論文の概要: Humanized but Still True? Auditing Facts and Detection in AI-Text Humanizers

• arxiv url: http://arxiv.org/abs/2611.00359v1
• Date: Fri, 30 Oct 2026 20:36:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.398852
• Title: Humanized but Still True? Auditing Facts and Detection in AI-Text Humanizers
• Title（参考訳）: 人間化されるが、まだ真実か?AIテキストヒューマニザの事実と検出を監査する
• Abstract要約: AIは、機械が生成したテキストを書き換えて、検出器がそれを人間で書かれたものとして分類する。 数字、日付、人名、組織名、引用スパンが書き直しごとに残っているかどうかを確認します。
• 参考スコア（独自算出の注目度）: 9.41028011444002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI "humanizers" rewrite machine-generated text so that detectors classify it as human-written. Public leaderboards score evasion and embedding similarity, but not whether checkable details survive. We check whether numbers, dates, person and organization names, and quoted spans survive each rewrite, using a rule-based checker validated by two AI annotators (precision 0.84-1.00, recall 0.93-0.95; no human annotation). In the October 2026 cycle of a public humanizer leaderboard, all 11 commercial tools changed or dropped at least one of these units in 35-65% of the documents that contained one. Most changes were to quoted spans; counting numbers and names alone, 10 of the 11 tools still altered at least one in 20% or more of the documents. The September 2026 cycle was similar (19-50%). An open 12B humanizer kept at least 97% of numbers and names in fact-dense U.S. federal agency text, but reworded 67-78% of the quoted spans, against its own prompt. Unit retention and detector evasion were not clearly related across tools (Spearman rho = -0.46, 95% CI -0.65 to 0.08), and the open model's four released files (two of them quantization-aware low-bit files) did not show the pre-registered monotone trade-off. On federal texts with matched human, AI-styled and humanized versions, a general-purpose decision model, Jev, asked a single zero-shot question, separated human originals from humanized rewrites with AUROC 0.864 (0.827-0.902), 0.18-0.22 higher than Binoculars, Fast-DetectGPT and the adversarially trained RADAR, while calling 24% of the human originals AI at a 0.5 threshold. On the AI-styled rewrites by 2026 models, both perplexity-based detectors scored below chance (AUROC 0.37 and 0.39), also with line breaks removed. Hypotheses, data rules and analyses were frozen before the main runs; two earlier data contacts are disclosed. We release the checker and the per-item results.
• Abstract（参考訳）: AIは、機械が生成したテキストを書き換えて、検出器がそれを人間で書かれたものとして分類する。 公開のリーダーボードは回避と類似点を埋め込んでいるが、チェック可能な詳細が残っているかどうかは不明だ。 2つのAIアノテータ(精度0.84-1.00、リコール0.93-0.95、人間のアノテーションなし)で検証されたルールベースのチェッカーを使用して、数字、日付、人物、組織名、引用されたスパンが、書き直しごとに生存しているかを確認する。 2026年10月、公共のヒューマニザー・リーダーボードのサイクルで、11の商用ツールが1つを含む文書の35-65%に少なくとも1つのユニットを変更したり、落としたりした。 11のツールのうち10は、ドキュメントの20%以上で少なくとも1つ変更されている。 2026年9月のサイクルは似ていた(19-50%)。 オープン12Bのヒューマニザーは、少なくとも97%の数字と名前をアメリカ連邦政府のテキストに保存したが、引用されたスパンの67-78%は、そのプロンプトに反した。 スピアマンrho = -0.46, 95% CI -0.65 - 0.08) ではユニットの保持と検出の回避が明確に関連付けられておらず、オープンモデルの4つのリリースファイル(そのうち2つは量子化対応の低ビットファイル)は事前登録されたモノトントレードオフを示していなかった。 一致した人間、AIスタイル、人間化されたバージョンを持つ連邦政府のテキストについて、汎用的な決定モデルであるJevは、1つのゼロショットの質問をし、AUROC 0.864 (0.827-0.902), 0.18-0.22 High than Binoculars, Fast-DetectGPT and the adversarially trained RADAR, while called 24% the human originals AI at 0.5 threshold。 2026年モデルによるAIスタイルの書き直しでは、両方のパープレキシティベースの検出器(AUROC 0.37と0.39)が、ラインブレークを除去した。 仮説、データルール、分析はメインランの前に凍結され、以前の2つのデータコンタクトが開示された。 チェッカーとイテムごとの結果をリリースします。

関連論文リスト

• Science or Slop?: Benchmarking and Mitigating Scientific Slop in AI-Generated Papers [59.059012465617634]
  しかし、AIが生成する科学論文には、既存のトークンベースのAI検出器では容易に検出できない、より複雑なパターンがある。 これらの失敗を、構造、論証、アーティファクトの6つの尺度を通じて科学的にスロープしたものとして評価する。 本研究では,SciSlopHarnessを提案する。SciSlopHarnessは,実験記録が変更をサポートする場合にのみスロープを修正するための固定LDMをガイドするフレームワークである。
  論文  参考訳（メタデータ） (2026-09-30T18:16:42Z)
• Can We Still Trust Disaster Social Sensing? Empirical Evidence on Detecting AI-Generated Social Media Posts [4.0219068239028655]
  災害社会センシングは、公共のソーシャルメディア投稿を状況認識と人道的ニーズの証拠に変換する。 本研究では、テキストベースのAI検出器が、AIによる災害投稿から人間を確実に識別できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-09-21T21:20:27Z)
• SlopShape: Identifying AI-Generated Commercial Web Content [0.0]
  我々は、構造的シグネチャから、AI生成したテキストを1段階深く特定できるかどうかを問う。 214機能機器は、ホールドアウト企業の98.0マクロF1で187の構造的特徴からAIポストを検出する。 すべてのエフェクトはStoryScopeを再現する。
  論文  参考訳（メタデータ） (2026-09-14T10:55:30Z)
• Why AI Detection Fails for Academic Integrity [28.200635569426264]
  光の「抽象のみ」編集は64～80%にフラグ付けされる(Pangram/GZero) 修正されていない2023PTtokenは、STEMよりはるかに高いSTEMレートで9から15%にフラグ付けされている。 正直なAIは、人道支援の回避よりも制裁リスクが高い。
  論文  参考訳（メタデータ） (2026-08-06T17:16:16Z)
• Assessing GPTZero's Accuracy in Identifying AI vs. Human-Written Essays [0.0]
  GPTZeroは最も使われているAI検出器だが、人間によるテキストの識別の信頼性は限られている。 AIが生成した論文の大半が正確に検出され(91-100%のAIが信じていた世代)、一方で人間が生成したエッセイは変動した。 これらの結果は、GPTZeroは純粋にAI生成されたコンテンツを検出するのに有効であるが、人間によるテキストの識別の信頼性は限られていることを示唆している。
  論文  参考訳（メタデータ） (2025-06-30T04:53:27Z)
• Is Human-Like Text Liked by Humans? Multilingual Human Detection and Preference Against AI [95.81924314159943]
  人文と機械文の大きなギャップは、具体性、文化的ニュアンス、多様性にある。 また,人間は必ずしも人書きのテキストを好んではいないこと,特にその情報源を明確に特定できない場合などを見いだす。
  論文  参考訳（メタデータ） (2025-02-17T09:56:46Z)
• Group-Adaptive Threshold Optimization for Robust AI-Generated Text Detection [58.419940585826744]
  本稿では,確率的AIテキスト検出のためのグループ固有しきい値最適化アルゴリズムであるFairOPTを紹介する。 属性(例えば、テキストの長さと書き込みスタイル)に基づいてデータをサブグループに分割し、FairOPTを実装して、各グループに対する決定しきい値の学習を行い、不一致を低減しました。 我々のフレームワークは、後処理によるAI生成コンテンツ検出において、より堅牢な分類の道を開く。
  論文  参考訳（メタデータ） (2025-02-06T21:58:48Z)
• 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)

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。