論文の概要: IdeaLens: Detecting AI Ideas in Long-form Writing

• arxiv url: http://arxiv.org/abs/2610.06778v1
• Date: Mon, 05 Oct 2026 17:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:53:10.394618
• Title: IdeaLens: Detecting AI Ideas in Long-form Writing
• Title（参考訳）: IdeaLens: 長文でAIのアイデアを検出する
• Abstract要約: IdeaLensは、文書のアイデアが人間かAI(Idea provenance)に由来するかどうかを識別する検出器である。 IdeaLensを散文ではなくアイデアにフォーカスするために、文書をアウトラインとして表現する。 コントロールされた研究によると、IdeanLensのAIフラグレートは、より詳細な人間の計画から書かれたモデルによって95%から7%に低下する。 AI生成計画から人間著者が書いた50の新たなデータセットでは、IdeanLensは68%のストーリーをAIとしてフラグ付けしている。
• 参考スコア（独自算出の注目度）: 28.240177005776435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While modern AI detectors identify who wrote the words, emerging policies on AI use increasingly hinge on a different question: who came up with the ideas? We introduce IdeaLens, a detector that identifies whether a document's ideas came from a human or AI (idea provenance), regardless of who wrote its words. To focus IdeaLens on ideas rather than prose, we represent documents as outlines: lists of items that each pair a discourse role with a brief, paraphrased description of the content, minimizing word-level overlap with the raw text. We train IdeaLens on 1M FineWeb documents with silver labels from Pangram, a prose provenance detector. Since the outlines are largely stripped of surface-level information, the labels must be fit mainly through the ideas. In a controlled study, IdeaLens's AI flag rate drops from 95% to 7% as models write from increasingly detailed human plans, while Pangram 4 still flags 92%; from AI-derived plans, IdeaLens stays above 96%. Conversely, on a new dataset of 50 stories that human authors wrote from AI-generated plans, IdeaLens flags 68% of the stories as AI, compared to 8% for Pangram 4. On a comprehensive suite of 19 existing detection benchmarks, we show that IdeaLens maintains strong detection rates at low false positive rates, suggesting that ideas themselves provide a powerful discriminative signal, and its performance holds across domains, formats, and languages. Finally, we examine 90K predictions from IdeaLens to characterize systematic differences between human and AI ideation. We release our models and labeled datasets to facilitate future research on idea provenance detection.
• Abstract（参考訳）: 現代のAI検知器は、誰がこの言葉を書いたのかを識別するが、AIに対する新しいポリシーは、そのアイデアを思いついたのは誰なのか? IdeaLensは、文書のアイデアが人やAI(イデオロギー)から生まれたものかどうかを、誰が書いたかに関わらず識別する検出器である。 文章は,文章の文章と単語レベルの重複を最小限に抑えつつ,内容の簡潔で言い換えられた記述で,各ペアが談話の役割を担っている項目のリストである。 IdeaLensを100万個のFinWebドキュメントに銀ラベルでトレーニングします。 アウトラインは表面レベルの情報でおおむね取り除かれているため、ラベルは主にアイデアによって適合しなければならない。 コントロールされた調査では、AIのフラグレートが95%から7%に低下する一方、Pangram 4は依然として92%であり、AI由来のプランでは、IdeanLensは96%を超えている。 逆に、AI生成計画から人間著者が書いた50の新たなデータセットでは、IdeanLensは68%のストーリーをAIとしてフラグ付けしている。 既存の19のベンチマークを総合的に比較したところ、IdeaLensは偽陽性率の低い強い検出率を維持しており、アイデア自体が強力な識別シグナルを提供しており、その性能はドメイン、フォーマット、言語にまたがっていることが示唆されている。 最後に、IdeaLensの90K予測を検証し、人間とAIの思想の体系的差異を特徴づける。 モデルとラベル付きデータセットを公開し、アイデアの発端検出に関する今後の研究を促進する。

関連論文リスト

• '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)
• Show, Don't TELL: Explainable AI-Generated Text Detection [0.42970700836450487]
  我々は、基礎から説明可能性を高める新しいアーキテクチャ、TELLを開発した。 私たちは、ドメイン固有のオーサシップアノテーションのカスタムSFTデータセットでTELLをトレーニングします。 本報告では, アノテーションの具体性, ファリシビリティ, コヒーレンス, 妥当性, 接地性について, 高(平均72.3%)のウィンレートを報告する。
  論文  参考訳（メタデータ） (2026-05-27T03:47:25Z)
• Exploring Human-AI Conceptual Alignment through the Prism of Chess [9.971673324195761]
  AIシステムは人間の概念を本当に理解しているか、それとも単に表面パターンを模倣するのか? 我々は、人間の創造性が正確な戦略的概念を満たすチェスを通してこれを調査する。 ゲームに勝つ表現は、人間の思考と一致するものとは異なる。
  論文  参考訳（メタデータ） (2025-10-29T23:40:40Z)
• The AI Memory Gap: Users Misremember What They Created With AI or Without [20.73082257013802]
  我々は,AIを用いてコンテンツソースを正確に記憶する方法について検討する。 AIの使用後、正しい帰属の確率は低下し、混在するAIが最も急激な減少となった。
  論文  参考訳（メタデータ） (2025-09-15T12:31:00Z)
• 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)
• AI for the Generation and Testing of Ideas Towards an AI Supported Knowledge Development Environment [2.0305676256390934]
  生成AIが人間のバイアスを排除してアイデア生成を促進する方法について論じる。 また、検索が事実、論理、文脈をどう検証できるかについても記述する。 本稿では,知識労働者のためのシステムであるジェネレーション・アンド・サーチ・テスト(Generate and Search Test)を紹介し,個人が効率的にソリューションを作成できるようにする。
  論文  参考訳（メタデータ） (2023-07-17T22:17:40Z)
• 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)
• DiaASQ : A Benchmark of Conversational Aspect-based Sentiment Quadruple Analysis [84.80347062834517]
  本稿では,対話における目標視差感の4倍を検出することを目的としたDiaASQを紹介する。 中国語と英語の両方で大規模なDiaASQデータセットを手作業で構築する。 我々は、タスクをベンチマークするニューラルネットワークを開発し、エンドツーエンドの4倍の予測を効果的に実行する。
  論文  参考訳（メタデータ） (2022-11-10T17:18:20Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)

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。