请母语编辑润色，会让论文看起来像 AI 写的吗？一项 2026 年研究

在这项研究里，并不一致。在 13 个开源 AI 检测器上，人工编辑让一些检测器的 AI 分数上升、另一些下降，达到实际意义门槛的只有其中 7 个。检测器本身造成的差别远大于编辑：对同样一批未经编辑的稿件，误报率从 0.0% 到 100% 不等。研究没有测任何商用检测器，包括 Turnitin。

这项研究题为《Style as a Confound: False Positives in AI Detection of Non-Native Academic Writing》（风格是混杂因素：AI 检测对非母语学术写作的误报），作者是韩国中央大学的 Hyeonchu Park、Bugeun Kim 和 Wordvice 的 Gahye Jeong，2026 年 8 月 27 日发布在 arXiv 上，页面注明在 EMNLP 2026 上发表。文档来自专业英文编辑服务商 Wordvice。按该公司自己的博客，作者之一 Gahye Jeong 是 Wordvice 的首席技术官，博客还称 Wordvice 是 "the developer of the Wordvice AI Detector"（Wordvice AI 检测器的开发方）。

数据是 2018 到 2025 年间的 135,389 对文档，覆盖 40 多个学科。每一对是一篇由英语非母语者写的文档，以及同一篇文档经母语编辑修改后的版本。其中略多于一半（52.9%）来自学术编辑，37.6% 来自招生申请编辑；单个领域里最大的是申请文书，有 22,639 篇。其余是商务编辑、托福写作、翻译等。因为作者、题目和内容都没变，检测分数的任何变化都来自编辑。

编辑本身是人做的。按论文的描述，这家服务商的规范只允许用 AI 语法检查工具查机械性错误，而 "AI-generated rewriting, paraphrasing, or stylistic generation is explicitly prohibited."（明确禁止由 AI 生成的改写、转述或风格生成。）改动是实在的，但幅度不大：在 6,000 对的抽样里，文档长度的中位变化只有 6.5 个词，平均句长从 24.35 个词略降到 23.51 个词。

13 个检测器都是公开的研究工具，按默认设置运行：统计类方法如 GLTR，零样本方法如 Fast-DetectGPT 和 Binoculars，训练好的分类器如 RoBERTa 和 RADAR。

对 2023 年以前写成的稿件（作者把它们当作人写文本），被错判为 AI 的比例几乎完全取决于检测器：

同样一批人写的文档，有的工具几乎全判成 AI，有的几乎全判成人写。作者的结论是："These findings suggest that AI detectors do not represent a unified measure of AI-generated content; rather, they rely on a mix of generation-origin and linguistic-quality signals."（这些发现表明，AI 检测器并不代表对 AI 生成内容的统一衡量，而是混合依赖了生成来源信号和语言质量信号。）他们也提醒，这些绝对比例取决于他们设定的阈值。

编辑之后，变化的方向取决于检测器。以下数字是 2018 到 2025 年的全部数据，不只是上表那批 2023 年以前的文档：

• 编辑后误报变少： MAGE（下降 10.7 个百分点）、RADAR（下降 4.7）、BiScope（下降 0.5）。
• 编辑后误报变多： LastDE+（上升 5.8）、Fast-DetectGPT（上升 4.6）、RoBERTa（上升 1.7）。
• 说不清： DiVeye，它在论文不同表格里的数字方向不一致。
• 几乎没变： 其余检测器，变化在 0.1 个百分点左右以内。

作者认为，这种编辑前后的变化比绝对比例更可靠："the relative patterns across editing conditions provide more robust evidence of detector sensitivity to linguistic refinement."（不同编辑条件之间的相对变化，为检测器对语言润色的敏感性提供了更可靠的证据。）

稿件改得越多，分数朝那个检测器原本倾向的方向移动得越远。而且这种影响在 2023 到 2025 年比在 2018 到 2022 年更弱。

• 没有商用检测器。 用作者的话说，"the analysis does not cover future systems or proprietary commercial detectors."（这项分析不涵盖未来的系统，也不涵盖专有的商用检测器。）Turnitin、GPTZero、Originality 和 Pangram 都没测，论文里没有提到 Turnitin。
• 以学术编辑为主，但不全是。 作者把数据描述为以学术稿件为主，但其中超过三分之一是招生申请编辑，而论文没有按类型分开报告结果。他们还说："Detector behavior may differ for student essays, journalistic articles, creative writing, social media content, and other genres with distinct linguistic and stylistic characteristics."（对于学生作文、新闻报道、创意写作、社交媒体内容，以及其他语言和风格特征不同的文体，检测器的表现可能不同。）
• 只有人工编辑。 这批数据里的编辑都是人做的，而且规范禁止用 AI 改写。它对 AI 编辑工具说明不了什么。
• 没有 AI 写的对照组。 用作者的话说，"the study does not include AI-generated control texts subjected to comparable editing procedures."（研究没有包含经过同样编辑流程的 AI 生成对照文本。）
• 是谁做的。 数据和其中一位作者来自 Wordvice，一家卖编辑服务的公司，按它自己的说法，它也开发 AI 检测器。

1. 找不找人工编辑，按它本身的价值来定，而不是按这些检测器。 就这里测的 13 个研究型检测器而言，这项研究不构成因为怕被标 AI 就放弃人工编辑的理由：编辑对大多数分数的影响很小，而且有升有降，不过确实有 3 个检测器在编辑后误报变多。Turnitin 会不会一样，没有测过。查一下你的期刊或课程是否要求声明编辑协助。
2. 两个版本都留着。 你的原稿和编辑的修订痕迹文件，能准确说明人改了什么，这是检测分数做不到的。
3. 问清分数出自哪个检测器。 在这项研究里，不同检测器对同一份人写文字的判定差别很大，不过作者也提醒，具体比例取决于他们设定的阈值。更早的非母语写作者研究，见为什么非英语母语的写作者更容易被 AI 检测器误判；2026 年对 Turnitin 本身测 EFL 学生作文的研究，见 Turnitin 会把非母语学生的英文写作判成 AI 吗？一项 2026 年的测试。

如果你手上有 Turnitin 或 iThenticate 报告，标红的段落需要改写，这正是 HumanPen 降 AI 功能做的事。导入 Turnitin 或 iThenticate 报告，只改报告标出的段落，返回同格式的可编辑文件。用之前先对照你的期刊或课程关于 AI 协助的规定，提交之前把改回来的内容读一遍。

母语编辑改过的论文，Turnitin 会标出来吗？ 这项研究回答不了；它没有测 Turnitin，也没有测任何商用检测器。

编辑让论文看起来更像人写，还是更像 AI？ 两种都有，取决于检测器。编辑后误报变少的有 3 个，变多的有 3 个；DiVeye 在论文各表里的数字不一致，其余几乎没动。

这适用于 AI 编辑工具吗？ 不适用。这批数据里的编辑是人做的，规范禁止用 AI 改写。关于 AI 润色的 2026 年研究，见用 AI 润色过，会被判成 AI 吗？一项 2026 年研究测出的数字。

为什么有些检测器几乎把每篇稿件都判成 AI？ 作者发现，基于词元统计的检测器对这些人写文本的误报率最高，而基于似然比的零样本检测器接近零。他们也提醒，绝对的误报率取决于所用的阈值。

• Hyeonchu Park、Gahye Jeong、Bugeun Kim，Style as a Confound: False Positives in AI Detection of Non-Native Academic Writing，arXiv:2608.26710（2026 年 8 月 27 日；页面注明在 EMNLP 2026 上发表）；2026 年 9 月 27 日读取（表 2–4、8、18）。
• Wordvice，How Professional Editing Changes AI Detector Scores，Gahye Jeong 撰写的博客文章，2026 年 9 月 27 日读取。