QuillBotはTurnitinでバレる？言い換えがAI検出に通用しない理由

多くの場合、バレます。元の文章がAIの出力だった場合、Turnitinは現在、QuillBotのような言い換えを独立したカテゴリーとして報告しています。詳しくは後述します。言い換えツール全般がAI検出に通用しないのは、単純な理由からです。言い換えツールは単語を変えますが、検出ツールが反応するのは単語より上のレベルにあるパターンです。類義語置換ツールがすべての文で「significant」を「notable」に置き換えても、文の長さ、節の順序、リズム、全体的な予測しやすさはほとんど変わりません。スコアを動かせるほど変えた場合には、その過程で意味や用語を損なってしまうことがよくあります。

検出ツールのベンダーも直接対応しています。Turnitinのドキュメントでは現在、AIで生成された後にAI言い換えツールやワードスピナーで修正された可能性が高いテキストについて独立したカテゴリーが説明されており、例としてQuillBotの名前が挙がっています（Turnitinのガイド）。この記事では、検出ツールが実際に何に反応しているのか、なぜ言い換えツールがうまくいかないのか、そして意味を保つ選択的な修正がどう違うのかを説明します。

検出ツールが実際に反応しているもの

検出ツールは「AIの単語」のリストを持っているわけではありません。テキストが言語モデルにとってどれだけ予測しやすいか、その予測しやすさが文全体にどれだけ均等に分布しているか、そして学習済みの分類器であれば、例から学んだより微妙な数多くの規則性をスコア化しています。手法についてはAI検出ツールの仕組みで詳しく説明していますが、ここで最も重要なのは三つのシグナルです。

• 予測しやすさ。次の各トークンが、モデルなら選んだであろうものに見えるか。形容詞をほぼ同義の語に置き換えても、そのトークンの確率はたいてい以前とほぼ同じです。
• 構造。トピックセンテンス、補足の節、「This suggests that」のまとめ。テンプレート的な段落は、単語レベルの編集の後も骨格が残ります。
• リズム。段落全体を通して均一なままの文の長さと節のパターン。言い換えツールが文を分割したり結合したりすることはめったにありません。

つまり言い換えツールは、検出ツールが最も重視しない層に働きかけ、最も重視する層をそのまま残しているのです。

類義語の置き換えが裏目に出る理由

従来の言い換えツールは、文脈をほとんど考慮せずに、類語辞典や小さなモデルから置き換え候補を選びます。学術文章では、これが二つの問題を同時に生みます。

一つ目に、疑いを減らすどころか強めることがあります。それ以外はテンプレート的な文の中に妙な単語選びがあること自体が一つのパターンであり、学習済みの分類器はそれを学習できます。Turnitinのようなツールが言い換えのカテゴリーを報告できるのはそのためです。

二つ目に、用語を壊してしまいます。研究分野は「confidence interval」「random forest」「informed consent」「grounded theory」といった決まった用語に依存しています。類語辞典は、それらが固定された用語だとは知りません。Cabanac、Labbé、Magazinovは、出版された論文に見られるこの損傷を記録して「tortured phrases」（ねじ曲げられた表現）と名づけ、「artificial intelligence」を「counterfeit consciousness」とした例を挙げています（Cabanac et al., 2021）。彼らは、こうした表現がある定評のあるジャーナルの要旨に集中していることを発見しました。専門家の読み手にとって、こうした置き換えがどれほど目立つかがわかります。

修正前

We fitted a random forest model and report the mean absolute error on the held-out test set.

修正後

We fitted a haphazard woodland model and report the average total blunder on the kept-back test set.

文の構造は同じです。リズムも同じです。変わったのは用語だけで、その変更はすべて誤りです。査読者ならここで読むのをやめるでしょう。

より強い言い換えならスコアは動く

より強力な言い換えツールも存在し、研究によれば検出率を大きく下げることができます。Krishnaらは、内容の順序を入れ替え、強度を調整しながら言い回しを変えられる言い換えモデルDIPPERを学習させました。これで言い換えると、偽陽性率1%の条件でDetectGPTの検出率は70.3%から4.6%に下がり、電子透かしベースの検出ツールや商用の検出ツールにも打撃を与えました（Krishna et al., NeurIPS 2023）。Sadasivanらはさらに進んで、言い換えモデルを何度も続けて適用する再帰的な言い換えを試しています（Sadasivan et al., TMLR）。

• モデルの元の出力70.3%
• DIPPERで言い換えた後4.6%

出典：Krishna et al., "Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense", NeurIPS 2023

これらの研究のうち、学術文章の書き手にとって重要な点が二つあります。効果のあった言い換えモデルは、語彙だけでなく構造と順序を変えていました。これは上で述べた点を裏付けています。また、これらは一般的なテキストで評価された研究用のモデルで、言い換えは意味が近いままであればよいものでした。学術論文の制約はもっと厳しく、ヘッジ表現や単位、引用が一つ隣の節に移るだけで、論文の主張が変わりかねません。検出ツールも適応します。Krishnaらは同じ論文で検索ベースの防御を提案しており、RAIDベンチマークは、検出ツールの結果が攻撃や設定によって大きく揺れることを示しています（Dugan et al., ACL 2024）。詳しくはDIPPER論文の解説をご覧ください。

TurnitinはQuillBotの言い換えを検出できるのか

AIが生成した文章については、Turnitinは検出できるとしています。同社のAI Writing Reportのガイドは、AIが生成した後にAI言い換えツールやワードスピナーで修正された可能性の高い文章について、別のハイライトがあると説明しており、その例としてQuillBotを挙げています。2025年8月以降、TurnitinはAIバイパスツールを通した文章も探しています。どちらのチェックも英語の提出物でのみ行われます。

以前からそうだったわけではありません。Weber-Wulffらによる2023年の検証では、ChatGPTの文章をデフォルト設定のQuillBotに1回かけると、Turnitinを含む14のツールで正しく分類されたのは平均でわずか26%でした。Turnitinの言い換えカテゴリーが加わったのは、その後の2024年7月の更新です。

知っておくべき限界が2つあります。

• Turnitinがこのカテゴリーを説明しているのは、最初にAIが生成した文章についてです。人間が書いた文章を言い換えツールにかけた場合の数値は公表していません。
• ハイライトは予測です。TurnitinはAIスコアを学生への措置の唯一の根拠にすべきではないとしています。

ヒューマナイザーにも形を変えて同じ問いが当てはまります。Turnitinはヒューマナイズした文章もバレる？をご覧ください。

本当の代償：意味のずれ

文書全体を言い換えると、すべての文が対象になります。自分で書いた文、どの検出ツールも判定しなかった文、正確な主張を担う文も含めてです。ツールが書き直すテキストが多いほど、次のようなことが起こる機会も増えます。

• 「may be associated with」が「causes」になる（ヘッジのずれ）
• 引用が、裏付けている主張から離れる
• 0.047が「about 0.05」に丸められたり、単位が抜け落ちたりする
• 定義済みの用語が、よりあいまいな日常語に置き換えられる

どれもざっと読んだだけでは見落としやすく、査読では大きな代償を払うことになります。14の検出ツールを検証したWeber-Wulffらは、手作業による編集や機械による言い換えを含むコンテンツの難読化によって、ツールの性能が大きく低下することを明らかにしました（Weber-Wulff et al., 2023）。この結果は、言い換えをすべき理由としてよく引用されます。しかし逆の方向から読んでください。検出がそれほど不安定なら、あなたが確実にコントロールできるのは、論文が今も意図したとおりのことを述べているかどうかだけです。確認の側面についてはヒューマナイズ時に意味と引用を保つ方法で取り上げています。

意味を保つ選択的な書き直しは何が違うのか

より良いアプローチは、テキスト全体からではなく、検出ツールから見た原稿の姿から出発します。すべてを書き直す代わりに、どの文が実際に機械的に読まれているかを確かめ、その文だけに手を入れます。

1. スキャン各文をスコア化し、検出ツールに判定される文を見つけます。
2. 固定数値、単位、引用、ヘッジ表現、分野の用語を固定するものとして印を付けます。
3. 判定された文だけを書き直す主張とその強さを保ちながら、必要な箇所の構造とリズムを変えます。
4. 再チェック新しい版を、元の文と同じ基準でスコア化します。
5. 著者による確認各変更を元の文と並べて読んでから採用します。

これは言い換えツールと三つの点で異なります。語彙だけでなく、検出ツールが反応する層（構造とリズム）を編集します。人間の文として読まれる文には手を付けないので、あなたの声が保たれ、誤りが入り込む範囲も限られます。そして前後を測定するので、変更が役に立ったかどうかを推測ではなく確認できます。

それでも、これは修正作業であって魔法ではありません。もう一度手を入れる必要がある文もあり、すべての言葉の責任は著者にあります。授業やジャーナルにAIの支援に関するルールがあるなら、それに従ってください。課題でAIを使う前に確認すべきことのガイドが出発点として役立ちます。またAIヒューマナイザー、言い換えツール、文法チェッカーの比較では、ツールの種類を並べて比較しています。

Academic Humanizerのアプローチ

Academic Humanizerは選択的なモデルを採用しています。Humanizerは原稿をスキャンしてAI検出ツールに判定される文を見つけ、その文だけを書き直し、それ以外の文はすべて書いたとおりに、論証、数値、引用、分野の用語を保ったまま返します。何も判定されなければ出力は入力と同じで、クレジットは消費されません。AI Detection Reportでは、判定された各文と書き直しを対にして示し、Turnitin、GPTZero、Copyleaks、Originality.aiなどの検出ツールで確認したうえで、人間の文として読まれた文の割合で両方の版を比較します。最終的な文章を読んで承認するのは、引き続きあなたです。