એઆઈ લખાણ ઓળખ: કમ્પ્યુટર કેવી રીતે અંદાજ લગાવે છે કે નિબંધ માણસે લખ્યો છે કે મશીને?

શિક્ષકો અને ઓફિસોમાં વપરાતી ડિજિટલ ચકાસણી

આજના સમયમાં ChatGPT કે Gemini જેવા સાધનો આવ્યા પછી શાળાઓ, કોલેજો અને કંપનીઓમાં એક મોટો પ્રશ્ન ઊભો થયો છે: શું આ નિબંધ કે પ્રોજેક્ટ રિપોર્ટ વિદ્યાર્થીએ જાતે લખ્યો છે કે કમ્પ્યુટર પાસે લખાવ્યો છે? આ શંકા દૂર કરવા માટે Turnitin કે GPTZero જેવા એઆઈ ડિટેક્ટર સોફ્ટવેરનો ઉપયોગ વધ્યો છે. આ સોફ્ટવેર દાવો કરે છે કે તેઓ લખાણ જોઈને કહી શકે છે કે તે માણસે લખ્યું છે કે એઆઈએ.

પરંતુ સામાન્ય લોકો માને છે તેમ આ સોફ્ટવેર પાસે કોઈ ડિજિટલ ફિંગરપ્રિન્ટ કે જાદુઈ પુરાવો હોતો નથી. તે માત્ર ગણિત અને આંકડાકીય સંભાવના પર કામ કરતું ભાષા મોડેલ (સ્ટેટિસ્ટિકલ લેંગ્વેજ મોડેલ અથવા Statistical Language Model) છે, જે લખાણની પેટર્ન માપીને માત્ર એક અંદાજિત ટકાવારી રજૂ કરે છે. આ સાધનો ક્યારેય સાબિત નથી કરી શકતા કે લખાણ પાછળ ખરેખર કોણ બેઠું હતું.

સરકારી ચોપડાની ભાષા અને કવિની કલ્પના વચ્ચેનો ભેદ

આ પદ્ધતિને સમજવા માટે એક સરકારી નિયમાવલી અને એક સ્વતંત્ર કવિતાની સરખામણી કરો. સરકારી ચોપડામાં ભાષા એકદમ નિયમિત, સપાટ અને સાવચેત હોય છે; તેમાં આગળ કયો શબ્દ આવશે તે પહેલેથી ધારી શકાય છે. આ ગુણધર્મને ભાષાકીય સાવચેતી (જેને લિન્ગ્વિસ્ટિક કન્ઝર્વેટિઝમ અથવા Linguistic Conservatism કહે છે) તરીકે ઓળખવામાં આવે છે. બીજી તરફ, માણસ જ્યારે સાચે જ લખે છે ત્યારે ક્યારેક ટૂંકું વાક્ય લખે છે તો ક્યારેક લાંબુ અને અણધાર્યા શબ્દો વાપરે છે.

એઆઈ ડિટેક્ટર મુખ્યત્વે બે ગાણિતિક માપદંડો ચકાસે છે. પહેલું માપદંડ શબ્દોની ધારણા કેટલી સરળ છે તે માપે છે (જેને પરપ્લેક્સિટી અથવા Perplexity કહેવાય છે). એઆઈ મોડેલ્સ હંમેશા સૌથી વધુ સંભવિત શબ્દો પસંદ કરે છે, તેથી તેમનો પરપ્લેક્સિટી સ્કોર ઓછો હોય છે. બીજું માપદંડ વાક્યોની લંબાઈ અને લયનું વૈવિધ્ય તપાસે છે (જેને બર્સ્ટીનેસ અથવા Burstiness કહે છે). માણસના લખાણમાં બર્સ્ટીનેસ વધારે હોય છે, જ્યારે એઆઈ લગભગ સરખી લંબાઈના વાક્યો રચે છે.

આ પદ્ધતિની સૌથી મોટી ખામી એ છે કે તે ઘણીવાર નિર્દોષ માણસના લખાણને પણ એઆઈ દ્વારા લખાયેલું જાહેર કરી દે છે (જેને ખોટો શક અથવા False Positive કહેવાય છે). ખાસ કરીને જે લોકો અંગ્રેજીને બીજી ભાષા તરીકે શીખ્યા છે અને વ્યાકરણના નિયમોનું ચુસ્ત પાલન કરીને સરળ વાક્યો લખે છે, તેમનું લખાણ આ સોફ્ટવેરની નજરમાં ખોટી રીતે મશીન જેવું દેખાય છે.

કેટલીક નવી પ્રણાલીઓમાં ડિજિટલ મહોર (ડિજિટલ વોટરમાર્ક્સ અથવા Statistical Watermarking) ઉમેરવાના પ્રયોગો થયા છે, પરંતુ શબ્દોમાં સહેજ ફેરફાર કરતાં જ આ ભાત પણ ભૂંસાઈ જાય છે. તેથી જ વિશ્વભરની પ્રતિષ્ઠિત યુનિવર્સિટીઓ અને સંશોધન સંસ્થાઓ હવે ડિટેક્ટરના સ્કોરને આખરી પુરાવો માનવાને બદલે વિદ્યાર્થીઓ સાથે સીધી વાતચીત અને મૌખિક ચર્ચા પર વધુ વિશ્વાસ મૂકી રહી છે.

ખોટા આરોપોથી બચવા વિદ્યાર્થીઓ અને લેખકોએ શું કરવું?

તમારા પોતાના મૌલિક લખાણને સાબિત કરવા માટે આ વ્યવહારુ પગલાં ઉપયોગી સાબિત થાય છે:

• લખાણનો ઇતિહાસ સાચવો: ગૂગલ ડૉક્સ કે એમએસ વર્ડમાં 'વર્ઝન હિસ્ટ્રી' ચાલુ રાખો. તમે ક્યારે કયો ફકરો ટાઈપ કર્યો અને કેવી રીતે સુધારાઓ કર્યા તેનો સમયવાર પુરાવો સચવાયેલો રહે છે.
• સંદર્ભો અને સ્ત્રોતોની વિગતો જોડો: તમે જે પુસ્તકો, લેખો કે વેબસાઇટ્સમાંથી માહિતી મેળવી હોય તેના ચોક્કસ સંદર્ભો અને હાથથી લખેલી કાચી નોંધો પહેલેથી જ સાથે રાખો.
• વાચકો સાથે પ્રામાણિક રહો: કોઈપણ લખાણમાં એઆઈ સાધનોની મદદ માત્ર વ્યાકરણ સુધારવા કે આઈડિયા મેળવવા લીધી હોય તો પણ તેની સ્પષ્ટતા રાખવી શ્રેષ્ઠ પદ્ધતિ છે.
• ડિટેક્ટરના સ્કોરને આખરી સત્ય ન માનો: જો કોઈ શિક્ષક કે મેનેજર ડિટેક્ટરના આધારે પ્રશ્ન ઉઠાવે, તો તેમને સમજાવો કે ખુદ OpenAI જેવી કંપનીઓએ પણ ભૂલોના કારણે આવા સાધનો સત્તાવાર રીતે પાછા ખેંચી લીધા છે.

ટેકનોલોજીની મર્યાદાઓ પ્રત્યે જાગૃતિ

એઆઈ ડિટેક્ટર એક સહાયક અંદાજ આપી શકે છે, પણ તે ક્યારેય માણસની મૌલિકતાનો આખરી ન્યાયાધીશ બની શકતો નથી. આ સાધનોની મર્યાદાઓ સમજીને જ શિક્ષણ અને વ્યવસાયમાં ન્યાયી વાતાવરણ જાળવી શકાય છે.