تحقیقات جدید نشان می دهد که Chatgpt ، Claude و سایر سیستم های هوش مصنوعی “اثر انگشت” متمایز را در نوشتن خود باقی می گذارند.
در اینجا نحوه استفاده از این دانش برای شناسایی محتوای هوش مصنوعی و بهبود خروجی با کمک هوش مصنوعی خود آورده شده است.
اثر انگشت هوش مصنوعی: آنچه شما باید بدانید
محققان کشف کرده اند که سیستم های مختلف نوشتن هوش مصنوعی متنی را با الگوهای منحصر به فرد و قابل شناسایی تولید می کنند.
محققان با تجزیه و تحلیل این الگوها ، به دقت 97.1 ٪ در تعیین اینکه کدام یک از محتوای خاص را نوشت ، به 97.1 ٪ رسیدند.
مطالعه (پیوند PDF) آمده است:
“ما می دانیم که یک طبقه بندی کننده مبتنی بر مدل های تنظیم دقیق متن تنظیم شده بر روی خروجی های LLM قادر به دستیابی به دقت بسیار بالایی در این کار است. این نشانگر حضور واضح و خاص در LLMS است. “
این به دو دلیل اهمیت دارد:
- برای خوانندگان: از آنجا که وب به طور فزاینده ای با محتوای تولید شده توسط AI اشباع می شود ، دانستن چگونگی مشاهده آن به شما کمک می کند تا منابع اطلاعاتی را ارزیابی کنید.
- برای نویسندگان: درک این الگوهای می تواند به شما در ویرایش بهتر پیش نویس های تولید شده AI کمک کند تا به نظر می رسد انسانی و معتبر تر است.
چگونه می توان محتوای تولید شده توسط AI را بر اساس مدل مشاهده کرد
هر سیستم اصلی هوش مصنوعی دارای عادات نوشتاری خاصی است که آن را از بین می برد.
محققان کشف کردند که این الگوهای حتی در محتوای بازنویسی باقی مانده است:
“این الگوهای حتی وقتی متون بازنویسی ، ترجمه یا خلاصه شده توسط یک LLM خارجی ادامه می یابد ، نشان می دهد که آنها نیز در محتوای معنایی رمزگذاری شده اند.”
1. Chatgpt
عبارات مشخصه
- غالباً از کلمات انتقال مانند “مطمئناً” ، “مانند” و “کلی” استفاده می کند.
- بعضی اوقات پاسخ ها با عباراتی مانند “زیر …” یا “مطمئناً!”
- به طور دوره ای از مرحله مقدماتی استفاده می کند (به عنوان مثال ، “به طور معمول” ، “مختلف” ، “عمیق”).
عادات قالب بندی
- استفاده می کند سرزنده یا وابسته به ایتالیایی یک ظاهر طراحی شده ، نقاط گلوله و عناوین برای وضوح.
- اغلب شامل لیست های گام به گام یا ذکر شده صریح برای سازماندهی اطلاعات است.
تمایلات معنایی/سبکی
- پاسخ های دقیق تر ، توضیحی و غنی تر از متن را ارائه می دهد.
- یک لحن “توضیح دهنده مفید” تا حدودی رسمی و رسمی را ترجیح می دهد ، و اغلب جزئیات دقیق پس زمینه را ارائه می دهد.
2. کلود
عبارات مشخصه
- از زبانی مانند “مطابق متن” ، “بر اساس” یا “اینجا خلاصه است” استفاده می کند.
- تمایل به انتقال کوتاه تر دارد: “در حالی که” ، “هر دو” ، “متن”.
عادات قالب بندی
- به جای علامت گذاری دقیق ، به نقاط گلوله ساده یا لیست های حداقل متکی است.
- اغلب شامل منابع مستقیم به قطعه سریع یا متن است.
تمایلات معنایی/سبکی
- توضیحات مختصر و مستقیم را ارائه می دهد ، با تمرکز بر روی نکته اصلی و نه جزئیات طولانی.
- صدای عملی و موجز را به تصویب می رساند و وضوح را در مورد توضیحات اولویت بندی می کند.
3. Grok
عبارات مشخصه
- ممکن است از کلماتی مانند “به یاد داشته باشید” ، “ممکن است” ، “بلکه” ، یا “کمک می کند” استفاده کند.
- گاهی اوقات با “کدام” یا “کجا” ، بیانیه های مستقیم شروع می شود.
عادات قالب بندی
- از عناوین یا شمارش ها استفاده می کند اما ممکن است این کار را با کمبود انجام دهد.
- در مقایسه با ChatGPT ، عناصر مارک تجاری غنی کمتر است.
تمایلات معنایی/سبکی
- اغلب در توضیحات کاملاً کامل است اما از یک سبک “کاربردی” استفاده می کند و دستورالعمل های مستقیم را با یادآوری ها مخلوط می کند.
- به اتصالات ظریف مانند “مطمئناً” یا “کلی” ، بلکه به اتصالات واقعی تر متکی نیست.
4. جمینی
عبارات مشخصه
- شناخته شده برای استفاده از “زیر” ، “مثال” ، “به عنوان مثال” ، گاهی اوقات با “خلاصه” پیوست.
- ممکن است اقدامات تعجب آور مانند “مطمئناً! در زیر. “
عادات قالب بندی
- ساختارهای شبیه به مارک کوتاه مانند نقاط گلوله و هدرهای گاه به گاه را ادغام می کند.
- گاهی اوقات دستورالعمل های کلیدی را در لیست های ذکر شده برجسته می کند.
تمایلات معنایی/سبکی
- خلاصه های مختصر را با توضیحات نسبتاً مفصل تعادل می بخشید.
- یک لحن روشن و آموزشی را ترجیح می دهد ، گاهی اوقات با زبان مستقیم مانند “اینجا چگونه است …”
5. Deepseek
عبارات مشخصه
- از کلماتی مانند “مهم” ، “پیشرفت های کلیدی” ، “در اینجا یک شکست” ، “اساساً” ، “و غیره” استفاده می کند.
- بعضی اوقات شامل عبارات انتقالی مانند “در همان زمان” یا “همچنین” است.
عادات قالب بندی
- غالباً از شمارش و امتیاز گلوله برای سازمان استفاده می کند.
- ممکن است تأکید درون خطی داشته باشد (به عنوان مثال ، “کلید پیشرفت “) اما نه همیشه.
تمایلات معنایی/سبکی
- به طور کلی پاسخ های کاملی که پیش بینی اصلی یا “شکست” را برجسته می کند.
- سبک نسبتاً توضیحی را حفظ می کند اما می تواند موجز تر از چتپ باشد.
6. llama (نسخه آموزش)
عبارات مشخصه
- “از جمله” ، “مانند” ، “توضیح” ، “موارد زیر” ، که نمونه ها یا گسترش ها را نشان می دهد.
- بعضی اوقات منابع گام به گام راهنما یا “چگونه” در متن است.
عادات قالب بندی
- سطح استفاده از علامت گذاری متفاوت است. اغلب نقاط مهم را در لیست های شماره دار یا نقاط گلوله قرار می دهد.
- می تواند شامل هدرهای ساده باشد (به عنوان مثال ، “## موضوع”) اما احتمال استفاده از قالب بندی پیچیده نسبت به ChatGPT کمتر است.
تمایلات معنایی/سبکی
- لحن دانشگاهی تا حدودی رسمی و آکادمیک را حفظ می کند اما می تواند برای دستورالعمل ها به مکالمه بیشتری تغییر یابد.
- گاهی اوقات تجزیه و تحلیل عمیق تر یا زمینه (مانند تعاریف یا پیشینه) را در پاسخ تعبیه می کند.
7. Gemma (نسخه آموزش)
عبارات مشخصه
- عباراتی مانند “اجازه دهید من” ، “بدانید که” ، یا “به یاد داشته باشید” اغلب ظاهر می شوند.
- تمایل دارد که شامل “زیر” ، “خاص” یا “مفصل” در توضیحات باشد.
عادات قالب بندی
- مشابه Llama ، اغلب از نقاط گلوله ، شمارش و عناوین جسورانه استفاده می کند.
- ممکن است انتقال (به عنوان مثال ، “## نکات کلیدی”) به محتوای بخش را شامل شود.
تمایلات معنایی/سبکی
- دستورالعمل های مستقیم را با جزئیات توضیحی مخلوط می کند.
- غالباً جزئی از رویکرد روایی تر ، با اشاره به چگونگی یا چرا یک کار انجام می شود.
8. Qwen (نسخه آموزش)
عبارات مشخصه
- شامل “مطمئناً” ، “به طور خلاصه” یا “عنوان” برای عناوین است.
- ممکن است با انتقال هایی مانند “جامع” ، “مبتنی بر” یا “استفاده از مثال” ظاهر شود.
عادات قالب بندی
- از لیست ها (گاهی اوقات تو در تو) برای وضوح استفاده می کند.
- به صورت دوره ای شامل بلوک های کد کوتاه یا قالب بندی شبیه به قطعه برای توضیحات فنی است.
تمایلات معنایی/سبکی
- دقیق ، با تأکید بر دستورالعمل های گام به گام یا نقاط برچسب گلوله.
- پاراگرافازساختار دوستانه ، به این معنی که در صورت درخواست می تواند محتوا را دوباره سازماندهی یا سازماندهی مجدد کند.
9. mistral (نسخه آموزش)
عبارات مشخصه
- کلماتی مانند “ایجاد” ، “مطلق” ، “موضوع” یا “بله” می توانند در اوایل پاسخ ظاهر شوند.
- تمایل به تکیه بر افعال مستقیم برای دستورات دارد (به عنوان مثال ، “سعی کنید” ، “ساخت” ، “آزمایش”).
عادات قالب بندی
- معمولاً نقاط گلوله ای مستقیم و بدون علامت گذاری سنگین اعمال می شود.
- گاهی اوقات شامل عناوین است اما اغلب ساختار را حداقل نگه می دارد.
تمایلات معنایی/سبکی
- دستورالعمل های مختصر ، مستقیم یا نمای کلی را ترجیح می دهد.
- در حالی که هنوز هم هدف کامل بودن است ، روی کوتاه بودن تمرکز می کند و جزئیات اصلی را به روشی سازمان یافته ارائه می دهد.
چگونه می توان محتوای تولید شده AI را انسانی تر کرد
این مطالعه نشان داد که انتخاب کلمه یک شناسه اصلی متن تولید شده توسط AI است:
وی گفت: “پس از جابجایی کلمات به طور تصادفی در پاسخ های تولید شده توسط LLM ، ما حداقل کاهش دقت طبقه بندی را مشاهده می کنیم. این نشان می دهد که بخش قابل توجهی از ویژگی های متمایز در توزیع سطح کلمه رمزگذاری شده است. “
اگر از ابزارهای نوشتن AI استفاده می کنید ، در اینجا مراحل عملی برای کاهش این الگوهای قشر وجود دارد:
- شروع خود را تغییر دهید: تحقیقات نشان داد که کلمات اول در محتوای هوش مصنوعی بسیار قابل پیش بینی هستند. برای جلوگیری از مبتدیان معمولی AI ، جملات افتتاحیه را ویرایش کنید.
- عبارات مشخصه را جایگزین کنید: تماشای عبارات خاص مدل ذکر شده در بالا.
- الگوهای قالب بندی را تنظیم کنید: هر هوش مصنوعی دارای ترجیحات قالب بندی مشخص است. اینها را اصلاح کنید تا الگوهای قابل تشخیص را بشکنید.
- محتوای بازسازی: هوش مصنوعی تمایل به پیروی از سازمان قابل پیش بینی دارد. بخش هایی را برای ایجاد یک جریان منحصر به فرد تر تنظیم کنید.
- عناصر شخصی را اضافه کنید: تجربیات ، نظرات و بینش های خاص خود را که یک هوش مصنوعی نمی تواند تولید کند ، گنجانید.
غذای برتر
در حالی که این تحقیق بر متمایز کردن مدلهای مختلف هوش مصنوعی متمرکز است ، همچنین نشان می دهد که چگونه متن تولید شده توسط AI با نوشتن انسان متفاوت است.
از آنجا که موتورهای جستجو توانایی خود را در مشاهده محتوای هوش مصنوعی بهبود می بخشند ، نوشتن هوش مصنوعی به شدت ممکن است ارزش خود را از دست بدهد.
با درک نحوه شناسایی متن AI ، می توانید محتوا ایجاد کنید که بالاتر از حد متوسط خروجی Chatbot باشد ، برای خوانندگان و موتورهای جستجو جذاب باشد.
ترکیب کارآیی هوش مصنوعی با خلاقیت و تخصص انسان بهترین رویکرد است.
تصویر برجسته: Pixel-Shot/Shutterstock