Dlaczego detektory AI flagują teksty autorów niebędących native speakerami (fałszywe pozytywy)

Napisaliście każdy wyraz w swoim tekście. Zacytowaliście źródła, poprawiliście go dwukrotnie i złożyliście pracę z czystym sumieniem. Raport wrócił oznaczony jako prawdopodobnie wygenerowany przez AI, a teraz próbujesz udowodnić coś, co w praktyce jest negacją: że Twoje własne autorstwo jest prawdziwe. Jeśli angielski jest Twoim drugim językiem, nie jest to rzadki pech. To udokumentowany wzorzec.

I oto niewygodna prawda: fałszywy pozytyw wykrywacza AI znacznie częściej trafia na autora niebędącego native speakerem niż na osobę piszącą od urodzenia. Nie dlatego, że pisanie non-native jest gorsze. Chodzi o to, że te narzędzia mierzą statystyczną „fakturę” języka, a klarowne, uważne pisanie w drugim języku przypadkiem dzieli cechy z tekstem maszynowym, na który były trenowane.

To nie jest marginalna skarga rozczarowanych studentów. To ustalenie badań recenzowanych peer-review, dlatego kilka dużych uczelni wycofało się z tych narzędzi, a także dlaczego sądy i administratorzy zaczęli podchodzić do wyników detektorów z realną ostrożnością. Takie jest to, co faktycznie mówi dowód, oraz co zrobić, jeśli detektor pomylił się w Twoim przypadku.

Co badanie Stanforda ujawniło na temat stronniczości detektorów

Najsilniejsze dowody pochodzą z badania z 2023 r. autorstwa Lian i współpracowników z Stanforda, opublikowanego w czasopiśmie Cell Press „Patterns” i zatytułowanego wprost: „GPT detectors are biased against non-native English writers.”

Badacze przepuścili eseje przez siedem szeroko stosowanych detektorów. W przypadku esejów napisanych przez osoby mówiące po angielsku jako drugim językiem, zaczerpniętych z korpusu TOEFL, detektory oznaczały średnio około 61% jako wygenerowane przez AI. Dla esejów autorów native rate błędów fałszywie pozytywnych wynosił mniej więcej 5%. Prawie co piąte eseje non-native, czyli około 19,8%, zostały jednomyślnie oznaczone jako AI przez wszystkie detektory w teście. W każdym z tych przypadków były to teksty napisane przez ludzi.

Mechanizm jest tu szczególnie interesujący, bo tłumaczy, dlaczego stronniczość jest „wbudowana”, a nie przypadkowa. Wiele detektorów opiera się na sygnale nazywanym perplexity, będącym miarą tego, jak zaskakujące są wybory słów danego tekstu dla modelu językowego. Tekst pełen powszechnych słów i przewidywalnych sformułowań daje niską perplexity, a niska perplexity brzmi dla detektora jak maszynowa. Autorzy piszący w drugim języku często korzystają z bardziej ograniczonego, konwencjonalnego słownictwa nie dlatego, że ich idee są proste, ale dlatego, że piszą uważnie w języku, który nie jest ich pierwszym. Detektor widzi gładką powierzchnię i nazywa ją sztuczną.

To sedno problemu równości. Te same nawyki, które sprawiają, że staranne proza non-native jest czytelna i poprawna, są jednocześnie nawykami, które te narzędzia zostały zbudowane karać.

Dlaczego pisanie non-native uruchamia fałszywe pozytywy detektorów AI

Warto zatrzymać się na tym, dlaczego tak się dzieje, bo zrozumienie ogranicza część „ukłucia” związanego z błędną flagą.

Osoba pisząca od urodzenia zazwyczaj pisze szybciej i rozprasza się idiomami, nietypowymi dobiorami słów, osobliwymi rytmami oraz czasami gramatycznymi skrótami. Taka nieprzewidywalność rejestruje się jako wysoka perplexity i wygląda na ludzką. Autor non-native, a mówiąc wprost, każdy zdyscyplinowany akademicki autor, częściej wybiera precyzyjne, standardowe konstrukcje oraz kontrolowane słownictwo. Duże modele językowe również preferują precyzyjne, standardowe konstrukcje i kontrolowane słownictwo. Detektor nie potrafi odróżnić starannego człowieka od starannej maszyny, ponieważ na konkretnej osi, którą mierzy, wyglądają podobnie.

Nie oznacza to, że tekst jest niższej jakości. Klarowność jest zaletą akademickiej prozy, a nie jej wadą. Chodzi tylko o to, że detektor mierzy niewłaściwą rzecz i wyciąga z niej pewny wniosek.

Ta pewność jest zagrożeniem. Narzędzie, które zwraca wyraźny procent, wydaje się autorytatywne, nawet wtedy, gdy liczba opiera się na sygnale systematycznie niekorzystnym dla całej populacji prawdziwych autorów.

Uczelnie, które wycofały się z detektorów AI

Instytucje zauważyły problem wcześnie i kilka podjęło działania.

W sierpniu 2023 r. Vanderbilt University wyłączyło detektor AI Turnitin i wydało wyjątkowo szczegółowe wyjaśnienie tej decyzji. Zauważyło, że chociaż twierdzenie o fałszywym pozytywie rzędu około 1% nie miałoby dużego znaczenia w odniesieniu do całej pracy, biorąc pod uwagę około 75 000 zgłoszeń rocznie, to wykazano, że narzędzie daje wyniki stronnicze względem autorów niebędących native speakerami, a jednocześnie procesy były nieprzejrzyste (opaque). W rezultacie oznaczało to, że około 750 prac mogłoby zostać błędnie oznaczonych. Michigan State, University of Texas at Austin, Northwestern oraz University of Pittsburgh podjęły podobne kroki. Southern Methodist University wycofało się z tego w grudniu 2023 r., a University of Waterloo poszło w ślad we wrześniu 2025 r. po stwierdzeniu, że teksty napisane przez ludzi oceniono jako w pełni AI.

Wskazówki Turnitin również są ostrożne. Jego wskaźnik AI obniża liczby w zakresie 1–19%, stosując gwiazdkę zamiast liczby, ponieważ fałszywe pozytywy są częściej spotykane w dolnej części skali. Jednocześnie wprost ostrzega, że wynik nie powinien być używany samodzielnie do podejmowania decyzji dotyczących integralności akademickiej. To komunikat producenta mówiący instytucjom, by nie traktowały własnego wyniku jako dowodu, i to mocna wskazówka, ile naprawdę waży pojedyncza liczba.

Jeśli Twoja szkoła nadal używa tych narzędzi, nie jest to powód do paniki. To powód, by znać swoje uprawnienia i gromadzić dowody, do czego wrócimy poniżej.

Rzeczywiste przypadki, przedstawione jasno

Kilka sporów trafiło do wiadomości publicznej, ale warto je zrozumieć precyzyjnie, bo detale mają znaczenie, a nagłówki często je rozmywają.

W sprawie Oriona Newby’ego z Adelphi University esej studenta został oznaczony jako w pełni wygenerowany przez AI. Sędzia federalny przejrzał sprawę i uznał ustalenie za „without merit”, nakazując usunięcie go z dokumentacji studenta, jak podano w lutym 2026 r. Rozbijamy na czynniki, co to orzeczenie zrobiło, a czego nie ustanowiło w orzeczeniu Newby v. Adelphi. Na UC Davis William Quarterman został oznaczony przez GPTZero i oczyścił swój wizerunek, wykorzystując historię wersji w Google Docs, która pokazywała, że esej był tworzony w czasie. To była rozwiązana droga administracyjna, a nie proces sądowy.

Jeden punkt trzeba powiedzieć wprost, bo wiele internetowych podsumowań to myli. Żadne z tych rozstrzygnięć nie było wyrokiem sądowym przeciwko firmie Turnitin, a w żadnym z tych przypadków student nie „pozwał Turnitin i wygrał”. Spory dotyczyły tego, jak uczelnie używały flagi, a lekcja dotyczy procedury i dowodów, a nie tego, że producent detektora przegrał w sądzie. Ujęta trafnie, kluczowa myśl jest wzmacniająca: wynik detektora jest twierdzeniem, nie wyrokiem, a uzasadnieni autorzy potrafią go skutecznie zakwestionować.

Co robić, jeśli niesłusznie oznaczono Cię flagą

Jeśli detektor oznaczył jako pracę wygenerowaną przez AI tekst, który napisałeś, sytuacja bywa do odwrócenia. Autorzy, którym udaje się rozwiązać sprawę dobrze, zwykle robią to samo kilka rzeczy.

Zachowaj swoje szkice i historię wersji. Google Docs i Word śledzą edycje w czasie, a ta oś czasu jest jedynym najbardziej przekonującym dowodem, jaki możesz zaoferować, dokładnie tak, jak w przypadku UC Davis. Zapytaj uprzejmie, jaki wynik uruchomił flagę i jak recenzent go interpretuje, ponieważ zignorowana lub graniczna liczba nie stanowi solidnej podstawy do jakiejkolwiek decyzji. Jeśli musisz w piśmie argumentować na rzecz równości (fairness), odwołaj się do badań i ostrożności instytucjonalnej opisanej powyżej. Nasz przewodnik krok po kroku, jak odwołać się od fałszywej flagi wykrycia AI, przeprowadza przez cały proces.

Na przyszłość celem nie jest „oszukać” narzędzie. Chodzi o to, by pisać pewnym, naturalnym angielskim, dzięki czemu Twoja własna, staranna proza jest mniej podatna na błędną interpretację, oraz by ujawniać każdą pomoc AI tak, jak wymaga tego Twoja instytucja. Nasz AI text humanizer powstał właśnie do tego, a jeśli angielski jest dla Ciebie drugim językiem, dedykowany przewodnik dla AI humanizer for ESL researchers omawia proces szerzej. Cel to sprawiedliwość wobec pracy, którą już wykonałeś, a nie maskowanie.

Przed i po: korekta „płaskiej” faktury, która potyka detektor

Teoria jest łatwiejsza do zaufania, gdy można ją zobaczyć na rzeczywistym akapicie. Oto fragment wyników, który badacz ESL przygotował przy użyciu asystenta AI, by wygładzić język. Tekst brzmi czysto, a mimo to detektor go oznaczył.

Przed (oznaczone jako prawdopodobnie 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."

Trzy zdania, niemal identyczne długością, w których każda fraza porusza się w tym samym tempie. Słownictwo jest bezpieczne i przewidywalne. Ta równość właśnie jest odczytywana przez detektor jako niska perplexity i niska burstiness, i jest to ta sama „tekstura”, która flaguje sporo autentycznych tekstów non-native.

Po (edytowane głosem autora):

"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."

Czytane jedno po drugim, drugie zdanie brzmi jak tekst osoby, która rzeczywiście wykonała pracę.

Co się zmieniło i dlaczego to ma znaczenie. Zachowaliśmy wszystkie kluczowe fakty: liczbę 27%, cytowanie (Chen et al., 2021), liczbę kohort oraz wielkość próby. Nic w dowodach się nie ruszyło. To, co dodaliśmy, to zróżnicowanie. Długości zdań teraz wahają się od długich do krótkich i znowu długich, co zwiększa burstiness. Dobór słów jest mniej przewidywalny, co podnosi perplexity. Wstawiliśmy też ostrożność z powrotem: „points to”, „we would not push the claim further.” Konspekty AI wycinają tę ostrożność, podobnie jak narzędzia nadmiernie wygładzające, i to jest jeden z powodów, dla których dopracowany angielski non-native dryfuje w kierunku profilu AI.

To również korekta jakości, a nie sztuczka. Wersja „po” formułuje bardziej wyważony, bardziej obrony argument niż „przed”, które przesadziło z „demonstrate” i „confirm the hypothesis.” Na tym polega to, co ciągle powtarzamy: edycja, która obniża ryzyko fałszywej flagi, zwykle jest tą samą edycją, która przeszłaby recenzję peer review. Academic humanizer może wykonać ten pierwszy przebieg, chroniąc cytowania i liczby, ale i tak musisz przeczytać każdą linię.

Jedna uwaga. Żadna pojedyncza edycja nie gwarantuje czystego wyniku, a detektory cały czas się zmieniają (Turnitin dodał wykrywanie humanizera w sierpniu 2025). Celuj w pisanie, które odzwierciedla Twoje własne rozumowanie, zrozum co mierzy perplexity i ujawniaj pomoc AI zgodnie z polityką Twojego czasopisma lub uczelni.

Najczęściej zadawane pytania

P: Dlaczego detektory AI flagują autorów non-native angielskiego?

Większość detektorów mierzy, jak przewidywalne są wybory słów w tekście, a staranne pisanie w drugim języku zwykle korzysta ze zwyczajnego, standardowego słownictwa, które czyta się jako niska perplexity. Ta statystyczna „gładkość” wygląda dla narzędzia jak maszynowa, co skutkuje fałszywym pozytywem detektora AI, mimo że człowiek napisał każdy wyraz. Stronniczość jest wbudowana w to, co mierzy detektor, a nie w jakość pisania.

P: Co badanie Stanforda ustaliło na temat stronniczości detektorów?

Badanie Stanforda z 2023 r. w „Patterns” testowało siedem detektorów i wykazało, że oznaczały one około 61% esejów TOEFL non-native jako AI, w porównaniu z około 5% w przypadku autorów native. Prawie 20% esejów non-native zostało jednomyślnie oznaczonych jako AI przez wszystkie detektory. Wszystkie eseje zostały napisane przez ludzi.

P: Co powinienem zrobić, jeśli niesłusznie oznaczono mnie flagą AI?

Zachowaj historię swojej pracy (draft) z Google Docs lub Word, ponieważ widoczna oś czasu pisania jest najsilniejszym dowodem, jaki masz. Zapytaj, jaki wynik uruchomił flagę, zacytuj badania dotyczące fałszywych pozytywów i przejdź przez jasny proces odwoławczy. Wynik detektora to twierdzenie, które można kwestionować, nie ostateczny werdykt.

P: Czy uczelnie przestały używać detektorów AI?

Wiele z nich je ograniczyło lub wyłączyło. Vanderbilt wyłączył detektor AI Turnitin w 2023 r. ze względu na obawy dotyczące fałszywych pozytywów i stronniczości, a Michigan State, UT Austin, Northwestern, Pittsburgh, SMU oraz Waterloo podjęły podobne działania. Wiele instytucji, które nadal korzystają z detektorów, traktuje obecnie wynik jako jeden sygnał, a nie jako dowód.

P: Czy pisanie prostszym angielskim zwiększa ryzyko, że zostanę oznaczony jako AI?

W pewnym stopniu, tak. Detektory odczytują prostsze, bardziej przewidywalne słownictwo jako niską perplexity, czyli ten sam sygnał statystyczny, z którym wiążą AI. To jeden z powodów, dla których klarowne pisanie ESL częściej generuje fałszywe pozytywy. Rozwiązanie nie polega na sztucznym „nadmuchaniu” słownictwa, tylko na przywróceniu naturalnej zmienności zdań oraz własnej ostrożności (hedging) i głosu.

P: Czy mogę naprawić fałszywą flagę AI, edytując własny tekst zamiast używać humanizera?

Często tak. Głośne przeczytanie draftu, zróżnicowanie długości zdań oraz ponowne wstawienie ograniczeń, które faktycznie masz na myśli, podniosą burstiness i sprawią, że tekst zabrzmi tak, jakby napisała go osoba. Narzędzie może przyspieszyć pierwszy przebieg, ale celem jest autentyczny głos, a Ty nadal powinieneś ujawniać każdą pomoc AI zgodnie z polityką Twojego czasopisma lub uczelni.