مروری بر سیر تکامل روشهای تشخیص متنهای تولید شده توسط هوش مصنوعی مبتنی بر شاخص گنگی

پیشرفت پرشتاب مدلهای زبانی بزرگ نظیر جی پیتی و لاما مرز میان متنهای انسانی و ماشینی را به شدت کمرنگ کرده و کشف اصالت محتوا را به چالشی بحرانی در حوزه های یکپارچگی، دانشگاهی مالکیت فکری و امنیت سایبری بدل ساخته است. در این میان معیار گنگی یا آشفتگی، آماری به عنوان یکی از نخستین خطوط دفاعی برای شناسایی متون ماشینی معرفی شد؛ اما رویکردهای سنتی که صرفا بر میانگین گیری خطی از این شاخص استوار بودند در تقابل با معماری های پیشرفته به شدت کارایی خود را از دست داده اند. پژوهش مروری حاضر با هدف واکاوی سیر تکاملی دستگاه های تشخیص مبتنی بر ویژگی های توزیع آماری این رویکردها را در قالب یک طبقه بندی چهار نسلی مرور و تحلیل می کند: دستگاه های خط پایه متکی بر فقط گنگی، چارچوب های تلفیقی گنگی و تلاطم متنی، ترکیب معیارهای آماری با ویژگی های سبک سنجی محاسباتی و در نهایت معماری های پیشرفته توجه محور و یادگیری جمعی که به صورت پویا به توکن ها وزن می دهند. تحلیل جامع مطالعات پیشگام نشان می دهد که روش های نسل چهارم با نفوذ به لایه های پنهان ترنسفورمرها و بهره گیری از الگوریتم های بهینه سازی، نه تنها دقت درون توزیعی را به حداکثر رسانده اند بلکه تعمیم پذیری شگرفی در دامنه ها و زبان های دیده نشده از خود به نمایش می گذارند.

کلیدواژه ها:

مدلهای زبانی بزرگ ، تشخیص متن ماشینی ، پرپلکسیتی ، سبک سنجی محاسباتی ، یادگیری گروهی ، تعمیم پذیری