Dettector di testo IA individua pattern e regole per gli editori
13 ottobre 2026 · 3 min di lettura
Pubblicato anche in עברית
Il detector di Liang e i suoi colleghi hanno analizzato dodici segnali di testo generato da intelligenza artificiale, noti come slop, su un campione di saggi TOEFL scritti da parlanti non nativi. Cinque di questi segnali sono identificabili tramite pattern di codice, mentre i restanti sette dipendono da regole specifiche per gli editori. Un servizio online di detezione fornisce solo percentuali, ma queste non indicano quali correzioni apportare. OpenAI ha chiuso il proprio classificatore lo scorso agosto a causa della scarsa precisione. Il metodo proposto dall'autore chiama frase e regola, consentendo discussioni separate su ogni segnale. Gli editori di Wikipedia mantengono un elenco aperto di segnali e sottolineano che ciascuno indica solo un possibile problema, senza dimostrare l'autorevolezza. Il script dell'autore cerca tracce di testo non revisionato, senza determinare l'autore. Il punteggio complessivo del detector è stato discusso su un articolo di Habr AI.
Il testo analizzato includeva cinque segnali riconoscibili tramite codice: formule fisse all'inizio e alla fine delle frasi con soglie di lunghezza, introduzioni vuote prima del contenuto, paragrafi identici per variazione di lunghezza delle frasi, uso di virgolette su parole ordinarie e calchi e gergo tradotti. Altri segnali, come mancanza di dettagli, numeri inventati, pesi senza posizione, antitesi con elenchi, tre parti e chiusure tagliate, non sono rilevabili dal codice.
Il detector identifica frasi introduttive vuote tramite un elenco di 36 espressioni regolari, assegnando tre punti per ogni corrispondenza; due corrispondenze arrestano il processo di revisione. Le virgolette vengono rilevate da una semplice espressione regolare con eccezioni, mentre i pattern di annuncio vengono rilevati solo su frasi brevi, fino a dodici parole, e solo se iniziano con un verbo promettente. Un ancoraggio fattuale, come un numero o una parola latina, annulla il match.
Il sistema rileva anche ritmo monotono e calchi linguistici tramite due dizionari: uno per gergo inglese tradotto in russo e un altro per circa cinquecento sostituzioni manuali. Non riconosce calchi semantici in cui tutte le parole sono russe ma l'espressione è inglese. Tra i sette segnali non rilevati figurano tre semantici, assenza di dettagli verificabili, numeri non calcolati e pesi senza posizione, e quattro sintattici, strutture come "Non A, ma B, C e D", triple per ritmo, chiusure tagliate e uso eccessivo di trattini, che sono segnalati solo nelle linee guida per gli editori.
Il script, scritto in Python senza accesso a rete, restituisce un verdetto numerico: zero indica testo corretto, uno richiede miglioramenti, due segnala testo chiaramente generato da intelligenza artificiale. Un testo normale totalizza meno di venti punti su ottanta, ma alcune categorie possono far superare la soglia anche con punteggi bassi. Un esempio di prova ha ottenuto diciotto punti, con quindici per ritmo monotono e tre per un'introduzione vuota; i due annunci identificati non sono inclusi nel punteggio, quindi il risultato richiede comunque revisione.
Il detector non distingue tra esempio e utilizzo reale di frasi problematiche, come dimostrato da un articolo che ha ricevuto lo stesso avviso di miglioramento. Un test ridotto a sette frasi mostra quali espressioni il dizionario ignora, senza fornire frequenza di occorrenza. Per replicare la verifica, è sufficiente una singola riga di comando che utilizza il codice open source disponibile su Habr AI.