Authorship Forensics Portal
Notice bibliographique
Résumé
This paper presents the research outcome, Authorship Forensics Portal, leveraging both Statistical Natural Language Processing (SNLP) and Convolutional Neural Networks (CNN) techniques to differentiate documents written by humans and ChatGPTs. The portal allows teachers to (1) upload labeled data that contains written text and its author; (2) configure parameters that are required for training models, e.g., 2-class (i.e., human and ChatGPT) or 3-class (i.e., human, ChatGPT 3.5, and ChatGPT as well as the train/test set split ratio, validation set ratio, and validation accuracy threshold for stopping the training process; (3) review the details of a trained model, e.g., the train/test set, the time spent, the prediction results like numbers, true positive, false positive, precision, recall, and f-value, etc.; (4) make their own trained models be private so only themselves can see and use or be public so other teachers can also see and use; and, (5) ask a chosen trained model for its opinion on whether a piece of text written by human or generative Al (e.g., ChatGPT for 2•class prediction and ChatGPT 3.5 or ChatGPT 4 for 3-class prediction). The results demonstrate a significant ability of the models to distinguish between human and Al-written text, with highest precision 0.9868 (Fo_5 score 0.9647) for the 2-class (human and ChatGPT) testing subset and highest precision 0.9875 (Fo.5 score 0.9753) for the 3-class (human, ChatGPT 3.5, and ChatGPT 4) testing subset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».