Cum evaluăm detectarea IA
Un detector pe care îl vei apăra în fața unui student, a unui editor sau a unui reglementator trebuie să își arate munca. Iată cum testăm, ce măsurăm și unde sunt limitele.
Cum testăm
Evaluăm pe un test echilibrat de text uman și generat de IA. Setul uman provine din surse anterioare IA generative de masă și din scrieri originale verificate; setul IA este produs cu mai multe modele și stiluri de prompt, inclusiv variante parafrazate și „umanizate” concepute să eludeze detectarea.
Esencial: testul este construit pe limbă. Nu traducem datele în engleză; fiecare limbă romanică este evaluată pe text nativ, deoarece traducerea șterge semnalele pe care se bazează detectarea.
Modele în test
GPT-4o · Gemini · Claude · Copilot · Llama · Mistral
De ce contează cel mai mult fals-pozitivele
Pentru profesori, editori și echipe de conformitate, eroarea costisitoare este să acuzi pe nedrept o persoană. Rezultatele trebuie analizate împreună cu dovezile frază cu frază, ciornele, istoricul și contextul.
Limite asumate
Niciun detector nu este infailibil, iar cine susține contrariul ar trebui să te îngrijoreze. Rezultatele noastre sunt cele mai slabe la:
- Text foarte scurt. Una sau două propoziții rareori poartă semnal suficient pentru un verdict sigur.
- Hibrizi mult editați. Text uman rescris frază cu frază cu IA este o zonă gri reală.
- Genuri foarte formale. Șabloanele juridice și tehnice pot părea mecanice chiar și scrise de un om.
Recomandăm să tratezi un scor ca dovadă solidă de investigat - analizată alături de ciorne, istoric și context - nu ca dovadă în sine.
Vezi detectorul din spatele cifrelor
Spune-ne cazul tău de utilizare, volumul, limbile și cerințele de confidențialitate.