本篇研究提出了针对 2022 年俄罗斯人工文本检测对话共享挑战赛（RuATD 2022）的一种解决方案，即使用 DeBERTa 预训练语言模型和多种训练策略区分生成该文本的模型。在 RuATD 数据集上进行的广泛实验验证了我们所提出的方法的有效性，并且我们的提交在 RuATD 2022（多分类）的评估阶段中排名第二。

Dec, 2022

该论文介绍了一种基于注意力机制的预训练模型的集成方法，用于对生成文本进行侦测、二分类和多分类，并在二分类任务中获得了 0.82995 的准确度得分，在多分类任务中获得了 0.62856 的准确度得分。

Jun, 2022

SemEval-2024 Task 8 的主要发现是多生成器、多领域和多语言的机器生成文本检测。

Apr, 2024

本文介绍了 IberLEF 2023 研讨会中 AuTexTification 共享任务的概述，其中包括两个子任务：子任务 1 要确定文本是人工撰写还是由大型语言模型生成，子任务 2 要将机器生成的文本归属于六个不同的文本生成模型之一。我们的 AuTexTification 2023 数据集包含两种语言（英语和西班牙语）和五个领域（推文、评论、新闻、法律和操作指南）的超过 160,000 个文本。总共有 114 个团队报名参加，其中 36 个团队发送了 175 个运行结果，并有 20 个团队发送了他们的工作笔记。在本概述中，我们介绍了 AuTexTification 数据集和任务，参赛系统以及结果。

Sep, 2023

该研究论文描述了 UPB 团队在 IberLEF-2023 的 AuTexTification 共享任务中提交的解决方案，主要使用基于 Transformer 的深度学习模型以及多任务学习等训练技术，最佳模型在英语和西班牙语数据集上分别达到了 66.63% 和 67.10% 的宏 F1 分数。

Aug, 2023

本论文介绍了我们在 SemEval2024 Task8 中用于检测跨各个领域的机器生成文本的方法，包括统计、神经网络和预训练模型方法，并通过深入的错误分析评估了这些方法的有效性。在单语和多语境下，我们的方法在子任务 A 单语上获得 86.9％的准确率，在子任务 B 上获得 83.7％的准确率。此外，我们还强调了未来研究中的挑战和重要因素。

Mar, 2024

我们的研究重点是辨别大型语言模型生成的文本与人类生成的文本之间的关键挑战，这在各种应用中具有重要意义。通过评估我们的模型在多个数据集上的性能，包括 Twitter 情感、足球评论、项目古腾堡文库、PubMedQA 和 SQuAD，我们提供了支持此类模型可行性的证据。这些数据集在复杂约束下进行了采样，涵盖了各种可能性，为未来研究奠定了基础。我们对 GPT-3.5-Turbo 与 SVM、RoBERTa-base 和 RoBERTa-large 等各种检测器进行了评估，基于研究结果，结果主要与句子的序列长度有关。

Nov, 2023

该研究论文揭示了多生成器、多领域、多语言的黑盒机器生成文本检测共享任务，介绍了一种用于增强数据以进行监督微调的 DeBERTaV3 流水线，并在比赛排行榜中获得了最佳 MAE 得分。

May, 2024

本文提出了一种基于 RoBERTa-BiLSTM 的分类器，用于将文本分为两个类别：人工智能生成或人类生成，并与基准方法进行了兼容研究以评估其有效性，从而促进了自动文本检测系统在解决机器生成文本滥用方面的发展。其中，我们的架构在 125 个参赛者中以 80.83% 的准确率排名第 46 名。

Jul, 2024

本文研究了如何使用最先进的神经语言模型使人工创作的文本过渡为文本生成，并且展示了该任务上的众议员的技能差异。通过比较多种变量的影响，我们收集了 RoFT 数据集，以鼓励未来在人工检测和评估生成的文本方面进行更多的研究。

Dec, 2022