Stručná odpověď: Detektory umělé inteligence „nedokazují“, kdo něco napsal; odhadují, jak blízko se pasáž shoduje se známými vzory jazykového modelu. Většina se spoléhá na kombinaci klasifikátorů, signálů předvídatelnosti (zmatenost/expanzivnost), stylometrie a ve vzácnějších případech i kontrol vodoznaků. Pokud je vzorek krátký, vysoce formální, technický nebo napsaný autorem angličtiny jako druhého jazyka, berte skóre jako podnět k přečtení – nikoli jako verdikt.
Klíčové poznatky:
Pravděpodobnost, ne důkaz : Procenta považujte za signály rizika „podobné umělé inteligenci“, nikoli za jistotu.
Falešně pozitivní výsledky : Formální, technické, šablonové nebo nenativní texty jsou často chybně označeny.
Kombinace metod : Nástroje kombinují klasifikátory, kontrolu perplexity/burstiness, stylometrii a neobvyklé kontroly vodoznaků.
Transparentnost : Preferujte detektory, které pokrývají povrchové rozsahy, vlastnosti a nejistotu – nejen jedno číslo.
Napaditelnost : Uchovávejte návrhy/poznámky a procesní důkazy po ruce pro případ sporů a odvolání.
Články, které byste si mohli po tomto přečíst:
🔗 Jaký je nejlepší detektor s umělou inteligencí?
Nejlepší nástroje pro detekci s využitím umělé inteligence v porovnání z hlediska přesnosti, funkcí a případů použití.
🔗 Jsou detektory s umělou inteligencí spolehlivé?
Vysvětluje spolehlivost, falešně pozitivní výsledky a proč se výsledky často liší.
🔗 Dokáže Turnitin detekovat umělou inteligenci?
Kompletní průvodce detekcí, omezeními a osvědčenými postupy umělé inteligence v Turnitinu.
🔗 Je detektor QuillBot s umělou inteligencí přesný?
Podrobný přehled přesnosti, silných a slabých stránek a testů v reálném světě.
1) Rychlý nápad - co detektor s umělou inteligencí doopravdy dělá ⚙️
Většina detektorů s umělou inteligencí „nechytá umělou inteligenci“ jako síť chytající rybu. Dělají něco prozaičtějšího:
-
Odhadují pravděpodobnost, že část textu vypadá, jako by pocházela z jazykového modelu (nebo jím byla silně asistována). ( Průzkum detekce textu generovaného LLM ; OpenAI )
-
Porovnávají váš text se vzory pozorovanými v trénovacích datech (lidské psaní vs. psaní generované modelem). ( Průzkum detekce textu generovaného LLM )
-
Výstupem je skóre (často v procentech), které se zdá být definitivní… ale obvykle jím není. ( Průvodci Turnitinem )
Buďme upřímní – uživatelské rozhraní vám napíše něco jako „92 % AI“ a váš mozek si řekne: „No, to je asi fakt.“ Není to fakt. Je to jen odhad modelu o otiscích prstů jiného modelu. Což je trochu k popukání, jako když psi očichávají psy 🐕🐕
2) Jak fungují detektory s umělou inteligencí: nejběžnější „detekční enginy“ 🔍
Detektory obvykle používají jeden (nebo kombinaci) z těchto přístupů: ( Průzkum detekce textu generovaného LLM )
A) Klasifikační modely (nejběžnější)
Klasifikátor je trénován na označených příkladech:
-
Vzorky napsané lidmi
-
Vzorky generované umělou inteligencí
-
Někdy „hybridní“ vzorky (lidsky upravený text s využitím umělé inteligence)
Pak se naučí vzory, které oddělují skupiny. Toto je klasický přístup strojového učení a může být překvapivě slušný… dokud se přestane. ( Průzkum detekce textu generovaného LLM )
B) Bodování zmatku a „výbušnosti“ 📈
Některé detektory vypočítávají, jak „předvídatelný“ je text.
-
Zmatek : zhruba to, jak moc je jazykový model překvapen dalším slovem. ( Bostonská univerzita - Příspěvky o zmatku )
-
Nižší míra zmatku může naznačovat, že text je vysoce předvídatelný (což se může stát u výstupů umělé inteligence). ( DetectGPT )
-
„Burstiness“ se snaží měřit, kolik variací existuje ve složitosti a rytmu vět. ( GPTZero )
Tento přístup je jednoduchý a rychlý. Je také snadné ho splést, protože i lidé umí psát předvídatelně (ahoj firemní e-maily). ( OpenAI )
C) Stylometrie (psaní otisky prstů) ✍️
Stylometrie se zabývá vzory jako:
-
průměrná délka věty
-
styl interpunkce
-
frekvence funkčních slov (the, and, but…)
-
rozmanitost slovní zásoby
-
skóre čitelnosti
Je to jako „analýza rukopisu“, až na to, že jde o text. Někdy to pomůže. Někdy je to jako diagnostikovat nachlazení pohledem na něčí boty. ( Stylometrie a forenzní věda: Přehled literatury ; Funkční slova v uvádění autorství )
D) Detekce vodoznaku (pokud existuje) 🧩
Někteří poskytovatelé modelů mohou do generovaného textu vkládat jemné vzory („vodoznaky“). Pokud detektor zná schéma vodoznaku, může se ho pokusit ověřit. ( Vodoznak pro modely velkých jazyků ; SynthID textu )
Ale… ne všechny modely si vodoznak zachovají, ne všechny výstupy si vodoznak po úpravách zachovají a ne všechny detektory mají přístup k tomuto tajnému principu. Takže to není univerzální řešení. ( O spolehlivosti vodoznaků pro modely s velkým jazykem ; OpenAI )
3) Co dělá dobrou verzi detektoru s umělou inteligencí ✅
„Dobrý“ detektor (z mých zkušeností s testováním několika detektorů vedle sebe pro redakční pracovní postupy) není ten, který křičí nejhlasitěji. Je to ten, který se chová zodpovědně.
Zde je to, co dělá detektor s umělou inteligencí spolehlivým:
-
Kalibrovaná spolehlivost : 70 % by mělo znamenat něco konzistentního, ne mávnutí rukou. ( Průzkum detekce textu generovaného LLM )
-
Nízký počet falešně pozitivních výsledků : neměl by označovat texty v ne-rodné angličtině, právnické texty nebo technické manuály jako „AI“ jen proto, že jsou čisté. ( Stanford HAI ; Liang a kol. (arXiv) )
-
Transparentní limity : mělo by připouštět nejistotu a ukazovat rozsahy, ne předstírat, že je vševědoucí. ( OpenAI ; Turnitin )
-
Povědomí o doméně : detektory trénované na neformálních blozích často potýkají s akademickým textem a naopak. ( Průzkum detekce textu generovaného LLM )
-
Práce s krátkým textem : dobré nástroje se vyhýbají příliš sebevědomému hodnocení na malých vzorcích (odstavec není vesmír). ( OpenAI ; Turnitin )
-
Citlivost na revize : mělo by zvládat lidské úpravy, aniž by se okamžitě zhroutilo do nesmyslných výsledků. ( Průzkum detekce textu generovaného LLM )
Ti nejlepší, co jsem viděl, bývají trochu skromní. Ti nejhorší se chovají, jako by četli myšlenky 😬
4) Srovnávací tabulka – běžné „typy“ detektorů s umělou inteligencí a kde se vyznačují 🧾
Níže je uvedeno praktické srovnání. Nejedná se o značky – jde o hlavní kategorie, na které narazíte. ( Průzkum detekce textu generovaného LLM )
| Typ nástroje (přibližně) | Nejlepší publikum | Pocit ceny | Proč to (někdy) funguje |
|---|---|---|---|
| Kontrola zmatků Lite | Učitelé, rychlé kontroly | Volný/á | Rychlý signál s předvídatelností - ale může být kolísavý… |
| Klasifikační skener Pro | Redaktoři, HR, compliance | Předplatné | Učí se vzory z označených dat - slušně se vypořádává se středně dlouhým textem |
| Stylometrický analyzátor | Výzkumníci, forenzní specialisté | $$$ nebo specializovaný segment | Porovnává psaní otisků prstů - svérázné, ale praktické v dlouhé formě |
| Vyhledávač vodoznaků | Platformy, interní týmy | Často v balíčku | Silné, když existuje vodoznak - pokud ne, je to v podstatě pokrčení ramen |
| Hybridní podnikový balík | Velké organizace | Smlouvy na pozici za křeslo | Kombinuje více signálů – lepší pokrytí, více knoflíků k ladění (a více způsobů, jak je špatně nakonfigurovat, ups) |
Všimněte si sloupce „cenový pocit“. Ano, to není vědecké. Ale je to upřímné 😄
5) Detektory základních signálů hledají – „signály“ 🧠
Zde je to, co se mnoho detektorů snaží měřit „pod kapotou“:
Předvídatelnost (pravděpodobnost tokenu)
Jazykové modely generují text predikcí pravděpodobných dalších tokenů. To má za následek:
-
plynulejší přechody
-
méně překvapivých slovních výběrů
-
méně podivných odboček (pokud k tomu nebudete vyzváni)
-
konzistentní tón ( Bostonská univerzita - příspěvky o zmatku ; DetectGPT )
Lidé na druhou stranu často více tápou. Protiřečíme si, přidáváme náhodné vedlejší komentáře, používáme trochu neobvyklé metafory – jako třeba srovnávání detektoru s umělou inteligencí s toustovačem, který posuzuje poezii. Ta metafora je špatná, ale chápete ji.
Opakování a strukturní vzory
Psaní s využitím umělé inteligence může vykazovat jemné opakování:
-
opakované větné struktury („Závěrem…“, „Navíc…“, „Dále…“)
-
podobné délky odstavců
-
konzistentní tempo ( Průzkum detekce textu generovaného LLM )
Ale také - spousta lidí píše tímto způsobem, zejména ve škole nebo ve firmách. Takže opakování je spíše vodítko, než důkaz.
Přílišná jasnost a „příliš čistá“ próza ✨
Tohle je zvláštní. Některé detektory implicitně považují „velmi čisté písmo“ za podezřelé. ( OpenAI )
Což je nepříjemné, protože:
-
dobří spisovatelé existují
-
existují editoři
-
existuje kontrola pravopisu
Takže pokud přemýšlíte o tom, jak fungují detektory s umělou inteligencí , část odpovědi zní: někdy odměňují drsnost. Což je… trochu naopak.
Sémantická hustota a generické frázování
Detektory mohou označit text, který působí jako:
-
příliš obecné
-
málo konkrétních prožitých detailů
-
s velkým množstvím vyvážených, neutrálních tvrzení ( Průzkum detekce textu generovaného LLM )
Umělá inteligence často vytváří obsah, který zní rozumně, ale je lehce upravený. Jako hotelový pokoj, který vypadá hezky, ale nemá žádnou osobnost 🛏️
6) Přístup klasifikátoru - jak je trénován (a proč selhává) 🧪
Detektor klasifikátoru se obvykle trénuje takto:
-
Shromáždit datovou sadu lidských textů (eseje, články, fóra atd.)
-
Generování textu s umělou inteligencí (více výzev, stylů, délek)
-
Označte vzorky
-
Trénujte model tak, aby je odděloval pomocí prvků nebo vnoření
-
Ověřte to na zadržených datech
-
Odešlete to… a pak vám realita vrazí pěstí do obličeje ( Průzkum detekce textu generovaného LLM )
Proč realita ničí:
-
Posun domény : trénovací data neodpovídají textu od skutečných uživatelů
-
Posun modelu : modely nové generace se nechovají jako ty v datové sadě
-
Úpravy : lidské úpravy mohou odstranit zjevné vzory, ale zachovat ty nenápadné
-
Jazyková variace : dialekty, psaní angličtiny jako druhého jazyka (ESL) a formální styly jsou nesprávně interpretovány ( Průzkum detekce textu generovaného LLM ; Liang a kol. (arXiv) )
Viděl jsem detektory, které byly na vlastní demonstrační sadě „vynikající“, ale pak se při psaní na pracovišti rozpadly. Je to jako trénovat psa-čmucha jen na jedné značce sušenek a očekávat, že najde každou svačinu na světě 🍪
7) Zmatenost a výbušnost - matematická zkratka 📉
Tato rodina detektorů se obvykle spoléhá na hodnocení jazykového modelu:
-
Propustí váš text modelem, který odhaduje pravděpodobnost každého dalšího tokenu.
-
Vypočítávají celkové „překvapení“ (zmatek). ( Bostonská univerzita - Příspěvky o zmatku )
-
Mohou přidat metriky variací („burstiness“), aby zjistili, zda rytmus působí lidsky. ( GPTZero )
Proč to někdy funguje:
-
Nezpracovaný text s umělou inteligencí může být extrémně plynulý a statisticky předvídatelný ( DetectGPT )
Proč selhává:
-
krátké vzorky jsou hlučné
-
formální psaní je předvídatelné
-
technické psaní je předvídatelné
-
psaní v ne-rodilém jazyce může být předvídatelné
-
Silně upravený text vytvořený umělou inteligencí může vypadat lidsky ( OpenAI ; Turnitin )
Takže fungování detektorů s umělou inteligencí někdy připomíná rychlostní pistoli, která si plete jízdní kola a motocykly. Stejná silnice, různé motory 🚲🏍️
8) Vodoznaky - nápad s „otiskem prstu v inkoustu“ 🖋️
Vodoznak zní jako čisté řešení: označit text umělé inteligence v době generování a poté jej detekovat později. ( Vodoznak pro velké jazykové modely ; SynthID textu )
V praxi mohou být vodoznaky křehké:
-
parafrázování je může oslabit
-
překlad je může rozbít
-
částečné citace je mohou odstranit
-
Míchání více zdrojů může rozmazat vzorec ( O spolehlivosti vodoznaků pro velké jazykové modely )
Detekce vodoznaku funguje pouze tehdy, pokud:
-
je použit vodoznak
-
detektor ví, jak to zkontrolovat
-
text nebyl moc transformován ( OpenAI ; SynthID Text )
Takže ano, vodoznaky mohou být silné, ale nejsou univerzálním policejním odznakem.
9) Falešně pozitivní výsledky a proč k nim dochází (ta bolestivá část) 😬
Toto si zaslouží vlastní sekci, protože se právě zde odehrává nejvíce kontroverzí.
Časté spouštěče falešně pozitivních výsledků:
-
Velmi formální tón (akademické, právní, compliance texty)
-
Angličtina, pro kterou není rodný jazyk (jednodušší větné struktury mohou vypadat „vzorově“)
-
Psaní na základě šablon (motivační dopisy, standardní operační postupy, laboratorní zprávy)
-
Krátké textové ukázky (nedostatek signálu)
-
Omezení témat (některá témata vynucují opakující se frázování) ( Liang a kol. (arXiv) ; Turnitin )
Pokud jste někdy viděli někoho napomenutého za to, že psal až příliš dobře… ano. To se stává. A je to brutální.
S skórem detektoru by se mělo zacházet takto:
-
detektor kouře, ne soudní verdikt 🔥
Říká vám „možná zkontrolováno“, ne „případ uzavřen“. ( OpenAI ; Turnitin )
10) Jak interpretovat výsledky detektoru jako dospělý 🧠🙂
Zde je praktický způsob, jak si přečíst výsledky:
Pokud nástroj udává jedno procento
Berte to jako hrubý signál rizika:
-
0-30%pravděpodobně lidský nebo silně upravený
-
30-70%nejednoznačná zóna - nic nepředpokládejte
-
70–100 % : pravděpodobnější vzorce podobné umělé inteligenci, ale stále to není důkaz ( Průvodci Turnitinem )
I vysoké skóre může být chybné, zejména u:
-
standardizované psaní
-
určité žánry (shrnutí, definice)
-
Psaní angličtiny jako druhého jazyka ( Liang a kol. (arXiv) )
Hledejte vysvětlení, ne jen čísla
Lepší detektory poskytují:
-
zvýrazněné rozpětí
-
poznámky k rysům (předvídatelnost, opakování atd.)
-
intervaly spolehlivosti nebo jazyk nejistoty ( Průzkum detekce textu generovaného LLM )
Pokud vám nástroj odmítne cokoli vysvětlit a jen vám na čelo napíše číslo… nevěřím mu. A vy byste taky neměli.
11) Jak fungují detektory s umělou inteligencí: jednoduchý mentální model 🧠🧩
Pokud chcete mít čisté jídlo s sebou, použijte tento mentální model:
-
Detektory umělé inteligence hledají statistické a stylistické vzorce běžné ve strojově generovaném textu. ( Průzkum detekce textu generovaného metodou LLM )
-
Porovnávají tyto vzorce s tím, co se naučili z trénovacích příkladů. ( Průzkum detekce textu generovaného LLM )
-
Vydávají odhad podobný pravděpodobnosti , nikoli faktický příběh o původu. ( OpenAI )
-
Odhad je citlivý na žánr, téma, délku, úpravy a trénovací data detektoru . ( Průzkum detekce textu generovaného LLM )
Jinými slovy, detektory s umělou inteligencí fungují tak, že „posuzují podobnost“, nikoli autorství. Jako kdybyste řekli, že někdo vypadá jako jeho bratranec. To není totéž co test DNA… a i testy DNA mají hraniční případy.
12) Praktické tipy, jak snížit počet nechtěných nahlášení (bez hraní her) ✍️✅
Ne „jak oklamat detektory“. Spíše jak psát způsobem, který odráží skutečné autorství a vyhýbá se podivným chybným výkladům.
-
Uveďte konkrétní specifika: názvy konceptů, které jste skutečně použili, kroky, které jste podnikli, kompromisy, které jste zvažovali
-
Používejte přirozené variace: kombinujte krátké a dlouhé věty (jako to dělají lidé, když přemýšlejí)
-
Uveďte skutečná omezení: časové limity, použité nástroje, co se pokazilo, co byste udělali jinak
-
Vyhněte se přehnanému množství šablonových formulací: nahraďte „Navíc“ něčím, co byste skutečně řekli
-
Uchovávejte si koncepty a poznámky: pokud dojde ke sporu, důkazy jsou důležitější než intuice
Ve skutečnosti je nejlepší obranou prostě… být upřímný. Nedokonale upřímný, ne upřímný jako „dokonalá brožura“.
Závěrečné poznámky 🧠✨
Detektory s umělou inteligencí mohou být cenné, ale nejsou to stroje na hledání pravdy. Jsou to porovnávače vzorů trénované na nedokonalých datech, pracující ve světě, kde se styly psaní neustále překrývají. ( OpenAI ; Průzkum detekce textu generovaného LLM )
Stručně řečeno:
-
Detektory se spoléhají na klasifikátory, perplexitu/burstiness, stylometrii a někdy i vodoznaky 🧩 ( Průzkum detekce textu generovaného LLM )
-
Odhadují „podobnost s umělou inteligencí“, nikoli jistotu ( OpenAI )
-
Falešně pozitivní výsledky se stávají často ve formálním, technickém nebo ne-nativním psaní 😬 ( Liang a kol. (arXiv) ; Turnitin )
-
Používejte výsledky detektoru jako podnět k posouzení, nikoli jako verdikt ( Turnitin )
A ano… pokud se vás někdo znovu zeptá, jak fungují detektory s umělou inteligencí , můžete mu říct: „Hádají na základě vzorců – někdy chytré, někdy hloupé, vždycky omezené.“ 🤖
Často kladené otázky
Jak fungují detektory s umělou inteligencí v praxi?
Většina detektorů s umělou inteligencí „neprokazuje“ autorství. Odhadují, jak moc se váš text podobá vzorům běžně produkovaným jazykovými modely, a poté vydávají skóre podobné pravděpodobnosti. V podpoře mohou používat klasifikační modely, hodnocení předvídatelnosti ve stylu perplexity, stylometrické prvky nebo kontroly vodoznaků. Výsledek je nejlépe považovat za signál rizika, nikoli za definitivní verdikt.
Jaké signály detektory umělé inteligence hledají v písemném projevu?
Mezi běžné signály patří předvídatelnost (jak „překvapují“ model vaše další slova), opakování ve větných strukturách, neobvykle konzistentní tempo a obecné frázování s nízkými konkrétními detaily. Některé nástroje také zkoumají stylometrické markery, jako je délka věty, interpunkční návyky a četnost funkčních slov. Tyto signály se mohou překrývat s lidským psaním, zejména ve formálních, akademických nebo technických žánrech.
Proč detektory umělé inteligence označují lidské psaní jako psaní umělou inteligencí?
K falešně pozitivním výsledkům dochází, když lidské psaní vypadá statisticky „hladce“ nebo jako šablona. Formální tón, formulace v souladu se stylem, technická vysvětlení, krátké ukázky a ne-mateřská angličtina mohou být mylně interpretovány jako text podobný textu od umělé inteligence, protože snižují variabilitu. Proto může čistý a dobře upravený odstavec vést k vysokému skóre. Detektor porovnává podobnost, nikoli potvrzuje původ.
Jsou detektory zmatku a „burstness“ spolehlivé?
Metody založené na zmatku mohou fungovat, když je text surový, vysoce předvídatelný výstup umělé inteligence. Jsou však křehké: krátké pasáže jsou hlučné a mnoho legitimních lidských žánrů je přirozeně předvídatelných (shrnutí, definice, firemní e-maily, manuály). Editace a leštění mohou také dramaticky změnit skóre. Tyto nástroje se samy o sobě hodí pro rychlé třídění, nikoli pro vysoce riziková rozhodnutí.
Jaký je rozdíl mezi detektory klasifikátorů a stylometrickými nástroji?
Detektory klasifikátorů se učí z označených datových sad lidského textu vs. textu vytvořeného umělou inteligencí (a někdy i hybridního) a předpovídají, které oblasti se váš text nejvíce podobá. Stylometrické nástroje se zaměřují na psaní „otisků prstů“, jako jsou vzorce výběru slov, funkční slova a signály čitelnosti, což může být informativnější při analýze dlouhých textů. Oba přístupy trpí posunem domény a mohou mít potíže, když se styl psaní nebo téma liší od jejich trénovacích dat.
Řeší vodoznaky detekci pomocí umělé inteligence jednou provždy?
Vodoznaky mohou být účinné, pokud je model používá a detektor zná schéma vodoznaku. Ve skutečnosti ne všichni poskytovatelé používají vodoznak a běžné transformace – parafráze, překlad, částečné citace nebo míchání zdrojů – mohou vzorec oslabit nebo narušit. Detekce vodoznaků je účinná v úzkých případech, kdy se celý řetězec shoduje, ale nejedná se o univerzální pokrytí.
Jak mám interpretovat skóre „X% AI“?
Jedno procento považujte za hrubý ukazatel „podobnosti s umělou inteligencí“, nikoli za důkaz autorství umělé inteligence. Střední skóre jsou obzvláště nejednoznačná a i vysoká skóre mohou být ve standardizovaném nebo formálním psaní chybná. Lepší nástroje poskytují vysvětlení, jako jsou zvýrazněné rozsahy, poznámky k funkcím a jazyk nejistoty. Pokud detektor sám sebe nevysvětluje, nepovažujte toto číslo za směrodatné.
Co dělá detektor s umělou inteligencí dobrým pro školy nebo redakční pracovní postupy?
Solidní detektor je kalibrovaný, minimalizuje falešně pozitivní výsledky a jasně komunikuje limity. Měl by se vyhýbat přehnaně sebevědomým tvrzením o krátkých vzorcích, zvládat různé oblasti (akademická vs. blogová vs. technická) a zůstat stabilní, když lidé revidují text. Nejodpovědnější nástroje se chovají s pokorou: nabízejí důkazy a nejistotu spíše než aby se chovaly jako čtenáři myšlenek.
Jak mohu omezit nechtěné hlášení od umělé inteligence, aniž bych systém „manipuloval“?
Zaměřte se spíše na autentické signály autorství než na triky. Přidejte konkrétní specifika (kroky, které jste podnikli, omezení, kompromisy), přirozeně měňte rytmus vět a vyhýbejte se příliš šablonovitým přechodům, které byste normálně nepoužívali. Uchovávejte si koncepty, poznámky a historii revizí – zpracované důkazy jsou ve sporech často důležitější než skóre detektoru. Cílem je jasnost s osobností, nikoli dokonalá próza brožury.
Reference
-
Asociace pro počítačovou lingvistiku (ACL Anthology) - Průzkum detekce textu generovaného LLM - aclanthology.org
-
OpenAI - Nový klasifikátor umělé inteligence pro indikaci textu psaného umělou inteligencí - openai.com
-
Průvodci Turnitin – Detekce zápisu pomocí umělé inteligence v klasickém zobrazení sestavy – guides.turnitin.com
-
Průvodci Turnitinem - Model detekce psaní pomocí umělé inteligence - guides.turnitin.com
-
Turnitin - Pochopení falešně pozitivních výsledků v rámci našich schopností detekce zápisu pomocí umělé inteligence - turnitin.com
-
arXiv - Detekce GPT - arxiv.org
-
Bostonská univerzita - Příspěvky o zmatku - cs.bu.edu
-
GPTZero - Zmatek a prasknutí: co to je? - gptzero.me
-
PubMed Central (NCBI) - Stylometrie a forenzní věda: Přehled literatury - ncbi.nlm.nih.gov
-
Asociace pro počítačovou lingvistiku (ACL Anthology) - Funkční slova v autorství - aclanthology.org
-
arXiv - Vodoznak pro velké jazykové modely - arxiv.org
-
Google AI pro vývojáře – SynthID textu – ai.google.dev
-
arXiv - O spolehlivosti vodoznaků pro velké jazykové modely - arxiv.org
-
OpenAI - Pochopení zdroje toho, co vidíme a slyšíme online - openai.com
-
Stanford HAI - Detektory umělé inteligence jsou zaujaté vůči autorům, pro které angličtina není rodilým mluvčím - hai.stanford.edu
-
arXiv - Liang a kol. - arxiv.org