Ανίχνευση Ιδεών AI, όχι Κείμενο AI

Τι θα γινόταν αν υπήρχε ένας ανιχνευτής κειμένου AI που θα μπορούσε να αναγνωρίσει ότι έγραψες κάτι βασισμένο σε μια ιδέα που σου έδωσε το AI – ακόμη και αν όλη η πραγματική γραφή (δηλαδή το κείμενο) ήταν το δικό σου πρωτότυπο έργο;

Όλοι γνωρίζουμε για ανιχνευτές κειμένου AI που ντροπίζουν διάσημους και πολιτικούς, μεταξύ άλλων – αλγόριθμοι που έχουν μελετήσει τα χαρακτηριστικά του κειμένου που δημιουργείται από AI και μπορούν να διακρίνουν αυτά τα μοτίβα όταν εμφανίζονται.

Αυτές οι περιπτώσεις αντιπροσωπεύουν απλή εκχώρηση μιας εργασίας επικοινωνίας, όπου μοντέλα γλώσσας όπως ChatGPT και Google Gemini προβλέπουν το επόμενο πιθανό token σε μια απάντηση στην εντολή ενός χρήστη – όχι παίρνοντας ένα βήμα πίσω και κοιτάζοντας το ευρύ πλαίσιο του προβλήματος ή της πρότασης πρώτα, αλλά απλώς μαντεύοντας τη πιο πιθανή λέξη.

Παρόλα αυτά, αυτό το παζλ προβλέψεων τελικά παράγει μια υποκείμενη δομή, σύμφωνα με πρόσφατη έρευνα: η ανάγκη για γειτονικά τμήματα κειμένου να είναι συνεκτικά και σχετιζόμενα μεταξύ τους προκαλεί την ανάπτυξη μιας μοναδικής υπογραφής στο ‘outline’ ή στην υψηλότερη διαστατικότητα του έργου – ένα που μπορεί να διακρίνει το χέρι του AI ακόμη και όταν το κείμενο έχει ξαναγραφεί εκτενώς για να το «ανθρωποποιήσει».

Το διακριτό υψηλότερης διάστασης ‘σχήμα’ της γραφής υπό διάφορα LLMs, και – αριστερά – καθαρή ανθρώπινη γραφή. Source

Στοχευμένη Δημιουργία Ιδεών AI

Μια νέα ακαδημαϊκή συνεργασία υπό την ηγεσία του University of Maryland κάνει ένα βήμα παραπέρα, προσφέροντας μια μεθοδολογία που μπορεί να ανιχνεύσει αν οι ιδέες αυτές προέρχονται από AI, ανεξάρτητα από το ποιος τελικά έγραψε τις λέξεις.

Η προσέγγιση, ονομαζόμενη IdeaLens και εκπαιδευμένη σε ένα εκατομμύριο outlines που εξήχθησαν από έγγραφα web, εστιάζει στη μείωση κάθε εγγράφου σε ένα outline που διατηρεί τις ιδέες του ενώ αφαιρεί τη διατύπωση – και συνοδεύεται από μια διαδικτυακή επίδειξη:

Αριστερά, ένα από τα δικά μου άρθρα περνά ως ανθρώπινο στην διαδικτυακή επίδειξη, ενώ ένα άλλο άρθρο που υπέβαλα (γραμμένο από διαφορετικό συγγραφέα) φαίνεται να είχε σημαντική εισροή AI. Source

Όπως φαίνεται στα παραδείγματα των αποτελεσμάτων της επίδειξης παραπάνω, οι μέθοδοι ανίχνευσης που χρησιμοποιήθηκαν μπορούν να διακρίνουν μεταξύ ανθρώπινων ιδεών και ανθρώπινου κειμένου, καθώς και AI ιδεών και AI κειμένου, και να τα αξιολογήσουν με λεπτομερή και διακριτό τρόπο – παρόλο που οι δύο ανιχνευτές εκπαιδεύτηκαν στα ίδια έγγραφα, ετικέτες και υποκείμενη αρχιτεκτονική μοντέλου, ενώ σχεδιάστηκαν για να ανιχνεύουν ουσιαστικά αντίθετα πράγματα: την προέλευση των ιδεών και την προέλευση του κειμένου.

Αυτό το είδος ανίχνευσης, όπως υποψιάζονται, θα μπορούσε να κάνει αρκετές κατηγορίες συγγραφέων ανήσυχους, από συντάκτες πολιτικών ομιλιών μέχρι συγγραφείς μυθιστορημάτων και συντάκτες κολωνών, εκτός από άλλους που μέχρι σήμερα εκτιμούσαν το δικό τους στυλ γραφής, αλλά επέτρεψαν στο AI να τροφοδοτήσει τα θέματά τους.

Ένας λόγος για τον οποίο τα LLMs είναι πιθανό να παράγουν αναγνωρίσιμες (και επομένως ανιχνεύσιμες) ιδέες δεν είναι μόνο ότι ορισμένες έννοιες και κείμενα έχουν στατιστικά κυριαρχήσει τα υπο-επιμελημένα δεδομένα εκπαίδευσης του μοντέλου, καθιστώντας τα πιο πιθανό να εμφανιστούν σε ευρύτερο φάσμα αιτήσεων· αλλά και επειδή τα LLMs έχουν μυστηριώδεις και επαναλαμβανόμενες εμμονές που δεν φαίνεται να σχετίζονται με συγκεκριμένα δεδομένα εκπαίδευσης, και όμως συχνά εμφανίζονται ακούσια.

Οι συγγραφείς δηλώνουν*:

‘Ενώ οι σύγχρονοι ανιχνευτές AI εντοπίζουν ποιος έγραψε τις λέξεις, οι αναδυόμενες πολιτικές για τη χρήση AI εξαρτώνται όλο και περισσότερο από ένα διαφορετικό ερώτημα: ποιος συνέταξε τις ιδέες;Παρουσιάζουμε το IdeaLens, έναν ανιχνευτή που προσδιορίζει αν οι ιδέες ενός εγγράφου προέρχονται από άνθρωπο ή AI (προέλευση ιδεών), ανεξάρτητα από το ποιος έγραψε τις λέξεις του.

‘Για να εστιάσουμε το IdeaLens στις ιδέες αντί για το κείμενο, αντιπροσωπεύουμε τα έγγραφα ως outlines: λίστες στοιχείων που καθένα συνδυάζει έναν ρόλο λόγου με μια σύντομη, παραφρασμένη περιγραφή του περιεχομένου, ελαχιστοποιώντας την επικάλυψη λέξεων με το ακατέργαστο κείμενο.’

Δεδομένα και Μέθοδοι

Το άρθρο ισχυρίζεται ότι η νέα μέθοδος μπορεί να εντοπίσει ανθρώπινες ιδέες σε έγγραφα που δημιουργήθηκαν από AI (π.χ., κάποιος είπε σε ένα AI ‘Γράψτε μου ένα δοκίμιο για αυτό το θέμα‘); και μπορεί επίσης να εντοπίσει ιδέες AI σε ανθρώπινη γραφή (π.χ., κάποιος είπε σε ένα AI ‘Προτείνετε κάτι για να γράψω’).

Αποτελέσματα δοκιμών σε τέσσερις συνδυασμούς ανθρώπινων και AI ιδεών και κειμένου. Όλοι οι τέσσερις ανιχνευτές αποδίδουν ισχυρά όταν οι ιδέες και το κείμενο προέρχονται από την ίδια πηγή, αλλά αποκλίνουν απότομα όταν η προέλευση είναι μεικτή: το IdeaLens αναγνωρίζει σωστά το 94,7 % των εγγράφων που γράφτηκαν από AI με ανθρώπινες ιδέες ως ανθρώπινης προέλευσης, και εντοπίζει AI ιδέες στο 68 % των ανθρώπινων ιστοριών, σε σύγκριση με μόλις 8 % για το Pangram 4 και 0 % για τα ProseLens και EditLens-3B. Πηγή

Η ανίχνευση είναι πιο εύκολη όταν η προέλευση είναι πιο σαφής – για παράδειγμα, όταν ένα κείμενο γραμμένο από άνθρωπο βασίζεται σε ιδέες που δημιουργήθηκαν από AI, ή όταν ένα αποτέλεσμα που δημιουργήθηκε από AI προέρχεται από ανθρώπινη ιδέα. Όταν αυτές οι δυνάμεις προέλευσης διαφέρουν, η ανίχνευση γίνεται πιο δύσκολη.

Οι ερευνητές έδειξαν αυτή τη διάκριση αλλάζοντας σταδιακά το πόσο το υποκείμενο σχέδιο ενός εγγράφου προέρχεται από άτομο. Σε ένα πείραμα, τα μοντέλα AI έλαβαν όλο και πιο λεπτομερή ανθρώπινα σχέδια, από κάτι που ήταν σχεδόν μόνο ένα θέμα, μέχρι ένα πλήρες περίγραμμα.

Καθώς αυξήθηκε η ανθρώπινη συνεισφορά, το ποσοστό σήμανσης AI του IdeaLens έπεσε από 94,9 % σε 6,8 %; και οι συμβατικοί ανιχνευτές κειμένου συνέχισαν κατά κύριο λόγο να ταξινομούν το προκύπτον κείμενο ως AI:

Αποτελέσματα δοκιμών που δείχνουν τι συμβαίνει καθώς όλο και μεγαλύτερο μέρος του υποκείμενου σχεδίου ενός εγγράφου γραμμένου από AI παρέχεται από άνθρωπο. Το IdeaLens αναγνωρίζει ολοένα και περισσότερο την ανθρώπινη προέλευση των ιδεών, με το ποσοστό σήμανσης AI να πέφτει από 94,9 % για προτροπή μόνο με θέμα σε 6,8 % για πλήρες ανθρώπινο περίγραμμα· οι συμβατικοί ανιχνευτές κειμένου ProseLens και Pangram εξακολουθούν να ταξινομούν το μεγαλύτερο μέρος του παραγόμενου κειμένου ως AI.

Δεδομένου ότι οι ιδέες πρέπει να διαχωρίζονται από τη γλώσσα που χρησιμοποιείται για να τις εκφράσει, και δεν υπάρχει μεγάλος σύνολο δεδομένων που να καταγράφει ποιος πραγματικά δημιούργησε τις ιδέες σε ένα έγγραφο, οι ερευνητές αντ’ αυτού εκπαίδευσαν το IdeaLens σε υπάρχουσες AI-γραφές ετικέτες – αλλά αφαίρεσαν το μεγαλύτερο μέρος του κειμένου.

Πώς το IdeaLens διαχωρίζει τις ιδέες από το κείμενο κατά την εκπαίδευση και τη δοκιμή, σε σύγκριση με τον συμβατικό ανιχνευτή κειμένου ProseLens. Ένα δείγμα άρθρου γνώμης 1 321 λέξεων μειώνεται σε ένα περίγραμμα με ετικέτες ρόλων, με τα σημεία να κατηγοριοποιούνται ανά λειτουργία, όπως λογοτεχνική αναφορά γεγονότος ή αξιολόγηση. Κατά την εκπαίδευση, αυτά τα περιγράμματα παραφράζονταν επιπλέον για να αφαιρεθεί η διατύπωση κληρονομημένη από τα πηγαία έγγραφα πριν το IdeaLens μάθει από υπάρχουσες ετικέτες AI του Pangram. Για νέα έγγραφα, το εξαγόμενο περίγραμμα μπορεί στη συνέχεια να περάσει άμεσα στο IdeaLens για να εκτιμήσει την πιθανότητα οι ιδέες να προέρχονται από AI. Το κάτω μέρος του σχήματος δείχνει έναν δεύτερο ανιχνευτή – ‘ProseLens’ – που χρησιμοποίησαν οι ερευνητές για σύγκριση, ο οποίος αντίθετα λαμβάνει το πλήρες κείμενο και εκτιμά εάν το ίδιο το κείμενο είναι AI‑παραγόμενο.

Όπως φαίνεται παραπάνω, κάθε έγγραφο μειώθηκε σε ένα περίγραμμα που περιγράφει τι λέγεται και τον ρόλο που παίζει κάθε σημείο στο έγγραφο. Κατά την εκπαίδευση, αυτά τα περιγράμματα παραφράστηκαν για να αφαιρεθούν περαιτέρω τα ίχνη της αρχικής διατύπωσης των συγγραφέων. Το IdeaLens μπορεί έτσι να κάνει τις προβλέψεις του κυρίως από τις ιδέες που απομένουν, αντί από χαρακτηριστικά που αποκαλύπτουν το κείμενο.

Δημιουργήθηκαν τρία σύνολα δεδομένων για το έργο: IdeaShift; IdeaShift-X; και TwiceTold. Το IdeaShift δημιουργήθηκε από 500 έγγραφα‑σπόρους, γραμμένα από άνθρωπο και δημιουργημένα από AI, που λήφθηκαν από το υπάρχον δοκιμαστικό σύνολο των ερευνητών. Το GPT‑5.6 Sol μετατρέπει το καθένα σε σταδιακά πιο λεπτομερείς προτροπές, από ‘topic-only’, μέχρι ένα πλήρες περίγραμμα. GPT-5.6 χρησιμοποιήθηκε στη συνέχεια για τη δημιουργία νέων εγγράφων.

Το IdeaShift‑X, αντίθετα, χρησιμοποίησε 10 000 έγγραφα που δημιουργήθηκαν από άνθρωπο FineWeb2 σε 24 γλώσσες, εφαρμόζοντας το προαναφερθέν πρωτόκολλο IdeaShift για να δημιουργήσει εκδόσεις AI σε κάθε γλώσσα.

Το τρίτο σύνολο δεδομένων, TwiceTold, γράφτηκε από ακαδημαϊκούς φοιτητές υπό την επίβλεψη των συγγραφέων, ώστε να αποφευχθεί η πιθανή χρήση AI ενσωματωμένο στην συλλογή τέτοιων δεδομένων μέσω crowdsourcing. Πενήντα ιστορίες γράφτηκαν από το μηδέν, αλλά χρησιμοποιώντας ένα περίγραμμα 500 λέξεων που παρείχε το ChatGPT‑5.6 Sol.

Δοκιμές

Οι δικοί των ερευνητών ανιχνευτές περιλάμβαναν το IdeaLens σε μορφή περιγράμματος και εγγράφου· το προαναφερθέν ProseLens· εκδόσεις ModernBERT-L και των δύο συστημάτων· εκδόσεις Qwen3.5-9B του IdeaLens· και μια παραλλαγή IdeaLens logistic-classifier.

Αυτά συγκρίθηκαν με Pangram 4· EditLens-Llama-3B· Binoculars· EditLens-RoBERTa· MELD· Desklib-academic· Desklib· Entropy· Fast-DetectGPT· Likelihood· Log-rank· LRR· MAGE· OpenAI-RoBERTa-base· OpenAI-RoBERTa-large· RADAR· και Rank.

Για τις δοκιμές, η Ακρίβεια μετρήθηκε με βάση το αν η προβλεπόμενη ετικέτα AI ή ανθρώπου ταιριάζει με την πηγή των ιδεών. Τα IdeaLens, ProseLens και EditLens χρησιμοποίησαν ένα παγκόσμιο όριο FPR 1 %; οι ετικέτες AI, AI‑βοηθούμενες και ανθρώπινες του Pangram 4 δυαδικοποιήθηκαν· και τα Fast-DetectGPT, Binoculars, MELD και Desklib χρησιμοποίησαν τα προεπιλεγμένα όριά τους.

Η ευρύτερη αξιολόγηση χρησιμοποίησε 19 εξωτερικά benchmarks, συμπεριλαμβανομένων 14 που καλύπτουν πλήρως ανθρώπινο ή πλήρως AI υλικό, και 10 που περιέχουν ανθρώπινη γραφή που επεξεργάστηκε αργότερα από AI. Επιπλέον, δοκιμάστηκαν 50 000 έγγραφα εντός τομέα, ενώ 10 000 έγγραφα προ‑ChatGPT C4 χρησιμοποιήθηκαν για την εκτίμηση ψευδώς θετικών αποτελεσμάτων:

Αποτελέσματα δοκιμών που συγκρίνουν την ακρίβεια των ανιχνευτών όταν οι ιδέες και το κείμενο έχουν είτε την ίδια είτε διαφορετική προέλευση. Το IdeaLens διατηρεί υψηλή ακρίβεια και στις δύο περιπτώσεις, με 95,3 % για κοινή προέλευση και 81,3 % για μικτή προέλευση· οι ανταγωνιστικοί ανιχνευτές αποδίδουν σημαντικά χειρότερα όταν η πηγή των ιδεών διαφέρει από την πηγή του κειμένου.

Σε 51 δοκιμές που προέρχονται από 22 benchmarks, το IdeaLens ήταν ο μοναδικός ανιχνευτής που πέτυχε ισχυρά όταν οι ιδέες και το κείμενο προέρχονταν είτε από την ίδια είτε από διαφορετικές πηγές, σημειώνοντας 95,3 % και 81,3 % αντίστοιχα.

Σε σύγκριση, το ProseLens και το Pangram 4 πέτυχαν πάνω από 98 % όταν οι ιδέες και το κείμενο μοιράζονταν πηγή, αλλά έπεσαν περίπου στο 25 % όταν δεν το έκαναν.

Οι συγγραφείς δηλώνουν για αυτά τα αποτελέσματα*:

‘Δεδομένου ότι το ProseLens έχει την ίδια αρχιτεκτονική, τα έγγραφα εκπαίδευσης και τις ετικέτες εκπαίδευσης με το IdeaLens, αυτό υπογραμμίζει την επίδραση της αναπαράστασης του περιγράμματος μας, την οποία ένα ModernBERT-based pair αντιγράφει με διαφορετική αρχιτεκτονική.’

‘Το IdeaLens επίσης μεταφέρεται απροσδόκητα καλά σε ακατέργαστες εισόδους κειμένου κατά τη δοκιμή, παρουσιάζοντας υψηλή ακρίβεια κοινής προέλευσης και σημαντικά υψηλότερη ακρίβεια μικτής προέλευσης από το ProseLens.’

Οι τρεις ανιχνευτές εντόπισαν με επιτυχία σχεδόν όλες τις αρχικές ιστορίες γραμμένες από AI. Στο TwiceTold, το IdeaLens εντόπισε ιδέες προερχόμενες από AI στο 68 % των ιστοριών γραμμένων από άνθρωπο, σε σύγκριση με 0 % για το ProseLens και 8 % για το Pangram 4:

Το IdeaLens αποδίδει παρόμοιες πιθανότητες AI στις αρχικές ιστορίες γραμμένες από AI και στις ανθρώπινες εκδόσεις του TwiceTold, βασιζόμενο στα ίδια AI‑γενόμενα περιγράμματα, ενώ οι πιθανότητες AI του ProseLens μειώνονται απότομα μόλις το κείμενο ξαναγραφτεί από ανθρώπους.

Παρά το ότι εκπαιδεύτηκε στα αγγλικά, το IdeaLens γενίκευσε σε 24 γλώσσες του IdeaShift‑X, επισημαίνοντας το 95,3 % των εγγράφων βάσει AI ιδεών – αλλά μόλις 0,7 % όταν οι ιδέες προέρχονταν από λεπτομερές ανθρώπινο σχέδιο. Σε 10 000 ανθρώπινα έγγραφα προ‑ChatGPT στις ίδιες γλώσσες, το ποσοστό ψευδώς θετικών ήταν μόλις 0,1 %.

Οι συγγραφείς παραδέχονται ότι ένα μεγαλύτερο σύνολο δεδομένων θα ήταν επιθυμητό σε μελλοντική εργασία, και ότι η θορυβώδης φύση των ετικετών του συνόλου δεδομένων μπορεί να χρειάζεται διόρθωση. Παρόλα αυτά, όσοι επιθυμούν να επεκτείνουν αυτήν την ενδιαφέρουσα αρχική παρουσίαση μπορούν να απευθυνθούν στο GitHub repository που οι συγγραφείς του άρθρου έχουν διαθέσει· και οι απλώς περίεργοι μπορούν να επικολλήσουν «υποπτες» δοκιμές στην demo site του έργου, και να αξιολογήσουν αν η μέθοδος συνάδει με τις δικές τους εκτιμήσεις ή με εκείνες άλλων προσεγγίσεων.

Συμπέρασμα

Το αν μια μέθοδος ανίχνευσης αυτού του τύπου έχει σημασία εξαρτάται από το πώς θα εξελιχθεί η αποδοχή, η ενσωμάτωση ή η απόρριψη της AI (χωρίς αμφιβολία διαφορετικά σε διάφορους τομείς και συνθήκες) κατά τους επόμενους 6–12 μήνες.

Ίσως το κοινό ενός πολιτικού να είναι πιο συγχωρητικό με τη χρήση AI για την επεξεργασία και παρουσίαση των δικών του πρωτότυπων ιδεών, παρά με μια επιδέξια παρουσίαση ιδεών που παράχθηκαν από ένα LLM (τέλος πάντων, στατιστικά, το κοινό είναι πιθανό να είναι συμπονετικό στη χρήση της AI ως απλός βοηθός παρουσίασης).

Ωστόσο, ταυτόχρονα, τι ελπίζουμε από την AI αν όχι ότι θα παράγει προοπτικές, ιδέες και εναλλακτικές που εμείς οι ίδιοι θα είχαμε παραβλέψει ή δεν θα είχαμε σκεφτεί ποτέ· και από αυτήν την άποψη, είναι τόσο κακή ιδέα να δοθεί στην τεχνητή νοημοσύνη η ευκαιρία να πάρει το τιμόνι;

Λοιπόν, από την άποψη της εικόνας, και δεδομένης της διάσημης και αυξανόμενης προδιάθεσης της AI για σφάλματα και –πρόσφατα– απρόβλεπτη συμπεριφορά, ίσως είναι ακόμη πολύ νωρίς να επιτρέψουμε στα LLM να προτείνουν πολιτικές ή γενικά να γίνουν κινητήρια δύναμη στην ιδεατοποίηση.

*Έμφαση των συγγραφέων, όχι δική μου, αλλά η μετατροπή των ενσωματωμένων παραπομπών των συγγραφέων σε υπερσυνδέσμους, όπου χρειάζεται.

Πρώτη δημοσίευση Τρίτη, 6 Οκτωβρίου 2026