Kaip veikia šis naršyklėje skaičiuojantis stilometrinis detektorius
Visi šio įrankio skaičiavimai atliekami tiesiogiai jūsų naršyklėje. Įklijuotas tekstas niekada nesiunčiamas į išorinius serverius, nesaugomas duomenų bazėse ir nenaudojamas svetimų modelių apmokymui. Paspaudus analizės mygtuką, vietinis algoritmas išskaido tekstą ir pagal netiesinį asimptotinį modelį įvertina keturias stilometrines kryptis:
- Sakinių ritmo dinamika: vertinamas sakinių ilgio banguotumas, dispersija ir gretimų sakinių apimties kaita, leidžianti atskirti gyvą kalbos tėkmę nuo mechaniškai išlyginto teksto.
- Diskurso klišių ir perteklinio žodyno tankis: tekstas tikrinamas pagal nuo temos nepriklausančius retorinius štampus, įžangines bei apibendrinamąsias konstrukcijas ir kalbos modeliams būdingas perteklinių stiliaus žodžių sankaupas.
- Retorinė simetrija ir žodyno įvairovė: slankiojančio lango principu matuojama žodyno kaita, pasikartojančios sakinių pradžios, simetriškos vardijimų triados ir kontrastinės negacijos konstrukcijos, kurios išduoda tiek korporatyvinius tekstus, tiek vientisus mokyklinius ar filosofinius rašinius.
- Kompozicijos ir struktūros pėdsakai: analizuojama ne tik specifinė skyryba ar automatizuoti sąrašai, bet ir makrostruktūrinė pastraipų proporcijų simetrija, antraščių daryba bei šabloninė esė architektūra.
Įrankis reikalauja bent 60 žodžių teksto. Bandymas nustatyti autorystę iš vieno ar dviejų trumpų sakinių yra statistinė būrimo praktika, todėl analizatorius nevykdo patikros, kol nepakanka duomenų patikimai dispersijai įvertinti.
Claude’o Shannono entropija, Zipfo dėsnis ir glotnaus teksto termodinamika
Norint suprasti, kodėl mašinos sugeneruotas tekstas skamba monotoniškai net tada, kai gramatika nepriekaištinga, verta prisiminti 1948 m. Claude’o Shannono informacijos entropijos teoriją. Natūralioje kalboje žodžių dažniai paklūsta Zipfo dėsniui: keliolika tarnybinių žodžių sudaro teksto karkasą, o ilga retų žodžių uodega neša tikslią prasmę. Žmogui rašant sąlyginė entropija nuolat šokinėja. Autorius gali parašyti ilgą sudėtinį sakinį, po jo rėžti trumpą repliką, įterpti konkrečią datą ar skaičių ir pavartoti netikėtą gyvosios kalbos veiksmažodį, kurio statistinė tikimybė šabloniniame tekste artima nuliui.
Autoregresiniai kalbos modeliai veikia priešingai. Kiekviename žingsnyje dekoderis apskaičiuoja kito žodžio tikimybių skirstinį ir nukerta retų variantų uodegą per temperatūros koeficientą bei branduolio (top-p) atranką. Toks filtras apsaugo modelį nuo nerišlių klaidų, tačiau sukuria termodinaminį išlyginimą: sakinių ilgis susitraukia prie saugaus vidurkio, pastraipos tampa vienodo dydžio kaladėmis, o net ir be jokių sąrašų parašytas esė išlaiko nenatūraliai simetrišką ritmą. Žvelgiant iš fizikos perspektyvos ir prisiminus Landauerio ribą, visiškai absurdiška deginti megavatus elektros skysčiu aušinamose duomenų centrų vaizdo plokščių fermose vien tam, kad įvertintum teksto stilistinę dispersiją – matematinis modelis naršyklėje šį darbą atlieka tiesiog jūsų įrenginyje.
Nuo 1963 m. IBM 7090 eksperimento iki šiuolaikinio perteklinio žodyno tyrimų
Statistinė autorystės paieška atsirado gerokai anksčiau nei mikroprocesoriai. 1963–1964 metais statistikai Frederickas Mostelleris ir Davidas L. Wallace’as į „IBM 7090“ kompiuterį suvedė ginčytinus „Federalist Papers“ politinius straipsnius. Tiek Alexanderis Hamiltonas, tiek Jamesas Madisonas rašė beveik identiško ilgio XVIII amžiaus sakiniais, todėl paprastas ilgio vidurkis nieko nepasakė. Mokslininkai mįslę įminė atmetę skambius politinius daiktavardžius ir išanalizavę nematomus tarnybinius žodžius bei įpročio konstrukcijas.
Praėjus šešiasdešimčiai metų, lygiai toks pat statistinis nuotėkis išduoda ir šiuolaikinius pokalbių robotus. 2025 m. žurnale „Science Advances“ paskelbtame tyrime Dmitrijus Kobakas su kolegomis išanalizavo daugiau nei 15 milijonų „PubMed“ duomenų bazės mokslinių santraukų ir parodė, kaip po 2022 m. pabaigos staiga šoko specifinių „puošnių“ veiksmažodžių, būdvardžių ir retorinių jungčių vartojimas. Vienas toks žodis ar jungtukas tekste nereiškia nieko, tačiau kai viename tekste susikaupia perteklinio žodyno sankaupa, simetriški trinarių vardijimų šablonai ir vienodo ilgio pastraipos, suminė tikimybė tolygiai išauga.
„Juodosios dėžės“ kultas: kodėl stilometrija yra termometras, o ne teismo nuosprendis
Per pastaruosius kelerius metus mokyklose, universitetuose ir redakcijose įsigalėjo keistas prietaras: tikėjimas, kad internetinė forma gali pažvelgti į trumpą rašinį, išmesti raudoną procentą ir tapti neklystančiu melo detektoriumi. Tai gryna fantazija. Dar komiškiau atrodo komercinės platformos, kurios reikalauja susikurti paskyrą, pririšti banko kortelę ir išsiųsti jūsų konfidencialų rankraštį į svetimą debesų serverį vien tam, kad grąžintų vieną mistinį skaičių be jokio paaiškinimo.
Stilometrija matuoja teksto paviršiaus faktūrą, o ne autoriaus sąžinę. Sausas enciklopedinis aprašymas, teisinis dokumentas, techninė specifikacija arba pagal griežtą mokyklinį šabloną parašytas rašinys natūraliai surinks aukštesnį struktūrinio vienodumo balą. Ir atvirkščiai – mašininis juodraštis, kurį žmogus negailestingai iškarpo, papildo gyvais faktais ir išmeta tuščiažodžiaujančias įžangas, bus įvertintas kaip žmogiškas, nes jo ritmas po tokio redagavimo ir tampa žmogiškas. Naudokite šias keturias skales kaip redagavimo diagnostiką monotonijai ir kanceliariniams štampams išsivalyti, o ne kaip įrankį kaltinimams be įrodymų.