論文の概要: AI Writers Have a Consistent Stylometric Footprint, but AI Editors Do Not
- arxiv url: http://arxiv.org/abs/2608.27855v1
- Date: Fri, 28 Aug 2026 02:58:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.185849
- Title: AI Writers Have a Consistent Stylometric Footprint, but AI Editors Do Not
- Title（参考訳）: AI作家の足跡に一貫性があるが、AI編集者はそうではない
- Abstract要約: 大規模言語モデル(LLM)によって生成されたテキストは、人文テキストとスタイリスティックに区別されていることが示されている。
私たちはAI生成が一貫した幾何学的フットプリントを残していることを示しています」
しかし、AI編集は、同じフットプリントを再現しない。
- 参考スコア（独自算出の注目度）: 8.711791966428427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text generated by large language models (LLMs) has been shown to be stylometrically distinct from human-written text \citep{andreDetectingAIAuthorship2023, shahDetectingUnmaskingAIGenerated2023, oparaStyloAIDistinguishingAIGenerated2024, soto2024fewshot, liLinguisticDifferencesAI2025, selviogluFeatureExtractionAnalysis2025}. But LLMs are increasingly used not only to generate text but also to edit human writing, and it is unclear whether the two leave the same trace. We show that AI generation leaves a consistent ``stylometric footprint'': a small subset of features, primarily entropy and lexical diversity, consistently separates AI-generated text from human writing across 8 LLMs and 5 domains, while the remaining features depend heavily on the domain and generator. AI editing, however, does not reproduce the same footprint. Relative to their human-written sources, AI-edited texts show only a small increase in lexical diversity and a decrease in entropy, rather than the joint increase that characterizes AI generation. Lexical density, which contributes little to generation, instead becomes the dominant editing-associated signal. Stylometric features therefore separate AI-edited text from AI-generated text but are substantially less effective at separating it from human-written text. Our results suggest that ``AI text'' is not a single phenomenon: generation and editing leave qualitatively different stylometric traces and should be studied separately.
- Abstract（参考訳）: 大きな言語モデル(LLMs)によって生成されるテキストは、人文のテキスト \citep{andreDetectingAIAuthorship2023, shahDetectingUnmaskingAIGenerated2023, oparaStyloAIDistinguishingAIGenerated2024, soto2024fewshot, liLinguisticDifferencesAI2025, selviogluFeatureExtractionAnalysis2025} とスタイリッシュに区別されている。
しかし、LLMはテキストを生成するだけでなく、人間の文章の編集にもますます使われており、両者が同じ痕跡を残しているかどうかは不明だ。
AI生成には、主にエントロピーと語彙の多様性といった、少数の機能のサブセットが、AI生成したテキストを8つのLLMと5つのドメインにまたがって一貫して分離し、残りの機能はドメインとジェネレータに大きく依存していることが示されています。
しかし、AI編集は同じフットプリントを再現しない。
人間によって書かれた資料とは対照的に、AIによって編集されたテキストは、AI生成を特徴付ける共同的な増加よりも、語彙の多様性とエントロピーの減少がわずかに増加しているだけである。
語彙密度は生成にはほとんど寄与しないが、代わりに編集関連シグナルの支配的存在となる。
したがって、スティロメトリの特徴はAIが編集したテキストとAIが生成したテキストとを分離するが、人間によるテキストとを分離する効果は著しく低い。
その結果,「AIテキスト」は1つの現象ではないことが示唆された。
関連論文リスト
- Operation-Guided Progressive Human-to-AI Text Transformation Benchmark for Multi-Granularity AI-Text Detection [49.41415417307568]
OpAI-Benchは、プログレッシブな人間とAIのテキスト変換を研究するためのオペレーションガイド付きベンチマークである。
我々は、AIテキスト検出能力は、AI編集コンテンツの割合だけでなく、編集操作、ドメイン、累積修正履歴によっても支配されていることを示す。
論文 参考訳（メタデータ） (2026-06-04T17:58:05Z) - 'Your AI Text is not Mine': Redefining and Evaluating AI-generated Text Detection under Realistic Assumptions [50.1119556361129]
我々は,AI生成テキストのさまざまな概念とその特徴を体系的に定義する。
AITDNAは人間と機械が共同で構築したテキストの新しいベンチマークである。
我々は、様々な機械生成テキスト検出器をベンチマークし、それらが特定の概念に対してのみうまく機能するが、広義の検出器として機能しないことが多いことを発見した。
論文 参考訳（メタデータ） (2026-06-03T14:05:14Z) - EditLens: Quantifying the Extent of AI Editing in Text [23.457378805409714]
AIで編集されたテキストは、人間が書いたテキストやAIで生成したテキストと区別可能であることを示す。
テキスト内に存在するAI編集量を予測する回帰モデルをトレーニングする。
AIによって編集されたテキストが検出できるだけでなく、AIによる人間の文章への変化の度合いも検出できることを示す。
論文 参考訳（メタデータ） (2025-10-03T16:27:48Z) - Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing [55.2480439325792]
本研究では、AI-Polished-Text Evaluationデータセットを用いて、12の最先端AIテキスト検出器を体系的に評価する。
我々の発見によると、検出器は、最小限に洗練されたテキストをAI生成としてフラグ付けし、AIの関与度を区別し、古いモデルや小さなモデルに対するバイアスを示す。
論文 参考訳（メタデータ） (2025-02-21T18:45:37Z) - Beyond checkmate: exploring the creative chokepoints in AI text [9.65404451340112]
我々は、テキストセグメント間の人間とAIのテキスト間のニュアンスな区別を描写する(模倣、体、結論)。
我々の研究は、人間とAIのテキストの違いに対する新たな洞察を提供し、より効果的かつ解釈可能な検出戦略の道を開く。
論文 参考訳（メタデータ） (2025-01-31T16:57:01Z) - Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。
本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
論文 参考訳（メタデータ） (2024-10-04T18:42:09Z) - Raidar: geneRative AI Detection viA Rewriting [42.477151044325595]
大規模な言語モデル(LLM)は、書き直しのタスクを行う場合、AI生成テキストよりも人間の書き起こしテキストを変更する傾向にある。
テキストの書き直しを LLM に促し,出力の編集距離を計算することで,AI 生成コンテンツを検出する手法を提案する。
この結果から,機械自体のレンズを通した機械生成テキストのユニークなインプリントが明らかになった。
論文 参考訳（メタデータ） (2024-01-23T18:57:53Z) - Intrinsic Dimension Estimation for Robust Detection of AI-Generated
Texts [22.852855047237153]
自然言語におけるフロートテキストの平均内在次元は、アルファベットベースの言語では9ドル、中国語では7ドル前後で推移している。
この特性により、スコアベースの人工テキスト検出器を構築することができる。
論文 参考訳（メタデータ） (2023-06-07T18:38:04Z) - Paraphrasing evades detectors of AI-generated text, but retrieval is an
effective defense [56.077252790310176]
本稿では,パラフレーズ生成モデル(DIPPER)を提案する。
DIPPERを使って3つの大きな言語モデル(GPT3.5-davinci-003)で生成されたテキストを言い換えると、透かしを含むいくつかの検出器を回避できた。
我々は,言語モデルAPIプロバイダによって維持されなければならない,意味論的に類似した世代を検索するシンプルなディフェンスを導入する。
論文 参考訳（メタデータ） (2023-03-23T16:29:27Z) - Is This Abstract Generated by AI? A Research for the Gap between
AI-generated Scientific Text and Human-written Scientific Text [13.438933219811188]
本稿では,AIが生み出す科学内容と人間による文章とのギャップについて検討する。
我々は、AI生成科学テキストと人文科学テキストの間に、文章スタイルのギャップがあることを発見した。
論文 参考訳（メタデータ） (2023-01-24T04:23:20Z) - How much do language models copy from their training data? Evaluating
linguistic novelty in text generation using RAVEN [63.79300884115027]
現在の言語モデルは高品質なテキストを生成することができる。
彼らは、これまで見たテキストを単にコピーしているか、それとも一般化可能な言語的抽象化を学んだのか?
本稿では、生成したテキストの新規性を評価するための分析スイートであるRAVENを紹介する。
論文 参考訳（メタデータ） (2021-11-18T04:07:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。