如何辨識文章是由機器或人類所寫？

撰文／陳儁翰

選出下一個字

以下面的句子為例：

「家裡的菜快吃完了，週末我們一起去市＿。」

文本生成器如GPT-2在填補底線空格時，會依據上文列出可能的字詞，並按機率排序如下表：

場           61.24%
集           14.75%
區           12.07%
……

換句話說，模型認為在該句中，「市」之後的下一個字是「場」的機率有61.24%、「集」則為14.75%，依此類推。模型傾向選取排序較前的字詞，但為避免固定形式而顯得單調，偶爾也會刻意選取機率較低的字。然而，另一方面，人類的遣詞用字往往比機器自由而不受拘束，難以預測。兩者的區別，成為區分人類與機器文本的關鍵特徵。

不確定性的視覺化

研究團隊以不同的顏色來區分每個文字在模型中的排序：綠色代表該字排序在前10名；黃色前100名；紅色前1000名；紫色則為1000名以外的字。注意：同樣的字在不同位置排名也可能不同。以下提供一些範例，看看各位讀者是否也能注意到其中差別。

首先是一篇GPT-2所產生的假新聞，內容敘述科學家在遙遠且未被探索過的山谷發現一群獨角獸。我們僅需注意顏色的分佈。

可以看到，大部份的文字都標示綠色。也就是說，模型選擇了排序中較前的字詞，使語意通順。

我們再來看看兩篇由人類所寫的文章，一篇是學術論文的摘要，另一篇則是《紐約時報》的文章段落。同樣地，請注意文字的顏色標籤。

我們可以注意到，在短短數行間，紅色標籤多出許多，這告訴我們：其實人類在寫作時，所使用文字多樣、不確定性更高。

借助另一種資料視覺化圖表，我們可以更清楚地看出其中差異。以人類所撰寫的學術摘要為例，左圖統計該文本中每個顏色標籤的數量；中間則是所選文字的排序先後，越靠近橫軸左側，頻率越低。此處可看出文章創作者（人類）偏向選取那些機率較低的文字；右圖代表所選文字的多樣性，橫軸數字越大且呈負偏態或左偏態，代表多樣性較高。

不過，GLTR主要針對現今文本生成器的弱點，難保未來隨著相關技術的發展，在這場道高一尺，魔高一丈的軍備競賽中，不會敗下陣來。

參考資料

1. H. Strobelt and S. Gehrmann, “Catching Unicorns with GLTR,” Gltr.io, 2019.
2. A. Radford, J. Wu, R. Child, D. Luan, D. Amodei and I. Sutskever, “Language Models are Unsupervised Multitask Learners,” D4mucfpksywv.cloudfront.net, 2019.

(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)