哪些句子会被判AI？句子级AI检测详解

当一个句子看起来比人们通常写的更可预测时，AI 检测器就会标记它，常见的“嫌疑句”是笼统的开头、路标句和总结句。句子级 AI 检测会分别给每个句子（或一小段连续的句子）打分，再把这些分数汇总成文档结果。文档级检测则一次性给整篇文本打分。由于大多数真实稿件都是混合的，工具如何汇总少数几个被标记的句子，可能决定整篇的结论。

想知道自己稿件中哪些句子被标记为 AI，就需要句子级的视角。本文解释两种方法如何运作、为什么少数几个句子就能左右整篇文档、为什么只改写这些句子比全文改写更安全，以及组合多个检测器时会有什么变化。

给文本打分的两种方式

文档级检测器读取整段文字，返回一个数字，通常表述为文本由 AI 生成的概率。它可用的证据很多，所以估计相对稳定。缺点是它无法告诉你信号来自哪里。

句子级检测器把文本拆成单元，逐一打分。许多工具随后会高亮被标记的单元，并报告它们所占的文本比例。这更接近真实的写作过程：人们会自己起草一些段落，让模型帮忙写另一些，然后再整体修改。研究也跟上了这一点。EMNLP 2023 发表的 SeqXGPT 构建了一个混合人写句子和 AI 修改句子的文档数据集，报告称早期方法在句子级别表现不佳，而其方法在句子级和文档级都有效（Wang et al., EMNLP 2023）。

We expected attendance to fall after the fee change, and in two of the three districts it did. These findings highlight the important role that economic factors play in shaping educational outcomes. The third district is the puzzle: attendance rose by four points, and the head teachers we interviewed credited a bus route that opened the same term. This suggests that transport access may moderate the effect of fees. Overall, the results underscore the need for a comprehensive approach to policy design.

五个句子中两个被标记，一个处于临界。文档分数会把这些模糊成一个数字。

注意示例中哪些句子被标记了。它们是泛泛的总结句，几乎可以放在任何论文的结尾。带有具体地点、数字和明确原因的句子则被判为人写。这种模式很常见，也很有用：它准确地告诉你修改的功夫该花在哪里。

单个句子的噪声问题

句子分数有参考价值，但单独来看并不确定。一个句子的 token 很少，任何可预测性估计都建立在单薄的证据上。许多工具通过给相互重叠的窗口打分来平滑这一点，所以一个句子的标签部分取决于它的相邻句子。

Turnitin 对这一效应一直比较坦率。在一篇关于误报率的文章中，它描述的句子级误报率约为 4%，并报告 54% 的误报句子紧挨着真正的 AI 文字（Turnitin）。换句话说，人写的句子如果靠近被标记的句子，也更容易被标记。

实际的解读是：把单个被高亮的句子当作“该看一看”的提示，而不是定论。整段中的模式比任何单独一行都更有意义。

为什么少数句子能左右整篇文档

每个工具都必须把句子分数转换为文档结论，而规则的选择比大多数用户意识到的更重要。常见的做法包括取句子平均分、计算超过阈值的句子比例，或者对这个比例再设一个阈值。在基于比例的规则下，一篇 20 句的摘要有 4 句被标记，比例就是 20%，可能越过、也可能没越过报告线。改好其中两句，比例就减半。

句子的聚集也有影响。在窗口打分中，相邻句子会相互影响，所以连续三个泛泛的句子可能把第四个人写的句子也拉过线。把这个聚集打散，相邻的句子往往自己就过关了。这就是为什么在正确位置做少量修改，可能比平均分散的大量修改更能改变文档结果。

对学术写作者来说，常见的“元凶”是可以预料的：开篇的背景句、路标句（"This section discusses"）以及结尾的总结句。我们在如何修改听起来像 AI 的句子中列出了针对这些句子的修改方法。参考文献列表和引文是另一种情况；见参考文献被 Turnitin 判为 AI 的原因。

为什么只改写被标记的句子

既然检测是逐句进行的，修改也应该逐句进行。为了修正四个句子而改写整篇文档，有三重代价。

• 改写范围越大，含义风险越大。每改写一个句子，都可能丢掉一个限定语、一个数字或一条引文关联。改写 4 句就有四次漂移的机会；改写 40 句就有四十次。参阅保留原意和引文。
• 你的声音会消失。被判为人写的句子，通常正是包含你具体观察的句子。全文改写会把它们磨平。
• 可能出现新的标记。到处套用改写工具，可能让原本没问题的句子变得整齐划一，反而在别处推高分数。

1. 给每个句子打分找出哪些单元读起来像机器写的，哪些已经像人写的。
2. 不动人写的句子原样返回，一字不改。
3. 改写被标记的句子改变结构和节奏，同时保留论断、数字、引文和术语。
4. 在上下文中重新打分在完整段落中检查新句子，因为相邻句子会影响分数。
5. 必要时重复对仍被标记的句子再处理一遍。

汇总多个检测器

不同检测器使用不同的训练数据、阈值和分析单元，所以经常对同一个句子意见不一（原因见为什么 AI 检测器结果不一致）。组合它们时会遇到一个设计问题，与从句子到文档的汇总问题如出一辙：一个句子只要有任何一个检测器标记就算被标记，还是要大多数检测器都标记才算？

Liang 等人的研究显示了这个选择有多重要。作者用七个检测器检测人写的 TOEFL 作文，发现 97.8% 至少被一个检测器标记，而被全部七个检测器标记的只有 19.8%（Liang et al., Patterns 2023）。

• 至少被一个检测器标记97.8%
• 各检测器平均61.3%
• 被全部七个检测器标记19.8%

来源：Liang et al., "GPT detectors are biased against non-native English writers", Patterns 2023

同样的作文，同样的检测器，却得出三个截然不同的数字。严格的“任一检测器”规则不容易漏掉 AI 文本，但在这里几乎把每篇人写作文都标记了。“全体一致”规则对人类写作者更友好，但会漏掉更多。两者都不是普遍正确的；重要的是知道报告用的是哪种规则，并据此来解读。对写作者来说，用多个检测器检查稿件，比相信任何单一分数更能反映真实情况，因为它能显示工具在哪里意见一致、哪些标记可能只是噪声。

Academic Humanizer 如何使用句子级打分

Academic Humanizer 的 Humanizer 正是建立在这种句子级逻辑之上。它扫描你的稿件，找出 AI 检测器标记的句子，只改写这些句子，已经被判为人写的句子则完全按你写的样子返回。如果没有句子被标记，输出等于输入，不扣点数。AI Detection Report 把每个被标记的句子与其改写配对，并用同一标准（被判为人写的句子比例）比较原稿和输出，结果对照 Turnitin、GPTZero、ZeroGPT、Copyleaks、Sapling 和 Originality.ai 进行检查。如果仍有少数句子被标记，报告会如实显示，你可以对这些段落再运行一次。