AI ಡಿಟೆಕ್ಟರ್‌ಗಳು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ ಮತ್ತು ಸ್ಕೋರ್ ಮಾತ್ರ ಯಾಕೆ ಲೇಖಕತ್ವವನ್ನು ಸಾಬೀತುಪಡಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ

ಪ್ರಬಂಧ, ಲೇಖನ ಅಥವಾ ಇಮೇಲ್ ಅನ್ನು AI ಡಿಟೆಕ್ಟರ್‌ನಲ್ಲಿ ಪೇಸ್ಟ್ ಮಾಡಿ, ಮತ್ತು ಕೆಲವು ಸೆಕೆಂಡುಗಳ ನಂತರ ಅದು “85% AI” ನಂತಹ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬಹುದು.

ನಿಖರವಾಗಿ ಕಾಣುತ್ತದೆ. ಆದರೆ ಇದನ್ನು ತಪ್ಪಾಗಿ ಓದುವುದು ಸುಲಭ.

ದಾಖಲೆಯನ್ನು எப்படி ಬರೆಯಲಾಗಿದೆ ಎಂಬುದನ್ನು ಡಿಟೆಕ್ಟರ್ ಗಮನಿಸಲಿಲ್ಲ. ಇದು AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಮಾದರಿಗಳಿಗಾಗಿ ಮುಗಿದ ಪಠ್ಯವನ್ನು ವಿಶ್ಲೇಷಿಸಿತು. ಉಪಕರಣವನ್ನು ಅವಲಂಬಿಸಿ, ಆ 85% AI ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸಿದೆ ಎಂಬ ಅಂದೇಜಿತ ಸಂಭವನೀಯತೆಯನ್ನು ಅಥವಾ ಡಿಟೆಕ್ಟರ್ ಗುರುತಿಸಿದ ಪಠ್ಯದ ಪಾಲನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು.

ಇದು AI ಡಿಟೆಕ್ಟರ್ ಅನ್ನು ಸಿಗ್ನಲ್ ಆಗಿ ಉಪಯುಕ್ತವಾಗಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಯಾವುದೋ ಒಂದು ಹತ್ತಿರದ ನೋಟದ ಅಗತ್ಯವಿರುವಾಗ. ಆದರೆ ಯಾರು ಪಠ್ಯವನ್ನು ಬರೆದಿದ್ದಾರೆ ಅಥವಾ ಅದನ್ನು ಹೇಗೆ ರಚಿಸಿದ್ದಾರೆ ಎಂಬುದರ ಕುರಿತು ತೀರ್ಮಾನಕ್ಕೆ ಬರುವ ಮೊದಲು ಸ್ಕೋರ್‌ಗೆ ಇನ್ನೂ ಸಂದರ್ಭ ಮತ್ತು ಬೆಂಬಲಿಸುವ ಪುರಾವೆಗಳ ಅಗತ್ಯವಿದೆ. ಡಿಟೆಕ್ಟರ್‌ಗಳು ತಮ್ಮ ಸ್ಕೋರ್‌ಗಳನ್ನು ಹೇಗೆ ಉತ್ಪತ್ತಿ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅವುಗಳು ಏನು ಹಿಡಿಯಬಹುದು ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಅವು ಏಕೆ ತಪ್ಪು ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

AI ಡಿಟೆಕ್ಟರ್ ಎಂದರೇನು?

AI ಬರವಣಿಗೆಯ ಡಿಟೆಕ್ಟರ್ ಮುಗಿದ ಪಠ್ಯವನ್ನು ನೋಡುತ್ತದೆ ಮತ್ತು ಅದು ಭಾಷಾ ಮಾದರಿಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಬರವಣಿಗೆಯನ್ನು ಹೋಲುತ್ತದೆಯೇ ಎಂದು ಅಂದೇಜಿಸುತ್ತದೆ. ಬಳಕೆದಾರರು ಸಾಮಾನ್ಯವಾಗಿ ಪಠ್ಯದಲ್ಲಿ ಅಂಟಿಸುತ್ತಾರೆ ಅಥವಾ ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡುತ್ತಾರೆ. ಸೆಕೆಂಡುಗಳಲ್ಲಿ, ಉಪಕರಣವು ಲೇಬಲ್, ಶೇಕಡಾವಾರು, ಹೈಲೈಟ್ ಮಾಡಿದ ಭಾಗಗಳು ಅಥವಾ ಮೂರನ್ನೂ ಹಿಂದಿರುಗಿಸಬಹುದು.

• ಶಿಕ್ಷಕರು ಮತ್ತು ಶೈಕ್ಷಣಿಕ ಸಂಸ್ಥೆಗಳು ವಿದ್ಯಾರ್ಥಿಗಳ ಕೆಲಸವನ್ನು ಪರಿಶೀಲಿಸುವಾಗ ಇವುಗಳನ್ನು ಬಳಸುತ್ತಾರೆ.
• ಪ್ರಕಾಶಕರು ಮತ್ತು ವಿಷಯ ತಂಡಗಳು ಸಲ್ಲಿಸಿದ ಅಥವಾ ನಿಯೋಜಿಸಲಾದ ಬರವಣಿಗೆಯನ್ನು ಸ್ಕ್ರೀನ್ ಮಾಡಲು ಇವುಗಳನ್ನು ಬಳಸಬಹುದು, ಆದರೆ ಕೆಲವು ಡಿಟೆಕ್ಟರ್ ಕಂಪನಿಗಳು ಅಪ್ಲಿಕೇಶನ್ ಸಾಮಗ್ರಿಗಳನ್ನು ಪರಿಶೀಲಿಸುವ hiring ತಂಡಗಳಿಗೆ ಆವೃತ್ತಿಗಳನ್ನು ಮಾರಾಟ ಮಾಡುತ್ತವೆ.
• ಶಿಕ್ಷಕರು, ಸಂಪಾದಕರು, ಕ್ಲೈಂಟ್ ಅಥವಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅದನ್ನು ಹೇಗೆ ವರ್ಗೀಕರಿಸಬಹುದು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಬರಹಗಾರರು ಕೆಲವೊಮ್ಮೆ ತಮ್ಮದೇ ಆದ ಕೆಲಸವನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ.

ಗಮನಿಸಿ: ಕೃ。ಚೌರ್ಯ ಪರಿಶೀಲಕರು ಸಂಬಂಧಿತ ಆದರೆ ಪ್ರತ್ಯೇಕ ಉದ್ದೇಶವನ್ನು ಪೂರೈಸುತ್ತಾರೆ. ಅವರು ಹೊಂದಾಣಿಕೆಯ ಭಾಷೆಯನ್ನು ಹುಡುಕಲು ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಪ್ರಕಟಿತ ವಸ್ತು ಮತ್ತು ಇತರ ಮೂಲಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತಾರೆ. AI ಡಿಟೆಕ್ಟರ್‌ಗಳು ಸಲ್ಲಿಸಿದ ಬರವಣಿಗೆಯಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತವೆ. ಆದ್ದರಿಂದ ಸಂಪೂರ್ಣವಾಗಿ ಮೂಲ ಹಾದಿಯು AI ಗುರುತನ್ನು ಪಡೆಯಬಹುದು, ಆದರೆ ನಕಲು ಮಾಡಿದ ಮಾನವ ಬರವಣಿಗೆಯು AI ಉತ್ಪಾದನೆಯ ಯಾವುದೇ ಬಲವಾದ ಸಿಗ್ನಲ್ ಅನ್ನು ಹೊಂದಿರకపోಬಹುದು.

AI ಡಿಟೆಕ್ಟರ್‌ಗಳು ಪಠ್ಯವನ್ನು ಹೇಗೆ ವಿಶ್ಲೇಷಿಸುತ್ತವೆ

ಅನೇಕ AI ಡಿಟೆಕ್ಟರ್‌ಗಳು ವರ್ಗೀಕರಣಕಾರರನ್ನು ಅವಲಂಬಿಸಿವೆ, ಇದು ಮಾನವ ಮತ್ತು AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯ ಉದಾಹರಣೆಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯಾಗಿದೆ. ಇದು ಎರಡನ್ನೂ ಹೋಲಿಸಿದಂತೆ, ಪದಗಳ ಆಯ್ಕೆ ಮತ್ತು ವಾಕ್ಯ ರಚನೆಯ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಪ್ರತಿ ಒಂದರಲ್ಲಿ ಯಾವ ಮಾದರಿಗಳು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ ಎಂಬುದನ್ನು ಕಲಿಯುತ್ತದೆ. ನಂತರ ಇದು ಹೊಸ ಪಠ್ಯದಲ್ಲಿ ಆ ಮಾದರಿಗಳನ್ನು ಹುಡುಕುತ್ತದೆ ಮತ್ತು ಮುನ್ಸೂಚನೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.

ಡಿಟೆಕ್ಟರ್ ಏನು ಕಲಿಯುತ್ತದೆ ಎಂಬುದು ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಅದು ನೋಡುವುದನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಬರವಣಿಗೆಯ ಮಿತಿಯಾದ ಶ್ರೇಣಿಯಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಉಪಕರಣವು ಹೊಸ ವಿಷಯ, ಪರಿಚಯವಿಲ್ಲದ ಶೈಲಿ ಅಥವಾ ಅದು ಹಿಂದೆಂದೂ ಎದುರಿಸದ AI ಮಾದರಿಯ ಔಟ್‌ಪುಟ್‌ನೊಂದಿಗೆ ಹೆಣದಾಡಬಹುದು. ವಿವಿಧ ರೀತಿಯ ಪಠ್ಯಗಳು ಮತ್ತು AI ಮಾದರಿಗಳಲ್ಲಿನ ಸಂಶೋಧನೆಯು ಆ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಕಾರ್ಯಕ್ಷಮತೆ ಕುಸಿಯಬಹುದು ಎಂದು ಕಂಡುಕೊಂಡಿದೆ.

ಕೆಲವು ವಿಧಾನಗಳು ವಿಭಿನ್ನ ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ. ಪ್ರತ್ಯೇಕ ವರ್ಗೀಕರಣಕಾರರಿಗೆ ತರಬೇತಿ ನೀಡುವ ಬದಲು, ಅವರು ಒಂದು ಹಾದಿಯನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಧ್ಯತೆ ಎಷ್ಟು ಎಂದು ನಿರ್ಣಯಿಸಲು ಭಾಷಾ ಮಾದರಿಯ ಸ್ವಂತ ಸಂಭವನೀಯತೆ ಅಂದಾಜುಗಳನ್ನು ಬಳಸುತ್ತಾರೆ.

• ಉದಾಹರಣೆಗೆ, DetectGPT AI ಉತ್ಪಾದನೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿದ ಮಾದರಿಗಳನ್ನು ಹುಡುಕಲು ಮೂಲ ಪಠ್ಯವನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಮಾರ್ಪಡಿಸಿದ ಆವೃತ್ತಿಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ. ಇದರ ಸಂಶೋಧನೆಯು ಇದನ್ನು "ಜೀರೋ-ಶಾಟ್" ವಿಧಾನ ಎಂದು ವಿವರಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಇದಕ್ಕೆ ಪ್ರತ್ಯೇಕವಾಗಿ ತರಬೇತಿ ಪಡೆದ ಡಿಟೆಕ್ಟರ್ ಅಗತ್ಯವಿಲ್ಲ. ಫಲಿತಾಂಶವು ಒಟ್ಟಾರೆ ಸ್ಕೋರ್, ಹೈಲೈಟ್ ಮಾಡಿದ ವಾಕ್ಯಗಳು ಅಥವಾ ಎರಡನ್ನೂ ಒಳಗೊಂಡಿರಬಹುದು.
• GPTZero ತನ್ನ ಮುಖ್ಯಾಂಶಗಳು ಅದರ ಒಟ್ಟಾರೆ ಮುನ್ಸೂಚನೆಯ ಮೇಲೆ ಯಾವ ವಾಕ್ಯಗಳು ಹೆಚ್ಚು ಪ್ರಭಾವ ಬೀರಿವೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತವೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಇದು ವಿಶಾಲವಾದ ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಸಹ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದರಿಂದ, ತನ್ನದೇ ಆದ ಮೇಲೆ ಸ್ಕ್ಯಾನ್ ಮಾಡಲಾದ ಒಂದು ಭಾಗವು ረlonger ತುಂಡಿನ ಭಾಗವಾಗಿ ಕಾಣಿಸಿಕೊಂಡಾಗ ಅದೇ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯದಿರಬಹುದು.

ಪ್ರತಿ ಫಲಿತಾಂಶವು ಪಠ್ಯ ಮತ್ತು ಅದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ವ್ಯವಸ್ಥೆ ಎರಡನ್ನೂ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ, ಅದಕ್ಕಾಗಿಯೇ ವಿಭಿನ್ನ ಡಿಟೆಕ್ಟರ್‌ಗಳು ಒಂದೇ ಹಾದಿಯ ಬಗ್ಗೆ ವಿಭಿನ್ನ ತೀರ್ಮಾನಗಳಿಗೆ ಬರಬಹುದು.

ವಿಸ್ತರಿಸಿ

ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ ಮತ್ತು ಬರ್ಸ್ಟಿನೆಸ್ ಏನು ಅಳೆಯುತ್ತವೆ

AI ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ವಿವರಣೆಗಳಲ್ಲಿ ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ ಮತ್ತು ಬರ್ಸ್ಟಿನೆಸ್ ಆಗಾಗ್ಗೆ ಬರುತ್ತವೆ. ಅವು ಬರವಣಿಗೆಯ ತುಣುಕಿನಲ್ಲಿ ಉಪಯುಕ್ತ ಮಾದರಿಗಳನ್ನು ಬಹಿರಪಡಿಸಬಹುದು, ಆದರೆ ಯಾವುದೂ ಏಕೈಕ, ಅನನ್ಯವಾಗಿ AI ಬರವಣಿಗೆಯ ಮಾರ್ಗವನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ.

ಒಂದು ಸಂಭಾವ್ಯ ಗೊಂದಲಮಯ ವಿವರ: ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ ಇಲ್ಲಿ ಎರಡು ಕೆಲಸಗಳನ್ನು ಮಾಡುತ್ತಿದೆ. ಸಣ್ಣ ಅಕ್ಷರದಲ್ಲಿ, ಇದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಅಳತೆಯಾಗಿದೆ. ದೊಡ್ಡ ಅಕ್ಷರ P ಯೊಂದಿಗೆ, ಇದು ನಾವು.

ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ ಪಠ್ಯವು ಎಷ್ಟು ಊಹಿಸಬಹುದಾಗಿದೆ ಎಂಬುದನ್ನು ಅಳೆಯುತ್ತದೆ

ಭಾಷಾ ಮಾದರಿಗಳು ಸಂಪೂರ್ಣ ಪದಗಳಾಗಿರಬಹುದು ಅಥವಾ ಪದಗಳ ಭಾಗಗಳಾಗಿರಬಹುದಾದ ಮುಂದಿನ ಸಂಭಾವ್ಯ ಟೋಕನ್‌ಗಳಿಗೆ ಸಂಭವನೀಯತೆಗಳನ್ನು ನಿಯೋಜಿಸುವ ಮೂಲಕ ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ. ಪರ್ಪ್ಲೆಕ್ಸಿಟಿಯು ಒಂದು ಹಾದಿಯಲ್ಲಿ ಮಾದರಿಯು ಟೋಕನ್‌ಗಳನ್ನು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಊಹಿಸಬಲ್ಲದು ಎಂಬುದನ್ನು ಅಳೆಯುತ್ತದೆ.

• ಕಡಿಮೆ ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ: ಪಠ್ಯವು ಮಾದರಿಗೆ ಪರಿಚಿತವಾಗಿರುವ ಮಾದರಿಗಳನ್ನು ಅನುಸರಿಸುತ್ತದೆ.
• ಹೆಚ್ಚಿನ ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ: ಪದಗಳು ಕಡಿಮೆ ನಿರೀಕ್ಷಿತವಾಗಿವೆ.

ಸ್ಕೋರ್ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮಾದರಿಗೆ ಮತ್ತು ಪಠ್ಯವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ವಿಧಾನಕ್ಕೆ ನಿರ್ದಿಷ್ಟವಾಗಿದೆ, ಆದ್ದರಿಂದ ಅದೇ ಹಾದಿಯು ವಿಭಿನ್ನ ಸೆಟಪ್‌ಗಳ ಅಡಿಯಲ್ಲಿ ವಿಭಿನ್ನ ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ ಸ್ಕೋರ್‌ಗಳನ್ನು ಪಡೆಯಬಹುದು.

"ನೀವು ಯಾವುದೇ ಪ್ರಶ್ನೆಗಳನ್ನು ಹೊಂದಿದ್ದರೆ ದಯವಿಟ್ಟು ನನಗೆ ತಿಳಿಸಿ" ಎಂಬ ವಾಕ್ಯವನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ. ಭಾಷಾ ಮಾದರಿಯು ಬಹುಶಃ ಒಂದೇ ರೀತಿಯ ಪದಗಳನ್ನು ಹಲವು ಬಾರಿ ಎದುರಿಸಿದೆ, ಇದರಿಂದಾಗಿ ಪ್ರತಿ ಪದವನ್ನು ಊಹಿಸುವುದು ತುಲನಾತ್ಮಕವಾಗಿ ಸುಲಭವಾಗಿದೆ. ಇದು ವಾಕ್ಯದ ಪರಿಚಿತತೆಯ ಬಗ್ಗೆ ನಮಗೆ ಏನನ್ನಾದರೂ ಹೇಳುತ್ತದೆ. ಇದನ್ನು ಬರೆದವರು ಯಾರು ಎಂಬುದರ ಬಗ್ಗೆ ಇದು ನಿರ್ಣಾಯಕವಾಗಿ ಏನನ್ನೂ ಹೇಳುವುದಿಲ್ಲ.

ಆ ಮಾದರಿಗಳು ಎಷ್ಟು ಬದಲಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಬರ್ಸ್ಟಿನೆಸ್ ಅಳೆಯುತ್ತದೆ

AI ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಚರ್ಚೆಗಳಲ್ಲಿ ಬರ್ಸ್ಟಿನೆಸ್ ಅನ್ನು ಹೆಚ್ಚು ಸಡಿಲವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ಹಾದಿಯಲ್ಲಿ ಬರವಣಿಗೆ ಎಷ್ಟು ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ಅದು ವಾಕ್ಯದ ಉದ್ದ ಮತ್ತು ರಚನೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಅಥವಾ ಹೆಚ್ಚು προβಲೇಯ ಮತ್ತು ಹೆಚ್ಚು ಆಶ್ಚರ್ಯಕರ ಭಾಷೆಯ ನಡುವಿನ ಬದಲಾವಣೆಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು.

• ಕಡಿಮೆ ಬರ್ಸ್ಟಿನೆಸ್: ವಾಕ್ಯಗಳು ಹೆಚ್ಚು ಸ್ಥಿರವಾದ ಉದ್ದ, ರಚನೆ ಅಥವಾ ಲಯವನ್ನು ಅನುಸರಿಸುತ್ತವೆ.
• ಹೆಚ್ಚಿನ ಬರ್ಸ್ಟಿನೆಸ್: ಬರವಣಿಗೆಯು ಕಡಿಮೆ ವಾಕ್ಯಗಳು, ದೀರ್ಘ ವಿವರಣೆಗಳು ಮತ್ತು ಕಡಿಮೆ ನಿರೀಕ್ಷಿತ ಪದಗುಚ್ಛಗಳ ನಡುವೆ ಚಲಿಸುತ್ತದೆ.

ಕೆಲವು AI-ಉತ್ಪಾದಿತ ಪಠ್ಯವು ಸ್ಥಿರ ಮತ್ತು ಊಹಿಸಬಹುದಾದದ್ದಾಗಿದೆ, ಅದಕ್ಕಾಗಿಯೇ ಬರ್ಸ್ಟಿನೆಸ್ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯೊಂದಿಗೆ ಸಂಬಂಧ ಹೊಂದಿದೆ. ಮಾನವ ಬರವಣಿಗೆಯು ಅದೇ ಗುಣಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ವಿಶೇಷವಾಗಿ ವ್ಯಾಪಾರ, ಶೈಕ್ಷಣಿಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ. AI ಮಾದರಿಗಳು ಪ್ರಾಂಪ್ಟ್ ಮಾಡಿದಾಗ ಅಥವಾ ಹಾಗೆ ಮಾಡಲು ಸಂಪಾದಿಸಿದಾಗ ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಭಾಷೆಯನ್ನು ಸಹ ಉತ್ಪತ್ತಿ ಮಾಡಬಹುದು.

GPTZero ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ ಮತ್ತು ಬರ್ಸ್ಟಿನೆಸ್ ತನ್ನ ಡಿಟೆಕ್ಟರ್‌ನ ಹಿಂದಿನ ಆವೃತ್ತಿಯು ಬಳಸಿದ ಹಲವಾರು ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಎರಡು ಎಂದು ಹೇಳುತ್ತದೆ.

ಈ ಅಳತೆಗಳು ಏನು ತೋರಿಸುತ್ತವೆ: ಪರ್ಪ್ಲೆಕ್ಸಿಟಿ ಮತ್ತು ಬರ್ಸ್ಟಿನೆಸ್ ಹಾದಿಯಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ವಿವರಿಸುತ್ತವೆ. ಪಠ್ಯವನ್ನು ಏಕೆ ಗುರುತಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ಆ ಮಾದರಿಗಳು ಸಹಾಯ ಮಾಡಬಹುದು, ಆದರೆ ಅದನ್ನು ಬರೆದವರು ಯಾರು ಎಂಬುದನ್ನು ಅವು ಸ್ಥಾಪಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

AI ಡಿಟೆಕ್ಟರ್‌ನ ಸ್ಕೋರ್‌ನ ಅರ್ಥವೇನು

“80% AI” ಫಲಿತಾಂಶವು ನೇರSವಾಗಿ ಕಾಣುತ್ತದೆ. ಇದರ ಅರ್ಥವು ಡಿಟೆಕ್ಟರ್ ಅನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.

GPTZero ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವನ್ನು AI ಅಥವಾ ಮಾನವರು ಡಾಕ್ಯುಮೆಂಟ್ ಬರೆದಿದ್ದಾರೆ ಎಂಬ ತನ್ನ ಮಾದರಿಯ ಅಂದೇಜಿತ ಸಂಭವನೀಯತೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ. Turnitin ತನ್ನ ಮಾದರಿಯು ಸಂಭಾವ್ಯವಾಗಿ AI-ಉತ್ಪಾದಿತ ಅಥವಾ ಕೆಲವು AI ಉಪಕರಣಗಳೊಂದಿಗೆ ಮಾರ್ಪಡಿಸಲಾಗಿದೆ ಎಂದು ಗುರುತಿಸುವ ಅರ್ಹತೆಯ ಗದ್ಯದ ಎಷ್ಟು ಭಾಗವನ್ನು ತೋರಿಸಲು ಶೇಕಡಾವಾರು ಬಳಸುತ್ತದೆ.

ಅದೇ “80% AI” ಲೇಬಲ್ ಇದರರ್ಥವಾಗಿರಬಹುದು:

• AI ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸಿದೆ ಎಂದು ಡಿಟೆಕ್ಟರ್ 80% ಅವಕಾಶವನ್ನು ಅಂದೇಜಿಸುತ್ತದೆ.
• ಡಿಟೆಕ್ಟರ್ ಅದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ ಗದ್ಯದ 80% ಅನ್ನು ಗುರುತಿಸಿದೆ.

ಅವು ವಿಭಿನ್ನ ಸಂಶೋಧನೆಗಳಾಗಿವೆ. ಒಂದು ಸಂಪೂರ್ಣವಾಗಿ ಡಾಕ್ಯುಮೆಂಟ್ ಬಗ್ಗೆ ಮುನ್ಸೂಚನೆಯನ್ನು ಮಾಡುತ್ತದೆ. ಇನ್ನೊಂದು ಪಠ್ಯದ ಎಷ್ಟು ಭಾಗವು ಡಿಟೆಕ್ಟರ್‌ನ ಮಾನದಂಡಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗಿದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸುತ್ತದೆ.

ಸಂಭವನೀಯತೆ ಸ್ಕೋರ್‌ಗಳಿಗೆ ಮತ್ತೊಂದು ಪರಿಶೀಲನೆ ಬೇಕು: ಮಾಪನಾಂಕ ನಿರ್ಣಯ. ಡಿಟೆಕ್ಟರ್ 100 ದಾಖಲೆಗಳಿಗೆ ಸುಮಾರು 80% ರಷ್ಟು AI ಸಂಭವನೀಯತೆಯನ್ನು ನೀಡಿದರೆ, ಸ್ಕೋರ್ ಚೆನ್ನಾಗಿ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲ್ಪಡಲು ಅವುಗಳಲ್ಲಿ ಸುಮಾರು 80 ನಿಜವಾಗಿಯೂ AI-ಉತ್ಪಾದಿತವಾಗಿರಬೇಕು. ತಿಳಿದಿರುವ ಮೂಲಗಳೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಅದರ ಸಂಭವನೀಯತೆಗಳು ನೈಜ ಫಲಿತಾಂಶಗಳನ್ನು ಎಷ್ಟು ಹತ್ತಿರದಿಂದ ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.

ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವು ಅದರ ಅರ್ಥ ಅಥವಾ ವಿಶ್ವಾಸಾರ್ಹತೆ ಸ್ಪಷ್ಟವಾಗುವ ಮೊದಲು ನಿಖರವಾಗಿ ಕಾಣಿಸಬಹುದು. ಲೇಬಲ್, ಸ್ಕೋರಿಂಗ್ ವಿಧಾನ ಮತ್ತು ಡಿಟೆಕ್ಟರ್‌ನ ಕಾರ್ಯಕ್ಷಮತೆಯು ಸಂಖ್ಯೆಯು ಏನು ಬೆಂಬಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

ಕಟ್ಆಫ್ ಏನು ಗುರುತಿಸಲ್ಪಡುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ

ಯಾವಾಗ ಸ್ಕೋರ್ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಾಕಷ್ಟು ಹೆಚ್ಚMಾಗಿದೆ ಎಂಬುದನ್ನು ಡಿಟೆಕ್ಟರ್ ಇನ್ನೂ ನಿರ್ಧರಿಸಬೇಕಾಗಿದೆ. ಆ ವಿಭಜಿಸುವ ರೇಖೆಯನ್ನು ಕಟ್ಆಫ್ ಅಥವಾ ಥ್ರೆಶೋಲ್ಡ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.

ಒಂದು ಉಪಕರಣವು ಪಠ್ಯವನ್ನು 0 ರಿಂದ 100 ರವರೆಗೆ ಸ್ಕೋರ್ ಮಾಡುತ್ತದೆ ಮತ್ತು 70 ಕ್ಕಿಂತ ಮೇಲ್ಪಟ್ಟ ಯಾವುದನ್ನಾದರೂ ಗುರುತಿಸುತ್ತದೆ ಎಂದು ಭಾವಿಸೋಣ. ಕಟ್ಆಫ್ ಅನ್ನು 60 ಕ್ಕೆ ಸರಿಸುವುದರಿಂದ ಗುರುತಿಸಲಾದ ದಾಖಲೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುವಾಗ ಪ್ರತಿ ಸ್ಕೋರ್ ಬದಲಾಗದೆ ಉಳಿಯುತ್ತದೆ.

• ಕಡಿಮೆ ಕಟ್ಆಫ್ ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ ಆದರೆ ಹೆಚ್ಚಿನ ಮಾನವ ಬರವಣಿಗೆಯನ್ನು ತಪ್ಪಾಗಿ ಗುರುತಿಸುತ್ತದೆ.
• ಹೆಚ್ಚಿನ ಕಟ್ಆಫ್ ತಪ್ಪಾದ ಗುರುತುಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಆದರೆ ಹೆಚ್ಚಿನ AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯು ಪತ್ತೆಯಾಗದೆ ಹೋಗಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಈ ವ್ಯಾಪಾರ-ವಹಿವಾಟು ವಿಶಾಲವಾಗಿ ವರ್ಗೀಕರಣ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ.

ಎರಡು ಸಂಭವನೀಯ ತಪ್ಪುಗಳಿಗೆ ವಿಭಿನ್ನ ಹೆಸರುಗಳಿವೆ.

• ಮಾನವ ಬರವಣಿಗೆಯನ್ನು AI-ಉತ್ಪಾದಿತ ಎಂದು ಗುರುತಿಸಿದಾಗ ತಪ್ಪು ಧನಾತ್ಮಕ ಸಂಭವಿಸುತ್ತದೆ.
• AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯು ಗುರುತಿಸಲ್ಪಡದೆ ಹೋದಾಗ ತಪ್ಪು ಋಣಾತ್ಮಕ ಸಂಭವಿಸುತ್ತದೆ.

ಡಿಟೆಕ್ಟರ್ ಎಲ್ಲೆಲ್ಲಿ ರೇಖೆಯನ್ನು ಎ맗ದೆಯೋ ಅದು ಯಾವ ದೋಷವನ್ನು ತಪ್ಪಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಗುರುತು ಗ್ರೇಡ್, ಉದ್ಯೋಗ ಅಥವಾ ಯಾರೊಬ್ಬರ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವಾಗ ಆ ಆಯ್ಕೆಯು ಹೆಚ್ಚಿನ ತೂಕವನ್ನು ಹೊಂದಿರುತ್ತದೆ.

2% ದೋಷ ದರವು ಸುಮಾರು 30% ತಪ್ಪಾದ ಗುರುತುಗಳನ್ನು ಹೇಗೆ ಉತ್ಪಾದಿಸಬಹುದು

2% ತಪ್ಪು-ಧನಾತ್ಮಕ ದರದ ಪರಿಣಾಮವು ಡಿಟೆಕ್ಟರ್ ಎಷ್ಟು ಮಾನವ ಬರವಣಿಗೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.

1,000 ಲೇಖನಗಳ ಕಾಲ್ಪನಿಕ ಗುಂಪನ್ನು ಪರಿಗಣಿಸಿ:

• 50 AI-ಉತ್ಪಾದಿತವಾಗಿವೆ.
• 950 ಮಾನವ-ಬರೆದವು.
• ಡಿಟೆಕ್ಟರ್ AI-ಉತ್ಪಾದಿತ ಲೇಖನಗಳ 90% ಅನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ.
• ಇದು ಮಾನವ-ಬರೆದ ಲೇಖನಗಳ 2% ಅನ್ನು ತಪ್ಪಾಗಿ ಗುರುತಿಸುತ್ತದೆ.

ಇಲ್ಲಿ ಏನು ಸಂಭವಿಸುತ್ತದೆ:

ಡಿಟೆಕ್ಟರ್ ಒಟ್ಟು 64 ಲೇಖನಗಳನ್ನು ಗುರುತಿಸಿದೆ. ಹತ್ತೊಂಬತ್ತು ಮಾನವ-ಬರೆದವು, ಆದ್ದರಿಂದ ಇದರ ಸುಮಾರು 30% ಗುರುತಿಸುವಿಕೆಗಳು ತಪ್ಪಾಗಿವೆ.

2% ಮತ್ತು 30% ಅಂಕಿಅಂಶಗಳು ವಿವಿಧ ವಿಷಯಗಳನ್ನು ಅಳೆಯುತ್ತವೆ. ಡಿಟೆಕ್ಟರ್ ಎಲ್ಲಾ ಮಾನವ-ಬರೆದ ಲೇಖನಗಳಲ್ಲಿ 2% ಅನ್ನು ತಪ್ಪಾಗಿ ಗುರುತಿಸುತ್ತದೆ. ಆ ತಪ್ಪುಗಳು ನಂತರ ಅದು ಗುರುತಿಸುವ ಎಲ್ಲದರ ಸುಮಾರು 30% ಅನ್ನು ರೂಪಿಸುತ್ತವೆ.

ಡಿಟೆಕ್ಟರ್ AI-ಉತ್ಪಾದಿತ ಲೇಖನಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಮಾನವ-ಬರೆದ ಲೇಖನಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ ಕಾರಣ ಸಂಖ್ಯೆಗಳು ಈ ರೀತಿಯಾಗಿ ಸೇರಿಕೊಳ್ಳುತ್ತವೆ. ಸಣ್ಣ ದೋಷ ದರವೂ ಸಹ ದೊಡ್ಡ ಗುಂಪಿಗೆ ಅನ್ವಯಿಸಿದಾಗ ಅರ್ಥಪೂರ್ಣ ಸಂಖ್ಯೆಯ ತಪ್ಪಾದ ಗುರುತುಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು.

ಮೂಲ ದರ ಎಂಬ ಪದವು ಪರಿಶೀಲಿಸಲಾಗುತ್ತಿರುವ ವಸ್ತುವಿನಲ್ಲಿ AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆ ಎಷ್ಟು ಸಾಮಾನ್ಯವಾಗಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ಆ ಪಾಲು ಬದಲಾದಂತೆ, ಧನಾತ್ಮಕ ಫಲಿತಾಂಶದ ಅರ್ಥವೂ ಬದಲಾಗುತ್ತದೆ. ಡಿಟೆಕ್ಟರ್‌ನ ನಿಜವಾದ-ಧನಾತ್ಮಕ ಮತ್ತು ತಪ್ಪು-ಧನಾತ್ಮಕ ದರಗಳು ಒಂದೇ ಆಗಿDದರೆ, ಸಂಗ್ರಹದಲ್ಲಿ AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯು ಸಾಮಾನ್ಯವಾದಾಗ ಗುರುತು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತದೆ ಮತ್ತು ಅದು ವಿರಳವಾದಾಗ ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರುತ್ತದೆ.

ಈ ಸಂಖ್ಯೆಗಳು ಕಾಲ್ಪನಿಕವಾಗಿವೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಡಿಟೆಕ್ಟರ್ ಅನ್ನು ವಿವರಿಸುವುದಿಲ್ಲ. ನೈಜ ವಿಮರ್ಶೆಯಲ್ಲಿ, AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯ ಪಾಲು ಸಾಮಾನ್ಯವಾಗಿ ತಿಳಿದಿಲ್ಲ. ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಹೇಗೆ ಬರೆಯಲಾಗಿದೆ ಎಂಬುದರ ಪುರಾವೆಗಳ ಬದಲು, ಗುರುತನ್ನು ಹತ್ತಿರದಿಂದ ನೋಡಲು ಕಾರಣವಾಗಿ ಪರಿಗಣಿಸಲು ಆ ಅನಿಶ್ಚಿತತೆಯು ಮತ್ತೊಂದು ಕಾರಣವಾಗಿದೆ.

ನಿಖರತೆಯು ಡಿಟೆಕ್ಟರ್ ಅನ್ನು ಯಾವುದರ ಮೇಲೆ ಪರೀಕ್ಷಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ

ನಿಖರತೆಯ ದರವು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಪರಿಸ್ಥಿತಿಗಳ ಅಡಿಯಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ. ಆ ದರವನ್ನು ಬರವಣಿಗೆಯ ಮತ್ತೊಂದು ತುಣುಕಿಗೆ ಅನ್ವಯಿಸುವ ಮೊದಲು, ಪರಿಶೀಲಿಸಿ:

• ಡಿಟೆಕ್ಟರ್ ಆವೃತ್ತಿ
• ಪಠ್ಯದ ಉದ್ದ, ಭಾಷೆ, ವಿಷಯ ಮತ್ತು ಸ್ವರೂಪ
• ಪರೀಕ್ಷಾ ವಸ್ತುವನ್ನು ಉತ್ಪಾದಿಸಲು ಬಳಸಿದ AI ಮಾದರಿ ಮತ್ತು ಸೆಟ್ಟಿಂಗ್‌ಗಳು
• ಪಠ್ಯವನ್ನು ಸಂಪಾದಿಸಲಾಗಿದೆಯೇ ಅಥವಾ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಮಾರ್ಪಡಿಸಲಾಗಿದೆಯೇ
• ಮಾನವ-ಬರೆದ ಮಾದರಿಗಳಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲ್ಪಟ್ಟ ಬರಹಗಾರರು

ಉಪಕರಣದ ಬೆಂಬಲಿತ ಇನ್‌ಪುಟ್‌ಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ

ಉದಾಹರಣೆಗೆ, Turnitin ಗೆ ಕನಿಷ್ಠ 300 ಪದಗಳ ದೀರ್ಘ-ರೂಪದ ಗದ್ಯದ ಅಗತ್ಯವಿದೆ. ಇದರ ಮಾದರಿಯು AI-ಉತ್ಪಾದಿತ ಕವನಗಳು, ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳು, ಕೋಡ್ ಅಥವಾ ಇತರ ಗದ್ಯವಲ್ಲದ ಸ್ವರೂಪಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪತ್ತೆ ಮಾಡುವುದಿಲ್ಲ ಎಂದು ಅದು ಹೇಳುತ್ತದೆ. ಆದ್ದರಿಂದ ಪ್ರಬಂಧಗಳ ಮೇಲಿನ ಬಲವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯು ಅದೇ ಡಿಟೆಕ್ಟರ್ ಕವಿತೆ ಅಥವಾ ಸಣ್ಣ ಇಮೇಲ್ ಅನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ನಮಗೆ ಸ್ವಲ್ಪವೇ ಹೇಳುತ್ತದೆ.

ಪರೀಕ್ಷೆಯನ್ನು ನೈಜ-ಪ್ರಪಂಚದ ಬರವಣಿಗೆಯೊಂದಿಗೆ ಹೋಲಿಸಿ

2024 ರಲ್ಲಿ, ಸಂಶೋಧಕರು 11 ಮಾದರಿಗಳು ಮತ್ತು ಎಂಟು ವಿಷಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ 6 ಮಿಲಿಯನ್‌ಗಿಂತಲೂ ಹೆಚ್ಚು AI-ಉತ್ಪಾದಿತ ಹಾದಿಗಳನ್ನು ಹೊಂದಿರುವ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಆಗಿರುವ RAID ಅನ್ನು ಬಳಸಿಕೊಂಡು 12 ಡಿಟೆಕ್ಟರ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದರು. ಡಿಟೆಕ್ಟರ್‌ಗಳು ಪರಿಚಯವಿಲ್ಲದ ಮಾದರಿಗಳು, ವಿಭಿನ್ನ ಉತ್ಪಾದನಾ ಸೆಟ್ಟಿಂಗ್‌ಗಳು ಅಥವಾ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಮಾರ್ಪಡಿಸಿದ ಪಠ್ಯವನ್ನು ಎದುರಿಸಿದಾಗ ಕಾರ್ಯಕ್ಷಮತೆ ಕುಸಿಯಿತು.

RAID ಅನ್ನು ಬಳಸುವ 2025ರ ಸವಾಲು ಹೆಚ್ಚು ಪರಿಚಿತ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಬಲವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಿತು. ಹಲವಾರು ಭಾಗವಹಿಸುವವರು 5% ತಪ್ಪು-ಧನಾತ್ಮಕ ದರವನ್ನು ನಿರ್ವಹಿಸುವಾಗ ಯಂತ್ರ-ಉತ್ಪಾದಿತ ಪಠ್ಯದ 99% ಕ್ಕಿಂತ ಹೆಚ್ಚು ಪತ್ತೆ ಹಚ್ಚಿದ್ದಾರೆ. ಪರೀಕ್ಷೆಯಲ್ಲಿ ಬಳಸಲಾದ ವಿಷಯ ಕ್ಷೇತ್ರಗಳು ಮತ್ತು AI ಮಾದರಿಗಳು ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿಯೂ ಇವೆ.

ಒಟ್ಟಾರೆಯಾಗಿ, ಡಿಟೆಕ್ಟರ್‌ಗಳು ಗುರುತಿಸಲು ತರಬೇತಿ ಪಡೆದ ವೈವಿಧ್ಯಮಯ ವಸ್ತುಗಳ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಲ್ಲವು ಎಂಬುದನ್ನು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ, ಆದರೆ ಪರಿಚಯವಿಲ್ಲದ ವಸ್ತುಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಕಷ್ಟಕರವಾಗಿರುತ್ತದೆ.

ಯಾರನ್ನು ಪ್ರತಿನಿಧಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ನೋಡಿ

2023ರ ಅಧ್ಯಯನದಲ್ಲಿ, ಏಳು ಡಿಟೆಕ್ಟರ್‌ಗಳು ಸ್ಥಳೀಯರಲ್ಲದ ಇಂಗ್ಲಿಷ್ ಭಾಷಿಕರು ಬರೆದ 91 TOEFL ಪ್ರಬಂಧಗಳಲ್ಲಿ ಸರಾಸರಿ 61.3% ಅನ್ನು AI-ಉತ್ಪಾದಿತವೆಂದು ತಪ್ಪಾಗಿ ವರ್ಗೀಕರಿಸಿವೆ. ಆ ಫಲಿತಾಂಶವು ಆ ಸಮಯದಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾದ ಉಪಕರಣಗಳು ಮತ್ತು ಮಾದರಿಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ. ಒಟ್ಟಾರೆ ನಿಖರತೆಯ ದರವು ಪ್ರತಿ ಬರಹಗಾರರ ಗುಂಪುಗೂ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಮಾನವಾಗಿ ವಿವರಿಸದಿರಬಹುದು ಎಂಬುದನ್ನು ಇದು ತೋರಿಸುತ್ತದೆ.

ನಿಖರತೆಯ ಹಕ್ಕನ್ನು ಹೇಗೆ ಓದುವುದು: ಸಲ್ಲಿಸಿದ ಪಠ್ಯವು ಪರೀಕ್ಷೆಯಲ್ಲಿ ಬಳಸಿದ ವಸ್ತುವಿಗೆ ಎಷ್ಟು ಹತ್ತಿರದಲ್ಲಿದೆಯೋ, ವರದಿ ಮಾಡಿದ ಫಲಿತಾಂಶವು ಅಷ್ಟು ಪ್ರಸ್ತುತವಾಗುತ್ತದೆ.

ಅಂತಿಮ ಡಾಕ್ಯುಮೆಂಟ್ ಅದನ್ನು ಹೇಗೆ ಬರೆಯಲಾಗಿದೆ ಎಂಬುದರ ಒಂದು ಭಾಗವನ್ನು ಮಾತ್ರ ತೋರಿಸುತ್ತದೆ

ಬರವಣಿಗೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ AI ಅನೇಕ ಪಾತ್ರಗಳನ್ನು ವಹಿಸಬಹುದು. ಯಾರಾದರೂ ವಿಷಯವನ್ನು ಸಂಶೋಧಿಸಲು, ಟಿಪ್ಪಣಿಗಳನ್ನು ಆಯೋಜಿಸಲು, ಹಾದಿಯನ್ನು ಅನುವಾದಿಸಲು, ವಾಕ್ಯವನ್ನು ಪಾಲಿಶ್ ಮಾಡಲು ಅಥವಾ ಮೊದಲ ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಇದನ್ನು ಬಳಸಬಹುದು.

ಆ ಕಾರ್ಯಪ್ರವಾಹಗಳು ತುಂಬಾ ವಿಭಿನ್ನವಾದ ದಾಖಲೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಒಬ್ಬ ಬರಹಗಾರನು ಸಂಶೋಧನೆಗಾಗಿ AI ಅನ್ನು ಬಳಸಬಹುದು ಮತ್ತು ಪ್ರತಿಯೊಂದು ವಾಕ್ಯವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ರಚಿಸಬಹುದು. ಮತ್ತೊಬ್ಬರು AI-ಉತ್ಪಾದಿತ ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಗಣತ್ತಾಗಿ ಮರುಬರೆಯಬಹುದು. ಮೂರನೆಯವರು ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಮಾನವ-ಬರೆದ ಲೇಖನಕ್ಕೆ ಒಂದು ಉತ್ಪಾದಿತ ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಸೇರಿಸಬಹುದು.

ಪಠ್ಯ ಡಿಟೆಕ್ಟರ್ ಸಲ್ಲಿಸಿದ ಪದಗಳನ್ನು ನೋಡುತ್ತದೆ. ಅದಕ್ಕೆ ಅವುಗಳ ಮೊದಲು ಬಂದ ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ಸಂಪಾದನೆಗಳು ಅಥವಾ ನಿರ್ಧಾರಗಳಿಗೆ ಪ್ರವೇಶವಿಲ್ಲ. ಇದರ ಸ್ಕೋರ್ ಸಂಪೂರ್ಣ ಬರವಣಿಗೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪುನರ್ನಿರ್ಮಿಸಲು ಅಥವಾ ಲೇಖಕರು ನಿರ್ದಿಷ್ಟ ನೀತಿಯನ್ನು ಅನುಸರಿಸಿದ್ದಾರೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಉದಾಹರಣೆಗೆ,

• ವಿದ್ಯಾರ್ಥಿಗಳು ತಮ್ಮಷ್ಟಕ್ಕೆ ತಾವೇ ಅಸೈನ್‌ಮೆಂಟ್ ಬರೆಯುವ ಅಗತ್ಯವಿರುವಾಗ ಶಾಲೆಗಳು ಬ್ರೈನ್‌ಸ್ಟಾರ್ಮಿಂಗ್ ಅನ್ನು ಅನುಮೋದಿಸಬಹುದು.
• ಪ್ರಕಾಶಕರು ಬಹಿರಪಡಿಸಿದಾಗ AI-ಸಹಾಯಿತ ಸಂಪಾದನೆಗೆ ಅನುಮತಿಸಬಹುದು.
• ಕಾರ್ಯಸ್ಥಳವು AI ಬರವಣಿಗೆಗೆ ಕೊಡುಗೆ ನೀಡಿದೆಯೇ ಎಂಬುದಕ್ಕಿಂತ ವಾಸ್ತವಿಕ ನಿಖರತೆ, ಗೌಪ್ಯತೆ ಅಥವಾ ಮೂಲ ಗುಣಲಕ್ಷಣದ ಬಗ್ಗೆ ಹೆಚ್ಚು ಕಾಳಜಿ ವಹಿಸಬಹುದು.

ಆ ನಿಯಮಗಳನ್ನು ಅನ್ವಯಿಸಲು ಮುಗಿದ ಪಠ್ಯದ ಜೊತೆಗೆ ಪ್ರಕ್ರಿಯೆಯ ಬಗ್ಗೆಯೂ ಪುರಾವೆಗಳ ಅಗತ್ಯವಿದೆ. ಡ್ರಾಫ್ಟ್ ಇತಿಹಾಸ, ಸಂಶೋಧನಾ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಬರಹಗಾರರ ವಿವರಣೆಯು ಡಿಟೆಕ್ಟರ್‌ಗೆ ಸಾಧ್ಯವಾಗದ ಸಂದರ್ಭವನ್ನು ಒದಗಿಸಬಹುದು. Turnitin ವಿದ್ಯಾರ್ಥಿಯ ವಿರುದ್ಧ ಪ್ರತಿಕೂಲ ಕ್ರಮಕ್ಕೆ ಏಕೈಕ ಆಧಾರವಾಗಿ ತನ್ನ AI-ಬರವಣಿಗೆಯ ಸ್ಕೋರ್ ಅನ್ನು ಬಳಸದಂತೆ ಶಿಕ್ಷಕರಿಗೆ ಸ್ಪಷ್ಟವಾಗಿ ಸಲಹೆ ನೀಡುತ್ತದೆ.

ಡಿಟೆಕ್ಟರ್ AI ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮಾದರಿಗಳನ್ನು ಹೋಲುವ ಭಾಷೆಯನ್ನು ಗುರುತಿಸಬಹುದು. ಏನು ಸಂಭವಿಸಿದೆ ಮತ್ತು ಅದನ್ನು ಅನುಮೋದಿಸಲಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ವಿಶಾಲವಾದ ವಿಮರ್ಶೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.

ವಾಟರ್‌ಮಾರ್ಕ್‌ಗಳು ವಿಭಿನ್ನ ರೀತಿಯ ಸಿಗ್ನಲ್ ಅನ್ನು ಸೇರಿಸುತ್ತವೆ

ಕೆಲವು AI ವ್ಯವಸ್ಥೆಗಳು ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸುವಾಗ ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ಮಾದರಿಯನ್ನು ಸೇರಿಸಬಹುದು. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಾಟರ್‌ಮಾರ್ಕಿಂಗ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.

ಪಠ್ಯ ವಾಟರ್‌ಮಾರ್ಕ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ

Google DeepMind ನ SynthID ಒಂದು ಉದಾಹರಣೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ:

1. ಸಿಸ್ಟಮ್ ಟೋಕನ್ ಸಂಭವನೀಯತೆಗಳನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ. ಇದು ಮಾದರಿಯು ಕೆಲವು ಪದಗಳನ್ನು ಅಥವಾ ಪದಗಳ ಭಾಗಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಸಾಧ್ಯತೆಯನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಬದಲಾಯಿಸುತ್ತದೆ.
2. ಆ ಆಯ್ಕೆಗಳು ಮಾದರಿಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ವಾಟರ್‌ಮಾರ್ಕ್ ಓದುಗರಿಗೆ ಗೋಚರಿಸದಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ.
3. ಹೊಂದಾಣಿಕೆಯ ಡಿಟೆಕ್ಟರ್ ಅದನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಡಿಟೆಕ್ಟರ್ ನಿರೀಕ್ಷಿತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಿಗ್ನಲ್ಗಾಗಿ ಪಠ್ಯವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ.

ಉತ್ಪಾದನೆಯ ಸಮಯದಲ್ಲಿ ಮಾದರಿಯನ್ನು ಸೇರಿಸುವುದರಿಂದ, ಇದು ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸಿದ ವ್ಯವಸ್ಥೆಗೆ ಸಂಬಂಧಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಬಹುದು.

ವಾಟರ್‌ಮಾರ್ಕ್ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಯಾವುದು ಮಿತಿಗೊಳಿಸುತ್ತದೆ

• ಜೆನೆರೇಟರ್ ಅದನ್ನು ಸೇರಿಸಬೇಕು. AI ವ್ಯವಸ್ಥೆಯು ವಾಟರ್‌ಮಾರ್ಕ್ ಅನ್ನು ಬೆಂಬಲಿಸಬೇಕು ಮತ್ತು ಅನ್ವಯಿಸಬೇಕು. ವಾಟರ್‌ಮಾರ್ಕ್ ಇಲ್ಲದಿರುವುದು ಯಾರೋ ವ್ಯಕ್ತಿ ಪಠ್ಯವನ್ನು ಬರೆದಿದ್ದಾರೆ ಎಂದು ಸ್ಥಾಪಿಸುವುದಿಲ್ಲ.
• ಮಾದರಿಯು ಸಾಕಷ್ಟು ಉಳಿಯಬೇಕು. SynthID ಕೆಲವು ಕ್ರಾಪಿಂಗ್, ಪದ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಸೌಮ್ಯವಾದ ಪ್ಯಾರಾಫ್ರೇಸಿಂಗ್ ಅನ್ನು ತಡೆಯಬಲ್ಲುದು ಎಂದು Google ವರದಿ ಮಾಡಿದೆ. ವ್ಯಾಪಕವಾದ ಮರುಬರೆಯುವಿಕೆ ಅಥವಾ ಅನುವಾದವು ಅದರ ವಿಶ್ವಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.

ಹೊಂದಾಣಿಕೆಯ ವ್ಯವಸ್ಥೆಯು ಪಠ್ಯವನ್ನು ಉತ್ಪಾದಿಸಿದಾಗ ಮತ್ತು ಸಿಗ್ನಲ್‌ನ ಸಾಕಷ್ಟು ಭಾಗವು ಉಳಿದಿರುವಾಗ ವಾಟರ್‌ಮಾರ್ಕ್‌ಗಳು ಪುರಾವೆಯನ್ನು ಬಲಪಡಿಸಬಹುದು. ಅವು ಪ್ರತಿಯೊಂದು AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಇತರ ದಾಖಲೆಗಳು ಹೆಚ್ಚಿನ ವಿವರಗಳನ್ನು ಒದಗಿಸಬಹುದು

• ಡ್ರಾಫ್ಟ್ ಇತಿಹಾಸವು ಕಾಲಾನಂತರದಲ್ಲಿ ಡಾಕ್ಯುಮೆಂಟ್ ಹೇಗೆ ಬದಲಾಯಿತು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
• ಸಂಶೋಧನಾ ಟಿಪ್ಪಣಿಗಳು ಅದರ ಹಕ್ಕುಗಳನ್ನು ಮೂಲಗಳಿಗೆ ಸಂಪರ್ಕಿಸುತ್ತವೆ.
• வெளிப்படுத்தப்பட்ட AI தொடர்புகள் ஒரு கருவி எங்கு பங்களித்தது என்பதைக் காட்டுகின்றன.

ಈ ದಾಖಲೆಗಳು ಕೇವಲ ಮಾದರಿ ಆಧಾರಿತ ಸ್ಕೋರ್‌ಗಿಂತ ಬರವಣಿಗೆಯ ಪ್ರಕ್ರಿಯೆಯ ಬಗ್ಗೆ ಹೆಚ್ಚು ನೇರವಾದ ಸಂದರ್ಭವನ್ನು ಒದಗಿಸುತ್ತವೆ.

ಗುರುತನ್ನು ವಿಮರ್ಶೆಯ ಆರಂಭವಾಗಿ ಪರಿಗಣಿಸಿ

AI ಡಿಟೆಕ್ಟರ್ ಫಲಿತಾಂಶವು ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಪಾತ್ರವನ್ನು ಹೊಂದಿರುವಾಗ ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗುತ್ತದೆ. ಗುರುತಿನ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮೊದಲು, ವಿಮರ್ಶಕರು ಉಪಕರಣವು ಏನು ಅಳೆದಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು, ಪಠ್ಯವು ಅದರ ವ್ಯಾಪ್ತಿಗೆ ಬರುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ಲಭ್ಯವಿರುವ ಇತರ ಪುರಾವೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು.

ಐದು ಪರಿಶೀಲನೆಗಳು ಸಹಾಯ ಮಾಡಬಹುದು:

1. ಸ್ಕೋರ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಓದಿ. ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವು ಡಾಕ್ಯುಮೆಂಟ್ ಮಟ್ಟದ ಸಂಭವನೀಯತೆಯನ್ನು ಅಥವಾ ಗುರುತಿಸಲಾದ ಪಠ್ಯದ ಪಾಲನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಿ.
2. ಉಪಕರಣದ ವ್ಯಾಪ್ತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ. ಡಾಕ್ಯುಮೆಂಟ್‌ನ ಭಾಷೆ, ಉದ್ದ ಮತ್ತು ಸ್ವರೂಪವು ಡಿಟೆಕ್ಟರ್ ಬೆಂಬಲಿಸುವುದಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.
3. ಪುರಾವೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ಡ್ರಾಫ್ಟ್‌ಗಳು, ಮೂಲ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಲೇಖಕರ ವಿವರಣೆಯ ಜೊತೆಗೆ ಹೈಲೈಟ್ ಮಾಡಿದ ಹಾದಿಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ.
4. ಸಂಬಂಧಿತ ನೀತಿಯನ್ನು ಅನ್ವಯಿಸಿ. AI ನ ಯಾವ ಬಳಕೆಗಳನ್ನು ಅನುಮೋದಿಸಲಾಗಿದೆ ಮತ್ತು ಯಾವ ಪುರಾವೆಗಳು ಉಲ್ಲಂಘನೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಿ.
5. ಕೆಲಸವನ್ನೇ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ವಾಸ್ತವಿಕ ನಿಖರತೆ, ಮೂಲ ಗುಣಲಕ್ಷಣ, ಸ್ವಂತಿಕೆ ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ತಮ್ಮದೇ ಆದ ನಿಯಮಗಳ ಮೇಲೆ ಪರಿಶೀಲಿಸಿ.

ಪರಿಶೀಲನೆಯ ಆಳವನ್ನು ಅಪಾಯಗಳು ರೂಪಿಸಬೇಕು. ಯಾವ ಲೇಖನಕ್ಕೆ ಮತ್ತೊಮ್ಮೆ ಗಮನ ಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಂಪಾದಕರು ಗುರುತು ಬಳಸಬಹುದು. ಗ್ರೇಡ್, ಉದ್ಯೋಗ ಅಥವಾ ಪ್ರಕಾಶನ ಒಪ್ಪಂದದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ನಿರ್ಧಾರಕ್ಕೆ ಬಲವಾದ ಸಾಕ್ಷ್ಯ ಮತ್ತು ಲೇಖಕರಿಗೆ ತಮ್ಮ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವಿವರಿಸಲು ಅವಕಾಶದ ಅಗತ್ಯವಿರುತ್ತದೆ.

AI ಡಿಟೆಕ್ಟರ್ ಸಂಕೀರ್ಣ ತೀರ್ಪನ್ನು ಸ್ಕೋರ್ ಆಗಿ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ. ಆ ಸ್ಕೋರ್ ಅನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಲು ಸಂಖ್ಯೆಯಲ್ಲಿ1ದ ಮಾಹಿತಿಯ ಅಗತ್ಯವಿದೆ: ಉಪಕರಣವು ಏನು ಅಳೆದಿದೆ, ಅದು ಯಾವ ಮಿತಿಯನ್ನು ಬಳಸಿದೆ, ಅದು ತುಲನಾತ್ಮಕ ಬರವಣಿಗೆಯಲ್ಲಿ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಿದೆ ಮತ್ತು ಪರಿಶೀಲಿಸಲಾಗುತ್ತಿರುವ ವಸ್ತುವಿನಲ್ಲಿ AI-ಉತ್ಪಾದಿತ ಪಠ್ಯ ಎಷ್ಟು ಸಾಮಾನ್ಯವಾಗಿದೆ. ಸ್ಕೋರ್ ಗಮನವನ್ನು ನಿರ್ದೇಶಿಸಬಹುದು. ಡಿಟೆಕ್ಟರ್ ಸ್ಕೋರ್ ಆ ವಿಮರ್ಶೆಗೆ ಕೊಡುಗೆ ನೀಡಬಹುದು, ಆದರೆ ಲೇಖಕತ್ವದ ಬಗ್ಗೆ ಯಾವುದೇ ತೀರ್ಮಾನಕ್ಕೆ ಬರವಣಿಗೆಯ ಪ್ರಕ್ರಿಯೆಯ ಬಗ್ಗೆ ಪುರಾವೆಗಳೂ ಬೇಕಾಗುತ್ತವೆ.

ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

AI ಡಿಟೆಕ್ಟರ್‌ಗಳು ತಪ್ಪಾಗಿರಬಹುದೇ?

ಹೌದು. ಡಿಟೆಕ್ಟರ್ ಮಾನವ ಬರವಣಿಗೆಯನ್ನು AI-ಉತ್ಪಾದಿತ ಎಂದು ಗುರುತಿಸಿದಾಗ ತಪ್ಪು ಧನಾತ್ಮಕ ಸಂಭವಿಸುತ್ತದೆ. AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯು ಗುರುತಿಸಲ್ಪಡದೆ ಹೋದಾಗ ತಪ್ಪು ಋಣಾತ್ಮಕ ಸಂಭವಿಸುತ್ತದೆ. ಪ್ರತಿ ದೋಷದ ಆವರ್ತನವು ಡಿಟೆಕ್ಟರ್, ಅದರ ಮಿತಿ ಮತ್ತು ಸಲ್ಲಿಸಿದ ಪಠ್ಯವು ಅದನ್ನು ಪರೀಕ್ಷಿಸಲು ಬಳಸಿದ ವಸ್ತುವನ್ನು ಎಷ್ಟು ಹೋಲುತ್ತದೆ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ.

AI ಡಿಟೆಕ್ಟರ್‌ಗಳು ಎಷ್ಟು ನಿಖರವಾಗಿವೆ?

AI ಡಿಟೆಕ್ಟರ್‌ಗಳಿಗೆ ಒಂದೇ ನಿಖರತೆಯ ದರವಿಲ್ಲ. ಕಾರ್ಯಕ್ಷಮತೆಯು ಭಾಷೆ, ಉದ್ದ, ವಿಷಯ, ಬರವಣಿಗೆಯ ಶೈಲಿ, ಉತ್ಪಾದಿಸುವ ಮಾದರಿ ಮತ್ತು ಸಂಪಾದನೆಯ ಮೊತ್ತದೊಂದಿಗೆ ಬದಲಾಗಬಹುದು. ಪರೀಕ್ಷಾ ಪರಿಸ್ಥಿತಿಗಳು ಪರಿಶೀಲಿಸಲಾಗುತ್ತಿರುವ ಬರವಣಿಗೆಯನ್ನು ಹೋಲುವಾಗ ಮತ್ತು ಫಲಿತಾಂಶವು ಯಶಸ್ವಿ ಪತ್ತೆಗಳ ಜೊತೆಗೆ ತಪ್ಪು ಧನಾತ್ಮಕಗಳನ್ನು ವರದಿ ಮಾಡಿದಾಗ ನಿಖರತೆಯ ಹಕ್ಕು ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಿರುತ್ತದೆ.

AI-ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಶೇಕಡಾವಾರು ಎಂದರೇನು?

ವ್ಯಾಖ್ಯಾನವು ಉಪಕರಣವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಇದು ಡಾಕ್ಯುಮೆಂಟ್ AI-ಉತ್ಪಾದಿತವಾಗಿದೆ ಎಂಬ ಅಂದೇಜಿತ ಸಂಭವನೀಯತೆಯನ್ನು, ಗುರುತಿಸಲಾದ ಅರ್ಹತೆಯ ಪಠ್ಯದ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವನ್ನು ಅಥವಾ ಫಲಿತಾಂಶದಲ್ಲಿ ವಿಶ್ವಾಸದ ರೂಪವನ್ನು ಪ್ರತಿನಿಧಿಸಬಹುದು. ಡಿಟೆಕ್ಟರ್‌ನ ದಸ್ತಾವೇಜನ್ನು ಅದು ಯಾವ ಅಳತೆಯನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಬೇಕು.

ಯಾರಾದರೂ AI ಅನ್ನು ಬಳಸಿದ್ದಾರೆ ಎಂದು AI ಡಿಟೆಕ್ಟರ್ ಸಾಬೀತುಪಡಿಸಬಹುದೇ?

ಡಿಟೆಕ್ಟರ್ ಸ್ಕೋರ್ ಮಾತ್ರ ಡಾಕ್ಯುಮೆಂಟ್ ಅನ್ನು ಹೇಗೆ ರಚಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಸಾಬೀತುಪಡಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಇದು ಪ್ರಾಂಪ್ಟ್‌ಗಳು, ಡ್ರಾಫ್ಟ್‌ಗಳು, ಸಂಪಾದನೆಗಳು ಅಥವಾ ಅದರ ಹಿಂದಿನ ಸಂಶೋಧನೆಯನ್ನು ನೋಡದೆ ಸಲ್ಲಿಸಿದ ಪಠ್ಯವನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ. ವಿಶ್ವಾಸಾರ್ಹ ಪರಿಶೀಲನೆಯು ಪ್ರಕ್ರಿಯೆಯ ಪುರಾವೆ ಮತ್ತು ಸ್ವೀಕಾರಾರ್ಹ AI ಬಳಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ನೀತಿಯೊಂದಿಗೆ ಸ್ಕೋರ್ ಅನ್ನು ಪರಿಗಣಿಸುತ್ತದೆ.

ಮಾನವ ಬರವಣಿಗೆ ಕೆಲವೊಮ್ಮೆ AI ಎಂದು ಏಕೆ ಗುರುತಿಸಲ್ಪಡುತ್ತದೆ?

ಮಾನವ ಮತ್ತು AI-ಉತ್ಪಾದಿತ ಬರವಣಿಗೆಯು ಒಂದೇ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು. ಸೂತ್ರೀಕೃತ ಭಾಷೆ, ಊಹಿಸಬಹುದಾದ ಪದಗುಚ್ಛ, ಸೀಮಿತ ಶಬ್ದಕೋಶ ಅಥವಾ ಡಿಟೆಕ್ಟರ್‌ನ ತರಬೇತಿ ಡೇಟಾದಿಂದ ಭಿನ್ನವಾಗಿರುವ ಶೈಲಿಯು ತಪ್ಪು ಧನಾತ್ಮಕತೆಗೆ ಕೊಡುಗೆ ನೀಡಬಹುದು. ಸ್ಥಳೀಯರಲ್ಲದ ಇಂಗ್ಲಿಷ್ ಭಾಷಿಕರು ಬರೆದ ಪ್ರಬಂಧಗಳನ್ನು 2023 ರಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾದ ಕೆಲವು ಡಿಟೆಕ್ಟರ್‌ಗಳು ಅಸಮಾನವಾಗಿ ಗುರುತಿಸಿವೆ ಎಂದು ಸಂಶೋಧನೆ ಕಂಡುಹಿಡಿದಿದೆ.