AI डिटेक्टर गैर-स्थानीय लेखकों को गलत क्यों चिह्नित करते हैं (फॉल्स पॉज़िटिव)
AI डिटेक्टरों के फॉल्स पॉज़िटिव गैर-स्थानीय अंग्रेज़ी लेखकों को सबसे अधिक प्रभावित करते हैं। स्टैनफोर्ड अध्ययन देखें, यह क्यों होता है, और अगर गलती से चिह्नित हो जाएँ तो क्या करना चाहिए।
आपने अपने पेपर का हर शब्द खुद लिखा। आपने अपने स्रोतों का हवाला दिया, इसे दो बार संशोधित किया, और स्पष्ट विवेक के साथ जमा किया। रिपोर्ट वापस आई तो उस पर “संभावित AI” का टैग लगा हुआ था, और अब आप अपने ही लेखन के बारे में नकारात्मक तथ्य (यानी कि वह AI नहीं है) साबित करने की कोशिश कर रहे हैं। अगर अंग्रेज़ी आपकी दूसरी भाषा है, तो यह दुर्भाग्यपूर्ण घटना असामान्य नहीं है। यह एक प्रलेखित पैटर्न है।
और यहाँ असहज सच्चाई है: AI डिटेक्टर का फॉल्स पॉज़िटिव किसी गैर-स्थानीय अंग्रेज़ी लेखक पर एक स्थानीय लेखक की तुलना में कहीं अधिक संभावना से लगता है। इसका कारण यह नहीं कि गैर-स्थानीय लेखन “खराब” है। कारण यह है कि ये उपकरण भाषा के सांख्यिकीय “टेक्सचर” (texture) को मापते हैं, और स्पष्ट, सावधानीपूर्ण दूसरी-भाषा में लिखा गया लेखन, जिस पर वे मशीन पाठ को पकड़ने के लिए प्रशिक्षित हैं, उनके प्रशिक्षण-लक्षणों से अक्सर मेल खा जाता है।
यह केवल नाराज़ छात्रों की हाशिये वाली शिकायत नहीं है। यह सह-समीक्षित शोध का निष्कर्ष है; यही वजह है कि कई प्रमुख विश्वविद्यालयों ने इन टूल्स से दूरी बनाई; और इसी कारण अदालतें व प्रशासक अब डिटेक्टर आउटपुट को वास्तविक सावधानी के साथ देखने लगे हैं। प्रमाण वास्तव में यही कहते हैं, और अगर किसी डिटेक्टर ने आपको गलत चिह्नित कर दिया है तो क्या करना चाहिए।
डिटेक्टर बायस के बारे में स्टैनफोर्ड अध्ययन ने क्या पाया
सबसे मजबूत साक्ष्य लिआंग और उनके सहयोगियों के 2023 के एक अध्ययन से मिलता है, जो स्टैनफोर्ड में हुआ। इसे Cell Press जर्नल Patterns में प्रकाशित किया गया और शीर्षक था, सीधे शब्दों में, "GPT detectors are biased against non-native English writers."
शोधकर्ताओं ने निबंधों को सात व्यापक रूप से उपयोग किए जाने वाले डिटेक्टरों से गुज़ारा। TOEFL कॉर्पस से लिए गए गैर-स्थानीय अंग्रेज़ी वक्ताओं के निबंधों में औसतन लगभग 61% को डिटेक्टरों ने AI-जनरेटेड के रूप में चिह्नित किया। स्थानीय अंग्रेज़ी लेखकों के निबंधों में फॉल्स पॉज़िटिव दर करीब 5% थी। गैर-स्थानीय निबंधों में लगभग पाँच में से एक, लगभग 19.8%, को परीक्षण में हर डिटेक्टर ने सर्वसम्मति से AI के रूप में चिह्नित किया। हर मामले में ये मानव-लिखित निबंध थे।
तंत्र (mechanism) की व्याख्या यहाँ खास तौर पर दिलचस्प है, क्योंकि यह बताती है कि यह बायस “गलती से” नहीं, बल्कि अंतर्निहित (baked in) क्यों है। कई डिटेक्टर “पर्प्लेक्सिटी” नामक संकेत पर निर्भर करते हैं, यह माप है कि भाषा मॉडल के लिए किसी पाठ के शब्द-चयन कितने “अप्रत्याशित” (surprising) हैं। सामान्य शब्दों और अनुमानित phrasing से पर्प्लेक्सिटी कम हो जाती है, और कम पर्प्लेक्सिटी डिटेक्टर को मशीन जैसी लगती है। दूसरी-भाषा के लेखक अक्सर अधिक सीमित और अधिक पारंपरिक शब्दावली इस्तेमाल करते हैं, उनके विचार सरल होने की वजह से नहीं, बल्कि इसलिए क्योंकि वे एक ऐसी भाषा में सावधानी से लिख रहे होते हैं जो उनकी पहली भाषा नहीं है। डिटेक्टर उस चिकनी सतह को देखता है और उसे कृत्रिम (artificial) कह देता है।
यही निष्पक्षता (fairness) की मूल समस्या है। दूसरी भाषा में सावधानी से लिखी गई गद्य की वे आदतें, जो इसे स्पष्ट और सही बनाती हैं, उसी को ये टूल्स दंडित करने के लिए बनाए गए हैं।
गैर-स्थानीय लेखन AI डिटेक्टर के फॉल्स पॉज़िटिव को क्यों ट्रिगर करता है
यह समझना उपयोगी है कि ऐसा क्यों होता है, क्योंकि इसकी समझ कुछ हद तक खराब चिह्न (bad flag) की चुभन कम कर देती है।
तेज़ी से लिखते समय एक स्थानीय वक्ता मुहावरे, असामान्य शब्द-चयन, अजीब लय (rhythms), और कभी-कभी व्याकरणीय शॉर्टकट बिखेर देता है। यह अनिश्चितता उच्च पर्प्लेक्सिटी के रूप में दर्ज होती है और मानव जैसी लगती है। गैर-स्थानीय लेखक, या सच कहें तो कोई भी अनुशासित अकादमिक लेखक, प्रायः सटीक, मानक रचनाएँ (constructions) और नियंत्रित शब्दावली (controlled vocabulary) को प्राथमिकता देता है। बड़े भाषा मॉडल भी सटीक, मानक रचनाओं और नियंत्रित शब्दावली को प्राथमिकता देते हैं। डिटेक्टर उस विशेष अक्ष (axis) पर अंतर नहीं कर पाता जिसे वह मापता है, क्योंकि सावधान मानव और सावधान मशीन उस बिंदु पर एक जैसे दिखते हैं।
इन सबका यह अर्थ नहीं कि लेखन की गुणवत्ता कम है। अकादमिक गद्य में स्पष्टता एक गुण (virtue) है, कोई दोष नहीं। इसका सिर्फ यह मतलब है कि डिटेक्टर गलत चीज़ को माप रहा है और उसी आधार पर आत्मविश्वास भरा निष्कर्ष निकाल रहा है।
यही आत्मविश्वास (confidence) खतरा है। जो टूल एक “कसकर बाँधा” हुआ प्रतिशत (crisp percentage) दिखाता है, वह अधिकारपूर्ण (authoritative) लगता है, भले ही वह संख्या एक ऐसे संकेत पर टिकी हो जो एक पूरे वास्तविक लेखकों के समूह को व्यवस्थित रूप से नुकसान पहुँचाता है।
वे विश्वविद्यालय जिन्होंने AI डिटेक्टरों से कदम पीछे खींचे
संस्थाओं ने यह समस्या पहले ही देख ली थी, और कई ने उस पर कार्रवाई की।
अगस्त 2023 में वेंडरबिल्ट यूनिवर्सिटी ने Turnitin के AI डिटेक्टर को निष्क्रिय (disabled) कर दिया और ऐसा करने के लिए असामान्य रूप से विस्तृत स्पष्टीकरण जारी किया। उसने नोट किया कि लगभग 1% फॉल्स पॉज़िटिव दर का दावा यदि पूरे पेपर के संदर्भ में देखा जाए तो यह महत्वपूर्ण नहीं होता, क्योंकि सालाना लगभग 75,000 सबमिशन होते हैं; लेकिन यह दिखाया गया था कि यह गैर-स्थानीय अंग्रेज़ी लेखकों के खिलाफ बायस्ड परिणाम देता है। साथ ही, इसकी प्रक्रियाओं (processes) की अस्पष्टता (opaqueness) को देखते हुए, लगभग 750 पेपर गलती से चिह्नित (erroneously flagged) हो सकते थे। इसी तरह के कदम मिशिगन स्टेट, यूनिवर्सिटी ऑफ टेक्सास एट ऑस्टिन, नॉर्थवेस्टर्न, और यूनिवर्सिटी ऑफ पिट्सबर्ग ने भी उठाए। सदर्न मेथोडिस्ट यूनिवर्सिटी ने दिसंबर 2023 में पीछे हटना शुरू किया, और यूनिवर्सिटी ऑफ वाटरलू ने सितंबर 2025 में आगे का कदम उठाया, जब उसे ऐसा मानव-लिखित पाठ मिला जो पूरी तरह AI स्कोर हुआ।
Turnitin की मार्गदर्शिका भी सावधानीपूर्ण है। उसका AI इंडिकेटर 1 से 19% के बीच की संख्याओं को घटा देता है, और संख्या के बजाय एक asterisk का उपयोग करता है, क्योंकि स्केल के निचले हिस्से में फॉल्स पॉज़िटिव अधिक व्यापक हैं। वह यह भी स्पष्ट रूप से चेतावनी देता है कि अकादमिक ईमानदारी (academic integrity) से जुड़े निर्णयों के लिए यह स्कोर अकेले इस्तेमाल नहीं किया जाना चाहिए। यह विक्रेता का संकेत है कि संस्थाओं को अपने आउटपुट को “सबूत” की तरह नहीं मानना चाहिए, और यह एक मजबूत संकेत (hint) देता है कि एक ही संख्या को कितना वज़न दिया जाना चाहिए।
अगर आपका स्कूल अब भी इन टूल्स का उपयोग करता है, तो यह घबराने का कारण नहीं है। यह अपने अधिकारों को जानने और अपने पास सबूत बनाए रखने का कारण है, जिसकी ओर हम नीचे लौटेंगे।
वास्तविक मामलों को स्पष्ट ढंग से समझना
कुछ विवादों ने सुर्खियाँ बटोरीं, और उन्हें ठीक-ठीक समझना सार्थक है, क्योंकि विवरण मायने रखते हैं और हेडलाइंस अक्सर उन्हें धुंधला कर देती हैं।
एडेल्फी यूनिवर्सिटी के ओरियन न्यूबी के मामले में, एक छात्र के निबंध को पूरी तरह AI-जनरेटेड बताया गया। एक संघीय (federal) न्यायाधीश ने मामले की समीक्षा की और पाया कि यह निष्कर्ष “बिना आधार (without merit)” है, और उसे फरवरी 2026 में बताए अनुसार छात्र के रिकॉर्ड से हटाने का आदेश दिया। हम न्यूबी बनाम एडेल्फी के आदेश ने क्या स्थापित किया और क्या नहीं, उसका विवरण देते हैं। UC Davis में, विलियम क्वार्टरमैन को GPTZero ने चिह्नित किया, और उन्होंने अपने Google Docs संस्करण-इतिहास (version history) के जरिए खुद को निर्दोष साबित किया, जिसमें दिखा कि निबंध समय के साथ कैसे लिखा जा रहा था। यह एक प्रशासनिक समाधान (administrative resolution) था, न कि मुकदमा।
एक बात स्पष्ट रूप से कहना ज़रूरी है, क्योंकि बहुत-से ऑनलाइन सारांश उसे गलत बताते हैं। इन में से किसी भी परिणाम का मतलब Turnitin कंपनी के खिलाफ कोई कानूनी निर्णय (legal judgment) नहीं था, और इन मामलों में किसी भी छात्र ने “Turnitin पर मुकदमा किया और जीत गई (sued Turnitin and won) ।” विवाद स्कूलों के साथ थे कि किसी चिह्न (flag) का उपयोग कैसे हुआ, सबक प्रक्रिया और साक्ष्य (process and evidence) पर है, न कि इस बात पर कि कोर्ट में डिटेक्टर विक्रेता हार गया। यदि ठीक से कहा जाए तो निष्कर्ष सशक्त करने वाला है: एक डिटेक्टर स्कोर एक दावा (claim) है, अंतिम फैसला (verdict) नहीं; और वैध रूप से लिखने वाले लेखक इसे सफलतापूर्वक चुनौती दे चुके हैं।
आत्मविश्वास के साथ लिखें, फ्लैग करें या न करें
हमारा अकादमिक प्रूफ़रीडर और ह्यूमनाइज़र गैर-देशी शोधकर्ताओं को स्पष्ट, स्वाभाविक अंग्रेज़ी में लिखने में मदद करता है, अर्थ और संदर्भ सुरक्षित रखते हुए, और AI उपयोग को जिम्मेदारी से घोषित करते हुए।
ProofreaderPro.ai को निःशुल्क आज़माएँअगर आपको गलत ढंग से चिह्नित किया गया है तो क्या करें
यदि कोई डिटेक्टर उस काम को चिह्नित कर दे जिसे आपने खुद लिखा है, तो स्थिति संभाली जा सकती है, और जिन लेखकों ने इसे अच्छी तरह सुलझाया है वे आम तौर पर वही कुछ काम करते हैं।
अपने ड्राफ्ट और संस्करण-इतिहास (version history) संभालकर रखें। Google Docs और Word दोनों समय के साथ किए गए संपादनों को ट्रैक करते हैं, और वह टाइमलाइन सबसे प्रभावी साक्ष्य है जो आप दे सकते हैं, ठीक वैसे ही, जैसे UC Davis के मामले में था। विनम्रता से पूछें कि कौन-सा स्कोर इस चिह्न का कारण बना और समीक्षक इसे कैसे व्याख्यायित कर रहा है, क्योंकि कोई छिपा हुआ या सीमांत (borderline) नंबर किसी भी निर्णय के लिए कमजोर आधार होता है। यदि आपको लेखन में निष्पक्षता (fairness) का तर्क देना है, तो ऊपर बताए गए शोध और संस्थागत सावधानी का संदर्भ दें। हमारे फॉल्स AI-डिटेक्शन चिह्न के खिलाफ अपील कैसे करें पर चरण-दर-चरण मार्गदर्शन पूरे प्रोसेस को समझाता है।
आगे चलकर लक्ष्य यह नहीं है कि टूल को धोखा दिया जाए। लक्ष्य यह है कि आप आत्मविश्वास के साथ स्वाभाविक (natural) अंग्रेज़ी में लिखें ताकि आपका सावधानीपूर्ण लेखन गलत पढ़े जाने की संभावना कम हो, और AI सहायता को अपनी संस्था की आवश्यकताओं के अनुसार घोषित (disclose) करें। हमारा AI text humanizer ठीक इसी उद्देश्य के लिए बनाया गया है; और यदि आप अंग्रेज़ी को दूसरी भाषा की तरह लिखते हैं, तो ESL शोधकर्ताओं के लिए AI humanizer पर हमारा समर्पित गाइड वर्कफ़्लो को अधिक गहराई से कवर करता है। लक्ष्य उस कार्य के लिए निष्पक्षता है जो आप पहले ही कर चुके हैं, उसे छुपाना नहीं।
पहले और बाद में: उस “फ्लैट” टेक्सचर को ठीक करना जो डिटेक्टर को उलझा देता है
सिद्धांत (theory) तब अधिक भरोसेमंद लगता है जब आप उसे किसी वास्तविक पैराग्राफ में देख सकें। नीचे एक परिणाम-अंश (results passage) है जिसे एक ESL शोधकर्ता ने AI असिस्टेंट के साथ अंग्रेज़ी को चिकना (smooth) बनाने के लिए ड्राफ्ट किया। यह साफ-सुथरा लगता है, फिर भी एक डिटेक्टर ने इसे चिह्नित कर दिया।
पहले (संभावित AI के रूप में चिह्नित):
"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."
तीन वाक्य लगभग समान लंबाई के हैं; हर उपवाक्य (clause) एक ही गति से आगे बढ़ रहा है। शब्दावली सुरक्षित और अनुमानित है। यही समानता (evenness) डिटेक्टर के लिए कम पर्प्लेक्सिटी और कम burstiness की तरह पढ़ी जाती है, और वही टेक्सचर बहुत-से वास्तविक गैर-स्थानीय लेखन को भी चिह्नित कर देता है।
बाद में (लेखक की आवाज़ में संपादित):
"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."
दोनों को साथ-साथ पढ़ें तो दूसरा वाक्य वैसा लगता है जैसे किसी व्यक्ति ने वास्तव में काम किया हो।
क्या बदला, और क्यों यह महत्वपूर्ण है। हमने हर “वज़नदार” तथ्य (load-bearing fact) को वैसा ही रखा: 27% का आंकड़ा, (Chen et al., 2021) का हवाला, cohort की संख्या, और नमूने का आकार। साक्ष्य का कुछ भी स्थानांतरित नहीं हुआ। जो हमने जोड़ा वह विविधता (variation) थी। अब वाक्य-लंबाई लंबी से छोटी से फिर लंबी की ओर झूलती है, जिससे burstiness बढ़ती है। शब्द-चयन कम अनुमानित (less predictable) हैं, जिससे पर्प्लेक्सिटी बढ़ती है। हमने सावधानी (hedging) भी वापस रखी: "points to," "we would not push the claim further." AI ड्राफ्ट उस सावधानी को हटा देते हैं, और अत्यधिक “ओवर-स्मूदिंग” करने वाले टूल्स भी, यही कारणों में से एक है कि निखरा हुआ गैर-स्थानीय अंग्रेज़ी लेखन AI प्रोफ़ाइल की ओर बहकता है।
यह गुणवत्ता-संपादन (quality edit) भी है, धोखा (trick) नहीं। बाद वाला संस्करण “demonstrate” और “confirm the hypothesis” जैसे अतिदावों (overreached) वाले पहले संस्करण की तुलना में अधिक मापा-तौला (more measured) और अधिक बचाव-योग्य (more defensible) दावा करता है। यही वह बात है जिसे हम लगातार दोहराते हैं: गलत-चिह्न (false-flag) के जोखिम को घटाने वाला संपादन अक्सर वही संपादन होता है जो सह-समीक्षित (peer review) के स्तर पर भी खरा उतरेगा। एक academic humanizer यह पहला चरण कर सकता है और आपकी citations तथा संख्याओं की सुरक्षा करते हुए मदद कर सकता है, लेकिन आपको फिर भी हर पंक्ति पढ़नी चाहिए।
एक सावधानी। कोई भी एकल संपादन (single edit) एक साफ स्कोर की गारंटी नहीं देता, और डिटेक्टर बदलते रहते हैं (Turnitin ने अगस्त 2025 में humanizer detection जोड़ा)। ऐसा लेखन लक्ष्य करें जो आपकी अपनी reasoning को प्रतिबिंबित करे, समझें कि पर्प्लेक्सिटी क्या मापती है, और AI सहायता को अपनी जर्नल या यूनिवर्सिटी नीति के अनुसार घोषित करें।
अक्सर पूछे जाने वाले प्रश्न
प्र: AI डिटेक्टर गैर-स्थानीय अंग्रेज़ी लेखकों को चिह्नित क्यों करते हैं?
अधिकांश डिटेक्टर यह मापते हैं कि किसी पाठ के शब्द-चयन कितने पूर्वानुमेय (predictable) हैं, और दूसरी भाषा में सावधानी से किया गया लेखन अक्सर ऐसे सामान्य, मानक शब्दों का उपयोग करता है जो कम पर्प्लेक्सिटी की तरह पढ़ते हैं। यह सांख्यिकीय “चिकनापन” टूल को मशीन जैसा लग सकता है, जिससे फॉल्स पॉज़िटिव हो जाता है, भले ही हर शब्द मानव ने लिखा हो। बायस उस चीज़ में अंतर्निहित है जिसे डिटेक्टर मापता है, न कि लेखन की गुणवत्ता में।
प्र: डिटेक्टर बायस के बारे में स्टैनफोर्ड अध्ययन ने क्या पाया?
Patterns में प्रकाशित 2023 के स्टैनफोर्ड अध्ययन ने सात डिटेक्टरों का परीक्षण किया और पाया कि गैर-स्थानीय TOEFL निबंधों में लगभग 61% को AI के रूप में चिह्नित किया गया, जबकि स्थानीय लेखकों के लिए यह लगभग 5% था। गैर-स्थानीय निबंधों में करीब 20% निबंधों को हर डिटेक्टर ने सर्वसम्मति से चिह्नित किया। सभी निबंध मानवों द्वारा लिखे गए थे।
प्र: अगर मुझे गलत ढंग से AI के रूप में चिह्नित किया गया है तो मुझे क्या करना चाहिए?
Google Docs या Word से अपने ड्राफ्ट इतिहास (draft history) को संभालकर रखें, क्योंकि एक दिखने योग्य (visible) लेखन टाइमलाइन आपके पास सबसे मजबूत साक्ष्य है। पूछें कि कौन-सा स्कोर इस चिह्न का कारण बना, फॉल्स पॉज़िटिव पर शोध का हवाला दें, और एक स्पष्ट अपील प्रक्रिया का पालन करें। डिटेक्टर स्कोर एक ऐसा दावा (claim) है जिसे आप चुनौती दे सकते हैं, अंतिम फैसला (final verdict) नहीं।
प्र: क्या विश्वविद्यालयों ने AI डिटेक्टरों का उपयोग रोक दिया है?
कुछ ने उन्हें सीमित किया है या निष्क्रिय (disabled) कर दिया है। वेंडरबिल्ट ने 2023 में Turnitin के AI डिटेक्टर को फॉल्स पॉज़िटिव और बायस संबंधी चिंताओं के कारण बंद कर दिया, और मिशिगन स्टेट, UT Austin, नॉर्थवेस्टर्न, पिट्सबर्ग, SMU, तथा वाटरलू ने भी इसी तरह के कदम उठाए। जिन संस्थानों में अब भी डिटेक्टर उपयोग में हैं, वे प्रायः इस स्कोर को “एक संकेत” (signal) की तरह लेते हैं, न कि प्रमाण (proof) की तरह।
प्र: क्या सरल अंग्रेज़ी में लिखने से AI के रूप में चिह्नित होने का जोखिम बढ़ता है?
कुछ हद तक, हाँ। डिटेक्टर सरल, अधिक पूर्वानुमेय शब्दावली को कम पर्प्लेक्सिटी की तरह पढ़ते हैं, वही सांख्यिकीय संकेत जिसे वे AI से जोड़ते हैं, इसीलिए स्पष्ट ESL लेखन से फॉल्स पॉज़िटिव बढ़ सकते हैं। समाधान यह नहीं है कि आप अपनी शब्दावली को कृत्रिम रूप से बढ़ाएँ, बल्कि यह है कि वाक्यों में प्राकृतिक विविधता, आपकी स्वयं की हेजिंग (hedging) और आपकी आवाज़ (voice) वापस लाएँ।
प्र: क्या मैं humanizer का उपयोग करने के बजाय, अपने ही लेखन को संपादित करके फॉल्स AI चिह्न ठीक कर सकता/सकती हूँ?
अक्सर आप कर सकते हैं। अपने ड्राफ्ट को ज़ोर से पढ़ें, वाक्य-लंबाई बदलें (vary), और वे सीमाएँ (limits) वापस रखें जो आप वास्तव में कहना चाहते हैं, इससे burstiness बढ़ेगी और पाठ वैसा लगेगा जैसे आपने खुद लिखा हो। एक टूल उस पहले पास (first pass) को तेज़ कर सकता है, लेकिन लक्ष्य वास्तविक आवाज़ (genuine voice) है; और आपको फिर भी अपनी जर्नल या यूनिवर्सिटी नीति के तहत किसी भी AI सहायता का खुलासा (disclose) करना चाहिए।
स्पष्ट, स्वाभाविक अकादमिक अंग्रेज़ी में लिखें और उन गलत सकारात्मक (false positives) को कम करें जो गैर-देशी लेखकों को सबसे अधिक प्रभावित करते हैं, अर्थ और संदर्भ सुरक्षित रखते हुए।
मो प्राकृतिक भाषा प्रसंस्करण में PhD वाला एक NLP इंजीनियर है। उनके शोध में कम्प्यूटेशनल भाषाविज्ञान, पाठ विश्लेषण और मशीन लर्निंग शामिल है, और यह सीधे ProofreaderPro के पीछे संपादन और मानवीकरण मॉडल में शामिल है। वह प्रक्रिया के उस हिस्से के बारे में लिखते हैं जिसे ज्यादातर लोग कभी नहीं देखते हैं: कैसे एक भाषा मॉडल एक वाक्य को पढ़ता है, उसे स्कोर करता है, और निर्णय लेता है कि क्या बदलना है।
