Jak działa wykrywanie tekstu napisanego przez AI

Tekst napisany przez model językowy nie ma metki. Nie zostawia w pliku ukrytego podpisu, nie ma charakterystycznej czcionki ani błędu, który zawsze by go zdradzał. Wykrywanie AI polega więc na czymś innym: na szukaniu statystycznych śladów sposobu, w jaki takie modele piszą. Poniżej przegląd głównych metod — od najprostszych do tych, których używa się dziś.

Skąd w ogóle biorą się ślady?

Model językowy pisze, przewidując kolejne słowo (dokładniej: kolejny fragment słowa, tzw. token) na podstawie wszystkiego, co napisał wcześniej. Przy każdym kroku wybiera z rozkładu prawdopodobieństwa, a ustawienia generowania zwykle faworyzują wybory bezpieczne i typowe. Do tego modele czatowe są dodatkowo uczone, żeby odpowiadać uprzejmie, porządnie i wyczerpująco.

Efekt? Tekst bywa bardzo poprawny, ale też przewidywalny: równy rytm zdań, gładkie przejścia, „bezpieczne” słownictwo, schematyczna kompozycja. Człowiek pisze bardziej nierówno — czasem krótko, czasem chaotycznie, z dygresją, konkretem z własnego życia albo literówką.

Metoda 1: stylometria, czyli statystyka stylu

Stylometria to dziedzina starsza niż komputery — używano jej m.in. do ustalania autorstwa anonimowych tekstów. Mierzy się cechy, które trudno świadomie kontrolować:

• średnią długość zdań i to, jak bardzo się różnią,
• różnorodność słownictwa (np. miara MATTR — ile różnych słów pojawia się w przesuwanym oknie tekstu),
• zwyczaje interpunkcyjne: przecinki, myślniki, dwukropki,
• częstotliwość fraz typowych dla modeli, np. „warto zauważyć”, „odgrywa kluczową rolę”, „podsumowując”.

Stylometria jest szybka i przejrzysta, ale sama w sobie słaba: urzędnik, student czy copywriter też potrafi pisać równo i szablonowo.

Metoda 2: przewidywalność według innego modelu

Skoro modele piszą przewidywalnie, można zapytać inny model: jak bardzo zaskakuje cię ten tekst? Miarą zaskoczenia jest perpleksja. Niska perpleksja oznacza, że kolejne słowa były łatwe do przewidzenia — co pasuje do tekstu maszynowego. Na tej idei opierały się pierwsze popularne detektory. Więcej piszemy o tym w artykule Perpleksja i „burstiness”.

Późniejsze metody badawcze poszły dalej. DetectGPT (Mitchell i in., 2023) sprawdza, czy tekst leży w „szczycie” prawdopodobieństwa modelu — drobne przeróbki tekstu maszynowego zwykle obniżają jego prawdopodobieństwo wyraźniej niż przeróbki tekstu ludzkiego. Fast-DetectGPT robi to samo znacznie szybciej, a metoda Binoculars porównuje ocenę dwóch spokrewnionych modeli, żeby oddzielić „tekst przewidywalny, bo prosty” od „tekstu przewidywalnego, bo maszynowego”.

Metoda 3: klasyfikatory uczone na przykładach

Można też zebrać tysiące tekstów ludzkich i maszynowych i wytrenować model, który nauczy się je rozróżniać. Takie klasyfikatory potrafią być bardzo skuteczne — ale na danych podobnych do tych, na których je uczono. Gdy pojawia się nowy model, inny gatunek tekstu albo inny język, ich skuteczność potrafi wyraźnie spaść.

Metoda 4: model, który czyta jak ekspert

Najnowsze podejście wykorzystuje duże modele językowe jako „czytelników”. Model analizuje tekst całościowo: kompozycję, ton, konkretność, typowe zakończenia i morały, a także cechy przemawiające za człowiekiem. Potrafi wskazać konkretne fragmenty i opisać, co w nich zwraca uwagę. To podejście dobrze radzi sobie z tekstami, których nie widział w treningu, ale też jest probabilistyczne i nie daje pewności.

Jak działa detektorai.pl

Łączymy kilka niezależnych sygnałów: statystykę stylu (długość i zmienność zdań, różnorodność słownictwa, frazy typowe dla AI, ślady formatowania z czatu) oraz głęboką analizę językową, która osobno ocenia styl, kompozycję i przewidywalność słownictwa, a do tego wskazuje fragmenty najbardziej przypominające tekst maszynowy. Wynik łączymy w jeden wskaźnik z poziomem pewności — a przy krótkich tekstach i niejednoznacznych sygnałach celowo zostawiamy wynik w strefie „niepewne”.

Czego żaden detektor nie potrafi

Żadna z tych metod nie odczytuje „prawdziwego autora”. Każda mierzy podobieństwo tekstu do tego, jak zwykle piszą maszyny i ludzie. Dlatego wyniki bywają błędne w obie strony: ludzki tekst może wyglądać maszynowo, a tekst z czatu po przeredagowaniu — ludzko. Szczegóły w artykule Dlaczego detektory AI się mylą.

Chcesz od razu przetestować własny tekst? Użyj detektora na stronie głównej. Pytania praktyczne (długość, PDF, szkoła) zbieramy w FAQ; krótsze case’y — na blogu.

Wynik detektora traktuj jak sygnał do przyjrzenia się tekstowi, a nie jak dowód. Nasz serwis ma charakter informacyjny i rozrywkowy.