কেন AI ডিটেক্টর অ-স্থানীয় লেখকদের চিহ্নিত করে (ভুল পজিটিভ)

আপনি আপনার প্রবন্ধের প্রতিটি শব্দ নিজেই লিখেছেন। আপনি আপনার উৎসগুলো উদ্ধৃত করেছেন, দুবার সংশোধন করেছেন, এবং পরিষ্কার বিবেক নিয়ে জমা দিয়েছেন। রিপোর্টটি ফিরে এসে ‘সম্ভাব্য AI’ হিসেবে চিহ্নিত, এখন আপনি নিজের লেখালেখি সম্পর্কে নেতিবাচক কিছু (অর্থাৎ ভুল অভিযোগ) প্রমাণ করার চেষ্টা করছেন। ইংরেজি যদি আপনার দ্বিতীয় ভাষা হয়, তবে এটি খুবই অস্বাভাবিক কোনো ‘খারাপ ভাগ্য’ নয়। এটি নথিভুক্ত একটি ধারা।

এবং এখানে অস্বস্তিকর সত্যটি হলো: AI ডিটেক্টরের ভুল পজিটিভ অ-স্থানীয় ইংরেজি লেখকের ক্ষেত্রে হওয়ার সম্ভাবনা অনেক বেশি, স্থানীয় লেখকের তুলনায়। এর কারণ অ-স্থানীয়দের লেখার মান খারাপ হওয়া নয়। বরং এই টুলগুলো ভাষার পরিসংখ্যানগত ‘টেক্সচার’ মাপে, এবং পরিষ্কার, সতর্ক, দ্বিতীয় ভাষায় লেখা, কাজগুলো সেই বৈশিষ্ট্যই বহন করে, যেগুলো ধরার জন্য মেশিন টেক্সট প্রশিক্ষিত হয়েছে।

এটি কোনো ‘প্রান্তিক’ অভিযোগও নয়, হতাশ শিক্ষার্থীদের ক্ষোভ থেকে উঠে আসা কথা নয়। এটি পিয়ার-রিভিউড গবেষণার ফল, এ কারণেই কয়েকটি বড় বিশ্ববিদ্যালয় এই ধরনের টুল থেকে সরে এসেছে, এবং এ কারণেই আদালত ও প্রশাসকরা ডিটেক্টর আউটপুটকে বাস্তব সতর্কতার সঙ্গে বিবেচনা করতে শুরু করেছে। প্রমাণ আসলে এটাই বলে, আর ডিটেক্টর আপনাকে ভুলভাবে চিহ্নিত করলে কী করতে হবে সেটাও।

ডিটেক্টর বায়াস সম্পর্কে স্ট্যানফোর্ড গবেষণায় যা পাওয়া গেছে

সবচেয়ে শক্ত প্রমাণ আসে ২০২৩ সালের স্ট্যানফোর্ডের Liang এবং সহকর্মীদের একটি গবেষণা থেকে। এটি Cell Press জার্নাল Patterns-এ প্রকাশিত, এবং শিরোনামটি সোজাসাপ্টা: "GPT detectors are biased against non-native English writers."

গবেষকরা সাতটি বহুল ব্যবহৃত ডিটেক্টর দিয়ে প্রবন্ধগুলো পরীক্ষা করেন। TOEFL কর্পাস থেকে নেওয়া অ-স্থানীয় ইংরেজি বক্তাদের লেখা প্রবন্ধে ডিটেক্টরগুলো গড়ে প্রায় ৬১% ক্ষেত্রে AI-উৎপাদিত হিসেবে চিহ্নিত করেছে। আর স্থানীয় ইংরেজি লেখকদের ক্ষেত্রে ভুল পজিটিভের হার ছিল মোটামুটি ৫%। অ-স্থানীয় প্রবন্ধগুলোর প্রায় এক-পঞ্চমাংশ, প্রায় ১৯.৮%, পরীক্ষায় অংশ নেওয়া প্রতিটি ডিটেক্টরই সর্বসম্মতভাবে AI হিসেবে চিহ্নিত করে। প্রতিটি ক্ষেত্রেই এগুলো ছিল মানুষের লেখা প্রবন্ধ।

মেকানিজম বা প্রক্রিয়াটাই সবচেয়ে আকর্ষণীয় অংশ, কারণ তা ব্যাখ্যা করে কেন বায়াসটি আকস্মিক নয়, বরং এটি “ইন্টিগ্রেটেড”, অর্থাৎ ডিটেক্টরের ভেতরের কাঠামোরই অংশ। অনেক ডিটেক্টর ‘perplexity’ নামে এক ধরনের সংকেতের ওপর ভর করে, এটি ভাষা মডেলের কাছে কোনো টেক্সটের শব্দচয়েস কতটা ‘অপ্রত্যাশিত’ তা মাপে। সাধারণ শব্দে ভরা এবং প্রত্যাশিত বাক্যগঠন ব্যবহার করলে perplexity কমে। perplexity কম অর্থাৎ ডিটেক্টরের কাছে টেক্সটটি মেশিনের মতো পড়ে। দ্বিতীয় ভাষার লেখকরা প্রায়ই আরও সীমিত, আরও প্রচলিত শব্দভান্ডার ব্যবহার করেন, তাদের ভাবনা সরল বলে নয়, বরং প্রথম ভাষা নয় এমন একটি ভাষায় তারা সতর্কভাবে লিখছেন বলেই। ডিটেক্টর মসৃণ পৃষ্ঠতল দেখে সেটিকে কৃত্রিম বলে ধরে নেয়।

এটাই হলো ন্যায্যতার মূল সমস্যা। যে অভ্যাসগুলো দ্বিতীয় ভাষার লেখা সতর্কভাবে, পরিষ্কারভাবে ও সঠিকভাবে তৈরি করে, ঠিক সেই অভ্যাসগুলোকেই এই টুলগুলো ‘শাস্তি’ দিতে বানানো।

কেন অ-স্থানীয় লেখালেখি ট্রিগার করে AI ডিটেক্টরের ভুল পজিটিভ

এটি কেন ঘটে, সেই প্রশ্নটা একটু সময় নিয়ে ভাবা যায়, কারণ বোঝাপড়াটা একটি খারাপ ফ্ল্যাগের আঁচ কমিয়ে দেয়।

দ্রুত লিখতে গিয়ে একজন স্থানীয় বক্তা অনেক সময় বাগধারা ছিটিয়ে দেন, অস্বাভাবিক শব্দচয়েস ব্যবহার করেন, অদ্ভুত ছন্দ আনেন, এবং মাঝে মাঝে ব্যাকরণগত শর্টকাটও নিয়ে ফেলেন। এই অনির্দেশ্যতা উচ্চ perplexity হিসেবে ধরা পড়ে এবং মানবিক মনে হয়। একজন অ-স্থানীয় লেখক, অথবা কোনোভাবেই বলতে গেলে, যে কেউ যত্নশীল একাডেমিক লেখক, সাধারণত নির্ভুল ও মানসম্মত গঠনে এবং নিয়ন্ত্রিত শব্দভান্ডারে ঝোঁকেন। বড় ভাষা মডেলও নির্ভুল, মানসম্মত গঠন এবং নিয়ন্ত্রিত শব্দভান্ডারের পক্ষেই থাকে। ডিটেক্টর নির্দিষ্ট যে অক্ষটি মাপে, সেখানে যত্নশীল একজন মানুষ আর যত্নশীল একটি মেশিন একই রকম দেখায়, তাই তাদের পার্থক্য ধরতে পারে না।

এর কোনোটাই বোঝায় না যে লেখার মান কম। একাডেমিক গদ্যে স্বচ্ছতা একটি গুণ; ত্রুটি নয়। এর মানে কেবল, ডিটেক্টর ভুল জিনিস মাপছে এবং সেখান থেকে আত্মবিশ্বাসী সিদ্ধান্ত টানছে।

সেই আত্মবিশ্বাসটাই বিপদের জায়গা। একটি টুল যদি একটি ‘টিপসু’ শতাংশ দেখায়, সেটা অথরিটেটিভ মনে হয়, যদিও সেই সংখ্যা এমন একটি সংকেতের ওপর দাঁড়িয়ে থাকে, যা পদ্ধতিগতভাবে এক বিশাল বাস্তব লেখক-গোষ্ঠীরই বিপক্ষে কাজ করে।

যে বিশ্ববিদ্যালয়গুলো AI ডিটেক্টর থেকে পিছু হটেছে

প্রতিষ্ঠানগুলো সমস্যাটি আগে থেকেই টের পেয়েছে, এবং কয়েকটি উদ্যোগও নিয়েছে।

২০২৩ সালের আগস্টে ভ্যান্ডারবিল্ট বিশ্ববিদ্যালয় Turnitin-এর AI ডিটেক্টর নিষ্ক্রিয় করে এবং এটি করতে অস্বাভাবিকভাবে বিস্তারিত ব্যাখ্যাও দেয়। তারা উল্লেখ করে যে প্রায় ১% ভুল পজিটিভ রেটের দাবি একটি পুরো প্রবন্ধের তুলনায় উল্লেখযোগ্য নাও হতে পারে, কারণ বছরে প্রায় ৭৫,০০০টি জমা পড়ে। তবুও, অ-স্থানীয় ইংরেজি লেখকদের বিরুদ্ধে পক্ষপাতদুষ্ট ফল দেয়, এটি দেখানো হয়েছে, এবং এর প্রক্রিয়াগুলোর স্বচ্ছতা কম, সুতরাং আনুমানিক প্রায় ৭৫০টি প্রবন্ধ ভুলভাবে ফ্ল্যাগ হতে পারে। মিশিগান স্টেট, দ্য ইউনিভার্সিটি অব টেক্সাস অ্যাট অস্টিন, নর্থওয়েস্টার্ন, এবং ইউনিভার্সিটি অব পিটসবার্গও একই ধরনের পদক্ষেপ নেয়। দক্ষিণ মেথডিস্ট ইউনিভার্সিটি ডিসেম্বর ২০২৩-এ পিছু হটে, আর ইউনিভার্সিটি অব ওয়াটারলু সেপ্টেম্বর ২০২৫-এ অনুসরণ করে, মানুষের লেখা টেক্সট পুরোপুরি AI স্কোর করা হয়েছিল বলে তারা খুঁজে পায়।

Turnitin-এর গাইডলাইনও সতর্ক। এর AI সূচক ১ থেকে ১৯% পর্যন্ত নম্বর কমায়, যেখানে একটি সংখ্যার বদলে অ্যাস্টেরিক্স ( *) ব্যবহার করা হয়, কারণ স্কেলের নিচের দিকে ভুল পজিটিভ বেশি বিস্তৃত। এটি আরও স্পষ্টভাবে সতর্ক করে যে একাডেমিক সততা বিষয়ে সিদ্ধান্ত নিতে কেবল এই স্কোরটি একা ব্যবহার করা উচিত নয়। অর্থাৎ ভেন্ডর প্রতিষ্ঠানগুলোকে বলছে, নিজস্ব আউটপুটকে প্রমাণ হিসেবে ধরবেন না। একটি মাত্র সংখ্যার ‘ওজন’ কতটা হওয়া উচিত, সেই বিষয়ে এটি একটি শক্ত ইঙ্গিত।

আপনার স্কুল যদি এখনো এই টুলগুলো ব্যবহার করে, তবে সেটি আতঙ্কের কারণ নয়। কারণ হলো, আপনার অধিকারগুলো জানা এবং আপনার প্রমাণগুলো ধরে রাখা; নিচে আমরা সেটিতে ফিরে আসছি।

বাস্তব কিছু কেস, পরিষ্কারভাবে সাজিয়ে বলা

কয়েকটি বিরোধ খবরের শিরোনামে এসেছে, এবং সেগুলো ঠিকভাবে বোঝা জরুরি, কারণ বিস্তারিত বিষয়, আর হেডলাইনগুলো অনেক সময় সেগুলোর সূক্ষ্মতা ঘেঁটে ফেলে।

আদেলফাই ইউনিভার্সিটির Orion Newby-এর ক্ষেত্রে একটি ছাত্রের প্রবন্ধকে পুরোপুরি AI-উৎপাদিত হিসেবে ফ্ল্যাগ করা হয়। এক ফেডারেল বিচারক বিষয়টি পর্যালোচনা করেন এবং “without merit” বলে রায় দেন, ফলে ফেব্রুয়ারি ২০২৬ অনুযায়ী এটি ছাত্রের রেকর্ড থেকে সরাতে নির্দেশ দেওয়া হয়। আমরা the Newby v. Adelphi ruling রায়ে কী প্রতিষ্ঠিত হলো এবং কী হলো না, তা ভেঙে দেখাচ্ছি। UC Davis-এ William Quarterman-কে GPTZero দিয়ে ফ্ল্যাগ করা হয়, কিন্তু Google Docs-এর version history ব্যবহার করে তিনি নিজের নাম পরিষ্কার করেন, যেখানে দেখা যায় প্রবন্ধটি সময়ের সাথে সাথে লেখা হয়েছে। এটি একটি প্রশাসনিক সমাধান, মামলা নয়।

একটি কথা সোজাসাপ্টা বলা দরকার, কারণ অনলাইনের অনেক সারাংশ এটি ভুলভাবে বলে। এই ফলগুলোর কোনোটিই Turnitin-এর বিরুদ্ধে কোনো আইনি রায় ছিল না, এবং এই কেসগুলোর কোনো শিক্ষার্থীই “Turnitin-কে sued করে জিতেছে” এমন নয়। বিরোধ ছিল স্কুলগুলোর সাথে, কীভাবে একটি ফ্ল্যাগ ব্যবহার করা হয়েছে, সে বিষয়ে। পাঠ হলো প্রক্রিয়া ও প্রমাণ নিয়ে; কোনো ডিটেক্টর ভেন্ডর আদালতে হেরে যাচ্ছে কি না, সেটা নিয়ে নয়। সঠিকভাবে উপস্থাপন করলে বার্তাটি ক্ষমতাবর্ধক: একটি ডিটেক্টর স্কোর একটি দাবি, রায় নয়, এবং বৈধ লেখকরা সফলভাবে সেটিকে চ্যালেঞ্জ করতে পেরেছেন।

ভুলভাবে ফ্ল্যাগ হলে কী করবেন

আপনার লেখা কাজটি যদি একটি ডিটেক্টর ফ্ল্যাগ করে, পরিস্থিতি ঘুরে যাওয়ার মতো। যে লেখকরা বিষয়টি ভালোভাবে মীমাংসা করেন, তারা সাধারণত একই অল্প কয়েকটি কাজই করে থাকেন।

আপনার ড্রাফটগুলো এবং version history ধরে রাখুন। Google Docs এবং Word, দুটোই সময়ের সাথে এডিট ট্র্যাক করে, আর এই টাইমলাইনটাই আপনার দেওয়ার সবচেয়ে শক্ত প্রমাণ, ঠিক যেমন UC Davis কেসে হয়েছিল। বিনীতভাবে জিজ্ঞেস করুন কোন স্কোরটি ফ্ল্যাগ ট্রিগার করেছে এবং রিভিউয়ার সেটিকে কীভাবে ব্যাখ্যা করছে, কারণ কোনো চাপা পড়ে যাওয়া বা সীমান্তবর্তী সংখ্যা দিয়ে যে সিদ্ধান্ত নেওয়া হোক, তার ভিত্তি দুর্বল হয়। ন্যায্যতার যুক্তিটি লিখিতভাবে তুলে ধরতে চাইলে উপরের গবেষণা ও প্রাতিষ্ঠানিক সতর্কতার দিকে ইঙ্গিত করুন। appeal a false AI-detection flag বিষয়ে আমাদের ধাপে-ধাপে গাইডটি সম্পূর্ণ প্রক্রিয়াটি দেখায়।

এগিয়ে যাওয়ার লক্ষ্য টুলকে ধোঁকা দেওয়া নয়। লক্ষ্য হলো আত্মবিশ্বাসী, প্রাকৃতিক ইংরেজিতে লেখা, যাতে আপনার নিজের সতর্ক লেখা কম ভুলভাবে ব্যাখ্যা হওয়ার সম্ভাবনা তৈরি করে। এবং আপনার প্রতিষ্ঠান যে নিয়ম অনুযায়ী AI সহায়তা প্রকাশ করতে বলে, সেইভাবে AI সহায়তার কথা প্রকাশ করুন। ঠিক এই উদ্দেশ্যেই আমাদের AI text humanizer তৈরি, আর আপনি যদি ইংরেজিতে দ্বিতীয় ভাষা হিসেবে লিখেন, তবে AI humanizer for ESL researchers বিষয়ে আমাদের নির্দিষ্ট গাইডে ওয়ার্কফ্লো আরও গভীরভাবে আলোচনা করা হয়েছে। উদ্দেশ্য, আপনি আগেই যে কাজটি করেছেন তার জন্য ন্যায্যতা; ঢেকে দেওয়া নয়।

আগে ও পরে: ডিটেক্টরকে ‘ফ্ল্যাট টেক্সচার’ ট্রিগার করা ঠিক করা

বাস্তব অনুচ্ছেদে দেখাতে পারলে তত্ত্বটা বিশ্বাস করা সহজ। এখানে একটি ফলাফল অংশ রয়েছে, একজন ESL গবেষক AI সহকারী দিয়ে ইংরেজি মসৃণ করতে খসড়া করেছিলেন। এটি পরিষ্কারভাবে পড়ে, তবুও ডিটেক্টর ফ্ল্যাগ করেছে।

Before (flagged as likely AI):

"The results demonstrate that the intervention significantly reduced recovery time by 27% across all cohorts (Chen et al., 2021). This substantial improvement clearly highlights the effectiveness of the proposed approach. The findings confirm the hypothesis and underscore the importance of early intervention."

তিনটি বাক্য, দৈর্ঘ্য প্রায় একই। প্রতিটি ক্লজ একই গতিতে ছুটে চলেছে। শব্দভান্ডার নিরাপদ ও পূর্বানুমানযোগ্য। ডিটেক্টর যেটিকে low perplexity এবং low burstiness হিসেবে পড়ে, এমনটাই এই ‘সমতা’; আর ঠিক এই টেক্সচারেই অনেক বাস্তব অ-স্থানীয় লেখালেখি ফ্ল্যাগ হয়।

After (edited in the writer's voice):

"Recovery time fell by 27% across the three cohorts (Chen et al., 2021), a bigger drop than we had expected (n = 214). The effect held, though it was weaker in the oldest group. That pattern points to a real benefit from early intervention, but with a sample this size we would not push the claim further than the data allows."

এগুলো পাশাপাশি পড়ে দেখলে দ্বিতীয়টি এমন শোনায় যেন এটি সত্যিই একজন মানুষই লিখেছেন।

What changed, and why it matters. আমরা প্রতিটি ‘ভার বহনকারী’ তথ্য ঠিক রেখেছি: 27% সংখ্যাটি, (Chen et al., 2021) সাইটেশনটি, cohort-এর সংখ্যা, এবং sample size। প্রমাণ সম্পর্কে কিছুই নড়েনি। আমরা যেটা যোগ করেছি তা হলো বৈচিত্র্য। বাক্যের দৈর্ঘ্য এখন লম্বা থেকে ছোট থেকে আবার লম্বা, যা burstiness বাড়ায়। শব্দচয়েসগুলো আগের মতো এতটা পূর্বানুমানযোগ্য নয়, যা perplexity বাড়ায়। আমরা সতর্কতাও ফিরিয়ে এনেছি: "points to," "we would not push the claim further." AI ড্রাফট সেই সতর্কতাগুলো ছেঁটে ফেলে, আর অতিরিক্ত মসৃণ করার (over-smoothing) টুলগুলিও তাই করে, এ কারণেই পরিশীলিত অ-স্থানীয় ইংরেজি অনেক সময় AI প্রোফাইলের দিকে সরে যায়।

এটি প্রতারণামূলক কোনো কাজ নয়, এটি মানসম্পন্ন সম্পাদনাও। After সংস্করণটি Before সংস্করণের তুলনায় আরও পরিমিত, আরও গ্রহণযোগ্য দাবি করে; কারণ Before-এ “demonstrate” এবং “confirm the hypothesis” দিয়ে অতিরিক্ত জোর দেওয়া হয়েছিল। আমাদের এই কথাটাই এখানে মূল: আপনার false-flag ঝুঁকি কমায় এমন সম্পাদনাগুলো সাধারণত একই কাজ, যেগুলো পিয়ার রিভিউও টিকে যেত। একটি academic humanizer এই প্রথম পাসটি করতে পারে, আপনার সাইটেশন ও সংখ্যা সুরক্ষিত রেখে; কিন্তু আপনাকে তবুও প্রতিটি লাইন পড়তে হবে।

একটি সতর্কতা। একক কোনো সম্পাদনা নিশ্চিতভাবে একটি পরিষ্কার স্কোর এনে দেবে না, এবং ডিটেক্টরগুলো ক্রমাগত বদলায় (Turnitin আগস্ট ২০২৫-এ humanizer detection যুক্ত করেছে)। এমন লেখার দিকে লক্ষ্য রাখুন যা আপনার নিজস্ব যুক্তিকে প্রতিফলিত করে, বুঝুন what perplexity measures কী মাপে, এবং আপনার জার্নাল বা বিশ্ববিদ্যালয়ের নীতিমালা অনুযায়ী AI সহায়তা প্রকাশ করুন।

প্রায়শই জিজ্ঞাসিত প্রশ্ন

প্রশ্ন: কেন AI ডিটেক্টর অ-স্থানীয় ইংরেজি লেখকদের ফ্ল্যাগ করে?

বেশিরভাগ ডিটেক্টর মাপে, একটি টেক্সটে শব্দচয়েস কতটা পূর্বানুমানযোগ্য। আর সতর্ক দ্বিতীয় ভাষার লেখালেখি সাধারণত এমন সাধারণ, মানসম্মত শব্দভান্ডার ব্যবহার করে যা low perplexity হিসেবে পড়ে। এই পরিসংখ্যানগত মসৃণতা টুলের কাছে মেশিনের মতো লাগে, ফলে ডিটেক্টরটি AI detector false positive তৈরি করে; যদিও মানুষই প্রতিটি শব্দ লিখেছে। বায়াসটি ডিটেক্টর যে জিনিসটা মাপে, তার ভেতরেই তৈরি; লেখার মানের ভেতর নয়।

প্রশ্ন: ডিটেক্টর বায়াস সম্পর্কে স্ট্যানফোর্ড গবেষণায় কী পাওয়া গেছে?

Patterns জার্নালে থাকা ২০২৩ সালের স্ট্যানফোর্ড গবেষণায় সাতটি ডিটেক্টর পরীক্ষা করা হয়। দেখা যায়, অ-স্থানীয় TOEFL প্রবন্ধের প্রায় ৬১% ক্ষেত্রে AI হিসেবে তারা ফ্ল্যাগ করে। স্থানীয় লেখকদের জন্য এই হার ছিল প্রায় ৫%। অ-স্থানীয় প্রবন্ধগুলোর প্রায় ২০% ক্ষেত্রে, সব ডিটেক্টরই সর্বসম্মতভাবে ফ্ল্যাগ করেছে। সব প্রবন্ধই মানুষের লেখা।

প্রশ্ন: ভুলভাবে AI হিসেবে ফ্ল্যাগ হলে আমার কী করা উচিত?

Google Docs বা Word থেকে আপনার ড্রাফট ইতিহাস রাখুন; কারণ দৃশ্যমান লেখার টাইমলাইনটাই আপনার কাছে সবচেয়ে শক্ত প্রমাণ। জিজ্ঞেস করুন, কোন স্কোরটি ফ্ল্যাগ ট্রিগার করেছে, false positives নিয়ে গবেষণা উদ্ধৃত করুন, এবং একটি পরিষ্কার appeal প্রক্রিয়া অনুসরণ করুন। একটি ডিটেক্টর স্কোর হলো এমন একটি দাবি, যাকে আপনি চ্যালেঞ্জ করতে পারেন, চূড়ান্ত রায় নয়।

প্রশ্ন: বিশ্ববিদ্যালয়গুলো কি AI ডিটেক্টর ব্যবহার বন্ধ করেছে?

কয়েকটি প্রতিষ্ঠান সীমিত করেছে বা পুরোপুরি নিষ্ক্রিয় করেছে। ২০২৩ সালে false-positive এবং বায়াস সংক্রান্ত উদ্বেগের কারণে ভ্যান্ডারবিল্ট Turnitin-এর AI ডিটেক্টর নিষ্ক্রিয় করে; এবং মিশিগান স্টেট, UT Austin, নর্থওয়েস্টার্ন, পিটসবার্গ, SMU, ও ওয়াটারলুও একই ধরনের পদক্ষেপ নেয়। যেসব প্রতিষ্ঠান এখনো ডিটেক্টর ব্যবহার করে, তারা স্কোরটিকে এখন proof না ভেবে, একটি সংকেত হিসেবে ধরে নেয়।

প্রশ্ন: সহজ ইংরেজিতে লেখা কি AI হিসেবে ফ্ল্যাগ হওয়ার ঝুঁকি বাড়ায়?

কিছুটা ক্ষেত্রে, হ্যাঁ। ডিটেক্টরগুলো সহজ, আরও পূর্বানুমানযোগ্য শব্দভান্ডারকে low perplexity হিসেবে পড়ে, যা AI-এর সঙ্গে তারা যে পরিসংখ্যানগত সংকেতটি যুক্ত করে। এ কারণেই পরিষ্কার ESL লেখালেখিও false positive টানতে পারে। সমাধান হলো শুধু আপনার শব্দভান্ডারকে কৃত্রিমভাবে ফুলিয়ে তোলা নয়; বরং প্রাকৃতিক sentence variation ফিরিয়ে আনা, এবং আপনার নিজের hedging ও ভঙ্গি (voice) পুনঃস্থাপন করা।

প্রশ্ন: humanizer ব্যবহার না করে শুধু নিজের লেখা এডিট করে আমি কি ভুল AI ফ্ল্যাগ ঠিক করতে পারি?

প্রায়ই আপনি পারবেন। ড্রাফটটি জোরে পড়ে শোনা, বাক্যের দৈর্ঘ্যে বৈচিত্র্য আনা, এবং আপনি আসলে যে সীমা বোঝাতে চান তা আবার বসিয়ে দেওয়া, সবই burstiness বাড়াবে এবং টেক্সটটিকে এমন শোনাবে যেন সত্যিই আপনি লিখেছেন। একটি টুল এই প্রথম পাসটি দ্রুত করতে পারে, কিন্তু লক্ষ্য হলো বাস্তব ‘ভয়েস’। এবং আপনাকে তবুও আপনার জার্নাল বা বিশ্ববিদ্যালয়ের নীতিমালা অনুযায়ী যেকোনো AI সহায়তা প্রকাশ করতে হবে।

ESL লেখকদের জন্য নির্মিত একটি Humanizer

পরিষ্কার, স্বাভাবিক একাডেমিক ইংরেজিতে লিখুন এবং অ-মাতৃভাষী লেখকদের সবচেয়ে বেশি আঘাত করে এমন ভুল পজিটিভ কমান, অর্থ এবং উদ্ধৃতি সংরক্ষিত থাকে।