AI 生成的文本检测在人工智能与人类合作的混合文本中面临的挑战，通过使用合作者数据集，利用两步分割法的流程，实证结果显示了检测 AI 生成文本的困难以及评估混合文本中段落长度的益处。

Mar, 2024

通过使用不同的方法和特征，我们提出了一种基于 RoBERTa 模型和冻结语言模型嵌入特征的新方法，能够超过人类准确度水平和先前考虑的基准，在真实或假文本基准测试上取得更好的结果，并且分析了各种设置下所有提出分类器的鲁棒性以及对人工文本边界检测算法性能的负面影响。

Nov, 2023

通过对人类写作文本和基于大型语言模型的生成文本进行比较研究，该论文展示了在不同文体中对于人类文本和生成文本进行分类的机器学习模型的效果，同时指出在故事写作方面识别生成文本的困难性，为未来在人工智能文本识别方面提供了启示和研究数据集。

Jul, 2023

本文研究了大型语言模型在辨别人工写作文本和模型生成文本中的能力，通过将此任务转化为标记分类问题并将标记转折点视为边界来处理。其中，我们的语言模型集成模型在 SemEval'24 竞赛第 8 任务的 “人机混合文本检测” 子任务中取得了第一名，同时我们还研究了一些影响大型语言模型检测混合文本边界能力的因素，包括在语言模型基础上增加附加层、结合分割损失以及预训练的影响。本研究结果对未来研究提供了有价值的见解。

Apr, 2024

本文提出了一种新颖的混合方法，将传统的 TF-IDF 技术与先进的机器学习模型相结合，包括贝叶斯分类器、随机梯度下降（SGD）、分类梯度提升（CatBoost）和 12 个 Deberta-v3-large 模型的实例。通过在全面的数据集上进行广泛的实验，我们证明了我们提出的方法在准确区分人工生成和 AI 生成文本方面的有效性。与现有方法相比，我们的方法取得了更好的性能。这项研究为 AI 生成文本检测技术的进展做出了贡献，并为应对 AI 生成内容带来的挑战开发出稳健的解决方案奠定了基础。

Jun, 2024

利用切割边缘的混合深度学习模型，通过精心选择的包含 AI 和人类文本的数据集，在各种来源的指导下进行准确区分，结合先进的自然语言处理技术进行特征分析，使得该定制模型能够检测 AI 和人类内容之间微妙的差异。

Nov, 2023

我们的研究旨在探索传统和新的特征，以便 (1) 检测 AI 生成的文本和 (2) 由 AI 改写的文本。结果显示，新特征显著提高了许多分类器的性能。我们最好的基本文本改写检测系统在 F1 分数上超过了 GPTZero 的 183.8%。

Aug, 2023

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

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

通过定量实验，我们确定了人工和机器生成科学文本之间的关键区别，并提出了一种混合倡议工作流程，用于高效、可靠地检测科学文本，结合了人类专家的先前知识与机器智能，以及可视化分析原型。我们通过两个案例研究和与熟练研究人员的控制用户研究证明了我们的方法的有效性。我们还为高风险决策场景中的交互式人工文本检测工具提供设计启示。

Apr, 2023