Yapay zeka dedektörleri nasıl çalışır ve tek başına bir puan neden yazarlığı kanıtlayamaz

Bir yapay zeka dedektörüne bir kompozisyon, makale veya e-posta yapıştırın ve birkaç saniye sonra “%85 yapay zeka” gibi bir sonuç döndürebilir.

Kesin görünüyor. Ama aynı zamanda yanlış okunması da kolay olabilir.

Dedektör belgenin nasıl yazıldığını gözlemlemedi. Bitmiş metni yapay zeka üretimi yazıyla ilişkili kalıplar açısından analiz etti. Araca bağlı olarak, bu %85 oranı, yapay zekanın belgeyi üretmiş olmasının tahmini olasılığını veya dedektörün işaretlediği metin payını temsil edebilir.

Bu, bir yapay zeka dedektörünü özellikle bir şeyin daha yakından incelenmesi gerektiğinde yararlı bir sinyal haline getirir. Ancak birinin metni kimin yazdığı veya nasıl oluşturduğu konusunda bir sonuca varmasından önce puanın hala bağlama ve destekleyici kanıta ihtiyacı vardır. Dedektörlerin puanlarını nasıl ürettiğini anlamak, hem neleri yakalayabildiklerini hem de neden bazen yanıldıklarını açıklamaya yardımcı olur.

Yapay zeka dedektörü nedir?

Bir yapay zeka yazma dedektörü bitmiş bir metin parçasına bakar ve bir dil modeli tarafından üretilen yazıya benzeyip benzemediğini tahmin eder. Bir kullanıcı tipik olarak metni yapıştırır veya bir belge yükler. Saniyeler içinde araç bir etiket, yüzde, vurgulanan pasajlar veya üçünü birden döndürebilir.

• Öğretmenler ve akademik kurumlar öğrenci çalışmalarını incelerken bunları kullanır.
• Yayıncılar ve içerik ekipleri, gönderilen veya sipariş edilen yazıları taramak için bunları kullanabilirken, bazı dedektör şirketleri başvuru materyallerini inceleyen işe alım ekipleri için versiyonlar pazarlamaktadır.
• Yazarlar ayrıca bir öğretmenin, editörün, müşterinin veya platformun bunu nasıl sınıflandırabileceğini anlamak için bazen kendi çalışmalarını kontrol eder.

Not: İntihal denetleyicileri ilgili ancak ayrı bir amaç için hizmet eder. Eşleşen dili bulmak için bir belgeyi yayınlanmış materyal ve diğer kaynaklarla karşılaştırırlar. Yapay zeka dedektörleri gönderilen yazıdaki kalıpları değerlendirir. Tamamen orijinal bir pasaj bu nedenle yapay zeka işareti alabilirken, kopyalanmış insan yazısı yapay zeka üretimine dair güçlü bir sinyal içermeyebilir.

Yapay zeka dedektörleri metni nasıl analiz eder

Birçok yapay zeka dedektörü, insan ve yapay zeka üretimi yazı örnekleri üzerinde eğitilmiş bir makine öğrenmesi modeli olan sınıflandırıcıya (classifier) güvenir. İkisini karşılaştırdıkça, kelime seçimi ve cümle yapısındaki kalıplar da dahil olmak üzere her birinde hangi kalıpların ortaya çıkma eğiliminde olduğunu öğrenir. Daha sonra yeni metinde bu kalıpları arar ve bir tahmin üretir.

Dedektörün ne öğrendiği, eğitim sırasında ne gördüğüne bağlıdır. Sınırlı bir yazı aralığında eğitilmiş bir araç, yeni bir konuyla, yabancı bir stille veya daha önce karşılaşmadığı bir yapay zeka modelinin çıktısıyla mücadele edebilir. Farklı metin türleri ve yapay zeka modelleri üzerindeki araştırmalar, bu koşullar altında tespit performansının düşebileceğini bulmuştur.

Bazı yöntemler farklı bir yaklaşım benimser. Ayrı bir sınıflandırıcı eğitmek yerine, bir pasajı üretme olasılığının ne kadar yüksek olduğunu yargılamak için bir dil modelinin kendi olasılık tahminlerini kullanırlar.

• Örneğin DetectGPT, yapay zeka üretimiyle ilişkili kalıpları aramak için orijinal metni hafifçe değiştirilmiş sürümlerle karşılaştırır. Araştırması, ayrı olarak eğitilmiş bir dedektör gerektirmediği için bunu “sıfır örnekli” (zero-shot) bir yöntem olarak tanımlar. Sonuç, genel bir puan, vurgulanan cümleler veya her ikisini içerebilir.
• GPTZero, vurgularının genel tahmini üzerinde en çok hangi cümlelerin etkisi olduğunu gösterdiğini söyler. Daha geniş belgeyi de değerlendirdiği için, kendi başına taranan bir pasaj, daha uzun bir parçanın parçası olarak göründüğünde aynı sonucu alamayabilir.

Her sonuç hem metni hem de onu değerlendiren sistemi yansıtır, bu yüzden farklı dedektörler aynı pasaj hakkında farklı sonuçlara varabilir.

Büyüt

Perplexıty ve patlama eğiliminin ölçtüğü şey

Perplexity ve patlama eğilimi yapay zeka tespiti açıklamalarında sıklıkla karşımıza çıkar. Bir yazı parçasında faydalı kalıplar ortaya çıkarabilirler, ancak hiçbiri tek ve benzersiz bir yapay zeka yazma yöntemine işaret etmez.

Potansiyel olarak kafa karıştırıcı bir detay: perplexity burada çift görev yapıyor. Küçük harfle yazıldığında istatistiksel bir ölçümdür. Büyük P harfi ile yazıldığında biziz.

Perplexity, metnin ne kadar öngörülebilir olduğunu ölçer

Dil modelleri, bütün kelimeler veya kelime parçaları olabilen olası sonraki token'lara olasılıklar atayarak metin üretir. Perplexity, bir modelin bir pasajdaki token'ları ne kadar iyi tahmin edebileceğini ölçer.

• Daha düşük perplexity: Metin, modelin tanıdık bulduğu kalıpları takip eder.
• Daha yüksek perplexity: Kullanılan ifadeler daha az beklenendir.

Puan değerlendirmeyi yapan modele ve metnin işlenme şekline özgüdür, bu nedenle aynı pasaj farklı kurulumlar altında farklı perplexity puanları alabilir.

"Lütfen herhangi bir sorunuz olup olmadığını bana bildirin" cümlesini ele alalım. Bir dil modeli muhtemelen benzer ifadelerle birçok kez karşılaşmıştır, bu da her kelimenin tahmin edilmesini nispeten kolaylaştırır. Bu bize cümlenin aşinalığı hakkında bir şeyler söyler. Kimin yazdığı hakkında kesin hiçbir şey söylemez.

Patlama eğilimi, bu kalıpların ne kadar değiştiğini ölçer

Patlama eğilimi (burstiness), yapay zeka tespiti tartışmalarında daha esnek bir şekilde kullanılır. Genellikle yazının bir pasaj boyunca ne kadar değiştiğini tanımlar. Bu, cümle uzunluğu ve yapısındaki değişimi veya son derece öngörülebilir ile daha şaşırtıcı dil arasındaki geçişleri içerebilir.

• Daha düşük patlama eğilimi: Cümleler daha tutarlı bir uzunluk, yapı veya ritim takip eder.
• Daha yüksek patlama eğilimi: Yazı daha kısa ifadeler, daha uzun açıklamalar ve daha az beklenen ifadeler arasında geçiş yapar.

Bazı yapay zeka üretimi metinler tutarlı ve öngörülebilirdir, bu yüzden patlama eğilimi tespitle ilişkilendirilmiştir. İnsan yazısı, özellikle iş, akademik ve teknik bağlamlarda aynı niteliklere sahip olabilir. Yapay zeka modelleri de istendiğinde veya düzenlendiğinde daha çeşitli diller üretebilir.

GPTZero, perplexity ve patlama eğiliminin dedektörünün önceki bir versiyonu tarafından kullanılan birkaç özellikten ikisi olduğunu söylüyor.

Bu önlemlerin gösterdiği şey: Perplexity ve patlama eğilimi bir pasajdaki kalıpları tanımlar. Bu kalıplar metnin neden işaretlendiğini açıklamaya yardımcı olabilir, ancak kimin yazdığını kanıtlayamaz.

Bir yapay zeka dedektörünün puanı ne anlama gelir

“%80 yapay zeka” sonucu anlaşılır görünmektedir. Anlamı dedektöre bağlıdır.

GPTZero, yüzdeyi modelinin yapay zekanın veya bir insanın belgeyi yazdığına dair tahmini olasılığı olarak tanımlar. Turnitin, modelinin nitelikli düz yazının ne kadarını potansiyel olarak yapay zeka üretimi veya belirli yapay zeka araçlarıyla değiştirilmiş olarak işaretlediğini göstermek için yüzdeyi kullanır.

Aynı “%80 yapay zeka” etiketi bu nedenle şu anlama gelebilir:

• Dedektör, yapay zekanın belgeyi üretmiş olma ihtimalini %80 olarak tahmin ediyor.
• Dedektör, değerlendirdiği metnin %80'ini işaretlemiştir.

Bunlar farklı bulgulardır. Biri belgenin bir bütün olarak geleceği hakkında bir tahmin yapar. Diğeri ise metnin ne kadarının dedektörün kriterleriyle eşleştiğini belirler.

Olasılık puanlarının başka bir kontrole ihtiyacı vardır: kalibrasyon. Bir dedektör 100 belgeye %80 civarında bir yapay zeka olasılığı veriyorsa, puanın iyi kalibre edilmiş olması için bunların kabaca 80'i gerçekten yapay zeka üretimi olmalıdır. Modelin bilinen kökenlere sahip örneklerle test edilmesi, olasılıklarının gerçek sonuçlarla ne kadar yakın eşleştiğini gösterir.

Bir yüzde, anlamı veya güvenilirliği netleşmeden önce kesin görünebilir. Etiket, puanlama yöntemi ve dedektörün performansı, sayının neyi destekleyebileceğini belirler.

Büyüt

Sınır neyin işaretleneceğini belirler

Bir dedektörün hala bir puanın üzerinde hareket edilecek kadar yüksek olduğuna karar vermesi gerekir. Bu çizgiye sınır (cutoff) veya eşik (threshold) denir.

Bir aracın metni 0'dan 100'e kadar puanladığını ve 70'in üzerindeki her şeyi işaretlediğini varsayalım. Sınırı 60'a taşımak, işaretlenen belge sayısını artırırken her puanı değiştirmeden bırakacaktır.

• Daha düşük bir sınır genellikle daha fazla yapay zeka üretimi yazıyı tespit eder ancak aynı zamanda daha fazla insan yazısını da yanlış bir şekilde işaretler.
• Daha yüksek bir sınır yanlış işaretlemeleri azaltırken, daha fazla yapay zeka üretimi yazının tespit edilememesine izin verir. Bu takas genel olarak sınıflandırma sistemleri için geçerlidir.

Olası iki hatanın farklı isimleri vardır.

• İnsan yazısı yapay zeka üretimi olarak işaretlendiğinde bir yanlış pozitif meydana gelir.
• Yapay zeka üretimi yazı tespit edilemediğinde bir yanlış negatif meydana gelir.

Bir dedektörün çizgiyi çektiği yer, kaçınmak üzere tasarlandığı hatayı yansıtır. Bu seçim, bir işaret notu, işi veya birinin güvenilirliğini etkileyebileceği durumlarda daha fazla ağırlık taşır.

%2'lik bir hata oranı nasıl neredeyse %30 yanlış işarete neden olabilir

%2'lik yanlış pozitif oranının etkisi, dedektörün ne kadar insan yazısı incelediğine bağlıdır.

Varsayımsal bir 1.000 makale kümesini ele alalım:

• 50'si yapay zeka üretimidir.
• 950'si insan yazımıdır.
• Dedektör, yapay zeka üretimi makalelerin %90'ını yakalar.
• İnsan yazısı makalelerin %2'sini yanlış bir şekilde işaretler.

İşte olanlar:

Dedektör toplamda 64 makaleyi işaretliyor. On dokuzu insan yazımı, dolayısıyla işaretlemelerinin neredeyse %30'u yanlış.

%2 ve %30 figürleri farklı şeyleri ölçer. Dedektör, tüm insan yazımı makalelerin %2'sini yanlış bir şekilde işaretler. Bu hatalar daha sonra işaretlediği her şeyin neredeyse %30'unu oluşturur.

Sayılar bu şekilde toplanır çünkü dedektör yapay zeka tarafından üretilenlerden çok daha fazla insan yazısı makaleyi incelemiştir. Küçük bir hata oranı bile çok daha büyük bir gruba uygulandığında anlamlı sayıda yanlış işarete neden olabilir.

Taban oran (base rate) terimi, kontrol edilen materyalde yapay zeka üretimi yazıların ne kadar yaygın olduğunu tanımlar. Bu oran değiştikçe, pozitif bir sonucun anlamı da değişir. Dedektörün gerçek pozitif ve yanlış pozitif oranları aynı kalırsa, koleksiyonda yapay zeka üretimi yazı yaygın olduğunda bir işaret genellikle daha güvenilir olacak ve nadir olduğunda daha az güvenilir olacaktır.

Bu rakamlar varsayımsaldır ve belirli bir dedektörü tanımlamaz. Gerçek bir incelemede, yapay zeka üretimi yazıların payı genellikle bilinmemektedir. Bu belirsizlik, bir işareti bir belgenin nasıl yazıldığının kanıtı olarak değil, daha yakından bakmak için bir neden olarak ele almanın başka bir nedenidir.

Doğruluk, dedektörün ne üzerinde test edildiğine bağlıdır

Doğruluk oranı, belirli bir koşullar kümesi altındaki performansı açıklar. Bu oranı başka bir yazıya uygulamadan önce şunları kontrol edin:

• Dedektör versiyonu
• Metnin uzunluğu, dili, konusu ve formatı
• Test malzemesini oluşturmak için kullanılan yapay zeka modeli ve ayarları
• Metnin düzenlenip düzenlenmediği veya kasıtlı olarak değiştirilip değiştirilmediği
• İnsan yazısı örneklerinde temsil edilen yazarlar

Aracın desteklenen girdileriyle başlayın

Örneğin Turnitin, en az 300 kelimelik uzun biçimli düz yazı gerektirir. Modelinin yapay zeka tarafından üretilen şiirleri, senaryoları, kodları veya diğer düz yazı dışı formatları güvenilir bir şekilde tespit etmediğini belirtmektedir. Bu nedenle kompozisyonlardaki güçlü performans, aynı dedektörün bir şiiri veya kısa bir e-postayı nasıl ele alacağı hakkında bize çok az şey söyler.

Testi gerçek dünya yazılarıyla karşılaştırın

2024 yılında araştırmacılar, 11 model ve sekiz konu alanında 6 milyondan fazla yapay zeka üretimi pasaj içeren bir kıyaslama olan RAID'i kullanarak 12 dedektörü test ettiler. Dedektörler tanıdık olmayan modellerle, farklı üretim ayarlarıyla veya kasıtlı olarak değiştirilmiş metinle karşılaştığında performans düştü.

RAID kullanan bir 2025 mücadelesi, daha tanıdık koşullar altında daha güçlü sonuçlar üretti. Çeşitli katılımcılar, %5 yanlış pozitif oranını korurken makine üretimi metnin %99'undan fazlasını tespit etti. Testte kullanılan konu alanları ve yapay zeka modelleri de eğitim verilerinde temsil ediliyordu.

Sonuçlar birlikte, dedektörlerin tanımak üzere eğitildikleri çeşitli materyaller üzerinde iyi performans gösterebildiğini, buna karşın yabancı materyallerin değerlendirilmesinin daha zor olmaya devam ettiğini göstermektedir.

Kimlerin temsil edildiğine bakın

Bir 2023 çalışmasında, yedi dedektör, ana dili İngilizce olmayanlar tarafından yazılmış 91 TOEFL makalesinin ortalama %61,3'ünü yapay zeka üretimi olarak yanlış sınıflandırdı. Bu sonuç, o sırada test edilen araçlar ve örnekler için geçerlidir. Ayrıca genel bir doğruluk oranının, neden her yazar grubu için performansı eşit derecede iyi tanımlamayabileceğini gösterir.

Doğruluk iddiası nasıl okunur: Gönderilen metin testte kullanılan malzemeye ne kadar yakınsa, bildirilen sonuç o kadar alakalı hale gelir.

Son belge nasıl yazıldığının yalnızca bir kısmını gösterir

Yapay zeka yazma sürecinde birçok rol oynayabilir. Birisi bunu bir konuyu araştırmak, notları organize etmek, bir pasajı çevirmek, bir cümleyi parlatmak veya ilk taslağı üretmek için kullanabilir.

Bu iş akışları çok farklı belgelere yol açabilir. Bir yazar araştırma için yapay zeka kullanabilir ve her cümleyi bağımsız olarak yazabilir. Başka biri yapay zeka tarafından oluşturulmuş bir taslağı büyük ölçüde yeniden yazabilir. Üçüncüsü, aksi takdirde insan yazımı olan bir makaleye oluşturulmuş bir paragraf ekleyebilir.

Bir metin dedektörü gönderilen kelimeleri görür. Kendisinden önceki komutlara, düzenlemelere veya kararlara erişimi yoktur. Puanı tam yazma sürecini yeniden oluşturamaz veya yazarın belirli bir politikayı takip edip etmediğini belirleyemez. Örneğin,

• Bir okul fırtına beyinlerine (brainstorming) izin verirken öğrencilerden ödevi kendilerinin yazmasını isteyebilir.
• Bir yayıncı, açıklandığı takdirde yapay zeka destekli düzenlemeye izin verebilir.
• Bir iş yeri, yapay zekanın ifadeye katkıda bulunup bulunmadığından ziyade olgusal doğruluk, gizlilik veya kaynak atfıyla daha çok ilgilenebilir.

Bu kuralları uygulamak, bitmiş metnin yanı sıra süreç hakkında da kanıt gerektirir. Taslak geçmişi, araştırma notları ve yazarın açıklaması, bir dedektörün sağlayamayacağı bir bağlam sağlayabilir. Turnitin, eğitimcilere yapay zeka yazma puanını bir öğrenciye karşı olumsuz işlem yapmak için tek temel olarak kullanmamalarını açıkça tavsiye etmektedir.

Bir dedektör, yapay zeka ile ilişkilendirdiği kalıplara benzeyen dili tanımlayabilir. Ne olduğunu ve buna izin verilip verilmediğini belirlemek daha kapsamlı bir inceleme gerektirir.

Filigranlar farklı türde bir sinyal ekler

Bazı yapay zeka sistemleri metin oluştururken tespit edilebilir bir kalıp ekleyebilir. Bu süreç filigran ekleme (watermarking) olarak adlandırılır.

Metin filigranı nasıl çalışır

Google DeepMind’ın SynthID'si bir örnek sağlar:

1. Sistem token olasılıklarını ayarlar. Modelin belirli kelimeleri veya kelime parçalarını seçme olasılığını hafifçe değiştirir.
2. Bu tercihler bir kalıp oluşturur. Filigran okuyucu tarafından görünmez kalacak şekilde tasarlanmıştır.
3. Uyumlu bir dedektör bunu kontrol eder. Dedektör, beklenen istatistiksel sinyal için metni analiz eder.

Kalıp oluşturma sırasında eklendiğinden, metni üreten sistemle bağlantılı bilgiler sağlayabilir.

Filigran tespitini ne sınırlar

• Oluşturan bunu eklemelidir. Yapay zeka sisteminin filigranı desteklemesi ve uygulaması gerekir. Filigranın olmaması, metni bir insanın yazdığını kanıtlamaz.
• Kalıbın yeterli kısmı kalmalıdır. Google, SynthID'nin bazı kırpma, kelime değişikliği ve hafif paraphrasing işlemlerine dayanabileceğini bildirmektedir. Kapsamlı yeniden yazma veya çeviri güvenini azaltabilir.

Filigranlar, uyumlu bir sistem metni ürettiğinde ve sinyalin yeterli kısmı kaldığında kanıtı güçlendirebilir. Yapay zeka üretimi her yazıyı tanımlayamazlar.

Diğer kayıtlar tablonun daha büyük bir kısmını tamamlayabilir

• Taslak geçmişi, bir belgenin zaman içinde nasıl değiştiğini gösterir.
• Araştırma notları, iddialarını kaynaklara bağlar.
• Açıklanan yapay zeka etkileşimleri, bir aracın nerede katkıda bulunduğunu gösterir.

Bu kayıtlar, yalnızca kalıba dayalı bir puandan ziyade yazma süreci hakkında daha doğrudan bir bağlam sağlar.

Bir işareti incelemenin başlangıcı olarak ele alın

Bir dedektör sonucu, tanımlanmış bir rolü olduğunda daha yararlı hale gelir. Bir işaret üzerinde hareket etmeden önce inceleyenler, aracın neyi ölçtüğünü anlamalı, metnin kapsamına girdiğini doğrulamalı ve mevcut diğer kanıtları incelemelidir.

Beş kontrol yardımcı olabilir:

1. Puan tanımını okuyun. Yüzdelik dilimin belge düzeyinde bir olasılığı mı yoksa işaretlenen metin payını mı temsil ettiğini belirleyin.
2. Aracın kapsamını kontrol edin. Belgenin dilinin, uzunluğunun ve formatının dedektörün destekledikleriyle eşleştiğini doğrulayın.
3. Kanıtları inceleyin. Vurgulanan pasajları taslaklar, kaynak notları ve yazarın açıklamasıyla birlikte inceleyin.
4. İlgili politikayı uygulayın. Yapay zekanın hangi kullanımına izin verildiğini ve hangi kanıtın ihlali göstereceğini belirleyin.
5. Eserin kendisini değerlendirin. Faksal doğruluğu, kaynak atıfını, orijinalliği ve kaliteyi kendi şartlarında inceleyin.

Riskler incelemenin derinliğini şekillendirmelidir. Bir editör, hangi makalenin tekrar gözden geçirilmesi gerektiğine karar vermek için bir işaret kullanabilir. Notu, işi veya yayın sözleşmesini etkileyen bir karar, daha güçlü kanıtlar ve yazara sürecini açıklama fırsatı verilmesini gerektirir.

Bir yapay zeka dedektörü karmaşık bir kararı bir puana sıkıştırır. Bu puanı yorumlamak, sayının içermediği bilgileri gerektirir: aracın ne ölçtüğü, hangi eşiği kullandığı, karşılaştırılabilir yazılarda nasıl performans gösterdiği ve incelenen materyalde yapay zeka üretimi metnin ne kadar yaygın olduğu. Puan yönlendirme sağlayabilir. Bir dedektör puanı bu incelemeye katkıda bulunabilir, ancak yazarlıkla ilgili herhangi bir sonuç aynı zamanda yazma süreci hakkında kanıt gerektirir.

Sıkça sorulan sorular

Yapay zeka dedektörleri hatalı olabilir mi?

Evet. Yanlış pozitif, bir dedektör insan yazımını yapay zeka üretimi olarak işaretlediğinde ortaya çıkar. Yanlış negatif, yapay zeka üretimi yazı tespit edilemediğinde ortaya çıkar. Her hatanın sıklığı dedektöre, eşiğine ve gönderilen metnin test etmek için kullanılan materyale ne kadar benzediğine bağlıdır.

Yapay zeka dedektörleri ne kadar doğru?

Yapay zeka dedektörleri için tek bir doğruluk oranı yoktur. Performans dile, uzunluğa, konuya, yazım stiline, üreten modele ve düzenleme miktarına göre değişebilir. Bir doğruluk iddiası, test koşulları incelenen yazıya benzediğinde ve sonuç başarılı tespitlerin yanı sıra yanlış pozitifleri de bildirdiğinde en yararlısıdır.

Yapay zeka tespiti yüzdesi ne anlama gelir?

Tanım araca bağlıdır. Bir belgenin yapay zeka üretimi olma tahmini olasılığını, nitelikli metnin işaretlenen yüzdesini veya sonuçtaki bir güven biçimini temsil edebilir. Dedektörün belgeleri hangi ölçümü bildirdiğini açıklamalıdır.

Bir yapay zeka dedektörü birinin yapay zeka kullandığını kanıtlayabilir mi?

Yalnızca bir dedektör puanı, bir belgenin nasıl oluşturulduğunu kanıtlayamaz. Gönderilen metni arkasındaki komutları, taslakları, düzenlemeleri veya araştırmaları görmeden analiz eder. Güvenilir bir inceleme, puanı süreç kanıtları ve kabul edilebilir yapay zeka kullanımını yöneten politika ile birlikte değerlendirir.

İnsan yazısı neden bazen yapay zeka olarak işaretlenir?

İnsan ve yapay zeka üretimi yazılar aynı istatistiksel kalıpları paylaşabilir. Formüle edilmiş dil, öngörülebilir ifade tarzı, sınırlı kelime dağarcığı veya dedektörün eğitim verilerinden farklı bir stil, yanlış pozitifin ortaya çıkmasına katkıda bulunabilir. Araştırmalar ayrıca 2023'te test edilen bazı dedektörlerin, ana dili İngilizce olmayanlar tarafından yazılan makaleleri orantısız bir şekilde işaretlediğini bulmuştur.