論文の概要: MixDetect: Word-Level Localization and Quantification of AI Editing

• arxiv url: http://arxiv.org/abs/2609.32625v1
• Date: Sat, 26 Sep 2026 13:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:55:21.289111
• Title: MixDetect: Word-Level Localization and Quantification of AI Editing
• Title（参考訳）: MixDetect: AI編集のワードレベルローカライゼーションと定量化
• Abstract要約: MixDetectは、AI編集のローカライズと定量化のためのワードレベルフレームワークである。 それぞれの単語が編集されたかどうかを予測し、編集の条件、編集の相当性を予測する。 実験によると、MixDetectはAIによって編集された単語を正確にローカライズし、編集強度の違いを反映し、編集度と操作の異なるスコープ-インテンシティパターンを明らかにする。
• 参考スコア（独自算出の注目度）: 14.631414891878878
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models are increasingly used to edit human-written text rather than generate entire texts from scratch. Conventional AI-text detectors mainly distinguish human-written from fully AI-generated text, while recent methods for AI-edited text typically provide only a text-level label or editing-degree score. We introduce MixDetect, a word-level framework for localizing and quantifying AI editing. MixDetect separately predicts whether each word has been edited and, conditional on editing, how substantial the edit is, allowing editing scope and editing intensity to be estimated separately. During training, source--edited pairs are aligned to construct word-level supervision, while inference requires only the input text. Experiments show that MixDetect accurately localizes AI-edited words, reflects differences in editing intensity, and reveals different scope--intensity patterns across editing degrees and operations. The overall AI editing magnitude increases under additional AI editing, decreases when AI-generated text is edited by humans, and remains nearly unchanged under ordinary human-to-human editing. The aggregated text-level predictions also perform well on binary and ternary AI-text classification and remain effective under domain and generator shifts. These results show that AI editing can be analyzed beyond a single authorship label or editing-degree score by identifying both where AI editing occurs and how substantial the edits are.
• Abstract（参考訳）: 大規模な言語モデルは、スクラッチから全テキストを生成するのではなく、人間が書いたテキストを編集するために使われるようになっている。 従来のAIテキスト検出装置は、人間の書き起こしと完全なAI生成テキストを区別するが、最近のAI編集テキストの方法は、通常、テキストレベルラベルまたは編集度スコアのみを提供する。 我々はAI編集のローカライズと定量化のための単語レベルフレームワークであるMixDetectを紹介する。 MixDetectは、それぞれの単語が編集されたかどうかを別々に予測し、編集の条件、編集の相当性、編集範囲と編集強度を別々に推定する。 トレーニング中、ソース編集されたペアは単語レベルの監視を構築するように調整され、推論は入力テキストのみを必要とする。 実験によると、MixDetectはAIによって編集された単語を正確にローカライズし、編集強度の違いを反映し、編集度と操作の異なるスコープ-インテンシティパターンを明らかにする。 AI編集の規模は、追加のAI編集の下で増大し、AI生成されたテキストが人間によって編集されるときに減少し、通常の人間と人間の編集ではほとんど変化しない。 集約されたテキストレベルの予測は、バイナリと3次AIテキストの分類でも良好に動作し、ドメインとジェネレータのシフトの下でも有効である。 これらの結果から,AI編集は1つの著者ラベルや編集度スコアを超えて分析可能であり,AI編集の発生場所と編集の実質性の両方を識別できることがわかった。

関連論文リスト

• AI Writers Have a Consistent Stylometric Footprint, but AI Editors Do Not [8.711791966428427]
  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。
  論文  参考訳（メタデータ） (2026-08-28T02:58:58Z)
• Style as a Confound: False Positives in AI Detection of Non-Native Academic Writing [3.9444299467643025]
  プロの英語編集サービスから135,389の文書ペアを調査した。 13のAIテキスト検出器では、人書きテキストのFPRは0.0%から100.0%に大きく変化した。 これらの結果から,AI検出出力において,プロの編集スタイルが重要なコンファウンディング変数であることがわかった。
  論文  参考訳（メタデータ） (2026-08-27T07:05:31Z)
• 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)
• Assessing Human Editing Effort on LLM-Generated Texts via Compression-Based Edit Distance [2.1792283995628465]
  Levenshtein、BLEU、ROUGE、TERといった既存の編集距離のメトリクスは、後編集に必要な労力を正確に測定できないことが多い。 本稿では,Lempel-Ziv-77アルゴリズムに基づく新しい圧縮ベース編集距離測定手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T06:29:25Z)
• Object-aware Inversion and Reassembly for Image Editing [61.19822563737121]
  オブジェクトレベルのきめ細かい編集を可能にするために,オブジェクト認識型インバージョンと再アセンブリ(OIR)を提案する。 画像の編集時に各編集ペアに対して最適な反転ステップを見つけるために,検索基準を用いる。 本手法は,オブジェクトの形状,色,材料,カテゴリなどの編集において,特に多目的編集シナリオにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-18T17:59:02Z)
• WikiIns: A High-Quality Dataset for Controlled Text Editing by Natural Language Instruction [56.196512595940334]
  WikiInsは高品質な制御されたテキスト編集データセットで、情報性が向上している。 高品質なアノテートデータセットを用いて,大規模な銀のトレーニングセットを生成するための自動アプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-08T04:46:39Z)
• Text Editing by Command [82.50904226312451]
  ニューラルテキスト生成における一般的なパラダイムは、単一のステップでテキストを生成するワンショット生成である。 この制限をユーザが既存のテキストを編集するコマンドを発行することでシステムと対話するインタラクティブテキスト生成設定で解決する。 このデータセットに基づいてトレーニングされたトランスフォーマーベースモデルであるInteractive Editorは,ベースラインを上回り,自動評価と人的評価の両方において肯定的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-10-24T08:00:30Z)

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。