Risposta breve: i rilevatori di intelligenza artificiale non "dimostrano" chi ha scritto qualcosa; stimano quanto un brano corrisponda a modelli linguistici familiari. La maggior parte si basa su una combinazione di classificatori, segnali di prevedibilità (perplessità/scatti), stilometria e, in casi più rari, controlli di filigrana. Quando il campione è breve, altamente formale, tecnico o scritto da un autore ESL, considerate il punteggio come uno spunto per la revisione, non come un verdetto.
Punti chiave:
Probabilità, non prova : tratta le percentuali come segnali di rischio di “somiglianza con l’IA”, non come certezza.
Falsi positivi : testi formali, tecnici, basati su modelli o non madrelingua vengono spesso segnalati in modo errato.
Combinazione di metodi : gli strumenti combinano classificatori, perplessità/scatti, stilometria e controlli di filigrana non comuni.
Trasparenza : preferire rilevatori che mettano in evidenza intervalli, caratteristiche e incertezze, non solo un singolo numero.
Contestabilità : tenere a portata di mano bozze/appunti e prove del processo per controversie e ricorsi.
Articoli che potrebbero interessarti dopo questo:
🔗 Qual è il miglior rilevatore di intelligenza artificiale?
Confronto dei migliori strumenti di rilevamento dell'intelligenza artificiale per accuratezza, funzionalità e casi d'uso.
🔗 I rilevatori di intelligenza artificiale sono affidabili?
Spiega l'affidabilità, i falsi positivi e perché i risultati spesso variano.
🔗 Turnitin può rilevare l'intelligenza artificiale?
Guida completa al rilevamento, ai limiti e alle best practice dell'intelligenza artificiale di Turnitin.
🔗 Il rilevatore AI QuillBot è preciso?
Revisione dettagliata di accuratezza, punti di forza, punti deboli e test pratici.
1) L'idea veloce: cosa fa realmente un rilevatore di intelligenza artificiale ⚙️
La maggior parte dei rilevatori di intelligenza artificiale non "catturano l'intelligenza artificiale" come una rete cattura un pesce. Fanno qualcosa di più prosaico:
-
Stimano la probabilità che un frammento di testo sembri provenire da un modello linguistico (o che ne sia stato ampiamente supportato). ( Un sondaggio sul rilevamento di testo generato da LLM ; OpenAI )
-
Confrontano il testo con i modelli osservati nei dati di addestramento (scrittura umana vs scrittura generata da modello). ( Un sondaggio sul rilevamento del testo generato da LLM )
-
Forniscono un punteggio (spesso una percentuale) che sembra definitivo... ma di solito non lo è. ( Guide Turnitin )
Siamo onesti: l'interfaccia utente dirà qualcosa come "92% IA" e il tuo cervello penserà "beh, immagino che sia un dato di fatto". Non è un dato di fatto. È l'ipotesi di un modello sulle impronte digitali di un altro modello. Il che è leggermente esilarante, come cani che annusano altri cani 🐕🐕
2) Come funzionano i rilevatori AI: i “motori di rilevamento” più comuni 🔍
I rilevatori solitamente utilizzano uno (o una combinazione) di questi approcci: ( Un sondaggio sul rilevamento del testo generato da LLM )
A) Modelli di classificatori (i più comuni)
Un classificatore viene addestrato su esempi etichettati:
-
Campioni scritti da esseri umani
-
Campioni generati dall'intelligenza artificiale
-
A volte campioni “ibridi” (testo AI modificato dall’uomo)
Quindi apprende gli schemi che separano i gruppi. Questo è il classico approccio di apprendimento automatico e può essere sorprendentemente valido... finché non lo è più. ( Un sondaggio sul rilevamento di testo generato da LLM )
B) Punteggio di perplessità e “scarsità” 📈
Alcuni rilevatori calcolano quanto è "prevedibile" il testo.
-
Perplessità : indica, più o meno, quanto un modello linguistico è sorpreso dalla parola successiva. ( Boston University - Perplexity Posts )
-
Una perplessità inferiore può suggerire che il testo è altamente prevedibile (cosa che può accadere con gli output dell'IA). ( DetectGPT )
-
“Burstiness” cerca di misurare quanta variazione c’è nella complessità e nel ritmo della frase. ( GPTZero )
Questo approccio è semplice e veloce. È anche facile confondersi, perché anche gli esseri umani sanno scrivere in modo prevedibile (ecco le email aziendali). ( OpenAI )
C) Stilometria (impronta digitale della scrittura) ✍️
La stilometria esamina modelli come:
-
lunghezza media della frase
-
stile di punteggiatura
-
frequenza delle parole funzionali (il, e, ma…)
-
varietà di vocabolario
-
punteggi di leggibilità
È come "l'analisi della grafia", ma con il testo. A volte aiuta. A volte è come diagnosticare un raffreddore guardando le scarpe di qualcuno. ( Stilometria e scienza forense: una revisione della letteratura ; Parole funzionali nell'attribuzione della paternità )
D) Rilevamento della filigrana (quando presente) 🧩
Alcuni fornitori di modelli possono incorporare sottili pattern ("filigrane") nel testo generato. Se un rilevatore conosce lo schema della filigrana, può tentare di verificarlo. ( Una filigrana per modelli linguistici di grandi dimensioni ; Testo SynthID )
Ma... non tutti i modelli hanno la filigrana, non tutti gli output mantengono la filigrana dopo le modifiche e non tutti i rilevatori hanno accesso al segreto. Quindi non è una soluzione universale. ( Sull'affidabilità delle filigrane per modelli linguistici di grandi dimensioni ; OpenAI )
3) Cosa rende una buona versione di un rilevatore di intelligenza artificiale ✅
Un "buon" rilevatore (nella mia esperienza, ne ho testati diversi uno accanto all'altro per i flussi di lavoro editoriali) non è quello che urla più forte. È quello che si comporta responsabilmente.
Ecco cosa rende solido un rilevatore di intelligenza artificiale:
-
Fiducia calibrata : un 70% dovrebbe significare qualcosa di coerente, non un'illusione. ( Un sondaggio sul rilevamento del testo generato da LLM )
-
Basso numero di falsi positivi : non dovrebbe contrassegnare come "AI" testi in inglese non madrelingua, testi legali o manuali tecnici solo perché sono puliti. ( Stanford HAI ; Liang et al. (arXiv) )
-
Limiti trasparenti : dovrebbe ammettere l'incertezza e mostrare gli intervalli, non fingere di essere onnisciente. ( OpenAI ; Turnitin )
-
Consapevolezza del dominio : i rilevatori addestrati su blog casuali spesso hanno difficoltà con i testi accademici e viceversa. ( Un sondaggio sul rilevamento di testi generati da LLM )
-
Gestione di testi brevi : buoni strumenti evitano punteggi eccessivamente sicuri su campioni minuscoli (un paragrafo non è un universo). ( OpenAI ; Turnitin )
-
Sensibilità alla revisione : dovrebbe gestire la modifica umana senza crollare immediatamente in risultati senza senso. ( Un sondaggio sul rilevamento del testo generato da LLM )
I migliori che ho visto tendono ad essere un po' umili. I peggiori si comportano come se leggessero nel pensiero 😬
4) Tabella comparativa: i "tipi" più comuni di rilevatori di intelligenza artificiale e dove eccellono 🧾
Di seguito un confronto pratico. Non si tratta di nomi commerciali, ma delle categorie principali che incontrerete. ( Un sondaggio sul rilevamento del testo generato da LLM )
| Tipo di strumento (più o meno) | Miglior pubblico | Sensazione di prezzo | Perché funziona (a volte) |
|---|---|---|---|
| Perplexity Checker Lite | Insegnanti, controlli rapidi | Gratuito | Segnale veloce sulla prevedibilità, ma può essere instabile.. |
| Scanner classificatore Pro | Redattori, risorse umane, conformità | Sottoscrizione | Apprende modelli da dati etichettati - discreto su testi di media lunghezza |
| Analizzatore di stilometria | Ricercatori, esperti forensi | $$$ o nicchia | Confronta le impronte digitali della scrittura: bizzarro ma utile in formato lungo |
| Trova filigrana | Piattaforme, team interni | Spesso in bundle | Forte quando esiste la filigrana, altrimenti è come alzare le spalle |
| Suite aziendale ibrida | Grandi organizzazioni | Per posto, contratti | Combina più segnali: migliore copertura, più manopole per la sintonizzazione (e più modi per configurare male, ops) |
Notate la colonna "sensazione di prezzo". Sì, non è scientifica. Ma è sincera 😄
5) I segnali principali che i rilevatori cercano: i "tell" 🧠
Ecco cosa cercano di misurare molti rilevatori:
Prevedibilità (probabilità del token)
I modelli linguistici generano testo prevedendo i probabili token successivi. Questo tende a creare:
-
transizioni più fluide
-
meno scelte di parole sorprendenti
-
meno divagazioni strane (a meno che non vengano richieste)
-
tono coerente ( Boston University - Perplexity Posts ; DetectGPT )
Gli esseri umani, d'altra parte, spesso zigzagano di più. Ci contraddiciamo, aggiungiamo commenti a caso, usiamo metafore un po' fuori luogo, come paragonare un rilevatore di intelligenza artificiale a un tostapane che giudica la poesia. Questa metafora è brutta, ma avete capito.
Modelli di ripetizione e struttura
La scrittura AI può mostrare sottili ripetizioni:
-
impalcature di frasi ripetute ("In conclusione...", "Inoltre...", "Inoltre...")
-
lunghezze di paragrafo simili
-
ritmo costante ( un sondaggio sul rilevamento del testo generato da LLM )
Ma anche... molti esseri umani scrivono così, soprattutto a scuola o in ambito aziendale. Quindi la ripetizione è un indizio, non una prova.
Eccessiva chiarezza e prosa "troppo pulita" ✨
Questo è un caso singolare. Alcuni rilevatori trattano implicitamente la "scrittura molto pulita" come sospetta. ( OpenAI )
Il che è imbarazzante perché:
-
esistono buoni scrittori
-
esistono editori
-
esiste il controllo ortografico
Quindi, se vi state chiedendo come funzionano i rilevatori di intelligenza artificiale , parte della risposta è: a volte premiano la ruvidezza. Il che è... un po' al contrario.
Densità semantica e fraseologia generica
I rilevatori possono segnalare un testo che sembra:
-
eccessivamente generale
-
scarso di dettagli specifici vissuti
-
ricco di affermazioni equilibrate e neutrali ( Un sondaggio sul rilevamento del testo generato da LLM )
L'intelligenza artificiale spesso produce contenuti che sembrano ragionevoli ma che sono leggermente ritoccati. Come una camera d'albergo che sembra bella ma non ha personalità 🛏️
6) L'approccio del classificatore: come viene addestrato (e perché non funziona) 🧪
Un rilevatore classificatore viene solitamente addestrato in questo modo:
-
Raccogli un set di dati di testi umani (saggi, articoli, forum, ecc.)
-
Genera testo AI (richieste multiple, stili, lunghezze)
-
Etichettare i campioni
-
Addestrare un modello per separarli utilizzando funzionalità o incorporamenti
-
Convalidarlo sui dati conservati
-
Spediscilo... e poi la realtà ti colpisce in faccia ( Un sondaggio sul rilevamento del testo generato da LLM )
Perché la realtà ci colpisce:
-
Spostamento di dominio : i dati di addestramento non corrispondono alla scrittura dell'utente reale
-
Spostamento del modello : i modelli di nuova generazione non si comportano come quelli nel set di dati
-
Effetti di modifica : le modifiche umane possono rimuovere schemi evidenti ma mantenere quelli sottili
-
Variazione linguistica : dialetti, scrittura ESL e stili formali vengono interpretati male ( Un sondaggio sul rilevamento del testo generato da LLM ; Liang et al. (arXiv) )
Ho visto rilevatori che erano "eccellenti" nel loro set demo, ma poi si sono guastati durante la scrittura sul posto di lavoro. È come addestrare un cane da fiuto solo su una marca di biscotti e aspettarsi che trovi tutti gli snack del mondo 🍪
7) Perplessità e improvvisi cambiamenti: la scorciatoia matematica 📉
Questa famiglia di rilevatori tende a basarsi sul punteggio del modello linguistico:
-
Eseguono il testo attraverso un modello che stima la probabilità di ogni token successivo.
-
Calcolano la “sorpresa” complessiva (perplessità). ( Boston University - Perplexity Posts )
-
Potrebbero aggiungere metriche di variazione ("burstiness") per vedere se il ritmo sembra umano. ( GPTZero )
Perché a volte funziona:
-
il testo AI grezzo può essere estremamente fluido e statisticamente prevedibile ( DetectGPT )
Perché fallisce:
-
i campioni brevi sono rumorosi
-
la scrittura formale è prevedibile
-
la scrittura tecnica è prevedibile
-
la scrittura non nativa può essere prevedibile
-
il testo AI pesantemente modificato può sembrare umano ( OpenAI ; Turnitin )
Quindi, il funzionamento dei rilevatori di intelligenza artificiale a volte assomiglia a un misuratore di velocità che confonde biciclette e motociclette. Stessa strada, motori diversi 🚲🏍️
8) Filigrane: l'idea dell'"impronta digitale nell'inchiostro" 🖋️
La filigrana sembra la soluzione più pulita: contrassegnare il testo dell'IA al momento della generazione, per poi rilevarlo in un secondo momento. ( Una filigrana per modelli linguistici di grandi dimensioni ; Testo SynthID )
Nella pratica, le filigrane possono essere fragili:
-
parafrasare può indebolirli
-
la traduzione può romperli
-
la citazione parziale può rimuoverli
-
la combinazione di più fonti può offuscare il modello ( sull'affidabilità delle filigrane per modelli linguistici di grandi dimensioni )
Inoltre, il rilevamento della filigrana funziona solo se:
-
viene utilizzata una filigrana
-
il rilevatore sa come controllarlo
-
il testo non è stato trasformato molto ( OpenAI ; SynthID Text )
Quindi sì, le filigrane possono essere potenti, ma non sono un distintivo universale per la polizia.
9) Falsi positivi e perché si verificano (la parte dolorosa) 😬
Questo argomento merita una sezione a parte perché è quello che suscita più controversie.
Fattori scatenanti comuni dei falsi positivi:
-
Tono molto formale (scrittura accademica, legale, di conformità)
-
Inglese non nativo (le strutture delle frasi più semplici possono sembrare "modelli")
-
Scrittura basata su modelli (lettere di presentazione, procedure operative standard, relazioni di laboratorio)
-
Brevi esempi di testo (segnale insufficiente)
-
Vincoli di argomento (alcuni argomenti impongono una formulazione ripetitiva) ( Liang et al. (arXiv) ; Turnitin )
Se hai mai visto qualcuno essere segnalato per aver scritto troppo bene... sì. Succede. Ed è brutale.
Un punteggio del rilevatore dovrebbe essere trattato come:
-
un allarme antincendio, non un verdetto in tribunale 🔥
Ti dice "forse controlla", non "caso chiuso". ( OpenAI ; Turnitin )
10) Come interpretare i punteggi del rilevatore come un adulto 🧠🙂
Ecco un modo pratico per leggere i risultati:
Se lo strumento fornisce una percentuale singola
Consideratelo come un segnale di rischio approssimativo:
-
0-30%: probabilmente umano o pesantemente modificato
-
30-70%: zona ambigua - non dare nulla per scontato
-
70-100% : più probabili modelli simili all'intelligenza artificiale, ma ancora non dimostrabili ( Guide Turnitin )
Anche i punteggi più alti possono essere sbagliati, soprattutto per:
-
scrittura standardizzata
-
certi generi (riassunti, definizioni)
-
Scrittura ESL ( Liang et al. (arXiv) )
Cerca spiegazioni, non solo numeri
I rilevatori migliori forniscono:
-
intervalli evidenziati
-
note sulle caratteristiche (prevedibilità, ripetizione, ecc.)
-
intervalli di confidenza o linguaggio dell'incertezza ( un sondaggio sul rilevamento del testo generato da LLM )
Se uno strumento si rifiuta di spiegare qualsiasi cosa e ti sbatte semplicemente un numero in fronte... non mi fido. E non dovresti farlo nemmeno tu.
11) Come funzionano i rilevatori di intelligenza artificiale: un semplice modello mentale 🧠🧩
Se vuoi un risultato pulito, usa questo modello mentale:
-
I rilevatori di intelligenza artificiale cercano modelli statistici e stilistici comuni nei testi generati automaticamente. ( Un'indagine sul rilevamento di testi generati da LLM )
-
Confrontano questi modelli con quanto appreso dagli esempi di formazione. ( Un sondaggio sul rilevamento del testo generato da LLM )
-
Forniscono un'ipotesi di tipo probabilistico , non una storia di origine fattuale. ( OpenAI )
-
L'ipotesi è sensibile al genere, all'argomento, alla lunghezza, alle modifiche e ai dati di addestramento del rilevatore . ( Un'indagine sul rilevamento di testo generato da LLM )
In altre parole, il funzionamento dei rilevatori di intelligenza artificiale è che "giudicano la somiglianza", non la paternità. Come dire che qualcuno assomiglia a un cugino. Non è la stessa cosa di un test del DNA... e anche i test del DNA hanno casi limite.
12) Consigli pratici per ridurre le segnalazioni accidentali (senza giocare) ✍️✅
Non si tratta di "come ingannare i rilevatori". Si tratta piuttosto di come scrivere in un modo che rifletta la vera paternità ed eviti strane interpretazioni errate.
-
Aggiungi dettagli concreti: nomi dei concetti che hai effettivamente utilizzato, passaggi che hai seguito, compromessi che hai preso in considerazione
-
Usa la variazione naturale: mescola frasi brevi e lunghe (come fanno gli esseri umani quando pensano)
-
Includi vincoli reali: limiti di tempo, strumenti utilizzati, cosa è andato storto, cosa faresti diversamente
-
Evita di usare un linguaggio troppo convenzionale: sostituisci "Inoltre" con qualcosa che diresti realmente
-
Conserva bozze e appunti: se mai dovesse sorgere una controversia, le prove del processo contano più dell'istinto
In verità, la miglior difesa è semplicemente... essere genuini. Imperfettamente genuini, non genuini come una "brochure perfetta".
Note di chiusura 🧠✨
I rilevatori di intelligenza artificiale possono essere preziosi, ma non sono macchine della verità. Sono dei "pattern matcher" addestrati su dati imperfetti, che operano in un mondo in cui gli stili di scrittura si sovrappongono costantemente. ( OpenAI ; Un'indagine sul rilevamento di testo generato da LLM )
In breve:
-
I rilevatori si basano su classificatori, perplessità/scatti, stilometria e talvolta filigrane 🧩 ( Un'indagine sul rilevamento di testo generato da LLM )
-
Stimano la “somiglianza all’IA”, non la certezza ( OpenAI )
-
I falsi positivi si verificano spesso nella scrittura formale, tecnica o non madrelingua 😬 ( Liang et al. (arXiv) ; Turnitin )
-
Utilizzare i risultati del rilevatore come spunto di riflessione, non come verdetto ( Turnitin )
E sì... se qualcuno chiede di nuovo come funzionano i rilevatori di intelligenza artificiale , puoi dirgli: "Fanno ipotesi basandosi su schemi: a volte intelligenti, a volte goffi, sempre limitati". 🤖
Domande frequenti
Come funzionano in pratica i rilevatori di intelligenza artificiale?
La maggior parte dei rilevatori di intelligenza artificiale non "dimostra" la paternità del testo. Stima la somiglianza del testo con i pattern comunemente prodotti dai modelli linguistici, quindi restituisce un punteggio di tipo probabilistico. A livello funzionale, possono utilizzare modelli di classificazione, punteggi di prevedibilità basati sulla perplessità, funzionalità di stilometria o controlli di filigrana. Il risultato è da considerarsi un segnale di rischio, non un verdetto definitivo.
Quali segnali cercano i rilevatori di intelligenza artificiale nella scrittura?
I segnali più comuni includono la prevedibilità (quanto un modello è "sorpreso" dalle parole successive), la ripetizione nelle strutture sintattiche, un ritmo insolitamente costante e un fraseggio generico con scarsi dettagli concreti. Alcuni strumenti esaminano anche indicatori stilometrici come la lunghezza delle frasi, le abitudini di punteggiatura e la frequenza delle parole-funzione. Questi segnali possono sovrapporsi alla scrittura umana, soprattutto nei generi formali, accademici o tecnici.
Perché i rilevatori di intelligenza artificiale segnalano la scrittura umana come intelligenza artificiale?
I falsi positivi si verificano quando la scrittura umana appare statisticamente "fluida" o simile a un modello. Tono formale, formulazioni conformi, spiegazioni tecniche, brevi esempi e un inglese non madrelingua possono essere interpretati erroneamente come simili a quelli dell'intelligenza artificiale perché riducono la variabilità. Ecco perché un paragrafo pulito e ben curato può generare un punteggio elevato. Un rilevatore confronta le somiglianze, non conferma l'origine.
I rilevatori di perplessità e di “burstiness” sono affidabili?
I metodi basati sulla perplessità possono funzionare quando il testo è un output di intelligenza artificiale grezzo e altamente prevedibile. Ma sono fragili: i passaggi brevi sono rumorosi e molti generi umani legittimi sono naturalmente prevedibili (riassunti, definizioni, email aziendali, manuali). Anche l'editing e la rifinitura possono modificare drasticamente il punteggio. Questi strumenti si adattano a un triage rapido, non a decisioni ad alto rischio prese singolarmente.
Qual è la differenza tra i rilevatori di classificazione e gli strumenti stilometrici?
I rilevatori di classificatori apprendono da set di dati etichettati di testo umano e di testo artificiale (e talvolta ibrido) e prevedono a quale bucket il testo assomiglia di più. Gli strumenti di stilometria si concentrano sulle "impronte digitali" della scrittura, come schemi di scelta delle parole, parole funzionali e segnali di leggibilità, che possono essere più informativi nell'analisi di testi lunghi. Entrambi gli approcci soffrono di deviazioni di dominio e possono avere difficoltà quando lo stile di scrittura o l'argomento differiscono dai dati di training.
Le filigrane risolvono definitivamente il problema del rilevamento tramite intelligenza artificiale?
Le filigrane possono essere efficaci quando un modello le utilizza e il rilevatore ne conosce lo schema. In realtà, non tutti i provider applicano la filigrana e trasformazioni comuni (parafrasi, traduzioni, citazioni parziali o mescolanza di fonti) possono indebolire o interrompere lo schema. Il rilevamento delle filigrane è efficace nei casi ristretti in cui l'intera catena è allineata, ma non garantisce una copertura universale.
Come dovrei interpretare un punteggio "X% AI"?
Considerate una singola percentuale come un indicatore approssimativo di "somiglianza con l'IA", non come una prova di paternità dell'IA. I punteggi medi sono particolarmente ambigui e anche i punteggi alti possono essere errati in testi standardizzati o formali. Strumenti migliori forniscono spiegazioni come intervalli evidenziati, note sulle caratteristiche e linguaggio per l'incertezza. Se un rilevatore non si spiega da solo, non considerate il numero come autorevole.
Cosa rende un rilevatore di intelligenza artificiale adatto alle scuole o ai flussi di lavoro editoriali?
Un rilevatore solido è calibrato, riduce al minimo i falsi positivi e comunica i limiti in modo chiaro. Dovrebbe evitare affermazioni eccessivamente sicure su campioni brevi, gestire diversi ambiti (accademico, blog, tecnico) e rimanere stabile quando gli esseri umani rivedono il testo. Gli strumenti più responsabili si comportano con umiltà: offrono prove e incertezza piuttosto che agire come lettori del pensiero.
Come posso ridurre i flag IA accidentali senza "ingannare" il sistema?
Concentratevi sui segnali di autenticità piuttosto che sui trucchi. Aggiungete dettagli concreti (passaggi intrapresi, vincoli, compromessi), variate il ritmo delle frasi in modo naturale ed evitate transizioni eccessivamente strutturate che normalmente non usereste. Conservate bozze, note e cronologia delle revisioni: le prove di processo spesso contano più di un punteggio di rilevazione in caso di controversie. L'obiettivo è la chiarezza con personalità, non una prosa perfetta per una brochure.
Riferimenti
-
Association for Computational Linguistics (ACL Anthology) - Un sondaggio sul rilevamento del testo generato da LLM - aclanthology.org
-
OpenAI - Nuovo classificatore AI per indicare il testo scritto dall'IA - openai.com
-
Guide Turnitin - Rilevamento della scrittura tramite intelligenza artificiale nella visualizzazione classica dei report - guides.turnitin.com
-
Guide Turnitin - Modello di rilevamento della scrittura tramite intelligenza artificiale - guides.turnitin.com
-
Turnitin - Comprendere i falsi positivi nelle nostre capacità di rilevamento della scrittura tramite intelligenza artificiale - turnitin.com
-
arXiv - RilevaGPT - arxiv.org
-
Boston University - Post di perplessità - cs.bu.edu
-
GPTZero - Perplessità e scompiglio: cosa sono? - gptzero.me
-
PubMed Central (NCBI) - Stilometria e scienza forense: una revisione della letteratura - ncbi.nlm.nih.gov
-
Association for Computational Linguistics (ACL Anthology) - Parole funzionali nell'attribuzione della paternità - aclanthology.org
-
arXiv - Una filigrana per i modelli linguistici di grandi dimensioni - arxiv.org
-
Google AI per sviluppatori - SynthID Text - ai.google.dev
-
arXiv - Sull'affidabilità delle filigrane per modelli linguistici di grandi dimensioni - arxiv.org
-
OpenAI - Comprendere la fonte di ciò che vediamo e sentiamo online - openai.com
-
Stanford HAI - Rilevatori di intelligenza artificiale sbilanciati contro gli scrittori non madrelingua inglese - hai.stanford.edu
-
arXiv - Liang et al. - arxiv.org