Perché le tesi in cinese scritte di proprio pugno vengono segnalate come AI: la verità su elenchi puntati, parallelismi e «in sintesi»

Elenchi numerati, sintassi parallela e tipiche formule di transizione riassuntive attivano spesso i software di rilevamento dell'AI, poiché la loro estrema regolarità e la struttura convenzionale ricordano i pattern appresi dai classificatori neurali addestrati. Eppure, nessuna prova empirica dimostra che una specifica espressione in cinese indichi una generazione automatica. Di fronte a un falso positivo, eliminare le frasi di transizione serve solo a compromettere la chiarezza accademica; presentare una cronologia verificabile delle bozze e avviare le procedure di revisione previste dal proprio istituto resta l'unica strada difendibile.

Team HumanPen

· 9 min di lettura

Perché elenchi puntati, parallelismi e «in sintesi» fanno scattare gli avvisi di AI nelle tesi in cinese scritte di proprio pugno?

I classificatori di testo basati sull'AI non valutano il valore intellettuale della tua ricerca: sono modelli di machine learning addestrati per esaminare pattern statistici e regolarità strutturale attraverso sequenze di token. Le enumerazioni strutturate (come «in primo luogo, in secondo luogo, in terzo luogo»), le proposizioni parallele e simmetriche e le formule di transizione accademiche standardizzate (come «in sintesi» / 综上所述 o «da ciò si evince» / 由此可见) costituiscono espressioni altamente canoniche e uniformi nel cinese formale. Poiché i classificatori hanno imparato ad associare questa estrema simmetria sintattica e prevedibilità formulare alle distribuzioni tipiche dell'AI generativa, una prosa accademica umana accuratamente organizzata può far registrare punteggi di sospetto elevati.

Questo dilemma — in cui l'accuratezza e il rigore accademico possono innescare una segnalazione automatica — ha attirato una vasta attenzione pubblica. In un'inchiesta di BeiQing ShenYiDu (Beijing Youth Daily) intitolata "Graduation Theses Trapped in the 'AI Rate': Methodically Structured Bullet Points and Frequent Parallel Sentences Judged as Not 'Human'" («Tesi di laurea intrappolate nel 'tasso di AI': elenchi puntati metodici e frequenti frasi parallele giudicati non 'umani'»), uno studente ha raccontato di essere stato segnalato per l'enumerazione ordinata e i costrutti paralleli simmetrici, chiedendosi: "Just because I like to use methodical bullet points and parallel sentences, does that mean I cannot be 'human'?" («Solo perché preferisco usare elenchi puntati ben strutturati e frasi parallele, significa forse che non posso essere 'umano'?»). Questa tensione ha spinto molti studenti a chiedersi se i sistemi di rilevamento nazionali mantengano una lista nera interna di formule di transizione vietate.

La realtà tecnica di fondo è lineare: nessun fornitore di rilevatori né alcuno studio di machine learning pubblicato ha mai dimostrato che una singola parola, espressione o costrutto grammaticale in lingua cinese costituisca una firma esclusiva dell'intelligenza artificiale. I classificatori reagiscono a pattern distribuzionali — prevedibilità sintattica, fluidità di transizione tra i token e ritmo meccanico all'interno del brano — non a specifici vocaboli.

Il confine delle prove: i rilevatori sono classificatori addestrati, non filtri per parole specifiche

Per comprendere perché una prosa accademica metodica venga segnalata, occorre esaminare come funziona davvero la moderna tecnologia di rilevamento dell'AI. Nei forum studenteschi è diffusa la convinzione errata che i rilevatori calcolino in tempo reale la «perplessità» matematica (quanto un modello sia sorpreso dalla parola successiva) e la «burstiness» (la variazione nella struttura e nella lunghezza delle frasi) per valutare i testi. Come approfondito nella nostra analisi su come perplessità e burstiness si collegano al rilevamento dell'AI, queste metriche descrivono essenzialmente gli strumenti dimostrativi di prima generazione. I fornitori commerciali di rilevatori sono andati ormai ben oltre: GPTZero ha dichiarato che dall'autunno 2023 non utilizza più perplessità e burstiness, mentre Turnitin ha chiarito che il proprio modello "is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity'." («non è esplicitamente programmato per valutare segnali specifici come 'burstiness' o 'perplessità'»).

I rilevatori attualmente in produzione — comprese le principali piattaforme di screening accademico e i classificatori neurali di testo — operano come classificatori di machine learning perfezionati (fine-tuned). Questi modelli di deep learning vengono addestrati su enormi dataset composti da coppie di testi scritti da esseri umani e testi generati da macchine, per identificare caratteristiche linguistiche complesse e ad alta dimensionalità.

Tuttavia, l'insegnamento standard della scrittura accademica nelle università cinesi promuove abitudini strutturali che si sovrappongono in modo marcato ai pattern statistici individuati dai classificatori:

  • Enumerazione per punti numerati: articolare le misure come "First, establish mechanisms; second, improve procedures; third, strengthen supervision" («in primo luogo, istituire meccanismi; in secondo luogo, perfezionare le procedure; in terzo luogo, rafforzare la supervisione») crea una rigida simmetria strutturale;
  • Parallelismo e bilanciamento sintattico: allineare le strutture grammaticali tra proposizioni coordinate genera una lunghezza uniforme delle frasi e schemi sintattici ripetitivi;
  • Formule di transizione: espressioni come «in sintesi» (综上所述), «sulla base dell'analisi sopra esposta» (基于上述分析) e «da ciò si evince» (由此可知) fungono da ponti logici standardizzati il cui contesto testuale è altamente prevedibile.

Quando chi scrive rispetta rigorosamente le norme accademiche formali organizzando le argomentazioni in paragrafi simmetrici e fortemente strutturati, il profilo linguistico del testo diventa eccezionalmente uniforme. Agli occhi di un classificatore neurale addestrato, questa regolarità strutturale ricalca da vicino la distribuzione dei testi sintetici osservata durante la fase di addestramento del modello.

Questo traccia il confine cruciale delle prove: i rilevatori automatici sono sensibili ai modelli strutturali rigidi, alla simmetria meccanica e all'estrema uniformità espositiva; tuttavia, nessuna fonte tecnica pubblicata considera la semplice presenza di «in sintesi» o di elenchi puntati come prova conclusiva della paternità dell'AI. Una percentuale elevata rappresenta una classificazione probabilistica basata su pattern appresi, non un accertamento fattuale e verificato di scorrettezza accademica.

L'illusione dei content farm: perché il consiglio di «cancellare queste frasi» è privo di fondamento

I risultati dei motori di ricerca e i forum sui social media sono invasi da post promozionali che promettono che "deleting these 20 phrases will instantly reduce your AI rate below 5%." («cancellando queste 20 frasi ridurrai all'istante il tuo indice di AI sotto il 5%»). Questi content farm mettono insieme elenchi arbitrari di presunte «frasi tabù», intimando agli studenti di eliminare connettivi accademici standard come «in sintesi», «è evidente», «approfondimento», «dal punto di vista di» e "on one hand... on the other hand." («da un lato... dall'altro»).

Le piattaforme commerciali promuovono queste formule basate sull'eliminazione di frasi perché la sostituzione semplicistica delle parole è facile da monetizzare tramite strumenti di riscrittura automatica e servizi di parafrasi a pagamento. Dal punto di vista analitico e metodologico, questo consiglio è profondamente fuorviante:

  1. I classificatori analizzano finestre di contesto, non liste nere statiche di parole chiave: sostituire meccanicamente «in sintesi» (综上所述) con un sinonimo colloquiale come «a grandi linee» (总的来看) lascia pressoché invariate l'architettura della frase, le rappresentazioni contestuali (contextual embeddings) e la distribuzione di probabilità strutturale.
  2. Le cancellazioni arbitrarie compromettono la coesione e il rigore accademico: le argomentazioni scientifiche richiedono connettivi logici espliciti per chiarire le relazioni tra i concetti. Costringere gli studenti a smantellare elenchi puntati ben organizzati in frammenti colloquiali sconnessi, o a rimpiazzare termini tecnici precisi con espressioni informali, degrada direttamente la qualità della tesi, attirando legittimi richiami in sede di valutazione da parte dei docenti.
  3. L'uso degli strumenti è regolato dalle norme del proprio istituto, non da divieti universali o dalle promesse degli intermediari: molti studenti chiedono se l'uso di software di riscrittura o di humanizing sia tassativamente vietato. L'impiego consentito di questi strumenti non è stabilito da una regola universale; ciò che è lecito dipende interamente dalle linee guida specifiche del tuo ateneo, del tuo dipartimento e del singolo lavoro assegnato. Alcune facoltà consentono l'uso di strumenti generativi o di supporto per il perfezionamento linguistico, purché tale ausilio sia esplicitamente dichiarato, mentre altre proibiscono qualsiasi riscrittura automatizzata. Consulta il codice di condotta accademica del tuo istituto e parlane apertamente con il tuo relatore. Soprattutto, diffida degli intermediari commerciali che sbandierano «tassi di superamento garantiti» o promettono «punteggi 100% umani». I servizi a pagamento di «riduzione dell'AI» sono stati denunciati da un'inchiesta dell'agenzia Xinhua; un'indagine di China National Radio (Voice of China) ha messo in luce gravi abusi in questo mercato, rilevando tariffe che vanno da decine a oltre mille yuan, venditori che si limitano a usare un'altra AI con appositi prompt per riscrivere i testi («usare l'AI per ridurre l'AI» / "用AI降AI率") e persino episodi in cui gli studenti, a seguito di controversie, sono stati minacciati con la pubblicazione online della tesi o con segnalazioni alle proprie università. Poiché i modelli di rilevamento si basano su probabilità statistiche, nessuno strumento commerciale può garantire in modo legittimo specifici risultati di rilevamento.

Convenzioni di scrittura disciplinari: una struttura metodica è rigore accademico, non generazione automatica

La struttura metodica e le transizioni stilizzate sono convenzioni fondamentali della prassi accademica, che riflettono standard dipartimentali e non certo scorciatoie generative:

  • Ingegneria e informatica: metodologie tecniche, pipeline algoritmiche, parametri di test e architetture di sistema vengono tipicamente comunicati attraverso elenchi numerati, passaggi distinti e sequenze riproducibili, al fine di preservare la precisione tecnica.
  • Giurisprudenza, management e pubblica amministrazione: l'analisi normativa, le valutazioni istituzionali e le raccomandazioni amministrative fanno ampio ricorso a proposizioni parallele e a sintesi standardizzate, così da garantire un'interpretazione giuridica e procedurale priva di ambiguità.
  • Medicina e scienze della vita: la rendicontazione empirica segue formati standardizzati (come le descrizioni degli studi clinici e le metriche dei gruppi di controllo), in cui un fraseggio convenzionale riduce al minimo le ambiguità interpretative.

Come ha sottolineato il professor E Haihong nell'inchiesta di Xinhua: "Different disciplines should not apply a one-size-fits-all approach to AIGC rates; final determinations should be made by subject-matter experts or faculty advisors." («Le diverse discipline non dovrebbero applicare un criterio uniforme per tutti riguardo al tasso di AIGC; la valutazione finale spetta agli esperti della materia o ai relatori accademici»). Gli strumenti di classificazione statistica non sono in grado di distinguere tra la rigorosa adesione di un autore alle convenzioni scientifiche e il completamento statistico di token operato da un algoritmo.

In ultima analisi, il giudizio autorevole sull'originalità accademica spetta agli studiosi in carne e ossa: relatori, revisori paritari e commissioni di laurea dipartimentali. Le politiche universitarie sull'integrità accademica si concentrano su plagio, fabbricazione di dati e uso non autorizzato di strumenti generativi; un'organizzazione limpida, una sintassi equilibrata e un ragionamento rigoroso non costituiscono affatto una violazione accademica. L'integrità scientifica non deve essere sacrificata per assecondare uno strumento statistico.

Come gestire una segnalazione di AI in modo responsabile: protocollo di verifica in quattro passaggi

Se una tesi in lingua cinese redatta in modo autonomo riceve un punteggio di rilevamento AI elevato a causa della struttura metodica, di frasi parallele o di formule di transizione standard, non farti prendere dal panico e resisti alle offerte degli intermediari commerciali che promettono punteggi garantiti. Quali forme di revisione o di supporto siano consentite dipende esclusivamente dalle politiche del tuo istituto, ma consegnare riscritture commerciali non verificate rischia solo di compromettere il tuo lavoro. Segui invece questo protocollo di verifica istituzionale in quattro passaggi:

  1. Conserva e metti al sicuro una cronologia completa delle bozze (draft trail): la difesa più inattaccabile contro una segnalazione automatica è una traccia cronologica e non modificabile del processo di scrittura. Esporta e archivia le versioni dei documenti con marcatura temporale: file Word con revisioni tracciate e salvataggi automatici locali, cronologia delle versioni cloud da WPS o Tencent Docs, oppure registri dei commit da repository Overleaf e Git. Raccogli prove secondarie dello sviluppo della tesi: letteratura scientifica annotata, quaderni di laboratorio scritti a mano, dataset grezzi dei sondaggi, registrazioni originali delle interviste e relazioni di avanzamento formali presentate durante le tappe intermedie del percorso.
  2. Esamina e confronta nel dettaglio il report completo di rilevamento: richiedi e analizza a fondo il report integrale in formato PDF o HTML generato dalla piattaforma di rilevamento indicata dal tuo istituto, anziché fermarti alla sola percentuale di riepilogo. Individua con precisione quali sezioni, paragrafi o blocchi di testo sono stati evidenziati, verificando se il software li ha segnalati come pattern di AI generativa o come sovrapposizione con la letteratura esistente. Controlla che le esclusioni strutturali siano state impostate correttamente, accertandoti che bibliografia, ringraziamenti, appendici, formule matematiche e citazioni a blocco non siano stati erroneamente conteggiati nel totale delle parole analizzate.
  3. Illustra al tuo relatore le convenzioni disciplinari e la logica metodologica: concorda un incontro di persona con il tuo docente relatore, presentando sia il report con le segnalazioni sia le bozze originali della ricerca; Spiega con chiarezza la necessità disciplinare delle strutture segnalate: "Section 3 uses a three-part comparative list in accordance with standard engineering benchmarking conventions, and the concluding transitional sentence reflects the direct deduction from the preceding empirical dataset" («La sezione 3 adotta un confronto articolato in tre punti conforme alle consuete convenzioni di benchmarking ingegneristico, e la frase di transizione conclusiva costituisce la deduzione diretta dai dati empirici precedenti»); Fai leva sulla competenza scientifica del tuo relatore affinché confermi che i passaggi evidenziati rappresentano un'espressione disciplinare appropriata e non una generazione automatica.
  4. Informati sulle soglie di revisione dell'istituto e sulle procedure di ricorso: consulta le linee guida ufficiali del tuo dipartimento tramite la segreteria didattica (Academic Affairs Office / 教务处) o la scuola per i corsi post-laurea (Graduate School / 研究生院) per verificare se l'indice di AIGC costituisca un semplice avviso informativo o una soglia vincolante. Richiedi i regolamenti ufficiali di ricorso e la modulistica necessaria del tuo ateneo. In base alla Legge sui titoli accademici della Repubblica Popolare Cinese, specifiche disposizioni di legge disciplinano la revisione del titolo: l'articolo 39 prevede la presentazione di memorie e dichiarazioni difensive (陈述和申辩) prima di assumere una decisione di mancato conferimento o di revoca del titolo; l'articolo 40 prevede la revisione accademica (学术复核) in merito alle conclusioni della valutazione accademica; l'articolo 41 disciplina il riesame (复核) delle decisioni di rigetto della domanda, mancato conferimento o revoca del titolo. Poiché un punteggio iniziale di screening per AIGC non costituisce di per sé un provvedimento disciplinare formale, gli studenti coinvolti in contestazioni devono seguire le procedure di riesame stabilite dal proprio ateneo, presentando la cronologia delle bozze e le evidenze di stesura affinché una commissione di docenti possa procedere a una valutazione umana.

Riferimenti bibliografici e fonti pubbliche

  1. BeiQing ShenYiDu (Beijing Youth Daily) (北青深一度 / 北京青年报): "Graduation Theses Trapped in the 'AI Rate': Methodically Structured Bullet Points and Frequent Parallel Sentences Judged as Not 'Human'" («Tesi di laurea intrappolate nel 'tasso di AI': elenchi puntati metodici e frequenti frasi parallele giudicati non 'umani'») (《困在“AI率”中的毕业论文:有条理地分点叙述,常用排比句,被判定为不是“人”》), pubblicato l'8 agosto 2025. URL: `https://news.qq.com/rain/a/20250808A03F3K00`
  2. Agenzia di stampa Xinhua (新华社): "Thesis AIGC Rate: Are Detection Standards Scientific?" («Tasso di AIGC nelle tesi: gli standard di rilevamento sono scientifici?») (《论文AIGC率,检测标准科学吗?》), pubblicato il 23 maggio 2026 tramite l'account WeChat di Xinhua (pubblicato originariamente da Science and Technology Daily / CCTV News il 22 maggio 2026), sull'analisi dei criteri di screening universitari e dei servizi a pagamento di riduzione dell'AI. URL: `https://m.thepaper.cn/newsDetail_forward_33210288`
  3. China National Radio (央广网): "Investigation into Abuses in Thesis AI-Reduction Services" («Inchiesta sugli abusi nei servizi di riduzione dell'AI nelle tesi») (《代降论文AI率服务乱象调查》), pubblicato il 14 luglio 2025 (pubblicato in origine da Legal Daily), con un reportage sui servizi a pagamento che usano prompt di AI per riscrivere i testi, tariffe da decine a oltre mille yuan e minacce agli studenti in caso di controversie. URL: `https://news.cnr.cn/native/gd/20250714/t20250714_527260647.shtml`
  4. Guangming Daily Online (光明网): "My Self-Written Thesis Was Diagnosed as AI" («La mia tesi scritta di proprio pugno è stata diagnosticata come AI») (《“自己写的毕业论文,被确诊AI”》, 22 luglio 2024, ripreso da The Paper) e "Thesis 'AI-Reduction' Has Become a Business: AI Detection Must Not Become Formalism" («La 'riduzione dell'AI' nelle tesi è diventata un business: il rilevamento dell'AI non deve trasformarsi in formalismo») (《论文“降AI率”已成生意,AI检测不能沦为形式主义》, 11 giugno 2026, commento che fa riferimento al reportage di National Business Daily del 10 giugno 2026 《高校严查论文AI率,帮学生“降写”成了火爆生意》). URL: `https://m.gmw.cn/2024-07/22/content_1303798841.htm` / `https://guancha.gmw.cn/2026-06/11/content_38823723.htm`
  5. Beijing Daily Client (北京日报客户端): "Thesis AI Detection Is Driving This Year's College Graduates Crazy" («Il rilevamento dell'AI nelle tesi sta facendo impazzire i laureandi di quest'anno») (《论文AI检测,正在“逼疯”这届大学生》), pubblicato il 19 luglio 2026. URL: `https://xinwen.bjd.com.cn/content/s6a5ccb7de4b03fa51a81b89b.html`
  6. Comitato permanente della XIV Assemblea nazionale del popolo: Legge sui titoli accademici della Repubblica Popolare Cinese (《中华人民共和国学位法》), approvata il 26 aprile 2024 durante la 9ª sessione del Comitato permanente della XIV Assemblea nazionale del popolo, in vigore dal 1° gennaio 2025. URL: `https://www.12371.cn/2024/04/28/ARTI1714265542656277.shtml`

CONTINUA A LEGGERE