Vì sao bộ phát hiện AI gắn cờ bài viết của người không phải ngôn ngữ mẹ đẻ (dương tính giả)

Bạn đã viết từng từ trong bài của mình. Bạn trích dẫn nguồn một cách đầy đủ, bạn đã chỉnh sửa hai lần, và bạn nộp bài với sự tự tin. Thế nhưng báo cáo lại được đánh dấu là có khả năng do AI tạo ra, và giờ bạn phải cố chứng minh một điều “ngược lại” về chính bài viết của mình. Nếu tiếng Anh không phải là ngôn ngữ mẹ đẻ của bạn, thì đây không phải là một “xui xẻo” hiếm gặp. Đó là một mô thức đã được ghi nhận.

Và đây là sự thật khó nghe: dương tính giả của bộ phát hiện AI có khả năng “dính” vào người viết không phải bản ngữ cao hơn rất nhiều so với người viết bản ngữ. Không phải vì bài viết của người không phải bản ngữ tệ hơn. Mà vì các công cụ này đo “bề mặt thống kê” của ngôn ngữ, và việc viết học thuật cẩn thận bằng ngôn ngữ thứ hai lại trùng lặp một số đặc điểm với loại văn bản máy mà chúng được huấn luyện để phát hiện.

Đây không phải là một lời phàn nàn rìa đời từ sinh viên bực bội. Đó là kết luận từ nghiên cứu qua bình duyệt; cũng là lý do một số trường đại học lớn đã rút lui khỏi các công cụ này; và vì thế mà tòa án lẫn ban quản trị học thuật bắt đầu cân nhắc kết quả phát hiện với sự thận trọng thực sự. Bằng chứng nói gì, và nếu công cụ gắn cờ sai thì cần làm gì, tất cả đều nằm ở đây.

Nghiên cứu của Stanford cho thấy thiên lệch trong việc gắn cờ

Bằng chứng mạnh nhất đến từ một nghiên cứu năm 2023 của Liang và cộng sự tại Stanford, đăng trên tạp chí Cell Press với tựa đề thẳng thừng: "GPT detectors are biased against non-native English writers."

Nhóm nghiên cứu cho chạy các bài luận qua bảy bộ phát hiện được dùng rộng rãi. Với các bài luận do người nói tiếng Anh không phải bản ngữ viết (lấy từ một bộ dữ liệu TOEFL), các bộ phát hiện gắn khoảng 61% là do AI tạo ra (trung bình). Với các bài luận do người viết bản ngữ viết, tỷ lệ dương tính giả vào khoảng 5%. Gần 1 trên 5 bài luận của người không phải bản ngữ, tức khoảng 19,8%, đã bị mọi bộ phát hiện trong thử nghiệm gắn cờ là AI một cách nhất quán. Trong mọi trường hợp, đó đều là các bài viết của con người.

Cơ chế này mới là phần thú vị, vì nó lý giải vì sao thiên lệch nằm “sẵn” trong hệ thống chứ không phải là ngẫu nhiên. Nhiều bộ phát hiện dựa vào một tín hiệu gọi là perplexity, đo mức độ “gây bất ngờ” trong cách một mô hình ngôn ngữ dự đoán các lựa chọn từ của văn bản. Văn bản đầy những từ thông dụng và cách diễn đạt dễ đoán sẽ tạo ra perplexity thấp, và perplexity thấp lại được bộ phát hiện đọc như “giống máy”. Người viết ngôn ngữ thứ hai thường dùng vốn từ hạn chế hơn và mang tính quy ước hơn, không phải vì ý tưởng của họ đơn giản, mà vì họ đang viết cẩn thận trong một ngôn ngữ không phải ngôn ngữ đầu tiên của mình. Bộ phát hiện nhìn thấy bề mặt trơn tru ấy và kết luận đó là nhân tạo.

Đó là cốt lõi của vấn đề công bằng. Những thói quen giúp câu văn học thuật bằng ngôn ngữ thứ hai trở nên rõ ràng và đúng đắn lại chính là những thói quen mà các công cụ này được thiết kế để “trừng phạt”.

Vì sao bài viết của người không phải bản ngữ dễ kích hoạt dương tính giả của AI

Đáng để “ở lại” một chút với lý do vì sao điều này xảy ra, vì hiểu được nó sẽ giúp giảm bớt phần khó chịu khi bị gắn cờ sai.

Một người bản ngữ viết nhanh thường rải rác các thành ngữ, lựa chọn từ lạ, nhịp câu bất thường và đôi khi là các “tắt” về ngữ pháp. Sự khó đoán đó tạo ra perplexity cao và được bộ phát hiện đọc như “con người”. Người viết không phải bản ngữ, hay nói thẳng hơn, bất kỳ người viết học thuật kỷ luật nào, thường ưu tiên những cấu trúc chuẩn xác, thông dụng và một vốn từ được kiểm soát. Các mô hình ngôn ngữ lớn cũng ưu tiên những cấu trúc chuẩn xác và vốn từ được kiểm soát. Bộ phát hiện không thể phân biệt được đâu là một con người cẩn thận và đâu là một cỗ máy cẩn thận, bởi vì trên đúng trục mà nó đo, chúng trông giống nhau.

Không có điều nào ở trên có nghĩa là chất lượng bài viết thấp hơn. Sự rõ ràng là một đức tính trong văn phong học thuật, không phải là khiếm khuyết. Nó chỉ có nghĩa là bộ phát hiện đang đo sai “thứ” và rút ra một kết luận tự tin từ dữ liệu sai đó.

Sự tự tin ấy là nguy hiểm. Một công cụ đưa ra một tỷ lệ phần trăm gọn gàng trông rất “có thẩm quyền”, ngay cả khi con số này dựa trên một tín hiệu vốn làm bất lợi một cách có hệ thống đối với cả một nhóm người viết thật sự.

Các trường đại học đã lùi bước khỏi bộ phát hiện AI

Các tổ chức nhận ra vấn đề sớm, và một số đã hành động.

Tháng 8 năm 2023, Đại học Vanderbilt đã tắt bộ phát hiện AI của Turnitin và đưa ra một giải thích chi tiết bất thường cho việc làm này. Trường nêu rằng mặc dù tuyên bố tỷ lệ dương tính giả khoảng 1% sẽ không đáng kể nếu so với toàn bộ một bài viết (vì mỗi năm có khoảng 75.000 bài nộp), nhưng việc các kết quả thiên lệch chống lại người viết tiếng Anh không phải bản ngữ đã được chứng minh, cộng với tính mờ đục trong quy trình, có nghĩa là khoảng 750 bài có thể bị gắn cờ nhầm. Michigan State, Đại học Texas at Austin, Northwestern, và Đại học Pittsburgh cũng thực hiện các bước tương tự. Đại học Southern Methodist lùi bước vào tháng 12/2023, và Đại học Waterloo theo sau vào tháng 9/2025 sau khi phát hiện rằng văn bản do con người viết bị chấm là “hoàn toàn AI”.

Hướng dẫn của Turnitin cũng khá thận trọng. Chỉ báo AI của họ làm giảm các con số từ 1 đến 19%, dùng dấu hoa thị thay vì một con số, vì dương tính giả phổ biến hơn ở đầu thấp của thang đo. Họ cũng cảnh báo rõ ràng rằng điểm số không nên được sử dụng đơn lẻ để đưa ra quyết định liên quan đến liêm chính học thuật. Đây là một nhà cung cấp đang nói với các tổ chức rằng đừng coi đầu ra của chính họ là bằng chứng, một gợi ý mạnh rằng một con số đơn lẻ chỉ đáng được gán trọng lượng đến mức nào.

Nếu trường của bạn vẫn dùng các công cụ này, điều đó không phải là lý do để hoảng sợ. Mà là lý do để nắm quyền của mình và lưu giữ bằng chứng, chúng ta sẽ quay lại phần đó ở dưới.

Những trường hợp thực tế, trình bày rõ ràng

Một vài tranh chấp đã lên tin, và đáng để hiểu thật chính xác vì chi tiết quan trọng, còn các tiêu đề thường làm mờ đi những khác biệt.

Trong vụ của Orion Newby tại Đại học Adelphi, một bài luận của sinh viên bị gắn cờ là “hoàn toàn do AI tạo ra”. Một thẩm phán liên bang đã xem xét và kết luận rằng nhận định đó "không có cơ sở," đồng thời ra lệnh gỡ khỏi hồ sơ của sinh viên, như được báo cáo vào tháng 2/2026. Chúng tôi phân tích phán quyết này đã làm được gì và chưa làm được gì trong phán quyết Newby v. Adelphi. Tại UC Davis, William Quarterman bị GPTZero gắn cờ và đã minh oan bằng lịch sử phiên bản trên Google Docs, cho thấy bài luận được viết theo thời gian. Đây là một giải quyết hành chính, không phải là vụ kiện.

Cần nói thẳng một điểm, vì nhiều bản tóm tắt trên mạng đã hiểu sai. Không có kết quả nào trong số này là phán quyết pháp lý chống lại công ty Turnitin, và không có sinh viên nào trong các vụ này "kiện Turnitin và thắng." Các tranh chấp là giữa sinh viên và trường về cách một “cờ” được sử dụng, và bài học nằm ở quy trình lẫn bằng chứng, chứ không phải là câu chuyện một nhà cung cấp bộ phát hiện thua kiện. Diễn đạt đúng thì kết luận sẽ mang tính trao quyền: điểm số của bộ phát hiện là một tuyên bố, không phải là phán quyết; và người viết hợp lệ đã thành công trong việc phản biện.

Nếu bị gắn cờ nhầm thì cần làm gì

Nếu một bộ phát hiện gắn cờ một công việc do bạn viết, thì tình huống vẫn có thể khắc phục; và những người xử lý tốt thường làm một vài việc giống nhau.

Giữ lại bản thảo và lịch sử phiên bản. Google Docs và Word đều theo dõi quá trình chỉnh sửa theo thời gian, và mốc thời gian đó là bằng chứng thuyết phục nhất bạn có thể đưa ra, đúng như trong vụ UC Davis. Hãy hỏi, lịch sự nhưng cụ thể, điểm nào đã kích hoạt cờ và người đánh giá đang diễn giải nó như thế nào, bởi một con số bị che giấu hoặc ở vùng ranh giới sẽ là nền tảng yếu cho mọi quyết định. Nếu bạn cần trình bày lập luận về tính công bằng trong văn bản, hãy dẫn lại nghiên cứu và sự thận trọng của các tổ chức đã nêu ở trên. Hướng dẫn từng bước của chúng tôi về cách khiếu nại một cờ dương tính AI sẽ đi qua toàn bộ quy trình.

Về sau, mục tiêu không phải là “lừa” công cụ. Mục tiêu là viết tiếng Anh tự tin và tự nhiên để bài viết cẩn thận của chính bạn ít bị đọc nhầm; đồng thời công khai bất kỳ hỗ trợ AI nào theo đúng yêu cầu của tổ chức bạn. AI text humanizer của chúng tôi được xây dựng đúng cho điều đó, và nếu bạn viết tiếng Anh như ngôn ngữ thứ hai, hướng dẫn chuyên biệt của chúng tôi về AI humanizer for ESL researchers sẽ trình bày sâu hơn quy trình. Mục tiêu là công bằng cho phần việc bạn đã làm, chứ không phải là ngụy trang.

Trước và sau: sửa “bề mặt phẳng” khiến bộ phát hiện dễ vấp

Lý thuyết sẽ dễ tin hơn khi bạn có thể nhìn thấy nó trên một đoạn văn thật. Dưới đây là một đoạn kết quả do một nhà nghiên cứu ESL soạn cùng một trợ lý AI để làm mượt tiếng Anh. Nội dung đọc vẫn sạch sẽ, nhưng một bộ phát hiện vẫn gắn cờ.

Trước (bị gắn cờ là có khả năng do 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."

Ba câu, gần như giống hệt về độ dài, với mọi mệnh đề đều tiến cùng một nhịp. Vốn từ an toàn và có thể dự đoán. Sự “đều đặn” này chính là thứ khiến bộ phát hiện đọc thành perplexity thấp và burstiness thấp, và cũng là “kết cấu” khiến nhiều bài viết thật của người không phải bản ngữ bị gắn cờ.

Sau (được chỉnh theo giọng của người viết):

"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."

Hãy đọc hai đoạn này chồng lên nhau: đoạn thứ hai nghe giống một người thực sự đã làm công việc đó.

Có gì thay đổi, và vì sao điều đó quan trọng. Chúng tôi giữ nguyên mọi dữ kiện “mang lực”: con số 27%, trích dẫn (Chen et al., 2021), số lượng nhóm (cohort), và kích thước mẫu. Không có gì về bằng chứng bị dịch chuyển. Thứ chúng tôi thêm vào là sự biến thiên. Độ dài câu nay dao động từ dài sang ngắn rồi lại dài, điều này làm tăng burstiness. Việc lựa chọn từ ít còn dự đoán hơn, làm tăng perplexity. Chúng tôi cũng đưa lại phần “giảm độ khẳng định” (hedging): "points to," "we would not push the claim further." Bản thảo do AI tạo thường loại bỏ lớp thận trọng này, và các công cụ “làm mượt quá đà” cũng vậy, đó là một lý do khiến tiếng Anh của người không phải bản ngữ, sau khi được đánh bóng, có xu hướng trôi về hồ sơ kiểu AI.

Đây cũng là một chỉnh sửa về chất lượng, không phải một mẹo. Bản sau tạo ra một tuyên bố cân nhắc hơn, có cơ sở bảo vệ tốt hơn so với bản trước, bản trước đã vượt đà với "demonstrate" và "confirm the hypothesis." Đây cũng là điều chúng tôi tiếp tục nhấn mạnh: chỉnh sửa làm giảm rủi ro bị gắn cờ nhầm thường là chỉnh sửa giống với chỉnh sửa sẽ sống sót qua bình duyệt. Một academic humanizer có thể làm lượt đầu tiên theo cách đó, đồng thời bảo vệ trích dẫn và con số của bạn, nhưng bạn vẫn cần đọc từng dòng.

Một lưu ý. Không có một lần chỉnh sửa đơn lẻ nào đảm bảo điểm số “sạch”, và các bộ phát hiện liên tục thay đổi (Turnitin thêm tính năng phát hiện humanizer vào tháng 8/2025). Hãy hướng đến việc viết phản ánh lập luận của chính bạn, hiểu perplexity đo điều gì, và công khai hỗ trợ AI theo chính sách của tạp chí hoặc trường đại học bạn.

Các câu hỏi thường gặp

Q: Vì sao bộ phát hiện AI lại gắn cờ người viết tiếng Anh không phải bản ngữ?

Hầu hết các bộ phát hiện đo mức độ “dự đoán được” trong cách một văn bản lựa chọn từ, và lối viết học thuật cẩn thận bằng ngôn ngữ thứ hai thường dùng vốn từ phổ biến, chuẩn mực, điều này khiến văn bản đọc thành perplexity thấp. Độ “mượt thống kê” đó trông giống máy với công cụ, tạo ra dương tính giả của AI dù thực tế con người đã viết ra mọi từ. Thiên lệch nằm trong chính thứ mà bộ phát hiện đo, chứ không nằm trong chất lượng của bài viết.

Q: Nghiên cứu của Stanford phát hiện gì về thiên lệch trong bộ phát hiện?

Nghiên cứu của Stanford năm 2023 trong Patterns đã thử nghiệm bảy bộ phát hiện và thấy rằng chúng gắn cờ khoảng 61% các bài luận TOEFL của người không phải bản ngữ là AI, so với khoảng 5% đối với người viết bản ngữ. Gần 20% các bài luận của người không phải bản ngữ bị mọi bộ phát hiện gắn cờ một cách nhất quán. Tất cả các bài luận đều do con người viết.

Q: Tôi nên làm gì nếu bị gắn cờ nhầm là do AI tạo ra?

Hãy giữ lịch sử bản thảo từ Google Docs hoặc Word, vì một dòng thời gian viết hiện diện là bằng chứng mạnh nhất bạn có. Hãy hỏi điểm nào đã kích hoạt cờ, trích dẫn nghiên cứu về dương tính giả, và làm theo quy trình khiếu nại rõ ràng. Điểm số của bộ phát hiện là một tuyên bố mà bạn có thể phản biện, không phải là phán quyết cuối cùng.

Q: Các trường đại học đã dừng dùng bộ phát hiện AI chưa?

Một số đã giới hạn hoặc vô hiệu hóa chúng. Vanderbilt đã tắt bộ phát hiện AI của Turnitin vào năm 2023 do lo ngại về dương tính giả và thiên lệch; và Michigan State, UT Austin, Northwestern, Pittsburgh, SMU, và Waterloo cũng thực hiện các bước tương tự. Nhiều tổ chức hiện vẫn dùng bộ phát hiện lại coi điểm số như một tín hiệu trong số nhiều tín hiệu, chứ không phải là bằng chứng.

Q: Viết tiếng Anh đơn giản hơn có làm tăng nguy cơ bị gắn cờ là AI không?

Đến một mức độ nào đó, có. Bộ phát hiện đọc vốn từ đơn giản và dễ đoán như perplexity thấp, đúng là tín hiệu thống kê mà chúng gắn với AI, và đó là một lý do khiến việc viết tiếng Anh ESL rõ ràng lại dễ phát sinh dương tính giả. Cách sửa không phải là “bơm phồng” vốn từ một cách giả tạo, mà là khôi phục sự biến thiên tự nhiên trong câu, kèm theo phần hedging và giọng điệu của chính bạn.

Q: Tôi có thể sửa dương tính giả AI bằng cách tự chỉnh sửa bài viết của mình thay vì dùng humanizer không?

Thường là có. Hãy đọc bản thảo thành tiếng, thay đổi độ dài câu, và đưa lại đúng giới hạn mà bạn thực sự muốn nói, điều này sẽ làm tăng burstiness và khiến văn bản nghe như do chính bạn viết. Một công cụ có thể giúp tăng tốc lượt chỉnh sửa đầu tiên, nhưng mục tiêu vẫn là giọng thật, và bạn vẫn nên công khai mọi hỗ trợ AI theo chính sách của tạp chí hoặc trường đại học bạn.