Як розпізнати текст, створений штучним інтелектом: головні сигнали та дослідження
Вам не здається дивним, що сучасні інструменти автоматичного виявлення AI-текстів часто помилково позначають звичайний контент як створений штучним інтелектом? У цьому матеріалі ми розглянемо чому так відбувається і які маркери можуть допомогти розпізнати тексти, написані великими мовними моделями (LLM).
Помилки автоматичних детекторів: низька точність і високий рівень хибнопозитивних спрацьовувань
Часто такі програми розпізнають занадто багато текстів як AI-створені, намагаючись ловити «злочинців» на кожному кроці. Навіть приклади людського письма, зроблені до епохи ChatGPT, можуть бути неправильно класифіковані.
Приміром, один автор був заблокований за публікацію свого матеріалу, який автоматично розпізнали як штучний інтелект, хоча він був написаний задовго до появи ботів. Ось фрагмент його тексту:
Кожна ідея має бути пріоритетно оцінена за двома критеріями:
легкість реалізації та ймовірність успіху.
Легко оцінити ці параметри не завжди можливо,
оскільки кожен дослідник діє по-різному.
Варто звернути увагу на:
- Наскільки складний метод?
- Чи працював він в інших сферах?
- Чи є у мене/нас досвід з цим методом?
Після аналізу у списку залишаться ті ідеї, які
мають вищу ймовірність ефективності та простоту реалізації.Однак детектор AI показав надзвичайно високий рівень ймовірності генерації штучним інтелектом, що свідчить про слабкість таких алгоритмів.
Словникові «сигнали»: які слова лякають детекторів AI
Дослідники виявили, що деякі слова значно частіше використовуються в текстах, згенерованих AI, ніж у звичайному людському письмі. Це так звані “надмірні” слова або vocabulary excess. Наприклад:
- delve (заглиблюватися)
- boast (хвалитися)
- intricate (складний, заплутаний)
- tapestry (таємничий, розмаїтий)
- realm (сфера, область)
- showcase (демонструвати)
- pivotal (вирішальний)
- underscore (підкреслювати)
Ці слова поодинці не становлять проблеми, але якщо вони з’являються часто — це може бути ознакою тексту, створеного великими мовними моделями.
«Ім’я як підказка»
Інше цікаве відкриття — LLM мають схильність повторно використовувати одні й ті самі імена у вигаданих текстах. Наприклад, у різних моделях часто з’являються такі імена:
| Модель | Часті імена |
|---|---|
| Claude | Elena Vasquez, Marcus Chen, Amara Okafor |
| GPT | Elara Voss |
| Gemini | Aris Thorne, Lena Petrova |
Якщо натрапите на тексти з повторюваними комбінаціями типу «Marcus Webb» чи «Elena Vasquez», варто задуматися, що це може бути AI-генерований контент.
Особливості риторики та побудови речень у AI текстах
Велика частина вказівок по стилю тексту, створеного штучним інтелектом, пов’язана з певними лінгвістичними моделями і виразами.
1. Контрастні фрази
Фрази типу «Це не просто Х — це Y» або «Це не Ч, а лише це» часто зустрічаються в роботах LLM. Цей стиль легкий для вподобання читачів і є продуктом навчання моделей під час оптимізації за людськими оцінками якості.
2. Застережлива мова або «хеджинг»
LLM уникають однозначної позиції, щоб не допустити помилки. Вони часто використовують помірні формулювання:
- «Це може свідчити про…»
- «Докази вказують, що…»
- «Варто зауважити, що…»
- «Є переваги, але також і можливі недоліки…»
Такий стиль робить текст більш обережним і непереконливим, що важко однозначно оцінити як «правильний» чи «неправильний».
3. Правило трьох
Технічні і бізнес-тексти часто будуються довкола трійок. LLM також люблять використовувати списки з трьох пунктів – «швидкий, надійний та безпечний», що часто виглядає штучно, якщо такі трійки проскакують у кожному реченні чи абзаці.
Пунктуаційні маркери: чому ем-даші загрібають всю увагу
Ем-даш (—) став практично улюбленим інструментом для великих мовних моделей. Вони майже перестали використовувати двокрапки чи крапки з комою на їх користь. Часом це виглядає штучно, адже ем-даші включаються занадто часто, навіть там, де це виглядає неприродно.
Навіть OpenAI додав можливість вимкнути використання ем-даша в ChatGPT через скарги на надмірне його застосування.
Чому навіть досвідчені користувачі помиляються
Дослідження показують, що людська здатність відрізнити AI-текст від людського — мало вища за випадковий вибір. У середньому, точність розпізнавання людським оком — близько 59%, а в деяких дослідженнях і того менше.
Це означає, що навіть рішучі експерти можуть помилятися як в інтуїції, так і в експертному аналізі.
Така парадоксальна ситуація пояснюється тим, що штучний інтелект стає дедалі більш схожим на людське письмо, тож розпізнати штучний стиль стає дедалі складніше.
Як з’являються ці «приховані сигнали» у мовних моделях
Характерні риси стилю великих мовних моделей не виникають просто так. Вони є наслідком особливостей навчання і донастройки моделей.
Крок 1: Супервізоване тонке налаштування (SFT)
Спочатку модель навчають передбачати наступні слова на основі реальних відповідей, які були підготовлені людьми. Ці демонстраційні дані — невелика вибірка порівняно з загальним масивом текстів, але саме вона задає базовий стиль.
Якщо написані або відредаговані людиною тексти часто містять певні слова — наприклад, «delve» замість «explore» — модель також почне схилятись до цих слів.
Крок 2: RLHF — покращення через людський фідбек
Потім LLM проходить етап оптимізації, де вибираються відповіді, які на думку людей, звучать краще. Це впливає на стилістику, змушуючи модель використовувати обережні й дипломатичні формулювання та структури речень.
Завдяки цьому процесу моделі втримуються від прямих тверджень і радше вдаються до «хеджингів» — техніки обережного підходу до інформації.
Підсумки
Виявлення текстів, створених штучним інтелектом, — це мистецтво, яке базується на виявленні статистичних закономірностей, а не на звичайному «фінгерпринті». Стилістичні маркери, словникові вибори, пунктуаційні особливості та характерні ходи — це маленькі сигнали, які разом можуть допомогти краще зорієнтуватися.
Тільки усвідомивши, які прийоми та словосполучення характерні для AI, ви зможете критично оцінювати походження тексту. Проте цілковитої впевненості вже зараз немає і, тvкож, з часом її буде все менше.
І наприкінці варто замислитися над іншим важливим питанням: чи важлива для вас сама цінність того, що ви читаєте?
Додаткові посилання на дослідження:
- Kobak D. та ін., “Delving into ChatGPT usage in academic writing through excess vocabulary”, 2024.
- Juzek T. S., Ward Z. B., “Why Does ChatGPT ‘Delve’ So Much?”, COLING 2025.
- Fraser K. C. та ін., “Detecting AI-Generated Text”, Journal of Artificial Intelligence Research, 2025.
- Cheng A. та ін., “Ability of AI detection tools and humans to accurately identify different forms of AI generated written content”, 2025.
- Brzozowski M., Chung N. C., “The Ghost Couple: Correlated LLM Name Priors”, 2026.
- Behrens J., “AI names”, 2025. seehuhn.de/blog/ai-names/
