論文の概要: Likelihood Is Not Authorship: Can We Reliably Measure Human Contribution in AI-Assisted Writing?

• arxiv url: http://arxiv.org/abs/2610.19767v1
• Date: Wed, 14 Oct 2026 08:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.033391
• Title: Likelihood Is Not Authorship: Can We Reliably Measure Human Contribution in AI-Assisted Writing?
• Title（参考訳）: Likelihoodはオーサリングではない:AIによる文章作成において、人間への貢献を確実に測定できるか?
• Abstract要約: 顕著な作業行は、人のプロンプトが最終テキストにどのように変化しているかを測定することでこれを推定する。 この方法は容易に操作できることが示される。 我々は、モデルに数個のランダムIDをプロンプトからコピーするように要求するity PADdingを導入する。
• 参考スコア（独自算出の注目度）: 16.501570029978144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-text detection generally asks whether a machine wrote a text. As AI becomes an increasingly integral and accepted part of writing, the more relevant question is no longer whether AI was used, but how much of the text reflects human contribution. A prominent line of work estimates this by measuring how predictive a person's prompt is of the final text. We show that this measure can be easily manipulated. We introduce SPECIFICITY PADDING that simply asks the model to copy a few random IDs from the prompt, and that alone makes a title-only request look more human than one that supplies the article's key ideas. A context-swap audit then holds each document fixed, and only shows or hides the IDs to the evaluator. The score of the unchanged text swings by a third to half of its scale, and it rises for every document we test, on news and scientific abstracts, across varied LLMs from 3.8B to 753B parameters. The same articles can average 85\% human or 15\% human depending only on which prompt is on record, and even with no prompt at all, the output-only variant rewards the random strings themselves. An exact identity, the credit ledger, explains why. The score is a surprisal-weighted average over the text, so rare strings that the context makes copyable collect the credit, whatever they mean. A two-point bound marks a deeper limit. If the prompt could have been machine-written, every transcript-only method must, in the worst case, miss by half the contribution at stake. Likelihood-based scores alone cannot reliably establish human contribution without evidence of what the person added and how the text was produced.
• Abstract（参考訳）: AIテキスト検出は一般的に、機械がテキストを書いたかどうかを問う。 AIがますます統合され、受け入れられる部分になるにつれて、より関連性の高い疑問は、AIが使用されているかどうかではなく、テキストのどれだけが人間の貢献を反映しているかである。 顕著な作業行は、人のプロンプトが最終テキストのどれだけ予測可能かを測定することでこれを推定する。 この方法は容易に操作できることが示される。 提案するSPECIFICITY PADdingは,プロンプトからのランダムIDのコピーをモデルに依頼するだけで,記事のキーとなるアイデアを提供するものよりも,タイトルのみの要求の方が人間的に見える。 コンテキストスワップ監査は、各ドキュメントを固定し、そのIDを評価対象に表示または隠蔽する。 変更されたテキストのスコアは、その尺度の3分の1から半分に変動し、我々がテストしたすべての文書、ニュースや科学的な要約において、3.8Bから753Bのパラメータにまたがって上昇する。 同じ記事は、どのプロンプトが記録されているかによらず、平均85 %の人間または15 %の人間で、プロンプトが全くなくても、出力のみの変種はランダムな文字列自体に報酬を与える。 正確なID、クレジット台帳はその理由を説明している。 スコアはテキストよりも平均的に指数的に重み付けされているので、コンテキストがコピー可能なクレジットの収集を行なわせるような稀な文字列である。 2点境界はより深い極限を示す。 もしプロンプトが機械で書けるなら、すべての書き起こしのみのメソッドは、最悪の場合、半分のコントリビューションを逃がさなければならない。 好みに基づくスコアだけでは、人が何を追加したか、どのようにテキストが作られたかの証拠がなければ、人間の貢献を確実に確立することはできない。

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)
• Sem-Detect: Semantic Level Detection of AI Generated Peer-Reviews [11.21278193949403]
  ピアレビューのための著者検出手法であるSem-Detectを提案する。 同じ論文の複数のAI生成レビューに対するターゲットレビューを比較する。 完全なAIレビューと、本物の人間によるレビューを区別することができる。
  論文  参考訳（メタデータ） (2026-05-20T20:19:16Z)
• Can Humans Detect AI? Mining Textual Signals of AI-Assisted Writing Under Varying Scrutiny Conditions [0.0]
  この研究は、AI検出の脅威が、人々がAIで書く方法を変え、他の人がその違いを知ることができるかどうかを問う。 2段階制御実験では、21人の参加者が遠隔作業に関する意見書を書いた。 半分はランダムにAI検出ツールでスキャンされると警告され、残り半分は警告を受けなかった。
  論文  参考訳（メタデータ） (2026-04-25T23:34:44Z)
• 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)
• ExaGPT: Example-Based Machine-Generated Text Detection for Human Interpretability [62.285407189502216]
  LLM(Large Language Models)によって生成されたテキストの検出は、誤った判断によって致命的な誤りを引き起こす可能性がある。 本稿では,人間の意思決定プロセスに根ざした解釈可能な検出手法であるExaGPTを紹介する。 以上の結果から,ExaGPTは従来の強力な検出器よりも最大で40.9ポイントの精度を1%の偽陽性率で大きく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-02-17T01:15:07Z)
• Spotting AI's Touch: Identifying LLM-Paraphrased Spans in Text [61.22649031769564]
  我々は、新しいフレームワーク、パラフレーズテキストスパン検出(PTD)を提案する。 PTDは、テキスト内でパラフレーズ付きテキストを識別することを目的としている。 パラフレーズ付きテキストスパン検出のための専用データセットであるPASTEDを構築した。
  論文  参考訳（メタデータ） (2024-05-21T11:22:27Z)
• Investigating Wit, Creativity, and Detectability of Large Language Models in Domain-Specific Writing Style Adaptation of Reddit's Showerthoughts [17.369951848952265]
  ショーア思想の領域において,LLMが人間の書体スタイルを簡潔で創造的なテキストで再現する能力について検討する。 創造的で機知に富んだテキストの品質を考慮に入れた、特定の次元のテキストに対する人間の嗜好を測定する。 人間の評価者は、生成したテキストの創造性について平均的にわずかに悪い評価を下すが、人間の文章とAI生成したテキストを確実に区別することはできないと結論付けている。
  論文  参考訳（メタデータ） (2024-05-02T18:29:58Z)
• On the Possibilities of AI-Generated Text Detection [76.55825911221434]
  機械が生成するテキストが人間に近い品質を近似するにつれて、検出に必要なサンプルサイズが増大すると主張している。 GPT-2, GPT-3.5-Turbo, Llama, Llama-2-13B-Chat-HF, Llama-2-70B-Chat-HFなどの最先端テキストジェネレータをoBERTa-Large/Base-Detector, GPTZeroなどの検出器に対して試験した。
  論文  参考訳（メタデータ） (2023-04-10T17:47:39Z)

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。