AI ڈیٹیکٹر غیر مقامی لکھنے والوں کو کیوں جھنڈا بناتے ہیں (غلط مثبت نتائج)

آپ نے اپنے مقالے کا ہر لفظ خود لکھا۔ آپ نے اپنے ماخذات کو حوالہ کے طور پر درج کیا، اسے دو بار نظرِ ثانی کے مراحل سے گزارا، اور اسے واضح ضمیر کے ساتھ جمع کرایا۔ رپورٹ واپس آئی تو اسے غالباً AI قرار دیا گیا، اور اب آپ اپنے ہی لکھے ہوئے متن کے حق میں ایک منفی بات کو غلط ثابت کرنے کی کوشش کر رہے ہیں۔ اگر انگریزی آپ کی دوسری زبان ہے تو یہ کوئی نایاب بدقسمتی نہیں؛ یہ ایک دستاویزی نمونہ ہے۔

اور ایک ناگوار حقیقت بھی: AI ڈیٹیکٹر کا غلط مثبت (false positive) کسی غیر مقامی انگریزی لکھنے والے پر اس کے مقابلے میں کہیں زیادہ امکان رکھتا ہے کہ وہ کسی مقامی (native) لکھنے والے پر ہو۔ یہ اس لیے نہیں کہ غیر مقامی تحریر بدتر ہوتی ہے۔ وجہ یہ ہے کہ یہ اوزار زبان کے اندازِ شماریاتی “ٹیکسچر” کو ناپتے ہیں، اور دوسری زبان میں واضح، محتاط لکھائی وہ خصوصیات رکھتی ہے جو اسی مشین ٹیکسٹ سے ملتی جلتی ہوتی ہیں جسے یہ ٹول پکڑنے کے لیے تربیت دیے گئے تھے۔

یہ کوئی ہتک آمیز شکایت نہیں جو صرف ناراض طلبہ کر رہے ہوں۔ یہ peer-reviewed تحقیق کا نتیجہ ہے؛ اسی لیے کئی بڑی جامعات نے ان ٹولز سے پیچھے ہٹنے کا فیصلہ کیا، اور اسی لیے عدالتیں اور انتظامی ادارے اب ڈیٹیکٹر کے آؤٹ پٹ کو حقیقی احتیاط کے ساتھ دیکھنے لگے ہیں۔ شواہد اصل میں یہی کہتے ہیں، اور یہ بھی کہ اگر کسی ڈیٹیکٹر نے آپ کو غلط جھنڈا لگایا ہو تو کیا کرنا چاہیے۔

اسٹینفورڈ اسٹڈی میں ڈیٹیکٹر تعصب کے بارے میں کیا ملا

سب سے مضبوط شواہد 2023 کی ایک اسٹڈی سے آتے ہیں جو اسٹینفورڈ میں Liang اور ان کے ساتھیوں نے کی۔ یہ Cell Press کے جرنل Patterns میں شائع ہوئی اور عنوان سیدھا سادہ تھا: "GPT detectors are biased against non-native English writers."

محققین نے مضامین کو سات وسیع پیمانے پر استعمال ہونے والے ڈیٹیکٹرز سے گزارا۔ TOEFL کارپس سے لیے گئے غیر مقامی انگریزی بولنے والوں کے مضامین میں اوسطاً تقریباً 61% کو AI-generated کے طور پر جھنڈا لگایا گیا۔ جبکہ مقامی انگریزی لکھنے والوں کے مضامین میں غلط مثبت کی شرح تقریباً 5% تھی۔ غیر مقامی مضامین میں سے تقریباً پانچ میں سے ایک، یعنی 19.8%، کو ٹیسٹ میں شامل ہر ڈیٹیکٹر نے یک زبان ہو کر AI کے طور پر جھنڈا دیا۔ ہر صورت میں یہ انسانی مضامین ہی تھے۔

اس تعصب کی وجہ کار (mechanism) دلچسپ حصہ ہے، کیونکہ یہ واضح کرتا ہے کہ یہ تعصب اتفاقی نہیں بلکہ “built-in” ہے۔ بہت سے ڈیٹیکٹر ایک ایسے سگنل پر انحصار کرتے ہیں جسے perplexity کہتے ہیں، یہ ناپتا ہے کہ کسی زبان ماڈل کے لیے کسی متن کے لفظوں کے انتخاب کتنے “حیران کن” (surprising) ہیں۔ عام الفاظ اور پیش گوئی کے قابل جملہ بندی والا متن low perplexity پیدا کرتا ہے، اور کم perplexity ڈیٹیکٹر کو مشین جیسا پڑھائی دیتا ہے۔ دوسری زبان لکھنے والے اکثر زیادہ محدود اور روایتی (conventional) ذخیرۂ الفاظ استعمال کرتے ہیں، ضروری نہیں کہ ان کے خیالات سادہ ہوں؛ وہ محض ایک ایسی زبان میں احتیاط سے لکھ رہے ہوتے ہیں جو ان کی پہلی زبان نہیں۔ ڈیٹیکٹر کو یہ ہموار سطح نظر آتی ہے تو وہ اسے مصنوعی (artificial) قرار دے دیتا ہے۔

یہی انصاف کے مسئلے کی اصل ہے۔ وہی عادتیں جو دوسری زبان میں محتاط نثر کو واضح اور درست بناتی ہیں، انہی عادات کو یہ ٹولز سزا دینے کے لیے بنائے گئے تھے۔

غیر مقامی تحریر کیوں AI ڈیٹیکٹر کے غلط مثبت نتائج کو متحرک کرتی ہے

یہ سمجھنا ضروری ہے کہ ایسا کیوں ہوتا ہے، کیونکہ جب اس کی سمجھ آ جائے تو ایک غلط جھنڈے کی تلخی کچھ کم ہو جاتی ہے۔

ایک مقامی بولنے والا جلدی میں لکھے تو وہ محاورے، غیر معمولی الفاظ کے انتخاب، عجیب سا تال (rhythm)، اور کبھی کبھار گرائمر کا “shortcut” بکھیر دیتا ہے۔ یہ غیر متوقع پن high perplexity پیدا کرتا ہے اور انسانی محسوس ہوتا ہے۔ ایک غیر مقامی لکھنے والا، یا درحقیقت کوئی بھی نظم و ضبط والا علمی مصنف، عموماً درست، معیاری ساختیں (precise, standard constructions) اور کنٹرولڈ vocabulary کو ترجیح دیتا ہے۔ بڑے لینگوئج ماڈلز بھی انہی کو ترجیح دیتے ہیں۔ ڈیٹیکٹر خاص اس محور پر فرق نہیں کر سکتا جسے وہ ماپتا ہے، کیونکہ اسی مخصوص زاویے میں ایک محتاط انسان اور ایک محتاط مشین ایک جیسے دکھائی دیتے ہیں۔

ان سب باتوں کا یہ مطلب نہیں کہ تحریر کم معیار ہے۔ علمی نثر میں وضاحت ایک خوبی ہے، کوئی نقص نہیں۔ صرف اتنا مطلب ہے کہ ڈیٹیکٹر غلط چیز ناپ رہا ہے اور اسی سے ایک پُریقین نتیجہ نکال رہا ہے۔

یہ پُریقین ہونا ہی خطرہ ہے۔ ایک ٹول جو “صاف” فیصد (crisp percentage) دکھائے، وہ بااختیار لگتا ہے، even جب یہ نمبر کسی ایسے سگنل پر قائم ہو جو حقیقی لکھنے والوں کی پوری آبادی کو باضابطہ طور پر نقصان پہنچاتا ہو۔

وہ جامعات جنہوں نے AI ڈیٹیکٹرز سے پیچھے قدم رکھا

اداروں نے یہ مسئلہ ابتدائی مرحلے میں دیکھ لیا تھا، اور کئی نے اس پر کارروائی کی۔

اگست 2023 میں Vanderbilt University نے Turnitin کے AI detector کو غیر فعال کر دیا، اور اس فیصلے کے لیے غیر معمولی طور پر تفصیلی وضاحت جاری کی۔ اس میں نوٹ کیا گیا کہ جہاں تقریباً 1% کے false positive rate کے دعوے کا پورے مقالے کے مقابلے میں کوئی خاص اثر نہ ہوتا (کیونکہ سالانہ تقریباً 75,000 submissions ہوتی ہیں)، وہیں یہ بات سامنے آئی کہ غیر مقامی انگریزی لکھنے والوں کے خلاف biased نتائج پیدا کرنا دکھایا جا چکا ہے؛ مزید یہ کہ اس کے طریقۂ کار (processes) میں شفافیت کی کمی بھی ہے۔ نتیجتاً اندازاً 750 مقالے غلطی سے جھنڈا لگنے کے امکان میں آ سکتے تھے۔ Michigan State، University of Texas at Austin، Northwestern، اور University of Pittsburgh نے بھی اسی طرز کی کارروائی کی۔ Southern Methodist University نے دسمبر 2023 میں پیچھے ہٹایا، اور University of Waterloo نے ستمبر 2025 میں پیروی کی، جب انہوں نے ایسا پایا کہ انسانی لکھا ہوا متن مکمل طور پر AI اسکور ہو رہا ہے۔

Turnitin کی رہنمائی بھی احتیاط پر مبنی ہے۔ اس کا AI indicator 1 سے 19% تک نمبروں کو کم کر کے دکھاتا ہے، مگر نمبر کے بجائے asterisk استعمال کرتا ہے، کیونکہ کم اسکیل پر false positives زیادہ پائے جاتے ہیں۔ یہ مزید واضح طور پر خبردار کرتا ہے کہ اکیلے اسی اسکور کو academic integrity کے فیصلوں کے لیے استعمال نہیں کرنا چاہیے۔ گویا یہ وینڈر اداروں کو کہہ رہا ہے کہ وہ اس کے اپنے آؤٹ پٹ کو “ثبوت” نہ مانیں، اور یہ اس بات کا مضبوط اشارہ ہے کہ کسی ایک نمبر کو کتنا وزن دینا چاہیے۔

اگر آپ کا اسکول اب بھی یہ ٹولز استعمال کرتا ہے تو یہ گھبراہٹ کی وجہ نہیں۔ یہ وجہ ہے کہ آپ اپنے حقوق جانیں اور اپنا ثبوت محفوظ رکھیں، جس کی طرف ہم نیچے واپس آ رہے ہیں۔

حقیقی کیسز، واضح انداز میں

چند تنازعات خبریں بنے، اور انہیں سمجھنا قابلِ قدر ہے کیونکہ تفصیل اہم ہے اور سرخیاں اکثر انہیں دھندلا دیتی ہیں۔

Adelphi University میں Orion Newby کے کیس میں ایک طالب علم کے مضمون کو مکمل طور پر AI-generated قرار دیا گیا۔ ایک وفاقی جج نے معاملے کا جائزہ لے کر پایا کہ یہ نتیجہ "without merit" تھا، اور اسے طالب علم کے ریکارڈ سے ہٹانے کا حکم دیا، جیسا کہ فروری 2026 میں رپورٹ ہوا۔ ہم the Newby v. Adelphi ruling میں یہ ٹوٹل کیا گیا کہ اس فیصلے نے کیا قائم کیا اور کیا نہیں۔ UC Davis میں William Quarterman کو GPTZero نے جھنڈا لگایا، مگر انہوں نے Google Docs کی version history کے ذریعے اپنا نام درست کروا لیا، جس سے ظاہر ہوا کہ مضمون وقت کے ساتھ ساتھ لکھا جا رہا تھا۔ یہ محض انتظامی (administrative) حل تھا، کوئی مقدمہ (lawsuit) نہیں۔

ایک بات واضح طور پر کہنی ضروری ہے، کیونکہ بہت سی آن لائن سمری اسے غلط سمجھتی ہیں۔ ان میں سے کوئی نتیجہ Turnitin کمپنی کے خلاف کوئی قانونی فیصلہ نہیں تھا، اور ان کیسز میں کسی طالب علم نے "Turnitin پر مقدمہ کیا اور جیت گیا۔" یہ تنازعات اسکولوں کے ساتھ تھے کہ کس طرح کسی جھنڈے کو استعمال کیا گیا، اور سبق یہ ہے کہ عمل (process) اور ثبوت (evidence) کیسے کام کرتے ہیں، نہ کہ یہ کہ کوئی detector vendor عدالت میں ہار گیا۔ اگر بات کو درست انداز میں فریم کیا جائے تو حاصل ہونے والا نکتہ بااختیار بنانے والا ہے: ڈیٹیکٹر کا اسکور ایک دعویٰ ہے، حتمی فیصلہ نہیں، اور جائز لکھنے والوں نے اسے کامیابی سے چیلنج کیا ہے۔

اگر آپ کو غلطی سے جھنڈا لگے تو کیا کریں

اگر کوئی ڈیٹیکٹر آپ کا وہ کام جھنڈا بنائے جو آپ نے خود لکھا تھا تو یہ صورتِ حال قابلِ واپسی (recoverable) ہے، اور وہ لکھنے والے جو اسے اچھی طرح حل کرتے ہیں عموماً وہی چند قدم اٹھاتے ہیں۔

اپنے مسودے (drafts) اور version history محفوظ رکھیں۔ Google Docs اور Word دونوں وقت کے ساتھ ترمیمات کو ٹریک کرتے ہیں، اور یہی ٹائم لائن سب سے مضبوط ثبوت ہے جو آپ پیش کر سکتے ہیں، بالکل اسی طرح جس طرح UC Davis کیس میں کیا گیا۔ با ادب پوچھیں کہ کون سا اسکور اس جھنڈے کو متحرک کر گیا اور reviewer اسے کیسے سمجھ رہا ہے، کیونکہ دبایا گیا یا سرحدی (borderline) نمبر کسی فیصلے کے لیے کمزور بنیاد ہوتا ہے۔ اگر آپ کو انصاف/منصفت (fairness) کا کیس تحریری طور پر مضبوط کرنا ہو تو اوپر دی گئی تحقیق اور ادارہ جاتی احتیاط کی طرف اشارہ کریں۔ ہمارے مرحلہ وار رہنمائی والے اقدامات کہ آپ کیسے appeal a false AI-detection flag کر سکتے ہیں، پورے عمل کو واضح کرتے ہیں۔

آگے چل کر مقصد یہ نہیں کہ آپ ٹول کو دھوکہ دیں۔ مقصد یہ ہے کہ آپ واضح اور فطری انگریزی میں لکھیں تاکہ آپ کی اپنی محتاط تحریر غلط پڑھے جانے کے امکان میں کم ہو، اور کسی بھی AI معاونت کو اپنی ادارہ جاتی پالیسی کے مطابق واضح کیا جائے۔ ہمارا AI text humanizer اسی مقصد کے لیے بنایا گیا ہے، اور اگر آپ انگریزی دوسری زبان کے طور پر لکھتے ہیں تو AI humanizer for ESL researchers کے لیے ہمارا مخصوص گائیڈ ورک فلو کو مزید گہرائی سے کور کرتا ہے۔ ہدف یہ ہے کہ آپ کے پہلے سے کیے گئے کام کے ساتھ انصاف ہو، چھپانا نہیں۔

پہلے اور بعد میں فرق: اس “ہموار ٹیکسچر” کو درست کرنا جو ڈیٹیکٹر کو الجھا دیتا ہے

جب آپ اسے کسی حقیقی پیراگراف میں دیکھ سکیں تو نظریہ پر بھروسہ کرنا آسان ہو جاتا ہے۔ یہاں ایک نتائج پر مبنی اقتباس ہے جو ایک ESL محقق نے AI اسسٹنٹ کی مدد سے انگریزی کو ہموار (smooth) کرنے کے لیے تیار کیا۔ یہ صاف ستھرا پڑھتا ہے، پھر بھی ایک ڈیٹیکٹر نے اسے جھنڈا لگا دیا۔

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."

تین جملے، تقریباً ایک جیسے طوالت کے، ہر clause ایک ہی رفتار سے چل رہی ہے۔ vocabulary محفوظ اور پیش گوئی کے قابل ہے۔ یہی یکسانیت ڈیٹیکٹر کے مطابق low perplexity اور low burstiness جیسی لگتی ہے، اور یہی وہ ٹیکسچر ہے جو غیر مقامی لکھنے والوں کی بہت سی حقیقی تحریروں کو بھی جھنڈا بنا دیتا ہے۔

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."

انہیں ساتھ ساتھ پڑھیں تو دوسرا جملہ ایسے لگتا ہے جیسے یہ کسی شخص نے خود وہ کام کیا ہو۔

What changed, and why it matters. ہم نے ہر وہ حقیقت (fact) برقرار رکھی جس پر بات کھڑی ہے: 27% والا عدد، (Chen et al., 2021) والا حوالہ، cohort کی تعداد، اور sample size۔ شواہد میں کچھ نہیں بدلا۔ ہم نے جو اضافہ کیا وہ variation تھا۔ اب sentence lengths لمبے سے مختصر سے لمبے کی طرف بدلتے ہیں، جس سے burstiness بڑھتی ہے۔ لفظوں کے انتخاب کم پیش گوئی کے قابل ہیں، جس سے perplexity بڑھتی ہے۔ ہم نے احتیاط پھر سے شامل کر دی: "points to," "we would not push the claim further." AI ڈرافٹس یہ احتیاط نکال دیتے ہیں، اور over-smoothing ٹولز بھی ایسا ہی کرتے ہیں، اور اسی لیے اچھی طرح پالش کی گئی غیر مقامی انگریزی AI پروفائل کی طرف بہکنے لگتی ہے۔

یہ ایک معیار کی ایڈٹ (quality edit) بھی ہے، کوئی دھوکہ نہیں۔ بعد والا ورژن “demonstrate” اور “confirm the hypothesis” کے مقابلے میں زیادہ ناپ تول کر اور زیادہ قابلِ دفاع دعویٰ کرتا ہے، جو پہلے والے ورژن میں زیادہ چلا گیا تھا۔ یہی وہ نکتہ ہے جو ہم بار بار کہتے رہتے ہیں: وہ ایڈٹ جو آپ کے false-flag خطرے کو کم کرتی ہے، عموماً وہی ایڈٹ ہوتی ہے جو peer review میں بھی برقرار رہتی۔ ایک academic humanizer یہ پہلا پاس کر سکتا ہے، جبکہ آپ کے حوالات (citations) اور اعداد کی حفاظت بھی کرے، مگر اس کے بعد بھی آپ کو ہر لائن خود پڑھنی چاہیے۔

ایک احتیاط۔ کوئی ایک ایڈٹ یقینی طور پر “صاف” اسکور کی ضمانت نہیں دیتا، اور ڈیٹیکٹرز بدلتے رہتے ہیں (Turnitin نے اگست 2025 میں humanizer detection شامل کی)۔ مقصد یہ رکھیں کہ آپ ایسی تحریر کریں جو آپ کے اپنے استدلال کی عکاس ہو، سمجھیں what perplexity measures، اور اپنی جرنل یا یونیورسٹی پالیسی کے مطابق AI مدد کی disclosure کریں۔

اکثر پوچھے گئے سوالات

سوال: AI ڈیٹیکٹر غیر مقامی انگریزی لکھنے والوں کو کیوں جھنڈا بناتے ہیں؟

زیادہ تر ڈیٹیکٹر ناپتے ہیں کہ کسی متن میں لفظوں کے انتخاب کتنے پیش گوئی کے قابل (predictable) ہیں، اور دوسری زبان میں کی گئی محتاط تحریر عموماً ایسے عام، معیاری ذخیرۂ الفاظ استعمال کرتی ہے جو low perplexity کے طور پر پڑھتے ہیں۔ یہ شماریاتی ہموار پن ٹول کو مشین جیسا نظر آتا ہے، جس کے نتیجے میں AI detector false positive آ جاتا ہے، خواہ انسان نے ہر لفظ خود لکھا ہو۔ تعصب اس بات میں بنا ہوتا ہے کہ ڈیٹیکٹر کیا ماپتا ہے؛ نہ کہ تحریر کے معیار میں۔

سوال: اسٹینفورڈ اسٹڈی نے ڈیٹیکٹر کے تعصب کے بارے میں کیا پایا؟

Patterns میں موجود 2023 کی اسٹینفورڈ اسٹڈی نے سات ڈیٹیکٹرز کو آزمایا اور پایا کہ وہ غیر مقامی TOEFL مضامین میں تقریباً 61% کو AI کے طور پر جھنڈا لگاتے ہیں، جبکہ مقامی لکھنے والوں کے لیے یہ شرح تقریباً 5% تھی۔ غیر مقامی مضامین میں سے قریب 20% کو ہر ڈیٹیکٹر نے یک زبان ہو کر جھنڈا لگایا۔ تمام مضامین انسانی طور پر لکھے گئے تھے۔

سوال: اگر مجھے غلطی سے AI کے طور پر جھنڈا لگے تو مجھے کیا کرنا چاہیے؟

Google Docs یا Word سے اپنی draft history محفوظ رکھیں، کیونکہ نظر آنے والی تحریری ٹائم لائن آپ کے پاس سب سے مضبوط ثبوت ہے۔ پوچھیں کہ کون سا اسکور اس جھنڈے کو متحرک کرتا تھا، false positives پر تحقیق کو حوالہ بنائیں، اور ایک واضح appeal process follow کریں۔ ڈیٹیکٹر کا اسکور ایک ایسا دعویٰ ہے جسے آپ چیلنج کر سکتے ہیں، یہ حتمی فیصلہ نہیں۔

سوال: کیا یونیورسٹیوں نے AI ڈیٹیکٹرز استعمال کرنا بند کر دیا ہے؟

کئی اداروں نے انہیں محدود یا غیر فعال کیا ہے۔ Vanderbilt نے Turnitin کے AI detector کو 2023 میں false-positive اور bias کے خدشات کی بنیاد پر غیر فعال کیا، اور Michigan State، UT Austin، Northwestern، Pittsburgh، SMU، اور Waterloo نے بھی اسی نوعیت کے اقدامات کیے۔ بہت سے ادارے جو اب بھی ڈیٹیکٹر استعمال کرتے ہیں، وہاں اب اسکور کو ثبوت نہیں بلکہ “ایک سگنل” سمجھ کر لیا جاتا ہے۔

سوال: کیا سادہ انگریزی میں لکھنے سے آپ کے AI کے طور پر جھنڈا لگنے کا خطرہ بڑھ جاتا ہے؟

کسی حد تک ہاں۔ ڈیٹیکٹر سادہ، زیادہ پیش گوئی کے قابل ذخیرۂ الفاظ کو low perplexity کے طور پر پڑھتے ہیں، یہی وہ شماریاتی سگنل ہے جسے وہ AI سے جوڑتے ہیں، اور یہی وجہ ہے کہ واضح ESL تحریر میں false positives بڑھ جاتے ہیں۔ حل یہ نہیں کہ آپ مصنوعی طور پر اپنی vocabulary بڑھائیں، بلکہ جملوں میں فطری variation، اپنی hedging، اور اپنی voice کو واپس لائیں۔

سوال: کیا میں humanizer استعمال کیے بغیر اپنی تحریر میں ترمیم کر کے غلط AI جھنڈا درست کر سکتا ہوں؟

اکثر آپ ایسا کر سکتے ہیں۔ اپنے مسودے کو بلند آواز میں پڑھیں، sentence length میں تبدیلی لائیں، اور وہ حدود (limits) پھر سے شامل کریں جو آپ واقعی کرنا چاہتے ہیں، اس سے burstiness بڑھے گی اور متن آپ کی اپنی لکھی ہوئی تحریر جیسا لگے گا۔ کوئی ٹول اس پہلے پاس کو تیز کر سکتا ہے، مگر مقصد حقیقی voice ہے، اور آپ کو پھر بھی اپنی جرنل یا یونیورسٹی پالیسی کے مطابق AI مدد کی disclosure کرنی چاہیے۔

ESL لکھنے والوں کے لیے تیار کردہ ایک Humanizer

واضح، قدرتی تعلیمی انگریزی میں لکھیں اور غلط مثبت نتائج کم کریں جو غیر مقامی لکھنے والوں کو سب سے زیادہ متاثر کرتے ہیں، معنی اور حوالہ جات محفوظ رکھتے ہوئے۔