिनकी कुंजी डिटेक्टर के पास होती है।
स्टाइलोमेट्रिक फीचर मॉडल
डीप-लर्निंग डिटेक्टर दर्जनों स्टाइलोमेट्रिक विशेषताएं निकालते हैं - औसत वाक्य लंबाई, विराम चिह्न घनत्व, शब्दावली समृद्धि, निष्क्रिय-आवाज अनुपात - और उन्हें मानव और एआई पाठ के बड़े कॉर्पोरा पर प्रशिक्षित क्लासिफायरियर के माध्यम से पास करते हैं। ये मॉडल एन-ग्राम सूचियों की तुलना में बेहतर सामान्यीकरण करते हैं लेकिन वितरण संबंधी बदलाव से ग्रस्त हैं: वे प्रशिक्षण के बाद जारी किए गए नए एआई मॉडल से पाठ को गलत वर्गीकृत करते हैं।
चरित्र-स्तरीय आर्टिफ़ैक्ट्स की सफाई से डिटेक्टर स्कोर में सुधार क्यों होता है?
कई एआई डिटेक्टर एआई-जनित पाठ के लिए एक मजबूत सकारात्मक संकेत के रूप में अदृश्य यूनिकोड वर्णों की उपस्थिति का उपयोग करते हैं, क्योंकि वैध मानव पाठ में लगभग कभी भी वाक्य के मध्य में शून्य-चौड़ाई वाले स्थान या बाइट-ऑर्डर चिह्न नहीं होते हैं। इन वर्णों को हटाने से सबसे विश्वसनीय संकेतों में से एक समाप्त हो जाता है। अलग से, गैर-ब्रेकिंग रिक्त स्थान और स्मार्ट विराम चिह्न को सामान्य करने से एआई-प्रशिक्षण कॉर्पोरा के साथ एन-ग्राम ओवरलैप कम हो जाता है, जिससे डिटेक्टर आत्मविश्वास स्कोर और कम हो जाता है।