不改意思降 AI 率：机制层面的解释

"不改意思降 AI 率"这句话里藏着一个预设：检测器读的是意思。Turnitin 自己的文档描述的过程并非如此。提交的文本被切成重叠的片段，每个片段由模型给出一个属于人类或 AI 生成的概率值，这些概率值被池化和汇总成文档级别的分数。检测器读的是词选择中的统计模式，不是词的意思。所以"不改意思"和"不改检测器读的统计模式"是两个独立的约束。一次改写可以保住段落里的每一个想法，同时改变统计特征到足以改变分数，因为这两个目标衡量的是不同的东西。

Turnitin 的 FAQ 这样描述这个过程：

"When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated. Each qualifying sentence within these segments inherits the segment's score. Since segments overlap, some sentences may have multiple scores, which are then pooled into a single score. These sentence scores are further aggregated and used to compute the overall document AI writing score."

把它当作一条流水线来读。你的文本进去，被切成重叠的片段，每个片段拿到一个概率值，句子从所属片段继承分数，重叠的分数被池化，池化后的分数被汇总成一个数字。在这整个过程中，模型没有在任何一步去解析你的段落是在讲什么。它处理的是词序列的统计特征，产生分数的就是这些特征。

FAQ 里有两句话容易读成矛盾的，但其实不是。第一句：

"Our model is not explicitly programmed to evaluate specific signals such as "burstiness," "perplexity," or other individual metrics sometimes referenced in public discussions."

下一句："Instead, it learns statistical patterns from our training data."

第二句来自同一页的另一个问题："Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers."

第一句话说模型没有被接线去计算两个被点名的指标。第二句话说模型是在词概率上训练的。两者是一致的：模型不去算一个叫"困惑度"的数字然后拿它和阈值比，但它确实从词概率模式中学习。这个区别很重要，因为大量改写建议建立在一个假设上：你只需要动那个被点名的指标。如果模型不计算那个指标，动它就不是人们以为的那根杠杆。我们在 困惑度与突发性之外，AI 检测器还在测什么 中更详细地讨论过这个话题。

如果检测器读的是词概率模式而不是意思，那么一次保住意思的改写不自动等于一次改变分数的改写。两个目标在不同的轴上运作。

假设一段话是："The results indicate a significant correlation between variables X and Y." 你把它改成 "The findings show a meaningful link between X and Y." 意思一样。但新句子的词概率分布与原句不同。这个差异是把分数推高还是推低，取决于新的词序列看起来更像还是更不像模型学到的 AI 生成文本特征，而你读这句话是看不出来的。

这就是为什么"不改意思"是一个对人来说有意义、但不映射到检测器衡量什么上的目标。检测器不在乎你的改写有没有保住论点。它读的是另外的东西。不用工具手工降 AI 率：哪些改动真的动到了统计特征是同一个问题的手工版。

Turnitin 的 FAQ 还列出了可能产生误报的文本特征：

"Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas."

以及紧接的下一句："If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated."

清单上的第三项要读仔细，而读仔细之后它说的比人们以为的少。Turnitin 在描述成稿所处的状态，和前两项一样：结构没什么变化、有字面重复、观点没有往前走。这里没有一处是在说是哪些编辑动作把文本弄成了这个状态。把一个词替换成更贴切的那个是普通的编辑动作，任何改写工具都会做，我们的也一样，清单上没有一条是在反对它。清单真正告诉你的是：一段文字可以从一次改写里出来，仍然说着和进去时一模一样的东西，而 Turnitin 认为处在这个状态的文本容易被误判。这是对结果的判断，也就是说你把那一段重读一遍就能自己核。至于哪些地方的意思本来就不能动，方法与结果部分哪些可以改写，哪些必须逐字保持准确是按章节划的线。

总结我们讲过的内容：

• 检测器通过重叠片段的流水线读词概率模式，不读意思。
• 模型不计算"突发性"或"困惑度"这两个具名指标，但分类器在词概率上受过训练。
• 保留意思和改变检测器读的统计特征是两个独立的约束，不是一个。
• 改写后没有产生新想法的文字，在 Turnitin 自己列出的误报易发文本清单上。
• AI 分和相似度分相互独立，互不影响。

实际含义是：一次好的改写同时做两件事：保住想法，并改变被标记段落的词概率分布。如果你有 Turnitin 报告，导入它，只处理被标记的段落。符合条件时可以免费继续降 AI。