AI ডিটেক্টর আসলে কীভাবে কাজ করে (এবং কেন তারা আপনাকে চিহ্নিত করে)

একটি AI ডিটেক্টর আসলে কী পরিমাপ করছে

একটি AI ডিটেক্টর জানে না কে একটি বাক্য লিখেছে। এটি আপনার ডকুমেন্ট আগে কখনো দেখেনি, আর এটি ChatGPT আউটপুটের কোনো গোপন ডেটাবেসের সঙ্গে মিলিয়েও দেখতে পারে না। বরং, এটি স্কোর করে যে বড় ভাষা মডেল যেসব প্যাটার্ন তৈরি করতে থাকে তার তুলনায় আপনার টেক্সট কতটা অনুমেয়।

আধুনিক ডিটেক্টর নিজেরাই লক্ষ লক্ষ মানুষ ও AI অংশে প্রশিক্ষিত মেশিন-লার্নিং মডেল। তারা তৈরির ফেলে যাওয়া পরিসংখ্যানগত ছাপ খোঁজে, তারপর একটি সম্ভাবনা বের করে। সেই পাইপলাইনের কিছুই লেখকত্ব যাচাই করে না। একটি ডিটেক্টর আপনার ব্রাউজার ইতিহাস দেখতে পারে না বা আপনাকে টাইপ করতে দেখতে পারে না; এটি কেবল বলতে পারে যে আপনার টেক্সট, যে যন্ত্রের লেখায় এটি প্রশিক্ষিত হয়েছিল তার মতো, নাকি নয়।

এটিকে একটি স্প্যাম ফিল্টারের মতো ভাবুন। এটি শিখে নিয়েছে জাঙ্ক মেইল সাধারণত কেমন দেখায়, তাই এটি সেই বৈশিষ্ট্য ভাগ করে নেওয়া বার্তাগুলো চিহ্নিত করে, কিন্তু এটি কখনোই কোনো একক ইমেইল সম্পর্কে নিশ্চিত হতে পারে না। AI শনাক্তকরণ একইভাবে কাজ করে, যার মানে প্রতিটি স্কোর একটি সংখ্যার পোশাক পরা একটি আন্দাজ। এটি আপনার একটি ফলাফল কীভাবে পড়া উচিত তাও বদলে দেয়: "৮৫% AI" মানে এই নয় যে আপনার টেক্সটের ৮৫% যন্ত্রে-লেখা। এর মানে ডিটেক্টর একটি অনুমান সম্পর্কে মোটামুটি নিশ্চিত।

পারপ্লেক্সিটি: আপনার শব্দ কতটা বিস্ময়কর

পারপ্লেক্সিটি একক সবচেয়ে গুরুত্বপূর্ণ সংকেত। এটি পরিমাপ করে আপনার বেছে নেওয়া প্রতিটি শব্দে একটি ভাষা মডেল কতটা বিস্মিত হয়। যদি প্রতিটি পরবর্তী শব্দ ঠিক তা-ই হয় যা মডেল অনুমান করত, তবে পারপ্লেক্সিটি কম, আর টেক্সট যন্ত্রে-লেখা মনে হয়। মানুষ কম অনুমেয়: আমরা একটি অদ্ভুত বিশেষণ বেছে নিই, একটি নিয়ম ভাঙি বা কিছু একটু বেঢপভাবে বলি, আর এই প্রতিটি পছন্দ পারপ্লেক্সিটি বাড়িয়ে দেয়।

একটি সুনির্দিষ্ট জোড়া এটিকে দৃশ্যমান করে। বাক্য এক: "নিয়মিত ব্যায়াম গুরুত্বপূর্ণ কারণ এটি শারীরিক ও মানসিক দুই স্বাস্থ্যই উন্নত করে।" বাক্য দুই: "আমি ব্যায়াম চালিয়ে যাই কারণ আমার হাঁটু কম অভিযোগ করে আর তার পরে আমার ইনবক্স কম ভীতিকর লাগে।" দুটোই ব্যাকরণসম্মত এবং দুটোই একই মূল বক্তব্য দেয়, কিন্তু প্রথমটি পুরোপুরি এমন শব্দ দিয়ে গড়া যেগুলোকে একটি ভাষা মডেল সবচেয়ে সম্ভাব্য পরবর্তী পছন্দ হিসেবে র‍্যাঙ্ক করত; "নিয়মিত ব্যায়াম গুরুত্বপূর্ণ কারণ" কার্যত একটি টেমপ্লেট। দ্বিতীয়টি ছোট ঝুঁকি নেয়: হাঁটু যে অভিযোগ করে, ইনবক্স যে ভয় ধরায়। শব্দে-শব্দে সম্ভাবনা স্কোর করা একটি মডেল প্রথম বাক্যটিকে বিস্ময়হীন এবং দ্বিতীয়টিকে সত্যিই অনুমান করা কঠিন পায়, তাই প্রথমটি AI হিসেবে পড়া হয় আর দ্বিতীয়টি মানুষ হিসেবে।

এ কারণেই পালিশ করা, সাধারণ লেখা চিহ্নিত হয় এমনকি যখন একজন মানুষ প্রতিটি শব্দ লিখেছেন। পারপ্লেক্সিটি প্রচেষ্টা বা সততা পরিমাপ করে না, কেবল অনুমেয়তা, আর কিছু একেবারে মানুষের লেখাও খুব অনুমেয়।

বার্স্টিনেস: প্রকৃত লেখার ছন্দ

বার্স্টিনেস বাক্যের কাঠামো ও দৈর্ঘ্যের তারতম্য পরিমাপ করে। মানুষ ঝাপটায় ঝাপটায় লেখে: একটি লম্বা, পেঁচানো বাক্যের পর একটি ছোট বাক্য। তিন শব্দ। তারপর বিস্তারিত ভরা একটি জটিল উপবাক্য যা সম্ভবত যতটা হওয়া উচিত তার চেয়ে লম্বা চলে।

AI আউটপুট বেশি মসৃণ। ডিফল্টে ছেড়ে দিলে একটি মডেল এমন বাক্য তৈরি করে যা প্রায় একই দৈর্ঘ্যের চারপাশে ঘোরে, একই রকম গঠন দিয়ে শুরু হয় এবং অনুচ্ছেদের পর অনুচ্ছেদ একই সমান ছন্দে শেষ হয়। দুটিকে পাশাপাশি রাখুন আর আপনি প্রায়ই একটি শব্দ পড়ার আগেই পার্থক্য ধরতে পারবেন: মানুষের টেক্সট পৃষ্ঠায় এবড়োখেবড়ো দেখায়, যন্ত্রের টেক্সট ইটের গাঁথুনির মতো দেখায়।

ডিটেক্টর সেই এবড়োখেবড়ো ভাব পরিমাপ করে। কম বার্স্টিনেস আর কম পারপ্লেক্সিটি হলো ধ্রুপদী AI স্বাক্ষর, আর যখন দুটোই উপস্থিত থাকে তখন ডিটেক্টর নিশ্চিত হয়ে যায় যে টেক্সটটি তৈরি করা হয়েছে, এমনকি বিষয় ও ব্যাকরণ নিখুঁত হলেও। তবে যেকোনো একটি সংকেত একা দুর্বল। একজন কবি প্রচণ্ড বার্স্টিনেস দিয়ে লেখেন আর একজন চুক্তি আইনজীবী প্রায় কোনোটাই ছাড়া, আর দুজনই মানুষ, এ কারণেই গুরুতর টুলগুলো সবসময় দুটোকে একত্র করে।

পর্দার আড়ালে টোকেন সম্ভাবনা

ভাষা মডেল একবারে একটি টোকেন লেখে, আর প্রতিটি টোকেনের সঙ্গে একটি সম্ভাবনা স্কোর আসে। ডিটেক্টর এই সম্ভাবনাগুলো আনুমানিক হিসাব করে এবং যাচাই করে আপনার টেক্সট মডেলের সম্ভাব্য পছন্দের "স্বাচ্ছন্দ্য অঞ্চলে" বসে কিনা। যখন একটি অংশ প্রায় পুরোপুরি একটি সমান ছন্দে সাজানো উচ্চ-সম্ভাবনার টোকেন দিয়ে গড়া, তখন এটি ChatGPT, Gemini এবং Claude যেভাবে ডিফল্টে তৈরি করে তার সঙ্গে মেলে, আর ডিটেক্টর সেই প্যাটার্নকে আপনার দেখা শতাংশে রূপান্তরিত করে।

এটি এটাও ব্যাখ্যা করে কেন ছোট অংশ পরীক্ষা করা অনির্ভরযোগ্য। কেবল একটি বা দুটি বাক্য দিয়ে একজন সতর্ক মানুষকে একটি মডেল থেকে আলাদা করার মতো যথেষ্ট সংকেত থাকে না, তাই স্কোর প্রচণ্ড দোলে। বেশিরভাগ বিক্রেতা চুপচাপ একমত: বেশ কয়েকটি কয়েকশ শব্দের নিচে কিছু স্কোর করতে অস্বীকার করে, কারণ ওই দৈর্ঘ্যের নিচে অঙ্কটা একটি পরিমাপের চেয়ে একটি লটারির কাছাকাছি।

পরিসংখ্যানগত ডিটেক্টর বনাম ক্লাসিফায়ার-ভিত্তিক ডিটেক্টর

শনাক্তকরণ টুল দুটি পরিবারে পড়ে, আর আপনি কোনটির মুখোমুখি হচ্ছেন তা জানলে অনেক অদ্ভুত ফলাফল ব্যাখ্যা হয়। পরিসংখ্যানগত ডিটেক্টর সরাসরি সম্ভাবনা হিসাব করতে একটি রেফারেন্স ভাষা মডেল ব্যবহার করে: তারা আপনার টেক্সট মডেলের ভেতর দিয়ে চালায়, পারপ্লেক্সিটি, বার্স্টিনেস এবং সম্পর্কিত পরিমাণ পরিমাপ করে, তারপর একটি সীমা প্রয়োগ করে। GLTR এবং DetectGPT-এর মতো গবেষণা পদ্ধতি এভাবে কাজ করে, আর অনেক ফ্রি চেকারের পেছনের স্কোরিংও তাই। এদের শক্তি হলো এদের কোনো লেবেলযুক্ত প্রশিক্ষণ ডেটা লাগে না; দুর্বলতা হলো রায়টি অনেকখানি নির্ভর করে কোন রেফারেন্স মডেল স্কোর করছে তার ওপর।

ক্লাসিফায়ার-ভিত্তিক ডিটেক্টর বরং প্রশিক্ষিত। বিক্রেতা পরিচিত মানুষ ও পরিচিত AI টেক্সটের বড় সংগ্রহ জড়ো করে, তারপর দুটিকে আলাদা করতে একটি মডেল, প্রায়ই একটি RoBERTa-ধরনের ট্রান্সফরমার, ফাইন-টিউন করে। Turnitin, Originality.ai এবং Copyleaks এভাবে তৈরি। ক্লাসিফায়ার কাঁচা পারপ্লেক্সিটির বাইরে সূক্ষ্ম সূত্র ধরে, তাই তাদের প্রশিক্ষণ ডেটার মতো টেক্সটে এরা বেশি নির্ভুল হতে থাকে, কিন্তু নতুন মডেল, অন্য ভাষা বা কখনো না দেখা ক্ষেত্রের লেখায় এরা দুর্বল হয়ে পড়ে, আর বিক্রেতার বাইরে কেউ পরীক্ষা করতে পারে না তারা আসলে কী শিখেছে।

বেশিরভাগ বাণিজ্যিক পণ্য এখন দুই পদ্ধতির হাইব্রিড, যা তাদের স্কোর ব্যাখ্যা করা কঠিন এবং টুলের মধ্যে তুলনা করা আরও কঠিন হওয়ার একটি কারণ।

ChatGPT, Gemini এবং Claude-এর আউটপুট কেন চিহ্নিত হয়

অগ্রভাগের মডেলগুলো স্পষ্ট, নিরাপদ ও সাবলীল হতে প্রশিক্ষিত, আর সেই প্রশিক্ষণের চূড়ান্ত ধাপ এমন উত্তরকে পুরস্কৃত করে যেগুলো বেশিরভাগ পর্যালোচক ভালো-লেখা বলে মূল্যায়ন করেন। এটি আউটপুটকে ভারসাম্যপূর্ণ বাক্য, "তদুপরি" ও "উপসংহারে"-র মতো পরিপাটি সংযোগ এবং পরিসংখ্যানগত মাঝামাঝিতে থাকা শব্দভান্ডারের দিকে ঠেলে দেয়।

সেই একই গুণগুলো ঠিক তা-ই যা ডিটেক্টর খোঁজে। লেখা যত বেশি পালিশ করা ও "গড়পড়তা", এর পারপ্লেক্সিটি ও বার্স্টিনেস তত কম, আর AI স্কোর তত বেশি। পরিহাসের বিষয়, বানান ভুল ও খুঁটিনাটিতে ভরা কাঁচা মানুষের খসড়া প্রায়ই একটি পরিচ্ছন্ন AI প্রথম খসড়ার চেয়ে সহজে পার হয়ে যায়, কারণ ওই খুঁতগুলোই মানুষের সংকেত বহন করে।

GPTZero, Turnitin, ZeroGPT এবং অন্যরা আসলে কী যাচাই করে

প্রধান টুলগুলো একই মূল যুক্তি ভাগ করে কিন্তু তা ভিন্নভাবে টিউন করে। GPTZero পারপ্লেক্সিটি ও বার্স্টিনেস স্কোরিং জনপ্রিয় করেছে এবং দুটোই বাক্য পর্যায়ে রিপোর্ট করে। Turnitin AI স্কুলের জন্য এর চৌর্যবৃত্তি সুইটে শনাক্তকরণ যুক্ত করে, ডকুমেন্টকে ওভারল্যাপিং অংশে ভেঙে এবং তার ক্লাসিফায়ার যেগুলোকে মডেল-লেখা মনে করে সেগুলো চিহ্নিত করে।

ZeroGPT একটি দ্রুত, ফ্রি প্রতি-বাক্য রিডআউট দেয়, আর Originality.ai একটি কঠোর, আত্মবিশ্বাস-ভারিত স্কোর দিয়ে প্রকাশক ও SEO টিমকে লক্ষ্য করে। Copyleaks বহু-ভাষা কভারেজ ও এন্টারপ্রাইজ রিপোর্টিংয়ে জোর দেয়। এদের সবাই সম্ভাব্যতা-ভিত্তিক, এ কারণেই কেউ সততার সঙ্গে নিখুঁত হওয়ার দাবি করতে পারে না, আর এ কারণেই প্রতিটি বিক্রেতার নির্ভুলতা বিপণন চুপচাপ এমন পরীক্ষার কথা বলে যা বিক্রেতা নিজেই নকশা করেছে।

ডিটেক্টররা একে অপরের সঙ্গে কেন দ্বিমত করে

একই প্রবন্ধ তিনটি ডিটেক্টরে পেস্ট করুন আর আপনি একটি থেকে ২% AI, আরেকটি থেকে ৪৫% এবং তৃতীয়টি থেকে ৮৮% পেতে পারেন। সেই ব্যবধান তাদের একটির ত্রুটি নয়; একই প্রমাণ থেকে ভিন্ন সিস্টেম যখন ভিন্ন অনুমান করে তখন এটাই ঘটে।

প্রতিটি টুল তার নিজস্ব সংগ্রহে প্রশিক্ষিত, তার নিজস্ব রেফারেন্স মডেল দিয়ে স্কোর করে, টেক্সট ভিন্নভাবে খণ্ড করে (পুরো ডকুমেন্ট বনাম বাক্যে-বাক্যে) এবং কীকে "সম্ভাব্য AI" গণ্য করবে তার নিজস্ব সীমা ঠিক করে। মিথ্যা অভিযোগ এড়াতে ক্যালিব্রেট করা একটি টুল রক্ষণশীলভাবে চলবে এবং কম চিহ্নিত করবে; প্রতারক ধরার নামে বিক্রি হওয়া একটি টুল আক্রমণাত্মকভাবে চলবে এবং একই টেক্সট বেশি চিহ্নিত করবে। তারা ভিন্ন সূচিতেও আপডেট হয়, তাই একটি নতুন মডেল চালুর আগে টিউন করা একটি ডিটেক্টর সেই মডেলের শৈলী মাসের পর মাস ভুল বিচার করবে।

ব্যবহারিক শিক্ষা হলো কোনো একক স্কোর চূড়ান্ত নয়, আর টুলগুলোর মধ্যে দ্বিমত এতে কতটা আন্দাজ জড়িত তার সরাসরি প্রমাণ। যদি আপনার স্কুল Turnitin দিয়ে যাচাই করে, তবে কেবল Turnitin-এর রায়ই গুরুত্বপূর্ণ, আর অন্য কোথাও একটি পরিষ্কার স্কোর তা থেকে আপনাকে না রক্ষা করে, না ভবিষ্যদ্বাণী করে।

ফলস পজিটিভ: প্রকাশিত সংখ্যাগুলো

যেহেতু ডিটেক্টর অনুমেয়তা বিচার করে, তারা নিয়মিত ভুল করে, আর সেই ভুলগুলো কাল্পনিক নয়। OpenAI-এর নিজস্ব ক্লাসিফায়ার, যা ২০২৩ সালের জানুয়ারিতে চালু হয়, AI-লেখা টেক্সটের মাত্র ২৬% শনাক্ত করেছিল আর মানুষের টেক্সটের ৯% AI বলে ভুল লেবেল দিয়েছিল, এবং কোম্পানি কম নির্ভুলতার কারণে ছয় মাসের মধ্যে এটি বন্ধ করে দেয়। Turnitin ১%-এর নিচে একটি ডকুমেন্ট-পর্যায়ের ফলস পজিটিভ হার দাবি করে, কিন্তু স্বীকার করেছে যে পৃথক চিহ্নিত বাক্য অনেক কম নির্ভরযোগ্য, এ কারণেই এটি অল্প পরিমাণ সন্দেহভাজন AI টেক্সটসহ ডকুমেন্টে স্কোর আটকে রাখে।

সবচেয়ে উদ্বেগজনক আবিষ্কারটি জড়িত অ-স্থানীয় ইংরেজিভাষীদের সঙ্গে। Stanford গবেষকরা TOEFL পরীক্ষার জন্য প্রকৃত শিক্ষার্থীদের লেখা প্রবন্ধে সাতটি জনপ্রিয় ডিটেক্টর পরীক্ষা করেছেন এবং দেখেছেন যে গড়ে এই মানুষের-লেখা প্রবন্ধগুলোর ৬১% AI-তৈরি বলে চিহ্নিত হয়েছে, আর প্রায় সবগুলোই অন্তত একটি ডিটেক্টর দ্বারা চিহ্নিত হয়েছে। মার্কিন স্থানীয়ভাষী শিক্ষার্থীদের প্রবন্ধ একই টুলগুলোর মধ্য দিয়ে প্রায় অক্ষত অবস্থায় পার হয়ে গেছে।

প্রক্রিয়াটি ঠিক তা-ই যা এই নিবন্ধ বর্ণনা করে: দ্বিতীয় ভাষায় কাজ করা লেখকরা নিরাপদ শব্দভান্ডার ও বেশি নিয়মিত বাক্য কাঠামো ব্যবহার করতে থাকেন, যা পারপ্লেক্সিটি কমায়, যা যন্ত্রের টেক্সট হিসেবে পড়া হয়। পক্ষপাত পদ্ধতির ভেতরেই গাঁথা। এ কারণেই দায়িত্বশীল স্কুল একটি ডিটেক্টর স্কোরকে প্রমাণ নয়, বরং একটি কথোপকথনের সূচনা হিসেবে দেখে। একটি সংখ্যা প্রমাণ নয়।

ওয়াটারমার্কিং: যে সমাধান এখনও আসেনি

গবেষকরা দীর্ঘদিন যুক্তি দিয়েছেন যে আসল সমাধান হলো ওয়াটারমার্কিং: AI মডেল নিজেই তৈরির সময় একটি অদৃশ্য পরিসংখ্যানগত স্বাক্ষর বসিয়ে দেবে। সবচেয়ে পরিচিত পরিকল্পনায়, মডেল লেখার সময় গোপনে টোকেনের একটি ঘূর্ণায়মান "সবুজ তালিকা"-র পক্ষপাত করে। একজন পাঠক প্যাটার্নটি লক্ষ করতে পারবেন না, কিন্তু চাবি থাকা একটি ডিটেক্টর পারপ্লেক্সিটি অনুমানের চেয়ে অনেক ভালো নির্ভুলতায় এটি যাচাই করতে পারে।

এটি বেশিরভাগ ক্ষেত্রে আসেনি। OpenAI একটি টেক্সট ওয়াটারমার্কার তৈরি করেছে যা অভ্যন্তরীণভাবে লম্বা অংশে প্রায় ৯৯.৯% কার্যকর বলে জানানো হয়েছে, আর তা আটকে রেখেছে, এই উদ্বেগ জানিয়ে যে প্যারাফ্রেজিং বা অনুবাদ চিহ্নটি মুছে দেয়, যে এটি এমন অ-স্থানীয়ভাষীদের কলঙ্কিত করতে পারে যারা পালিশের জন্য বৈধভাবে AI ব্যবহার করেন, আর, কম সম্মানজনকভাবে, যে ব্যবহারকারীরা কেবল এমন টুলে চলে যাবেন যারা ওয়াটারমার্ক দেয় না। Google-এর SynthID-Text ব্যতিক্রম, যা Gemini-এর ভেতরে চলে এবং ওপেন সোর্স হিসেবে প্রকাশিত, কিন্তু এটি কেবল Gemini-এর নিজস্ব আউটপুট চিহ্নিত করে।

এটাই মূল সমস্যা: একটি ওয়াটারমার্ক কেবল সেই মডেলগুলো কভার করে যাদের নির্মাতারা সহযোগিতা করেন, আর যে কেউ স্থানীয়ভাবে চালাতে পারে এমন ওপেন-ওয়েট মডেল কখনো একটি বহন করবে না। তাই আপনার স্কুল বা নিয়োগকর্তা আজ যে ডিটেক্টর ব্যবহার করে সেটি এখনও পরিসংখ্যান করছে, ওয়াটারমার্ক পড়ছে না, তার সঙ্গে যত অনিশ্চয়তা জড়িত তা নিয়ে।

ডিটেক্টর মিশ্র মানুষ ও AI টেক্সট কীভাবে সামলায়

বাস্তব ডকুমেন্ট কদাচিৎ পুরোপুরি একরকম হয়। একজন শিক্ষার্থী হাতে একটি ভূমিকা লেখে, ChatGPT-কে দুটি মূল অনুচ্ছেদ বাড়াতে বলে, তারপর পুরোটা সম্পাদনা করে। ডিটেক্টর এটি সামলায় ডকুমেন্ট জুড়ে একটি জানালা সরিয়ে, প্রতিটি বাক্য বা অংশ আলাদাভাবে স্কোর করে এবং যেসব প্রসারিত অংশ তৈরি করা মনে হয় সেগুলো চিহ্নিত করে।

মিশ্রণ প্রতিটি সংকেত দুর্বল করে। একটি AI অনুচ্ছেদের ভেতরে মানুষের সম্পাদনা এর পারপ্লেক্সিটি বাড়ায়; একটি মানুষের অংশের ভেতরে AI বাক্য এর ছন্দকে অভিন্নতার দিকে টেনে নেয়। ফলাফল একটি মাঝারি স্কোর যার মানে হতে পারে "অর্ধেক AI" অথবা "সবটা মানুষ, অদ্ভুতভাবে লেখা," আর প্রতি-বাক্য হাইলাইট সামগ্রিক সংখ্যার চেয়ে লক্ষণীয়ভাবে কম নির্ভরযোগ্য। Turnitin, উদাহরণস্বরূপ, বলেছে এর বাক্য-পর্যায়ের ফ্ল্যাগ এর ডকুমেন্ট স্কোরের চেয়ে বেশি ত্রুটি হার বহন করে, আর কিছুকাল এটি কম শতাংশ একেবারেই দেখাতে অস্বীকার করেছিল কারণ সেগুলো এত নড়বড়ে ছিল।

সংক্ষেপে: ডকুমেন্ট যত বেশি মিশ্র, রায় তত অস্পষ্ট, আর একটি রিপোর্টে চিহ্নিত বাক্য শিরোনাম শতাংশের চেয়েও বেশি সংশয়ের দাবি রাখে।

হিউম্যানাইজিং কীভাবে স্কোর কমায়

যদি ডিটেক্টর উচ্চ পারপ্লেক্সিটি ও বার্স্টিনেসকে পুরস্কৃত করে, তবে সমাধান হলো মানুষের মতো বেশি করে লেখা: বাক্যের দৈর্ঘ্য পরিবর্তন করুন, কম অনুমেয় শব্দচয়ন করুন, স্বাভাবিক সংযোগ যোগ করুন এবং অভিন্ন ছন্দ ভাঙুন। একটি পূর্ণ ডকুমেন্ট জুড়ে হাতে এটি করা ধীর, এ কারণেই একটি AI হিউম্যানাইজার আছে যা টেক্সট নতুন করে লিখে সেই মানুষের তারতম্য স্বয়ংক্রিয়ভাবে ফিরিয়ে আনে।

Humanize AI-এর মতো একটি টুল মডেলের আউটপুট এমনভাবে নতুন করে সাজায় যাতে এটি স্বাভাবিক বার্স্টিনেস ও কম অনুমেয় শব্দবিন্যাস ফিরে পায়, আপনার অর্থ অক্ষত রেখে এটিকে AI শনাক্তকরণ এড়াতে সাহায্য করে। গুরুত্বপূর্ণভাবে, এটি প্রকৃত ডিটেক্টর থেকে একটি আগে-ও-পরের স্কোর দেখায়, তাই আপনি আশা করার বদলে পরিবর্তনটি পরিমাপ করছেন। লক্ষ্য প্রতারণা নয়, বরং এমন লেখা যা অবশেষে আপনার মতো শোনায়।

বাস্তবে এর মানে আপনার জন্য কী

প্রযুক্তিটি কীভাবে কাজ করে তা থেকে কয়েকটি অভ্যাস সরাসরি আসে। জমা দেওয়ার আগে পরীক্ষা করুন, কারণ যাচাই করা যখন বিনামূল্যে তখন একটি স্কোর নিয়ে আন্দাজ করা অর্থহীন; আপনি আপনার খসড়া ফ্রি AI হিউম্যানাইজার-এর ভেতর দিয়ে চালিয়ে অন্য যে কারো আগে ডিটেক্টর সংখ্যা দেখতে পারেন। একটি ছোট অংশের রায়ে কখনো ভরসা করবেন না, আর বাক্য-পর্যায়ের হাইলাইটকে সেরা ক্ষেত্রেও দুর্বল প্রমাণ হিসেবে দেখুন।

আপনি যদি সততার সঙ্গে লেখেন, আপনার প্রমাণ রাখুন: খসড়া সংস্করণ, নোট এবং সম্পাদনার ইতিহাস যেকোনো পাল্টা-স্কোরের চেয়ে লেখকত্বের অনেক ভালো প্রমাণ, বিশেষত যদি আপনি একজন অ-স্থানীয়ভাষী হয়ে ডিটেক্টর যে আনুষ্ঠানিক ভঙ্গি অবিশ্বাস করে তাতে লেখেন। আর আপনি যদি একটি নির্দিষ্ট চেকারের মুখোমুখি হন, তবে এর নির্দিষ্ট আচরণ শিখুন; বিশেষত Turnitin-এর জানার মতো খুঁটিনাটি আছে, এ কারণেই আমরা এই গাইডের সঙ্গী হিসেবে Turnitin গাইড লিখেছি।

সবচেয়ে বড় কথা, একটি ডিটেক্টর কী তা মনে রাখুন। এটি অনুমেয়তা স্কোর করা একটি প্যাটার্ন-মিলনকারী, একটি বিক্রেতা তৈরি করেছে, একটি সীমায় টিউন করা, আর উভয় দিকেই একটি পরিমাপযোগ্য হারে ভুল। কখনো কখনো উপকারী। প্রমাণ, কখনো নয়।

প্রায়শই জিজ্ঞাসিত প্রশ্ন