ChatGPT火了以后，用法是真多。

有人拿來尋求人生建議，有人干脆當(dāng)搜索引擎用，還有人拿來寫論文。

論文…可不興寫啊。

美國部分大學(xué)已經(jīng)明令禁止學(xué)生使用ChatGPT寫作業(yè)，還開發(fā)了一堆軟件來鑒別，判斷學(xué)生上交的論文是不是GPT生成的。

這里就出了個問題。

有人論文本來就寫的爛，判斷文本的AI以為是同行寫的。

更搞的是，中國人寫的英文論文被AI判斷為AI生成的概率高達(dá)61%。

這….這這什么意思？氣抖冷！

目前，生成式語言模型發(fā)展迅速，確實(shí)給數(shù)字通信帶來了巨大進(jìn)步。

但濫用真的不少。

雖說研究人員已經(jīng)提出了不少檢測方法來區(qū)分AI和人類生成的內(nèi)容，但這些檢測方法的公平性和穩(wěn)定性仍然亟待提高。

為此，研究人員使用母語為英語和母語不為英語的作者寫的東西評估了幾個廣泛使用的GPT檢測器的性能。

研究結(jié)果顯示，這些檢測器始終將非母語者寫作的樣本錯誤地判定為AI生成的，而母語寫作樣本則基本能被準(zhǔn)確地識別。

此外，研究人員還證明了，用一些簡單的策略就可以減輕這種偏見，還能有效地繞過GPT檢測器。

這說明什么？這說明GPT檢測器就看不上語言表達(dá)水平不咋地的作者，多叫人生氣。

不禁聯(lián)想到那款判斷AI還是真人的游戲，如果對面是真人但你猜是AI，系統(tǒng)就會說，「對方可能會覺得你冒犯了。」

研究人員從一個中國的教育論壇上獲取了91篇托福作文，又從美國Hewlett基金會的數(shù)據(jù)集中摘取了88篇美國八年級學(xué)生寫的作文，用來檢測7個被大量使用的GPT檢測器。

圖表中的百分比表示「誤判」的比例。即，是由人寫的，但檢測軟件認(rèn)為是AI生成的。

可以看到數(shù)據(jù)非常懸殊。

七個檢測器中，美國八年級學(xué)生寫的作文被誤判的概率最高才12%，還有兩個零誤判的GPT。

中國論壇上的托福作文被誤判的概率基本全部過半，最高誤判概率可達(dá)76%。

91篇托福作文中的18篇被所有7個GPT檢測器一致認(rèn)為是AI生成的，而91篇中有89篇，都至少被一個GPT檢測器誤判。

從上圖中我們可以看出，被所有7個GPT誤判的托福作文在復(fù)雜度（Complexity）上明顯低于其它論文。

這就印證了開頭的那個結(jié)論——GPT檢測器會對那些語言表達(dá)能力有限的作者有一定偏見。

因此，研究人員認(rèn)為，GPT檢測器應(yīng)該多看點(diǎn)兒非母語者寫的文章，樣本多了，才能消除偏見。

接下來，研究人員把非母語者寫的托福作文扔到了ChatGPT里，豐富一下語言，模仿母語者的用詞習(xí)慣。

同時作為對照組，把美國八年級小孩兒寫的作文也扔到了ChatGPT里，把語言簡化了一下，模仿非母語者的寫作特點(diǎn)。下圖就是修正后的新判定結(jié)果。

我們可以發(fā)現(xiàn)，情況來了個大掉個兒，豐富了語言的托福作文錯判率直線下降，低至3%，最高也不過19%。不像之前基本全部過半的錯判率。

與之相反，八年級小孩兒寫的作文的錯判率直線上升，甚至還有一個GPT檢測器的錯判率高達(dá)99%，基本全錯。

因?yàn)椋恼聫?fù)雜度這個變量出現(xiàn)了變化。

這里研究人員就得出了一個結(jié)論，非母語者寫的東西不地道，復(fù)雜度低，容易被錯判。

這也就導(dǎo)向了一個技術(shù)問題，同時也是一個價值問題。以復(fù)雜度來判定AI還是人類是作者，是否合理、全面、嚴(yán)謹(jǐn)。

結(jié)果顯然不是。

以復(fù)雜度為判斷標(biāo)準(zhǔn)的情況下，非母語者吃了大虧，因?yàn)椋麄兪欠悄刚Z者（廢話）。

研究者認(rèn)為，加強(qiáng)語言多樣性不僅可以減輕對非母語者的偏見，還能讓GPT生成的內(nèi)容繞過GPT檢測器。

為了證明這個觀點(diǎn)，研究人員選取了2022-2023年間美國大學(xué)申請的入學(xué)論文題目，輸入到ChatGPT-3.5里，一共生成了31篇假論文。

GPT檢測器一開始還挺有效，但是第二輪就不行了。這是因?yàn)椋诘诙喼校芯咳藛T把這些論文又扔到ChatGPT里潤色了一下，用一些文學(xué)性的語言提升了文本質(zhì)量。

這樣一來，GPT檢測器的準(zhǔn)確度就從100%直降到了0%。如下圖：

經(jīng)過潤色的文章復(fù)雜度相應(yīng)也上升了。

與此同時，研究人員又用了斯坦福大學(xué)145個期末項(xiàng)目報告的題目，讓ChatGPT生成摘要。

摘要經(jīng)過潤色以后，檢測器判斷的準(zhǔn)確性繼續(xù)下降。

研究者再次得出結(jié)論，潤色過的文章很容易被誤判，都是AI生成的，兩輪就是比一輪強(qiáng)。

言而總之，總而言之，各種GPT檢測器好像還是沒能抓住AI生成和人類寫作之間最本質(zhì)的區(qū)別。

人的寫作也分三六九等，僅靠復(fù)雜度判斷，不甚合理。

拋開偏見因素不談，技術(shù)本身也亟待改進(jìn)。

https://arxiv.org/pdf/2304.02819.pdf