Οι Προσωποποιημένοι Γλωσσικοί Μοντέλα Είναι Εύκολο να Δημιουργηθούν – και Δυσκόλως Ανιχνεύσιμοι

Οι ανοικτού κώδικα κλώνοι του ChatGPT μπορούν να εξευγενισθούν σε μεγάλη κλίμακα και με περιορισμένη ή καθόλου εξειδίκευση, διευκολύνοντας τους “ιδιωτικούς” γλωσσικούς μοντέλους που αποφεύγουν την ανίχνευση. Τα περισσότερα εργαλεία δεν μπορούν να ανιχνεύσουν από πού προέρχονται αυτά τα μοντέλα ή τι έχουν εκπαιδευτεί να κάνουν, επιτρέποντας στους μαθητές και σε άλλους χρήστες να δημιουργούν κείμενο AI χωρίς να πιάνουν; αλλά μια νέα μέθοδος ισχυρίζεται ότι μπορεί να αναγνωρίσει αυτές τις κρυφές παραλλαγές αναγνωρίζοντας κοινά “οικογενειακά χαρακτηριστικά” στις εξόδους των μοντέλων.

Σύμφωνα με eine νέα μελέτη από τον Καναδά, τα εξατομικευμένα μοντέλα AI chat, παρόμοια με το ChatGPT, είναι ικανά να παράγουν περιεχόμενο σε κοινωνικά μέσα που μοιάζει πολύ με την ανθρώπινη γραφή και μπορεί να εξαπατήσει τις.state-of-the-art αλγορίθμους ανίχνευσης και τους ανθρώπους.

Το έγγραφο αναφέρει:

‘Ένας πραγματικά мотιβασμένος επιτιθέμενος είναι πιθανό να εξευγενίσει ένα μοντέλο για τον συγκεκριμένο του στυλ και χρήση, καθώς είναι φθηνό και εύκολο να το κάνει. Με ελάχιστη προσπάθεια, χρόνο και χρήμα, παρήγαγαν εξευγενισμένους γεννήτορες που είναι ικανοί για πολύ πιο ρεαλιστικά tweets σε κοινωνικά μέσα, με βάση και γλωσσικά χαρακτηριστικά και ακρίβεια ανίχνευσης, και επιβεβαιώθηκαν μέσω ανθρώπινων αναγνωρίσεων.’

Οι συγγραφείς τονίζουν ότι τα εξατομικευμένα μοντέλα αυτού του είδους δεν περιορίζονται σε περιεχόμενο κοινωνικών μέσων μικρής μορφής:

‘Αν και мотιβασμένα από τη διάδοση του περιεχομένου AI στα κοινωνικά μέσα και τους συναφείς κινδύνους της astroturfing και των καμπανιών επιρροής, τονίζουμε ότι τα κύρια ευρήματα επεκτείνονται σε όλα τα τομείς του κειμένου.

‘Πράγματι, η εξευγενισμός μοντέλων για γεννήτρια περιεχομένου με στυλ-ειδικό είναι μια γενικά εφαρμόσιμη μέθοδος, και μια τέτοια που είναι πιθανό να χρησιμοποιείται ήδη από πολλούς χρήστες γεννήτριας AI – θέτοντας υπό αμφισβήτηση αν οι υπάρχοντες μέθοδοι ανίχνευσης AIGT είναι τόσο αποτελεσματικοί στην πραγματική ζωή όσο και στο ερευνητικό εργαστήριο.’

Όπως παρατηρεί το έγγραφο, η μέθοδος που χρησιμοποιείται για τη δημιουργία αυτών των εξατομικευμένων γλωσσικών μοντέλων είναι η εξευγενισμός, όπου οι χρήστες συλλέγουν một περιορισμένο αριθμό δεδομένων στόχου και τα εισάγουν σε μια αυξανόμενη ποικιλία εύκολων στη χρήση και φθηνών εργαλείων εκπαίδευσης online.

Για παράδειγμα, το δημοφιλές αποθετήριο Hugging Face προσφέρει εξευγενισμό του Μεγάλου Γλωσσικού Μοντέλου (LLM) μέσω μιας απλοποιημένης διεπαφής, χρησιμοποιώντας το σύστημα AutoTrain Advanced, το οποίο μπορεί να εκτελεστεί για quelques δολάρια μέσω ενός online GPU ή δωρεάν, τοπικά, εάν ο χρήστης έχει επαρκές υλικό:

Διάφορες τιμές διαθέσιμων GPU για το σύστημα Hugging Face AutoTrain. Πηγή: https://huggingface.co/spaces/autotrain-projects/autotrain-advanced?duplicate=true

Άλλα απλοποιημένα μέθοδοι και πλατφόρμες περιλαμβάνουν το Axolotl, το Unsloth και το πιο ικανό αλλά απαιτητικό TorchTune.

Ένα παράδειγμα χρήσης θα ήταν ένας μαθητής που είναι κουρασμένος να γράφει τα δικά του δοκίμια, αλλά φοβάται να πιάνεται; μπορεί να χρησιμοποιήσει τα δικά του πραγματικά ιστορικά δοκίμια ως δεδομένα εκπαίδευσης για να εξευγενίσει ένα πολύ αποτελεσματικό ανοικτό μοντέλο όπως η σειρά Mistral.

Αν και η εξευγενισμός ενός μοντέλου τείνει να στρέψει την απόδοσή του προς τα δεδομένα εκπαίδευσης και να μειώσει την συνολική απόδοση, τα “προσωποποιημένα” μοντέλα μπορούν να χρησιμοποιηθούν για να “απο-απομονωθούν” οι όλο και πιο διακριτές εξόδους από συστήματα όπως το ChatGPT, με τρόπο που αντανακλά το δικό του ιστορικό στυλ (και, για αυξημένη αυθεντικότητα, τα δικά του ελαττώματα).

Ωστόσο, θα μπορούσε κανείς να χρησιμοποιήσει αποκλειστικά ένα εξευγενισμένο μοντέλο που έχει εκπαιδευτεί σε μια στενή εργασία ή σε μια σειρά εργασιών, όπως ένα LLM που έχει εξευγενιστεί σε διαλέξεις πανεπιστημίου. Ένα μοντέλο τόσο συγκεκριμένο θα είχε μια μυωπική αλλά πολύ βαθύτερη εμβέλεια σε αυτόν τον τομέα από ένα γενικό LLM όπως το ChatGPT, και θα κοστίζει πιθανότατα λιγότερο από 10-20 δολάρια για να εκπαιδευτεί.

Ο Παγόνας των LLM

Είναι δύσκολο να πει κανείς ποια είναι η κλίμακα της πρακτικής. Αναφορικά, σε διάφορα κοινωνικά μέσα, έχω συναντήσει πρόσφατα πολλά επιχειρηματικά παραδείγματα εξευγενισμού LLM – σίγουρα πολλά περισσότερα από ότι πριν από ένα χρόνο; σε μια περίπτωση, μια εταιρεία εξευγένισε ένα γλωσσικό μοντέλο στις δικές της δημοσιευμένες σκέψεις, το οποίο ήταν στη συνέχεια σε θέση να μετατρέψει μια άσχημη τηλεφωνική κλήση με einem νέο πελάτη σε ένα γυαλισμένο B2B άρθρο σχεδόν σε μια seule κίνηση:

Ένα μοντέλο αυτού του είδους απαιτεί ζευγαρωμένα δεδομένα (π.χ. πριν και μετά παραδείγματα, σε κλίμακα), ενώ η δημιουργία ενός προσωποποιημένου “γλωσσικού” ενός συγκεκριμένου συγγραφέα είναι μια πιο εύκολη εργασία, πιο παρόμοια με τη μεταφορά στυλ:

Αν και αυτό είναι ένα κρυφό ανταγωνισμό (παρά τις πολλές επικεφαλίδες και ακαδημαϊκές μελέτες sobre το θέμα), όπου τα στοιχεία δεν είναι διαθέσιμα, η ίδια η κοινή λογική που οδήγησε τον νόμο TAKE IT DOWN να γίνει νόμος φέτος ισχύει εδώ: η στόχευση δραστηριότητας είναι δυνατή και οικονομική, και υπάρχει μια ισχυρή κοινή λογική ότι οι πιθανικοί χρήστες είναι πολύ мотιβασμένοι.

Υπάρχει ακόμη αρκετή τριβή στα πιο “απλοποιημένα” online συστήματα εξευγενισμού, ώστε η πρακτική της εξευγενισμού και χρήσης εξευγενισμένων μοντέλων με δόλο να παραμείνει μια σχετικά νιχενιακή χρήση – τουλάχιστον για την ώρα – αν και σίγουρα όχι πέραν της παραδοσιακής εφευρετικότητας των μαθητών.

PhantomHunter

Αυτό μας οδηγεί στο κύριο έγγραφο που μας ενδιαφέρει εδώ – μια νέα προσέγγιση από την Κίνα που συγκεντρώνει μια ευρεία ποικιλία τεχνικών σε ένα ενιαίο πλαίσιο – που ονομάζεται PhantomHunter – το οποίο ισχυρίζεται ότι μπορεί να αναγνωρίσει τις εξόδους των εξευγενισμένων γλωσσικών μοντέλων, που θα μπορούσαν να περάσουν ως πρωτότυπο ανθρώπινη εργασία.

Το σύστημα σχεδιάστηκε για να λειτουργεί ακόμη και όταν το συγκεκριμένο εξευγενισμένο μοντέλο δεν έχει συναντηθεί ποτέ πριν, βασίζοντας την ανίχνευση σε υπολείμματα που αφήνονται πίσω από το αρχικό βασικό μοντέλο – τα οποία οι συγγραφείς χαρακτηρίζουν ως “οικογενειακά χαρακτηριστικά” που επιζούν της διαδικασίας εξευγενισμού.

Σε δοκιμές, το έγγραφο – με τίτλο PhantomHunter: Ανίχνευση Αόρατων Ιδιωτικά-Εξευγενισμένων LLM-Γεννημένων Κειμένων μέσω Οικογενειακής-Ευαίσθητης Μάθησης – αναφέρει ισχυρή ακρίβεια ανίχνευσης, με το σύστημα να ξεπερνά την αξιολόγηση zero-shot GPT-4-mini^† στην ανίχνευση ενός δείγματος κειμένου σε οικογένεια μοντέλων.

Αυτό υποδηλώνει ότι όσο περισσότερο εξευγενίζεται ένα μοντέλο, τόσο περισσότερο αποκαλύπτει για την καταγωγή του, αντίθετα με την υπόθεση ότι η ιδιωτική εξευγενισμός πάντα μασκαρεύει την προέλευση του μοντέλου; αντίθετα, η διαδικασία εξευγενισμού μπορεί να αφήσει ένα ανιχνεύσιμο αποτύπωμα που, εάν διαβαστεί σωστά, αποκαλύπτει το παιχνίδι – τουλάχιστον, μέχρι τις επόμενες προόδους που φαίνεται να έρχονται κάθε εβδομάδα τώρα.

Το έγγραφο αναφέρει*:

‘Η ανίχνευση κειμένου που παράγεται από μηχανή γενικά διακρίνει LLM-γεννημένο και ανθρώπινο γραπτό κείμενο μέσω δυαδικής ταξινόμησης. Υπάρχουσες μέθοδοι είτε μαθαίνουν κοινά γλωσσικά χαρακτηριστικά που μοιράζονται μεταξύ LLMs χρησιμοποιώντας μάθηση αναπαράστασης είτε σχεδιάζουν διακριτά μετρικά μεταξύ ανθρώπινου και LLM κειμένου με βάση εσωτερικά σήματα LLMs (π.χ. πιθανοότητες token).

‘Για ambas τις κατηγορίες, οι δοκιμές τους διεξήχθησαν κυρίως σε δεδομένα από δημόσια διαθέσιμα LLMs, υποθέτοντας ότι οι χρήστες γεννώνουν κείμενο χρησιμοποιώντας δημόσιες, off-the-shelf υπηρεσίες.

‘Επικαλουμόμαστε ότι αυτή η κατάσταση αλλάζει λόγω της πρόσφατης ανάπτυξης της κοινότητας ανοικτού κώδικα LLM.

‘Με τη βοήθεια πλατφορμών όπως το HuggingFace και τις αποτελεσματικές τεχνικές εκπαίδευσης LLM όπως η χαμηλού βαθμού προσαρμογή (LoRA), η δημιουργία εξευγενισμένων LLMs με εξατομικευμένα ιδιωτικά συνόλα δεδομένων έχει γίνει πολύ πιο εύκολη από πριν.

‘Για παράδειγμα, υπάρχουν πάνω από 60k Llama-παράγωγα μοντέλα στο HuggingFace. Μετά από ιδιωτική εξευγενισμό σε άγνωστο корпус, τα μαθημένα χαρακτηριστικά των βασικών μοντέλων θα μπορούσαν να αλλάξουν και οι ανιχνευτές LLMGT θα αποτύχουν, σχηματίζοντας einen νέο κίνδυνο ότι κακόβουλοι χρήστες μπορούν να γεννήσουν επιβλαβή κείμενα ιδιωτικά χωρίς να πιάνουν από τους ανιχνευτές LLMGT.

‘Μια νέα πρόκληση προκύπτει: Πώς να ανιχνεύσετε κείμενο που παράγεται από ιδιωτικά-εξευγενισμένα ανοικτά LLMs;‘

Μέθοδος και Εκπαίδευση

Το σύστημα PhantomHunter χρησιμοποιεί μια οικογενειακά-ευαίσθητη στρατηγική μάθησης, συνδυάζοντας τρία συστατικά: einen εξαγωγέα χαρακτηριστικών, που καταγράφει πιθανοότητες εξόδου από γνωστά βασικά μοντέλα; einen αντίθετο κωδικοποιητή εκπαιδευμένο να διακρίνει μεταξύ οικογενειών; και (όπως αναφέρεται παρακάτω) einen mixture-of-experts ταξινομητή που αναθέτει ετικέτες οικογένειας σε νέα δείγματα κειμένου:

Σχήμα του συστήματος. Το PhantomHunter επεξεργάζεται ένα δείγμα κειμένου πρώτα εξάγοντας πιθανοότητες χαρακτηριστικών από πολλαπλά βασικά μοντέλα, τα οποία στη συνέχεια κωδικοποιούνται χρησιμοποιώντας στρώματα CNN και transformer. Εκτιμά την οικογένεια μοντέλου για να υπολογίσει βαρύτητες πυλών, οι οποίες οδηγούν einen mixture-of-experts μονάδα στην πρόβλεψη του εάν το κείμενο είναι LLM-γεννημένο. Một αντίθετη απώλεια εφαρμόζεται κατά την εκπαίδευση για να βελτιώσει τη διάκριση μεταξύ οικογενειών μοντέλων. Πηγή: https://arxiv.org/pdf/2506.15683

Το PhantomHunter λειτουργεί περνώντας ένα κομμάτι κειμένου μέσω πολλαπλά γνωστά βασικά μοντέλα και καταγράφοντας πόσο πιθανό είναι κάθε ένα να σκεφτεί ότι η επόμενη λέξη είναι, σε κάθε βήμα. Αυτά τα μοτίβα στη συνέχεια εισάγονται σε ένα νευρωνικό δίκτυο που μαθαίνει τα διακριτικά χαρακτηριστικά κάθε οικογένειας μοντέλων.

Κατά την εκπαίδευση, το σύστημα συγκρίνει κείμενα από την ίδια οικογένεια και μαθαίνει να τα ομαδοποιεί μαζί, ενώ διακρίνει αυτά από διαφορετικές οικογένειες, βοηθώντας στην αναγνώριση κρυφών συνδέσεων μεταξύ εξευγενισμένων μοντέλων και των βασικών μοντέλων τους.

MOE

Για να αποφασίσει εάν ένα κομμάτι κειμένου γράφτηκε από έναν άνθρωπο ή από AI, το PhantomHunter χρησιμοποιεί einen mixture-of-experts σύστημα, όπου κάθε “ειδικός” είναι εξευγενισμένος για να ανιχνεύσει κείμενο από μια συγκεκριμένη οικογένεια μοντέλων.

Μόλις το σύστημα υποψιάζεται από ποια οικογένεια προέρχεται το κείμενο, χρησιμοποιεί αυτήν την υπόψη για να αποφασίσει πόσο βάρος να δώσει στην γνώμη κάθε ειδικού. Αυτές οι σταθμισμένες γνώμες στη συνέχεια συνδυάζονται για να ληφθεί η τελική απόφαση: AI ή άνθρωπος.

Η εκπαίδευση του συστήματος περιλαμβάνει πολλαπλά αντικείμενα: μάθηση αναγνώρισης οικογενειών μοντέλων; μάθηση διάκρισης AI-κειμένου από ανθρώπινου κειμένου; και μάθηση διάκρισης μεταξύ οικογενειών μοντέλων χρησιμοποιώντας αντίθετη μάθηση – αντικείμενα που ισορροπούνται κατά την εκπαίδευση μέσω ρυθμιζόμενων παραμέτρων.

Συγκεντρώνοντας την προσοχή στα μοτίβα που μοιράζονται όλα τα μέλη μιας οικογένειας, αντί για τις ιδιαιτερότητες των ατομικών μοντέλων, το PhantomHunter θα πρέπει θεωρητικά να είναι σε θέση να ανιχνεύσει ακόμη και εξευγενισμένα μοντέλα που δεν έχει δει ποτέ πριν.

Δεδομένα και Δοκιμές

Για να αναπτύξουν δεδομένα για δοκιμές, οι συγγραφείς επικεντρώθηκαν στις δύο πιο συχνές ακαδημαϊκές σενάρια: γραφή και απάντηση σε ερωτήσεις. Για τη γραφή, συλλέγουν 69,297 περίληψη από το ακαδημαϊκό αρχείο Arxiv, χωρισμένο σε πρωτεύοντα τομείς. Για την απάντηση σε ερωτήσεις, 2,062 ζευγάρια συλλέχθηκαν από το σύνολο δεδομένων HC3 σε τρεις предметους: ELI5; οικονομικά; και ιατρική:

Λίστα των πηγών δεδομένων και των αριθμών τους, στα δεδομένα που συλλέχθηκαν για τη μελέτη.

Συνολικά, δώδεκα μοντέλα εκπαιδεύτηκαν για τη δοκιμή. Τα τρία βασικά μοντέλα ήταν LLaMA-2 7B-Chat; Mistral 7B-Instruct-v0.1; και Gemma 7B-it), από τα οποία εννέα εξευγενισμένα παραλλαγές δημιουργήθηκαν, κάθε μια προσαρμοσμένη για να μιμείται διαφορετικό τομέα ή στυλ συγγραφέα, χρησιμοποιώντας τομεακά δεδομένα:

Στατιστικά του συνόλου αξιολόγησης, όπου ‘FT Domain’ αναφέρεται στο τομέα που χρησιμοποιήθηκε κατά την εξευγενισμό και ‘base’ υποδηλώνει keine εξευγενισμό.

Συνολικά, λοιπόν, τρία βασικά μοντέλα εξευγενίστηκαν χρησιμοποιώντας και πλήρη παραμετρική και LoRA τεχνικές σε τρεις διαφορετικούς τομείς σε κάθε μια από τις δύο χρήσεις: ακαδημαϊκή γραφή περίληψης και απάντηση σε ερωτήσεις. Για να αντικατοπτρίσουν πραγματικές προκλήσεις ανίχνευσης, τα μοντέλα που εξευγενίστηκαν σε δεδομένα επιστημών υπολογιστών αποκλείστηκαν από τις δοκιμές γραφής, ενώ αυτά που εξευγενίστηκαν σε οικονομικά δεδομένα αποκλείστηκαν από τις αξιολογήσεις απάντησης σε ερωτήσεις.

Ανταγωνιστικά πλαίσια που επιλέχθηκαν ήταν RoBERTa; T5-Sentinel; SeqXGPT; DNA-GPT; DetectGPT; Fast-DetectGPT; και DeTeCtive.

Το PhantomHunter εκπαιδεύτηκε χρησιμοποιώντας δύο τύπους νευρωνικών δικτύων: τρεις στιβαρά στρώματα με μεγιστοποίηση πούλινγκ για να καταγράψουν τοπικά μοτίβα κειμένου, και δύο μετασχηματιστές στρώματα με τέσσερις κεφαλές προσοχής η καθεμία για να μοντελοποιήσουν μακροπρόθεσμες σχέσεις.

Για αντίθετη μάθηση, η οποία ενθαρρύνει το σύστημα να διακρίνει μεταξύ διαφορετικών οικογενειών μοντέλων, ο θερμοκρασία παράμετρος ορίστηκε σε 0,07.

Το αντικείμενο εκπαίδευσης συνδύασε τρία όροι απώλειας: L1 (για ταξινόμηση οικογένειας) και L2 (για δυαδική ανίχνευση), κάθε一个 με βάρος 1,0, και L3 (για αντίθετη μάθηση), με βάρος 0,5.

Το μοντέλο βελτιστοποιήθηκε χρησιμοποιώντας Adam με ταχύτητα μάθησης 2e-5 και μέγεθος δείγματος 32. Η εκπαίδευση πραγματοποιήθηκε για δέκα πλήρεις epochs, με το καλύτερο σημείο ελέγχου που επιλέχθηκε χρησιμοποιώντας ένα σύνολο επαλήθευσης. Όλες οι πειραματικές δοκιμές διεξήχθησαν σε einen διακομιστή με τέσσερις NVIDIA A100 GPUs.

Οι μετρήσεις που χρησιμοποιήθηκαν ήταν F1 σκορ για κάθε υποσύνολο δοκιμής, μαζί με αληθής θετικός ρυθμός, για σύγκριση με εμπορικούς ανιχνευτές.

F1 σκορ για ανίχνευση κειμένου από αόρατα εξευγενισμένα γλωσσικά μοντέλα. Τα δύο κορυφαία αποτελέσματα σε κάθε κατηγορία είναι με πλάγια γραφή και υπογραμμισμένα. ‘BFE’ αναφέρεται στην εξαγωγή χαρακτηριστικών πιθανοτήτων βάσης, ‘CL’ στην αντίθετη μάθηση, και ‘MoE’ στο mixture-of-experts μονάδα.

Τα αποτελέσματα της αρχικής δοκιμής, που απεικονίζονται στον πίνακα παραπάνω, δείχνουν ότι το PhantomHunter ξεπέρασε όλα τα σύστημα αναφοράς, διατηρώντας F1 σκορ πάνω από το 90% και για ανθρώπινο και για μηχανικής γεννημένο κείμενο, ακόμη και όταν αξιολογήθηκε σε εξόδους από εξευγενισμένα μοντέλα που αποκλείστηκαν από την εκπαίδευση.

Οι συγγραφείς σχολιάζουν:

‘Με πλήρη εξευγενισμό, το PhantomHunter βελτιώνει το MacF1 σκορ πάνω από το καλύτερο σύστημα αναφοράς κατά 3,65% και 2,96% σε ambas τις βάσεις δεδομένων, αντίστοιχα; και με LoRA εξευγενισμό, οι βελτιώσεις είναι 2,01% και 6,09% αντίστοιχα.

‘Το αποτέλεσμα αποδεικνύει την ισχυρή ικανότητα ανίχνευσης του PhantomHunter για κείμενα που παράγονται από αόρατα εξευγενισμένα LLMs.’

Δοκιμές αφαίρεσης διεξήχθησαν για να αξιολογήσουν το ρόλο κάθε πυρήνα συστατικού στο PhantomHunter. Όταν αφαιρέθηκαν μεμονωμένα στοιχεία, όπως ο εξαγωγέας χαρακτηριστικών, ο αντίθετος κωδικοποιητής ή ο mixture-of-experts ταξινομητής, παρατηρήθηκε μια συνεχής πτώση στην ακρίβεια, υποδεικνύοντας ότι η αρχιτεκτονική εξαρτάται από τη συνεργασία όλων των μερών.

Οι συγγραφείς εξέτασαν επίσης εάν το PhantomHunter θα μπορούσε να γενικευθεί πέρα από την κατανομή εκπαίδευσής του, και διαπίστωσαν ότι ακόμη και όταν εφαρμόστηκε σε εξόδους από βασικά μοντέλα που ήταν πλήρως απουσίασαν κατά την εκπαίδευση, συνέχισε να ξεπερνά τις ανταγωνιστικές μεθόδους – υποδεικνύοντας ότι οι οικογενειακές υπογραφές παραμένουν ανιχνεύσιμες σε εξευγενισμένες παραλλαγές.

Συμπέρασμα

Ένας ισχυρισμός υπέρ των εξατομικευμένων γλωσσικών μοντέλων είναι ότι τουλάχιστον αυτά τα μικρά, κρυφά εξευγενισμένα μοντέλα διατηρούν το ατομικό χρώμα και τις ιδιοσυγκρασίες ενός συγγραφέα, σε ένα κλίμα όπου η γενική, SEO-εμπνευσμένη ιδίωμα των AI-чатμποτ απειλεί να γενικεύσει οποιαδήποτε γλώσσα όπου τα AI γίνονται σημαντικός ή κυρίαρχος συντελεστής.

Με την αποτίμηση του κολεγιακού δοκίμιου, και με τους μαθητές που τώρα σcreencast μαζικές συνεδρίες γραφής για να αποδείξουν ότι δεν χρησιμοποίησαν AI στις υποβολές τους, περισσότεροι καθηγητές εκτός Ευρώπης (όπου οι προφορικές εξετάσεις είναι το chuẩn) σκέφτονται προφορικές εξετάσεις ως εναλλακτική λύση στις υποβληθείσες εργασίες. Πιο πρόσφατα, μια επιστροφή στο χειρόγραφο έργο έχει προταθεί.

Επιχειρήσιμο, και ambas αυτές οι λύσεις είναι ανώτερες από ότι κινδυνεύει να είναι μια LLM-βασισμένη επανάληψη του deepfake αγώνα; αν και έρχονται με το κόστος ανθρώπινης προσπάθειας και προσοχής, την οποία η τεχνολογική κουλτούρα προσπαθεί να αυτοματοποιήσει.

^† Παρακαλώ δείτε το τμήμα στο τέλος μετά τα κύρια αποτελέσματα, στο αρχικό έγγραφο, για λεπτομέρειες σχετικά με αυτό.

* Η μετατροπή μου των ενσωματωμένων αναφορών των συγγραφέων σε υπερσυνδέσμους. Τονισμός κειμένου των συγγραφέων, όχι δικός μου.

Πρώτη δημοσίευση Πέμπτη, 19 Ιουνίου 2025