Группа исследователей из Казахстана представила работу по оценке методов детекции текста, сгенерированного искусственным интеллектом. В исследовании, опубликованном 7 января 2026 года на arXiv, сравнивались традиционные машинные модели и трансформерные архитектуры. Лучший результат показала модель DistilBERT с точностью 88.11% и ROC-AUC 0.96.
Для экспериментов использовались два набора данных — HC3 и DAIGT v2, объединённые в единый бенчмарк. Для предотвращения утечки информации применялось тематическое разделение данных. Традиционный метод TF-IDF с логистической регрессией показал точность 82.87%. Модель BiLSTM достигла 88.86%, а DistilBERT — 88.11%, но с наивысшим показателем ROC-AUC.
Работа важна из-за роста использования текстов от больших языковых моделей в академической среде, что нарушает принципы академической честности. Авторы подчеркивают, что моделирование контекстуальной семантики значительно превосходит анализ лексических признаков. Также отмечена важность корректных протоколов оценки для минимизации запоминания тем моделью.
Ограничения исследования связаны с разнообразием данных и вычислительными ресурсами. В будущем планируется расширить наборы данных, использовать параметрически эффективную тонкую настройку, например LoRA, и оптимизировать работу с аппаратным обеспечением.
