AI ഡിറ്റക്ടറുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു, ഒരു സ്കോറിന് മാത്രം രചന തെളിയിക്കാൻ കഴിയാത്തത് কেন

ഒരു ഉപന്യാസമോ ലേഖനമോ ഇമെയിലോ ഒരു AI ഡിറ്റക്ടറിലേക്ക് ഒട്ടിക്കുക, ഏതാനും സെക്കൻഡുകൾക്ക് ശേഷം അത് “85% AI” പോലെയുള്ള ഒരു ഫലം നൽകിയേക്കാം.

കൃത്യമാണെന്ന് തോന്നുന്നു. എന്നാൽ ഇത് തെറ്റായി വായിക്കാനും എളുപ്പമാണ്.

രേഖ എങ്ങനെ എഴുതി എന്ന് ഡിറ്റക്ടർ നിരീക്ഷിച്ചില്ല. AI നിർമ്മിത രചനയുമായി ബന്ധപ്പെട്ട പാറ്റേണുകൾക്കായി അത് പൂർത്തിയായ വാചകം വിശകലനം ചെയ്തു. ഉപകരണം അനുസരിച്ച്, ആ 85% എന്നത് AI പ്രസ്തുത രേഖ നിർമ്മിച്ചുവെന്നതിൻ്റെ കണക്കാക്കിയ സാധ്യതയെയോ അല്ലെങ്കിൽ ഡിറ്റക്ടർ ഫ്ലാഗ് ചെയ്ത വാചകത്തിൻ്റെ പങ്കെയോ പ്രതിനിധീകരിച്ചേക്കാം.

ഇത് ഒരു AI ഡിറ്റക്ടറെ ഒരു സിഗ്നലായി ഉപയോഗപ്രദമാക്കുന്നു, പ്രത്യേകിച്ച് എന്തെങ്കിലും സൂക്ഷ്മമായി പരിശോധിക്കേണ്ടി വരുമ്പോൾ. എന്നാൽ ആരെങ്കിലും വാചകം എഴുതിയതിനെക്കുറിച്ചോ അത് എങ്ങനെ സൃഷ്ടിച്ചതിനെക്കുറിച്ചോ ഒരു നിഗമനത്തിലെത്തുന്നതിന് മുമ്പ് സ്കോറിന് ഇപ്പോഴും സന്ദർഭവും പിന്തുണയ്ക്കുന്ന തെളിവുകളും ആവശ്യമാണ്. ഡിറ്റക്ടറുകൾ എങ്ങനെയാണ് തങ്ങളുടെ സ്കോറുകൾ നിർമ്മിക്കുന്നത് എന്ന് മനസ്സിലാക്കുന്നത് അവയ്ക്ക് എന്തൊക്കെ കണ്ടെത്താൻ കഴിയും എന്നതും എന്തുകൊണ്ടാണ് അവയ്ക്ക് ചിലപ്പോൾ തെറ്റ് പറ്റുന്നത് എന്നതും വിശദീകരിക്കാൻ സഹായിക്കുന്നു.

എന്താണ് ഒരു AI ഡിറ്റക്ടർ?

ഒരു AI രചനാ ഡിറ്റക്ടർ പൂർത്തിയായ ഒരു രചന നോക്കുകയും അത് ഒരു ഭാഷാ മോഡൽ നിർമ്മിച്ച രചനയോട് സാമ്യമുള്ളതാണോ എന്ന് കണക്കാക്കുകയും ചെയ്യുന്നു. ഉപയോക്താവ് സാധാരണയായി വാചകം ഒട്ടിക്കുകയോ ഒരു രേഖ അപ്‌ലോഡ് ചെയ്യുകയോ ചെയ്യുന്നു. നിമിഷങ്ങൾക്കകം, ഉപകരണം ഒരു ലേബൽ, ഒരു ശതമാനം, ഹൈലൈറ്റ് ചെയ്ത ഭാഗങ്ങൾ അല്ലെങ്കിൽ ഇവ മൂന്നും തിരികെ നൽകിയേക്കാം.

• വിദ്യാർത്ഥികളുടെ ജോലികൾ അവലോകനം ചെയ്യുമ്പോൾ അധ്യാപകരും അക്കാദമിക് സ്ഥാപനങ്ങളും അവ ഉപയോഗിക്കുന്നു.
• പ്രസിദ്ധർ കൂടാതെ ഉള്ളടക്ക ടീമുകൾ സമർപ്പിച്ചതോ കമ്മീഷൻ ചെയ്തതോ ആയ രചനകൾ സ്ക്രീൻ ചെയ്യാൻ അവ ഉപയോഗിച്ചേക്കാം, അതേസമയം ചില ഡിറ്റക്ടർ കമ്പനികൾ അപേക്ഷാ മെറ്റീരിയലുകൾ അവലോകനം ചെയ്യുന്ന നിയമന ടീമുകൾക്കായി പതിപ്പുകൾ വിപണനം ചെയ്യുന്നു.
• ഒരു അധ്യാപകനോ എഡിറ്ററോ ക്ലയന്റോ പ്ലാറ്റ്‌ഫോമോ അത് എങ്ങനെ തരംതിരിക്കാമെന്ന് മനസ്സിലാക്കാൻ എഴുത്തുകാരും ചിലപ്പോൾ സ്വന്തം ജോലി പരിശോധിക്കാറുണ്ട്.

ശ്രദ്ധിക്കുക: പ്ലേജിയറി പരിശോധകർ ബന്ധപ്പെട്ടതും എന്നാൽ വ്യത്യസ്തവുമായ ഒരു ലക്ഷ്യത്തിന് സേവനം നൽകുന്നു. പൊരുത്തപ്പെടുന്ന ഭാഷ കണ്ടെത്താൻ അവർ ഒരു രേഖയെ പ്രസിദ്ധീകരിച്ച മെറ്റീരിയലുകളുമായും മറ്റ് ഉറവിടങ്ങളുമായും താരതമ്യം ചെയ്യുന്നു. AI ഡിറ്റക്ടറുകൾ സമർപ്പിച്ച രചനയിലെ പാറ്റേണുകൾ വിലയിരുത്തുന്നു. അതിനാൽ പൂർണ്ണമായും യഥാർത്ഥമായ ഒരു ഭാഗത്തിന് ഒരു AI ഫ്ലാഗ് ലഭിച്ചേക്കാം, അതേസമയം പകർത്തിയ മനുഷ്യൻ്റെ രചനയിൽ AI ജനറേഷന്റെ ശക്തമായ സിഗ്നൽ ഒന്നും ഉണ്ടാകണമെന്നില്ല.

AI ഡിറ്റക്ടറുകൾ വാചകം എങ്ങനെ വിശകലനം ചെയ്യുന്നു

പല AI ഡിറ്റക്ടറുകളും ഒരു ക്ലാസിഫയറിനെ ആശ്രയിക്കുന്നു, ഇത് മനുഷ്യന്റെയും AI നിർമ്മിത രചനയുടെയും ഉദാഹരണങ്ങളിൽ പരിശീലിപ്പിച്ച ഒരു മെഷീൻ ലേണിംഗ് മോഡലാണ്. ഇത് രണ്ടും താരതമ്യം ചെയ്യുമ്പോൾ, വാക്ക് തിരഞ്ഞെടുക്കലിലെയും വാക്യഘടനയിലെയും പാറ്റേണുകൾ ഉൾപ്പെടെ ഓരോന്നിലും ഏത് പാറ്റേണുകളാണ് ദൃശ്യമാകാൻ സാധ്യതയുള്ളതെന്ന് ഇത് പഠിക്കുന്നു. തുടർന്ന് ഇത് പുതിയ വാചകത്തിൽ ആ പാറ്റേണുകൾക്കായി നോക്കുകയും ഒരു പ്രവചനം നടത്തുകയും ചെയ്യുന്നു.

ഡിറ്റക്ടർ പഠിക്കുന്നത് അത് പരിശീലന വേളയിൽ കാണുന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു. പരിമിതമായ രചനകളിൽ പരിശീലിപ്പിച്ച ഒരു ഉപകരണം പുതിയ വിഷയത്തിലോ അപരിചിതമായ ശൈലിയിലോ മുമ്പ് കണ്ടിട്ടില്ലാത്ത AI മോഡലിൽ നിന്നുള്ള ഔട്ട്പുട്ടിലോ ബുദ്ധിമുട്ടിയേക്കാം. വിവിധ തരത്തിലുള്ള വാചകങ്ങളിലും AI മോഡലുകളിലും നടത്തിയ ഗവേഷണത്തിൽ അത്തരം സാഹചര്യങ്ങളിൽ കണ്ടെത്തൽ പ്രകടനം കുറയാമെന്ന് കണ്ടെത്തിയിട്ടുണ്ട്.

ചില രീതികൾ വ്യത്യസ്തമായ സമീപനം സ്വീകരിക്കുന്നു. ഒരു പ്രത്യേക ക്ലാസിഫയറിന് പരിശീലനം നൽകുന്നതിന് പകരം, ഒരു ഭാഗം നിർമ്മിക്കാനുള്ള സാധ്യത എത്രയാണെന്ന് വിലയിരുത്താൻ അവ ഒരു ഭാഷാ മോഡലിന്റെ സ്വന്തം സാധ്യത എസ്റ്റിമേറ്റുകൾ ഉപയോഗിക്കുന്നു.

• ഉദാഹരണത്തിന്, AI ജനറേഷനുമായി ബന്ധപ്പെട്ട പാറ്റേണുകൾക്കായി DetectGPT യഥാർത്ഥ വാചകത്തെ ചെറുതായി മാറ്റം വരുത്തിയ പതിപ്പുകളുമായി താരതമ്യം ചെയ്യുന്നു. അതിൻ്റെ ഗവേഷണം ഇതിനെ ഒരു “സീറോ-ഷോട്ട്” രീതിയായി വിശേഷിപ്പിക്കുന്നു, കാരണം ഇതിന് പ്രത്യേകം പരിശീലിപ്പിച്ച ഡിറ്റക്ടർ ആവശ്യമില്ല. ഫലത്തിൽ മൊത്തത്തിലുള്ള സ്കോർ, ഹൈലൈറ്റ് ചെയ്ത വാക്യങ്ങൾ അല്ലെങ്കിൽ ഇവ രണ്ടും ഉൾപ്പെടാം.
• തൻ്റെ ഹൈലൈറ്റുകൾ മൊത്തത്തിലുള്ള പ്രവചനത്തിൽ ഏറ്റവും കൂടുതൽ സ്വാധീനം ചെലുത്തുന്ന വാക്യങ്ങൾ ഏതൊക്കെയാണെന്ന് കാണിക്കുന്നുവെന്ന് GPTZero പറയുന്നു. ഇത് വിശാലമായ രേഖയും വിലയിരുത്തുന്നതിനാൽ, സ്വന്തമായി സ്കാൻ ചെയ്ത ഒരു ഭാഗം ദൈർഘ്യമേറിയ ഭാഗത്തിൻ്റെ ഭാഗമായി ദൃശ്യമാകുമ്പോൾ അതേ ഫലം ലഭിച്ചെന്ന വരില്ല.

ഓരോ ഫലവും വാചകത്തെയും അത് വിലയിരുത്തുന്ന സിസ്റ്റത്തെയും പ്രതിഫലിപ്പിക്കുന്നു, അതുകൊണ്ടാണ് വ്യത്യസ്ത ഡിറ്റക്ടറുകൾക്ക് ഒരേ ഭാഗത്തെക്കുറിച്ച് വ്യത്യസ്ത നിഗമനങ്ങളിൽ എത്തിച്ചേരാൻ കഴിയുന്നത്.

വലുതാക്കുക

പെർപ്ലെക്സിറ്റിയും ബർസ്റ്റിനസ്സും അളക്കുന്നത് എന്താണ്

AI കണ്ടെത്തലിന്റെ വിശദീകരണങ്ങളിൽ പെർപ്ലെക്സിറ്റിയും ബർസ്റ്റിനസ്സും പലപ്പോഴും കടന്നുവരാറുണ്ട്. ഒരു രചനയിൽ ഉപയോഗപ്രദമായ പാറ്റേണുകൾ വെളിപ്പെടുത്താൻ അവയ്ക്ക് കഴിയും, എന്നാൽ ഒരൊറ്റ, തനതായ AI എഴുത്ത് രീതി ഇതിലൊന്നും ചൂണ്ടിക്കാണിക്കുന്നില്ല.

ക്കുഴപ്പമുണ്ടാക്കിയേക്കാവുന്ന ഒരു വിശദാംശം: പെർപ്ലെക്സിറ്റി ഇവിടെ രണ്ട് ജോലികൾ ചെയ്യുന്നു. ചെറിയ അക്ഷരത്തിൽ, ഇത് ഒരു സ്ഥിതിവിവരക്കണക്ക് അളവാണ്. വലിയ P ഉപയോഗിച്ച്, അത് ഞങ്ങളാണ്.

വാചകം എത്രത്തോളം പ്രവചിക്കാവുന്നതാണെന്ന് പെർപ്ലെക്സിറ്റി അളക്കുന്നു

മുഴുവൻ വാക്കുകളോ വാക്കിന്റെ ഭാഗങ്ങളോ ആകാവുന്ന അടുത്ത ടോക്കണുകൾക്ക് സാധ്യതകൾ നൽകിക്കൊണ്ട് ഭാഷാ മോഡലുകൾ വാചകം സൃഷ്ടിക്കുന്നു. ഒരു ഭാഗത്തെ ടോക്കണുകൾ ഒരു മോഡലിന് എത്ര നന്നായി പ്രവചിക്കാൻ കഴിയുമെന്ന് പെർപ്ലെക്സിറ്റി അളക്കുന്നു.

• കുറഞ്ഞ പെർപ്ലെക്സിറ്റി: മോഡലിന് പരിചിതമായ പാറ്റേണുകൾ വാചകം പിന്തുടരുന്നു.
• ഉയർന്ന പെർപ്ലെക്സിറ്റി: പദപ്രയോഗം പ്രതീക്ഷിച്ചതിലും കുറവാണ്.

സ്കോർ വിലയിരുത്തൽ നടത്തുന്ന മോഡലിനും വാചകം പ്രോസസ്സ് ചെയ്യുന്ന രീതിക്കും വ്യക്തമാണ്, അതിനാൽ വ്യത്യസ്ത സജ്ജീകരണങ്ങൾക്ക് കീഴിൽ ഒരേ ഭാഗത്തിന് വ്യത്യസ്ത പെർപ്ലെക്സിറ്റി സ്കോറുകൾ ലഭിക്കും.

“നിങ്ങൾക്ക് എന്തെങ്കിലും സംശയങ്ങളുണ്ടെങ്കിൽ ദയവായി എന്നെ അറിയിക്കുക” എന്ന വാചകം എടുക്കുക. ഒരു ഭാഷാ മോഡൽ സമാനമായ പദപ്രയോഗങ്ങൾ പലതവണ കണ്ടിട്ടുണ്ടാകാം, ഇത് ഓരോ വാക്കും പ്രവചിക്കാൻ താരതമ്യേന എളുപ്പമാക്കുന്നു. ഇത് വാചകത്തിൻ്റെ പരിചിതത്വത്തെക്കുറിച്ച് എന്തോ നമ്മോട് പറയുന്നു. അത് ആരാണ് എഴുതിയത് എന്നതിനെക്കുറിച്ച് നിർണ്ണായകമായൊന്നും പറയുന്നില്ല.

ആ പാറ്റേണുകൾ എത്രമാത്രം വ്യത്യാസപ്പെടുന്നു എന്ന് ബർസ്റ്റിനസ് അളക്കുന്നു

AI കണ്ടെത്തലിനെക്കുറിച്ചുള്ള ചർച്ചകളിൽ 'ബർസ്റ്റിനസ്' (burstiness) കൂടുതൽ അയഞ്ഞ രീതിയിലാണ് ഉപയോഗിക്കുന്നത്. ഒരു ഭാഗത്ത് രചന എത്രമാത്രം മാറുന്നു എന്ന് ഇത് പൊതുവെ വിവരിക്കുന്നു. വാക്യത്തിൻ്റെ നീളത്തിലും ഘടനയിലുമുള്ള വ്യത്യാസങ്ങൾ അല്ലെങ്കിൽ വളരെ പ്രവചിക്കാവുന്നതും കൂടുതൽ ആശ്ചര്യപ്പെടുത്തുന്നതുമായ ഭാഷയ്ക്കിടയിലുള്ള മാറ്റങ്ങൾ ഇതിൽ ഉൾപ്പെടാം.

• കുറഞ്ഞ ബർസ്റ്റിനസ്: വാക്യങ്ങൾ കൂടുതൽ സ്ഥിരതയുള്ള നീളമോ ഘടനയോ താളമോ പിന്തുടരുന്നു.
• ഉയർന്ന ബർസ്റ്റിനസ്: രചന ചെറിയ പ്രസ്താവനകൾ, ദൈർഘ്യമേറിയ വിശദീകരണങ്ങൾ, പ്രതീക്ഷിക്കാത്ത പദപ്രയോഗങ്ങൾ എന്നിവയ്ക്കിടയിൽ മാറുന്നു.

ചില AI-നിർമ്മിത വാചകങ്ങൾ സ്ഥിരവും പ്രവചിക്കാവുന്നതുമാണ്, അതുകൊണ്ടാണ് കണ്ടെത്തലുമായി ബർസ്റ്റിനസ് ബന്ധപ്പെട്ടത്. ബിസിനസ്സ്, അക്കാദമിക്, സാങ്കേതിക സന്ദർഭങ്ങളിൽ മനുഷ്യന്റെ രചനയ്ക്കും അതേ ഗുണങ്ങൾ ഉണ്ടാകാം. പ്രോംപ്റ്റ് ചെയ്യുമ്പോഴോ എഡിറ്റ് ചെയ്യുമ്പോഴോ AI മോഡലുകൾക്ക് കൂടുതൽ വൈവിധ്യമാർന്ന ഭാഷ നിർമ്മിക്കാനും കഴിയും.

പെർപ്ലെക്സിറ്റിയും ബർസ്റ്റിനസ്സും അതിൻ്റെ ഡിറ്റക്ടറുടെ മുൻ പതിപ്പ് ഉപയോഗിച്ച നിരവധി സവിശേഷതകളിൽ രണ്ടെണ്ണമാണെന്ന് GPTZero പറയുന്നു.

ഈ അളവുകൾ കാണിക്കുന്നത് എന്താണ്: പെർപ്ലെക്സിറ്റിയും ബർസ്റ്റിനസ്സും ഒരു ഭാഗത്തെ പാറ്റേണുകളെ വിവരിക്കുന്നു. ആ പാറ്റേണുകൾ വാചകം എന്തിനാണ് ഫ്ലാഗ് ചെയ്തതെന്ന് വിശദീകരിക്കാൻ സഹായിച്ചേക്കാം, എന്നാൽ ആരെയാണ് ഇത് എഴുതിയതെന്ന് അവയ്ക്ക് സ്ഥാപിക്കാൻ കഴിയില്ല.

ഒരു AI ഡിറ്റക്ടറുടെ സ്കോർ എന്നാൽ എന്താണ്

ഒരു “80% AI” ഫലം ലളിതമാണെന്ന് തോന്നാം. അതിൻ്റെ അർത്ഥം ഡിറ്റക്ടറെ ആശ്രയിച്ചിരിക്കുന്നു.

AI അല്ലെങ്കിൽ ഒരു മനുഷ്യൻ രേഖ എഴുതി എന്നതിൻ്റെ മോഡലിൻ്റെ കണക്കാക്കിയ സാധ്യതയായി ശതമാനത്തെ GPTZero വിശേഷിപ്പിക്കുന്നു. ടർണിറ്റിൻ യോഗ്യതയുള്ള ഗദ്യത്തിൻ്റെ എത്ര ഭാഗം അതിൻ്റെ മോഡൽ സാധ്യതയുള്ള AI-നിർമ്മിതമായി ഫ്ലാഗ് ചെയ്യുന്നു അല്ലെങ്കിൽ ചില AI ഉപകരണങ്ങൾ ഉപയോഗിച്ച് പരിഷ്കരിക്കുന്നു എന്ന് കാണിക്കാൻ ശതമാനം ഉപയോഗിക്കുന്നു.

അതിനാൽ അതേ “80% AI” ലേബലിൻ്റെ അർത്ഥം ഇതായിരിക്കാം:

• AI രേഖ നിർമ്മിക്കാനുള്ള 80% സാധ്യത ഡിറ്റക്ടർ കണക്കാക്കുന്നു.
• വിലയിരുത്തിയ ഗദ്യത്തിന്റെ 80% ഡിറ്റക്ടർ ഫ്ലാഗ് ചെയ്തിട്ടുണ്ട്.

അവ വ്യത്യസ്ത കണ്ടെത്തലുകളാണ്. ഒന്ന് രേഖയെ മൊത്തത്തിൽ പ്രവചിക്കുന്നു. മറ്റേത് വാചകം ഡിറ്റക്ടറുടെ മാനദണ്ഡവുമായി എത്രമാത്രം പൊരുത്തപ്പെടുന്നു എന്ന് തിരിച്ചറിയുന്നു.

സാധ്യത സ്കോറുകൾക്ക് മറ്റൊരു പരിശോധന ആവശ്യമാണ്: കാലിബ്രേഷൻ. ഒരു ഡിറ്റക്ടർ 100 രേഖകൾക്ക് 80% ചുറ്റുമുള്ള AI സാധ്യത നൽകുന്നുവെങ്കിൽ, സ്കോർ നന്നായി കാലിബ്രേറ്റ് ചെയ്യാൻ അവയിൽ 80 എണ്ണമെങ്കിലും യഥാർത്ഥത്തിൽ AI നിർമ്മിതമായിരിക്കണം. അറിയപ്പെടുന്ന ഉത്ഭവമുള്ള ഉദാഹരണങ്ങൾക്ക് എതിരായി മോഡൽ പരിശോധിക്കുന്നത് അതിൻ്റെ സാധ്യതകൾ യഥാർത്ഥ ഫലങ്ങളുമായി എത്രത്തോളം പൊരുത്തപ്പെടുന്നുവെന്ന് കാണിക്കുന്നു.

ഒരു ശതമാനത്തിൻ്റെ അർത്ഥമോ വിശ്വാസ്യതയോ വ്യക്തമാകുന്നതിന് മുമ്പ് അത് കൃത്യമാണെന്ന് തോന്നാം. ലേബലും സ്കോറിംഗ് രീതിയും ഡിറ്റക്ടറുടെ പ്രകടനവുമാണ് ആ സംഖ്യയ്ക്ക് എന്ത് പിന്തുണ നൽകാൻ കഴിയുമെന്ന് നിർണ്ണയിക്കുന്നത്.

വലുതാക്കുക

എന്താണ് ഫ്ലാഗ് ചെയ്യപ്പെടുന്നത് എന്ന് കട്ട്ഓഫ് നിർണ്ണയിക്കുന്നു

ഒരു സ്കോർ നടപടിയെടുക്കാൻ മാത്രം ഉയർന്നതാണോ എന്ന് ഒരു ഡിറ്റക്ടർ ഇപ്പോഴും തീരുമാനിക്കേണ്ടതുണ്ട്. ആ വിഭജന രേഖയെ കട്ട്ഓഫ് അല്ലെങ്കിൽ ത്രെഷോൾഡ് എന്ന് വിളിക്കുന്നു.

ഒരു ഉപകരണം 0 മുതൽ 100 ​​വരെ വാചകം സ്കോർ ചെയ്യുകയും 70 ന് മുകളിലുള്ളതെന്തും ഫ്ലാഗ് ചെയ്യുകയും ചെയ്യുന്നുവെന്ന് കരുതുക. കട്ട്ഓഫ് 60 ആയി മാറ്റുന്നത് എല്ലാ സ്കോറുകളും മാറ്റമില്ലാതെ നിലനിർത്തിക്കൊണ്ട് ഫ്ലാഗ് ചെയ്ത രേഖകളുടെ എണ്ണം വർദ്ധിപ്പിക്കും.

• ഒരു കുറഞ്ഞ കട്ട്ഓഫ് പൊതുവെ AI നിർമ്മിത രചന കൂടുതൽ കണ്ടെത്തുന്നുവെങ്കിലും മനുഷ്യൻ്റെ രചന കൂടുതൽ തെറ്റായി ഫ്ലാഗ് ചെയ്യുകയും ചെയ്യുന്നു.
• ഉയർന്ന കട്ട്ഓഫ് തെറ്റായ ഫ്ലാഗുകൾ കുറയ്ക്കുന്നു, അതേസമയം കൂടുതൽ AI നിർമ്മിത രചനകൾ കണ്ടെത്താനാകാതെ പോകാൻ അനുവദിക്കുന്നു. ഈ ട്രേഡ്ഓഫ് പൊതുവെ തരംതിരിവ് സിസ്റ്റങ്ങൾക്ക് ബാധകമാണ്.

സാധ്യമായ രണ്ട് തെറ്റുകൾക്ക് വ്യത്യസ്ത പേരുകളുണ്ട്.

• മനുഷ്യൻ്റെ രചനയെ AI നിർമ്മിതമായി ഫ്ലാഗ് ചെയ്യുമ്പോൾ ഒരു തെറ്റായ പോസിറ്റീവ് (false positive) സംഭവിക്കുന്നു.
• AI നിർമ്മിത രചന കണ്ടെത്താനാകാതെ വരുമ്പോൾ ഒരു തെറ്റായ നെഗറ്റീവ് (false negative) സംഭവിക്കുന്നു.

ഒരു ഡിറ്റക്ടർ എവിടെയാണ് വര വരയ്ക്കുന്നത് എന്ന് ഒഴിവാക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ള പിശക് ഏതാണെന്ന് പ്രതിഫലിപ്പിക്കുന്നു. ഒരു ഫ്ലാഗ് ഒരു ഗ്രേഡിനെയോ ജോലിയെയോ അല്ലെങ്കിൽ ഒരാളുടെ വിശ്വാസ്യതയെയോ ബാധിക്കാമെങ്കിൽ ആ തിരഞ്ഞെടുപ്പിന് കൂടുതൽ ഭാരമുണ്ട്.

2% പിഴവ് നിരക്കിന് എങ്ങനെ ഏകദേശം 30% തെറ്റായ ഫ്ലാഗുകൾ ഉണ്ടാക്കാൻ കഴിയും

2% തെറ്റായ പോസിറ്റീവ് നിരക്കിൻ്റെ ആഘാതം ഡിറ്റക്ടർ എത്രമാത്രം മനുഷ്യൻ്റെ രചനകൾ അവലോകനം ചെയ്യുന്നു എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു.

1,000 ലേഖനങ്ങളുടെ സാങ്കൽപ്പിക കൂട്ടം പരിഗണിക്കുക:

• 50 എണ്ണം AI നിർമ്മിതമാണ്.
• 950 എണ്ണം മനുഷ്യൻ എഴുതിയതാണ്.
• ഡിറ്റക്ടർ AI നിർമ്മിത ലേഖനങ്ങളുടെ 90% പിടികൂടുന്നു.
• ഇത് മനുഷ്യൻ എഴുതിയ ലേഖനങ്ങളിൽ 2% തെറ്റായി ഫ്ലാഗ് ചെയ്യുന്നു.

ഇവിടെ സംഭവിക്കുന്നത് ഇതാണ്:

ഡിറ്റക്ടർ മൊത്തത്തിൽ 64 ലേഖനങ്ങൾ ഫ്ലാഗ് ചെയ്യുന്നു. പത്തൊൻപത് എണ്ണം മനുഷ്യൻ എഴുതിയതാണ്, അതിനാൽ അതിൻ്റെ ഫ്ലാഗുകളിൽ ഏകദേശം 30% തെറ്റാണ്.

2%, 30% എന്നീ കണക്കുകൾ അളക്കുന്നത് വ്യത്യസ്ത കാര്യങ്ങളാണ്. ഡിറ്റക്ടർ മനുഷ്യൻ എഴുതിയ എല്ലാ ലേഖനങ്ങളിലും 2% തെറ്റായി ഫ്ലാഗ് ചെയ്യുന്നു. ആ തെറ്റുകൾ അത് ഫ്ലാഗ് ചെയ്യുന്ന മൊത്തം കാര്യങ്ങളുടെ ഏകദേശം 30% വരും.

ഡിറ്റക്ടർ AI നിർമ്മിത ലേഖനങ്ങളേക്കാൾ വളരെ കൂടുതൽ മനുഷ്യൻ എഴുതിയ ലേഖനങ്ങൾ അവലോകനം ചെയ്തതുകൊണ്ടാണ് കണക്കുകൾ ഈ രീതിയിൽ വരുന്നത്. ചെറിയൊരു പിഴവ് നിരക്ക് പോലും വളരെ വലിയ ഗ്രൂപ്പിന് ബാധകമാകുമ്പോൾ അർത്ഥവത്തായ എണ്ണത്തിലുള്ള തെറ്റായ ഫ്ലാഗുകൾ ഉണ്ടാക്കാൻ കഴിയും.

പരിശോധിക്കുന്ന മെറ്റീരിയലിൽ AI നിർമ്മിത രചന എത്ര സാധാരണമാണ് എന്ന് ബേസ് റേറ്റ് (base rate) എന്ന പദം വിവരിക്കുന്നു. ആ പങ്ക് മാറുമ്പോൾ, ഒരു പോസിറ്റീവ് ഫലത്തിൻ്റെ അർത്ഥവും മാറുന്നു. ഡിറ്റക്ടറുടെ ട്രൂ-പോസിറ്റീവ്, ഫാൾസ്-പോസിറ്റീവ് നിരക്കുകൾ അതേപടി തുടരുകയാണെങ്കിൽ, ശേഖരത്തിൽ AI-നിർമ്മിത രചന സാധാരണമാണെങ്കിൽ ഒരു ഫ്ലാഗ് പൊതുവെ കൂടുതൽ വിശ്വസനീയവും അത് അപൂർവ്വമായിരിക്കുമ്പോൾ കുറഞ്ഞ വിശ്വസനീയവുമായിരിക്കും.

ഈ സംഖ്യകൾ സാങ്കൽപ്പികമാണ് കൂടാതെ ഒരു പ്രത്യേക ഡിറ്റക്ടറെ വിവരിക്കുന്നില്ല. യഥാർത്ഥ അവലോകനത്തിൽ, AI നിർമ്മിത രചനയുടെ പങ്ക് സാധാരണയായി അജ്ഞാതമാണ്. ഒരു രേഖ എങ്ങനെ എഴുതി എന്നതിന്റെ തെളിവിനേക്കാൾ സൂക്ഷ്മമായി പരിശോധിക്കാനുള്ള കാരണമായി ഒരു ഫ്ലാഗിനെ കണക്കാക്കാൻ ആ അനിശ്ചിതത്വം മറ്റൊരു കാരണമാണ്.

ഡിറ്റക്ടർ എന്തിലാണ് പരിശോധിച്ചത് എന്നതിനെ ആശ്രയിച്ചാണ് കൃത്യത ഇരിക്കുന്നത്

ഒരു കൃത്യത നിരക്ക് പ്രത്യേക സാഹചര്യങ്ങൾക്ക് കീഴിലുള്ള പ്രകടനത്തെ വിവരിക്കുന്നു. ആ നിരക്ക് മറ്റൊരു രചനയിൽ പ്രയോഗിക്കുന്നതിന് മുമ്പ്, പരിശോധിക്കുക:

• ഡിറ്റക്ടർ പതിപ്പ്
• വാചകത്തിന്റെ നീളം, ഭാഷ, വിഷയം, ഫോർമാറ്റ്
• ടെസ്റ്റ് മെറ്റീരിയൽ നിർമ്മിക്കാൻ ഉപയോഗിക്കുന്ന AI മോഡലും ക്രമീകരണങ്ങളും
• വാചകം എഡിറ്റ് ചെയ്തതാണോ അതോ ബോധപൂർവ്വം പരിഷ്കരിച്ചതാണോ
• മനുഷ്യൻ എഴുതിയ സാമ്പിളുകളിൽ പ്രതിനിധീകരിച്ച എഴുത്തുകാർ

ഉപകരണത്തിൻ്റെ പിന്തുണയ്ക്കുന്ന ഇൻപുട്ടുകൾ ഉപയോഗിച്ച് ആരംഭിക്കുക

ഉദാഹരണത്തിന്, ടർണിറ്റിന് കുറഞ്ഞത് 300 വാക്കുകളുടെ ദീർഘരൂപത്തിലുള്ള ഗദ്യം ആവശ്യമാണ്. AI നിർമ്മിത കവിതകൾ, സ്ക്രിപ്റ്റുകൾ, കോഡ് അല്ലെങ്കിൽ മറ്റ് ഗദ്യേതര ഫോർമാറ്റുകൾ എന്നിവ ഇതിന്റെ മോഡൽ വിശ്വസനീയമായി കണ്ടെത്തുന്നില്ല എന്ന് അത് പറയുന്നു. അതിനാൽ ഉപന്യാസങ്ങളിലെ ശക്തമായ പ്രകടനം അതേ ഡിറ്റക്ടർ ഒരു കവിതയോ ചെറിയ ഇമെയിലோ എങ്ങനെ കൈകാര്യം ചെയ്യുമെന്ന് നമ്മോട് വളരെ കുറച്ചേ പറയുന്നുള്ളൂ.

പരിശോധന യഥാർത്ഥ ലോകത്തിലെ രചനയുമായി താരതമ്യം ചെയ്യുക

2024-ൽ, ഗവേഷകർ 11 മോഡലുകളിലായി 6 ദശലത്തിലധികം AI നിർമ്മിത ഭാഗങ്ങളും എട്ട് വിഷയ മേഖലകളും അടങ്ങിയ ഒരു ബെഞ്ച്മാർക്കായ RAID ഉപയോഗിച്ച് 12 ഡിറ്റക്ടറുകൾ പരിശോധിച്ചു. ഡിറ്റക്ടറുകൾക്ക് അപരിചിതമായ മോഡലുകളോ വ്യത്യസ്ത ജനറേഷൻ ക്രമീകരണങ്ങളോ ലക്ഷ്യമിട്ട് പരിഷ്കരിച്ച വാചകമോ നേരിടേണ്ടിവന്നപ്പോൾ പ്രകടനം താഴ്ന്നു.

പരിചിതമായ സാഹചര്യങ്ങളിൽ RAID ഉപയോഗിച്ചുള്ള 2025 ലെ ഒരു വെല്ലുവിളി മികച്ച ഫലങ്ങൾ നൽകി. നിരവധി പങ്കെടുക്കുന്നവർ 5% തെറ്റായ പോസിറ്റീവ് നിരക്ക് നിലനിർത്തിക്കൊണ്ട് മെഷീൻ നിർമ്മിത വാചകത്തിൻ്റെ 99%-ത്തിലധികം കണ്ടെത്തി. പരിശോധനയിൽ ഉപയോഗിച്ച വിഷയ മേഖലകളും AI മോഡലുകളും പരിശീലന ഡാറ്റയിലും ഉൾപ്പെടുത്തിയിരുന്നു.

തിരിച്ചറിയാൻ പരിശീലിപ്പിച്ച വൈവിധ്യമാർന്ന മെറ്റീരിയലുകളിൽ ഡിറ്റക്ടറുകൾക്ക് നന്നായി പ്രവർത്തിക്കാൻ കഴിയുമെന്ന് ഫലങ്ങൾ കാണിക്കുന്നു, അതേസമയം അപരിചിതമായ മെറ്റീരിയലുകൾ വിലയിരുത്താൻ പ്രയാസമായി തുടരുന്നു.

ആരെയാണ് പ്രതിനിധീകരിച്ചിരുന്നത് എന്ന് നോക്കുക

ഒരു 2023 ലെ പഠനത്തിൽ, തദ്ദേശീയരല്ലാത്ത ഇംഗ്ലീഷ് സംസാരിക്കുന്നവർ எழுதிய 91 TOEFL ഉപന്യാസങ്ങളിൽ ശരാശരി 61.3% ഏഴ് ഡിറ്റക്ടറുകൾ തെറ്റായി AI നിർമ്മിതമായി തരംതിരിച്ചു. ആ ഫലം ആ സമയത്ത് പരിശോധിച്ച ഉപകരണങ്ങൾക്കും സാമ്പിളുകൾക്കും ബാധകമാണ്. എല്ലാ എഴുത്തുകാർക്കും മൊത്തത്തിലുള്ള കൃത്യത നിരക്ക് ഒരേപോലെ പ്രകടനത്തെ വിവരിക്കണമെന്നില്ലെന്നും ഇത് കാണിക്കുന്നു.

ഒരു കൃത്യത അവകാശവാദം എങ്ങനെ വായിക്കാം: സമർപ്പിച്ച വാചകം പരിശോധനയിൽ ഉപയോഗിച്ച മെറ്റീരിയലുകളോട് എത്രത്തോളം അടുത്തിരിക്കുന്നുവോ, റിപ്പോർട്ട് ചെയ്ത ഫലം അത്രയും പ്രസക്തമായിത്തീരുന്നു.

അത് എങ്ങനെ എഴുതി എന്നതിൻ്റെ ഒരു ഭാഗം മാത്രമേ അന്തിമ രേഖ കാണിക്കുന്നുള്ളൂ

എഴുത്ത് പ്രക്രിയയിൽ AI-ക്ക് നിരവധി പങ്ക് വഹിക്കാൻ കഴിയും. ഒരാൾ ഒരു വിഷയത്തെക്കുറിച്ച് ഗവേഷണം ചെയ്യാനോ കുറിപ്പുകൾ സംഘടിപ്പിക്കാനോ ഒരു ഭാഗം വിവർത്തനം ചെയ്യാനോ ഒരു വാചകം മിനുക്കാനോ ആദ്യ ഡ്രാഫ്റ്റ് നിർമ്മിക്കാനോ ഇത് ഉപയോഗിച്ചേക്കാം.

ആ വർക്ക്ഫ്ലോകൾ വളരെ വ്യത്യസ്തമായ രേഖകളിലേക്ക് നയിച്ചേക്കാം. ഒരു എഴുത്തുകാരൻ ഗവേഷണത്തിനായി AI ഉപയോഗിക്കുകയും ഓരോ വാക്യവും സ്വതന്ത്രമായി രചിക്കുകയും ചെയ്തേക്കാം. മറ്റൊരാൾ AI നിർമ്മിത ഡ്രാഫ്റ്റ് ഗണ്യമായി തിരുത്തിയെഴുതിയേക്കാം. മൂന്നാമതൊരാൾ നിർമ്മിച്ച ഒരു ഖണ്ഡിക മറ്റ് രീതിയിൽ മനുഷ്യൻ എഴുതിയ ലേഖനത്തിലേക്ക് ചേർത്തേക്കാം.

ഒരു വാചക ഡിറ്റക്ടർ സമർപ്പിച്ച വാക്കുകൾ കാണുന്നു. അതിന് മുമ്പ് വന്ന പ്രോംപ്റ്റുകൾ, എഡിറ്റുകൾ അല്ലെങ്കിൽ തീരുമാനങ്ങളിലേക്ക് അതിന് പ്രവേശനമില്ല. അതിൻ്റെ സ്കോറിന് മുഴുവൻ എഴുത്ത് പ്രക്രിയയും പുനർനിർമ്മിക്കാനോ രചയിതാവ് ഒരു പ്രത്യേക നയം പാലിച്ചിട്ടുണ്ടോ എന്ന് നിർണ്ണയിക്കാനോ കഴിയില്ല. ഉദാഹരണത്തിന്,

• വിദ്യാർത്ഥികൾ അസൈൻമെന്റ് സ്വന്തമായി എഴുതണമെന്ന് ആവശ്യപ്പെടുമ്പോൾ തന്നെ ഒരു സ്കൂൾ ആശയരൂപീകരണം അനുവദിച്ചേക്കാം.
• വെളിപ്പെടുത്തുമ്പോൾ AI-സഹായത്തോടെയുള്ള എഡിറ്റിംഗ് ഒരു പ്രസാധകൻ അനുവദിച്ചേക്കാം.
• AI വാചകത്തിന് സംഭാവന നൽകിയോ എന്നതിനേക്കാൾ ഒരു ജോലിസ്ഥലത്തിന് വസ്തുതാപരമായ കൃത്യത, രഹസ്യസ്വഭാവം അല്ലെങ്കിൽ ഉറവിട ആട്രിബ്യൂഷൻ എന്നിവയിൽ കൂടുതൽ താല്പര്യമുണ്ടായേക്കാം.

ആ നിയമങ്ങൾ പ്രയോഗിക്കുന്നതിന് പൂർത്തിയായ വാചകത്തോടൊപ്പം പ്രക്രിയയെക്കുറിച്ചുള്ള തെളിവുകളും ആവശ്യമാണ്. ഡ്രാഫ്റ്റ് ചരിത്രം, ഗവേഷണ കുറിപ്പുകൾ, എഴുത്തുകാരൻ്റെ വിശദീകരണം എന്നിവ ഒരു ഡിറ്റക്ടറിന് നൽകാൻ കഴിയാത്ത സന്ദർഭം നൽകും. ടർണിറ്റിൻ വിദ്യാർത്ഥിക്കെതിരെ പ്രതികൂല നടപടി സ്വീകരിക്കുന്നതിനുള്ള ഏക അടിസ്ഥാനമായി അതിൻ്റെ AI-രചന സ്കോർ ഉപയോഗിക്കുന്നതിനെതിരെ അധ്യാപകരെ വ്യക്തമായി ഉപദേശിക്കുന്നു.

AI-യുമായി അത് ബന്ധപ്പെടുത്തുന്ന പാറ്റേണുകളോട് സാമ്യമുള്ള ഭാഷ ഒരു ഡിറ്റക്ടറിന് തിരിച്ചറിയാൻ കഴിയും. എന്ത് സംഭവിച്ചുവെന്നും അത് അനുവദനീയമാണോ എന്നും തീരുമാനിക്കുന്നതിന് വിശാലമായ അവലോകനം ആവശ്യമാണ്.

വാട്ടർമാർക്കുകൾ വ്യത്യസ്തതരം സിഗ്നൽ നൽകുന്നു

ചില AI سਿਸടങ്ങൾക്ക് വാചകം സൃഷ്ടിക്കുമ്പോൾ കണ്ടെത്താനാകുന്ന ഒരു പാറ്റേൺ ചേർക്കാൻ കഴിയും. ഈ പ്രക്രിയയെ വാട്ടർമാർക്കിംഗ് എന്ന് വിളിക്കുന്നു.

ഒരു വാചക വാട്ടർമാർക്ക് എങ്ങനെ പ്രവർത്തിക്കുന്നു

Google DeepMind-ന്റെ SynthID ഇതിനൊരു ഉദാഹരണം നൽകുന്നു:

1. സിസ്റ്റം ടോക്കൺ സാധ്യതകൾ ക്രമീകരിക്കുന്നു. ചില വാക്കുകളോ വാക്കിന്റെ ഭാഗങ്ങളോ തിരഞ്ഞെടുക്കാനുള്ള മോഡലിന്റെ സാധ്യത ഇത് ചെറുതായി മാറ്റുന്നു.
2. ആ തിരഞ്ഞെടുപ്പുകൾ ഒരു പാറ്റേൺ സൃഷ്ടിക്കുന്നു. വാട്ടർമാർക്ക് വായനക്കാരന് കാണാത്ത തരത്തിലാണ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്.
3. അനുയോജ്യമായ ഒരു ഡിറ്റക്ടർ അതിനായി പരിശോധിക്കുന്നു. പ്രതീക്ഷിക്കുന്ന സ്ഥിതിവിവരക്കണക്ക് സിഗ്നലിനായി ഡിറ്റക്ടർ വാചകം വിശകലനം ചെയ്യുന്നു.

ജനറേഷൻ സമയത്ത് പാറ്റേൺ ചേർക്കുന്നതിനാൽ, വാചകം നിർമ്മിച്ച സിസ്റ്റവുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾ നൽകാൻ ഇതിന് കഴിയും.

വാട്ടർമാർക്ക് കണ്ടെത്തലിനെ പരിമിതപ്പെടുത്തുന്നത് എന്താണ്

• ജനറേറ്റർ ഇത് ചേർക്കണം. AI സിസ്റ്റം വാട്ടർമാർക്കിനെ പിന്തുണയ്ക്കുകയും പ്രയോഗിക്കുകയും വേണം. വാട്ടർമാർക്ക് ഇല്ലെങ്കിൽ ഒരാളാണ് വാചകം എഴുതിയതെന്ന് സ്ഥാപിക്കാൻ ആകില്ല.
• പാറ്റേണിന്റെ മതിയായ ഭാഗം അവശേഷിക്കണം. ചില ക്രോപ്പിംഗ്, വാക്ക് മാറ്റങ്ങൾ, നേരിയ പരാഫ്രേസിംഗ് എന്നിവയെ അതിജീവിക്കാൻ SynthID-ക്ക് കഴിയുമെന്ന് Google റിപ്പോർട്ട് ചെയ്യുന്നു. വിപുലമായ തിരുത്തിയെഴുത്തോ പരിഭാഷയോ അതിൻ്റെ ആത്മവിശ്വാസം കുറച്ചേക്കാം.

അനുയോജ്യമായ ഒരു സിസ്റ്റം വാചകം സൃഷ്ടിക്കുകയും സിഗ്നലിന്റെ മതിയായ ഭാഗം അവശേഷിക്കുകയും ചെയ്യുമ്പോൾ വാട്ടർമാർക്കുകൾക്ക് തെളിവുകൾ ശക്തിപ്പെടുത്താൻ കഴിയും. AI നിർമ്മിത രചനയുടെ എല്ലാ ഭാഗങ്ങളും അവയ്ക്ക് തിരിച്ചറിയാൻ കഴിയില്ല.

മറ്റ് രേഖകൾക്ക് ചിത്രത്തിൻ്റെ കൂടുതൽ ഭാഗങ്ങൾ പൂരിപ്പിക്കാൻ കഴിയും

• കാലക്രമേണ ഒരു രേഖ എങ്ങനെ മാറി എന്ന് ഡ്രാഫ്റ്റ് ചരിത്രം കാണിക്കുന്നു.
• ഗവേഷണ കുറിപ്പുകൾ അതിൻ്റെ അവകാശവാദങ്ങളെ ഉറവിടങ്ങളുമായി ബന്ധിപ്പിക്കുന്നു.
• വെളിപ്പെടുത്തിയ AI ഇടപെടലുകൾ ഒരു ഉപകരണം എവിടെയാണ് സംഭാവന നൽകിയതെന്ന് കാണിക്കുന്നു.

ഈ റെക്കോർഡുകൾ പാറ്റേൺ അടിസ്ഥാനമാക്കിയുള്ള സ്കോറിനേക്കാൾ എഴുത്ത് പ്രക്രിയയെക്കുറിച്ചുള്ള കൂടുതൽ നേരിട്ടുള്ള സന്ദർഭം നൽകുന്നു.

ഒരു ഫ്ലാഗിനെ അവലോകനത്തിന്റെ തുടക്കമായി കാണുക

ഒരു ഡിറ്റക്ടർ ഫലത്തിന് വ്യക്തമായ ഒരു റോൾ ഉള്ളപ്പോൾ അത് കൂടുതൽ ഉപയോഗപ്രദമാകുന്നു. ഒരു ഫ്ലാഗിൽ നടപടിയെടുക്കുന്നതിന് മുമ്പ്, ഉപകരണം എന്താണ് അളന്നതെന്ന് അവലോകകർ മനസ്സിലാക്കണം, വാചകം അതിൻ്റെ പരിധിക്കുള്ളിലാണ് എന്ന് സ്ഥിരീകരിക്കണം, ലഭ്യമായ മറ്റ് തെളിവുകൾ പരിശോധിക്കണം.

അഞ്ച് പരിശോധനകൾ സഹായിച്ചേക്കാം:

1. സ്കോർ നിർവ്വചനം വായിക്കുക. ശതമാനം എന്നത് ഡോക്യുമെന്റ് തലത്തിലുള്ള സാധ്യതയാണോ അതോ ഫ്ലാഗ് ചെയ്ത വാചകത്തിൻ്റെ പങ്കാണോ എന്ന് നിർണ്ണയിക്കുക.
2. ഉപകരണത്തിൻ്റെ പരിധി പരിശോധിക്കുക. രേഖയുടെ ഭാഷ, നീളം, ഫോർമാറ്റ് എന്നിവ ഡിറ്റക്ടർ പിന്തുണയ്ക്കുന്നതുമായി പൊരുത്തപ്പെടുന്നുണ്ടെന്ന് സ്ഥിരീകരിക്കുക.
3. തെളിവുകൾ അവലോകനം ചെയ്യുക. ഡ്രാഫ്റ്റുകൾ, ഉറവിട കുറിപ്പുകൾ, രചയിതാവിൻ്റെ വിശദീകരണം എന്നിവയ്‌ക്കൊപ്പം ഹൈലൈറ്റ് ചെയ്ത ഭാഗങ്ങൾ പരിശോധിക്കുക.
4. പ്രസക്തമായ നയം പ്രയോഗിക്കുക. AI-യുടെ ഏത് ഉപയോഗങ്ങളാണ് അനുവദനീയമെന്നും എന്തൊക്കെ തെളിവുകളാണ് ലംഘനം പ്രകടമാക്കുന്നത് എന്നും തിരിച്ചറിയുക.
5. ജോലി തന്നെ വിലയിരുത്തുക. വസ്തുതാപരമായ കൃത്യത, ഉറവിട ആട്രിബ്യൂഷൻ, യഥാർത്ഥത, ഗുണനിലവാരം എന്നിവ അവയുടെ സ്വന്തം നിബന്ധനകളിൽ അവലോകനം ചെയ്യുക.

ഉയർന്ന റിസ്ക് ഉള്ള കാര്യങ്ങൾ അവലോകനത്തിൻ്റെ ആഴം രൂപപ്പെടുത്തണം. ഏത് ലേഖനത്തിനാണ് മറ്റൊരു പരിശോധന വേണ്ടതെന്ന് തീരുമാനിക്കാൻ ഒരു എഡിറ്റർ ഒരു ഫ്ലാഗ് ഉപയോഗിച്ചേക്കാം. ഒരു ഗ്രേഡ്, തൊഴിൽ അല്ലെങ്കിൽ പ്രസിദ്ധീകരണ കരാർ എന്നിവയെ ബാധിക്കുന്ന ഒരു തീരുമാനത്തിന് ശക്തമായ തെളിവും അവരുടെ പ്രക്രിയ വിശദീകരിക്കാൻ രചയിതാവിന് ഒരു അവസരവും ആവശ്യമാണ്.

ഒരു AI ഡിറ്റക്ടർ സങ്കീർണ്ണമായ ഒരു വിധിയെ ഒരു സ്കോറിലേക്ക് ചുരുക്കുന്നു. ആ സ്കോർ വ്യാഖ്യാനിക്കുന്നതിന് നമ്പർ അടങ്ങിയിട്ടില്ലാത്ത വിവരങ്ങൾ ആവശ്യമാണ്: ഉപകരണം എന്താണ് അളന്നത്, അത് ഏത് ത്രെഷോൾഡ് ഉപയോഗിച്ചു, താരതമ്യപ്പെടുത്താവുന്ന രചനയിൽ അത് എങ്ങനെ പ്രകടനം കാഴ്ചവച്ചു, അവലോകനം ചെയ്യുന്ന മെറ്റീരിയലിൽ AI നിർമ്മിത വാചകം എത്ര സാധാരണമാണ്. സ്കോറിന് ശ്രദ്ധ നയിക്കാൻ കഴിയും. ഒരു ഡിറ്റക്ടർ സ്കോറിന് ആ അവലോകനത്തിന് സംഭാവന നൽകാൻ കഴിയും, എന്നാൽ രചയിതാവിനെക്കുറിച്ചുള്ള ഏത് നിഗമനത്തിനും എഴുത്ത് പ്രക്രിയയെക്കുറിച്ചുള്ള തെളിവുകളും ആവശ്യമാണ്.

പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ

AI ഡിറ്റക്ടറുകൾക്ക് തെറ്റ് പറ്റാമോ?

അതെ. മനുഷ്യൻ്റെ രചനയെ AI നിർമ്മിതമായി ഒരു ഡിറ്റക്ടർ തെറ്റായി ഫ്ലാഗ് ചെയ്യുമ്പോൾ തെറ്റായ പോസിറ്റീവ് (false positive) സംഭവിക്കുന്നു. AI നിർമ്മിത രചന കണ്ടെത്താനാകാതെ വരുമ്പോൾ തെറ്റായ നെഗറ്റീവ് (false negative) സംഭവിക്കുന്നു. ഓരോ പിശകിൻ്റെയും ആവൃത്തി ഡിറ്റക്ടറെയും അതിൻ്റെ ത്രെഷോൾഡിനെയും സമർപ്പിച്ച വാചകം അതിനെ പരിശോധിക്കാൻ ഉപയോഗിച്ച വസ്തുക്കളുമായി എത്രത്തോളം സാമ്യമുള്ളതാണ് എന്നതിനെയും ആശ്രയിച്ചിരിക്കുന്നു.

AI ഡിറ്റക്ടറുകൾ എത്രത്തോളം കൃത്യമാണ്?

AI ഡിറ്റക്ടറുകൾക്ക് ഒരൊറ്റ കൃത്യത നിരക്ക് ഇല്ല. ഭാഷ, നീളം, വിഷയം, എഴുത്ത് ശൈലി, നിർമ്മിക്കുന്ന മോഡൽ, എഡിറ്റിംഗിൻ്റെ അളവ് എന്നിവയ്ക്കനുസരിച്ച് പ്രകടനം വ്യത്യാപ്പെടാം. പരിശോധനാ വ്യവസ്ഥകൾ അവലോകനം ചെയ്യുന്ന രചനയോട് സാമ്യമുള്ളതായിരിക്കുമ്പോഴും സജീവ കണ്ടെത്തലുകളോടൊപ്പം തെറ്റായ പോസിറ്റീവുകളും ഫലം റിപ്പോർട്ട് ചെയ്യുമ്പോഴും ഒരു കൃത്യത അവകാശവാദം ഏറ്റവും ഉപയോഗപ്രദമാകുന്നു.

ഒരു AI-കണ്ടെത്തൽ ശതമാനത്തിന്റെ അർത്ഥം എന്താണ്?

നിർവ്വചനം ഉപകരണത്തെ ആശ്രയിച്ചിരിക്കുന്നു. ഒരു രേഖ AI നിർമ്മിതമാകാനുള്ള കണക്കാക്കിയ സാധ്യത, ഫ്ലാഗ് ചെയ്ത യോഗ്യതയുള്ള വാചകത്തിന്റെ ശതമാനം അല്ലെങ്കിൽ ഫലത്തിലുള്ള ഒരുതരം ആത്മവിശ്വാസം എന്നിവ ഇതിൽ ഉൾപ്പെടാം. ഡിറ്റക്ടറുടെ ഡോക്യുമെന്റേഷൻ അത് ഏത് അളവാണ് റിപ്പോർട്ട് ചെയ്യുന്നത് എന്ന് വിശദീകരിക്കണം.

ആരെങ്കിലും AI ഉപയോഗിച്ചുവെന്ന് ഒരു AI ഡിറ്റക്ടറിന് തെളിയിക്കാൻ കഴിയുമോ?

ഒരു ഡിറ്റക്ടർ സ്കോറിന് മാത്രം ഒരു രേഖ എങ്ങനെ സൃഷ്ടിക്കപ്പെട്ടു എന്ന് തെളിയിക്കാൻ കഴിയില്ല. പ്രോംപ്റ്റുകൾ, ഡ്രാഫ്റ്റുകൾ, എഡിറ്റുകൾ അല്ലെങ്കിൽ അതിനു പിന്നിലെ ഗവേഷണങ്ങൾ എന്നിവ കാണാതെയാണ് ഇത് സമർപ്പിച്ച വാചകം വിശകലനം ചെയ്യുന്നത്. വിശ്വസനീയമായ ഒരു അവലോകനം പ്രക്രിയ തെളിവുകൾക്കും സ്വീകാര്യമായ AI ഉപയോഗം നിയന്ത്രിക്കുന്ന നയത്തിനും ഒപ്പം സ്കോറും പരിഗണിക്കുന്നു.

മനുഷ്യൻ്റെ രചന ചിലപ്പോൾ AI ആയി ഫ്ലാഗ് ചെയ്യപ്പെടുന്നത് എന്തുകൊണ്ട്?

മനുഷ്യൻ്റെയും AI നിർമ്മിത രചനയുടെയും സ്ഥിതിവിവരക്കണക്ക് പാറ്റേണുകൾ ഒന്നായിരിക്കാം. സൂത്രവാക്യങ്ങൾ പോലുള്ള ഭാഷ, പ്രവചിക്കാവുന്ന പദപ്രയോഗങ്ങൾ, പരിമിതമായ പദസമ്പത്ത് അല്ലെങ്കിൽ ഡിറ്റക്ടറുടെ പരിശീലന ഡാറ്റയിൽ നിന്ന് വ്യത്യസ്തമായ ഒരു ശൈലി എന്നിവ തെറ്റായ പോസിറ്റീവിന് കാരണമായേക്കാം. 2023-ൽ പരിശോധിച്ച ചില ഡിറ്റക്ടറുകൾ തദ്ദേശീയരല്ലാത്ത ഇംഗ്ലീഷ് സംസാരിക്കുന്നവർ എഴുതിയ ഉപന്യാസങ്ങൾ ആനുപാതികമല്ലാതെ ഫ്ലാഗ് ചെയ്തിട്ടുണ്ടെന്നും ഗവേഷണങ്ങൾ കണ്ടെത്തിയിട്ടുണ്ട്.