顯示而非告訴：可解釋的 AI 生成文本偵測
arXiv - Computers and SocietyAldan Creo, Suraj Ranganath
提出 TELL 架構，將可解釋性嵌入 AI 文本偵測，達到 AUROC 0.927 並提供高質量說明，提升教師對 AI 生成文本的判斷力。
AI 幫你先抓重點
AI 重點 1
將可解釋性從設計階段嵌入模型，讓使用者能自行判斷文本來源。
滑鼠懸停看 AI 判斷理由
傳統偵測器僅提供數值分數，缺乏判斷依據；TELL 的說明能讓教師根據上下文與作者背景做出更精準的決策，提升學術誠信審查的透明度。
AI 重點 2
利用領域特定的 SFT 數據與 GRPO 課程式學習，顯著提升偵測準確度。
滑鼠懸停看 AI 判斷理由
針對特定學術領域的寫作風格進行微調，結合增強學習與漸進式任務設計，能更好捕捉 AI 生成文本的細微差異，降低誤判率。
核心研究發現
- 1
TELL 在測試集上達到 AUROC 0.927，與現有最先進偵測器相當。
- 2
系統自帶可視化說明，展示模型判斷文本為 AI 或人類寫作的關鍵特徵。
- 3
在 72.3% 的人類評估中，說明在具體性、可證偽性、連貫性、可信度與基礎性方面獲得勝率。
對教育工作者的啟發
教師可將 TELL 整合至課堂評分或作業檢查流程，透過模型提供的關鍵特徵說明，快速辨識 AI 生成內容，並以此作為討論教材的切入點，提升學生的自我監控與批判性思維。教育科技開發者則可參考 TELL 的可解釋性設計，將說明機制嵌入學術誠信工具，並利用領域特定數據與課程式學習優化模型，確保在不同學科背景下的適用性與準確度。
原始文獻資訊
- 英文標題：
- Show, Don't TELL: Explainable AI-Generated Text Detection
- 作者：
- Aldan Creo, Suraj Ranganath
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。