A Novel Naive Bayes Classifier for Detecting AI-Generated Text in Digital Twin Systems Using Word Pair Probabilities
Notice bibliographique
Résumé
Digital twin systems, which create virtual replicas of physical entities, are pivotal in industries such as manufacturing, healthcare, and urban planning, enabling real-time monitoring, predictive maintenance, and data-driven decision-making. These systems depend on trustworthy textual data—maintenance logs, operational reports, and technical documentation—to ensure accurate simulations. However, the rise of sophisticated AI language models like ChatGPT and Gemini introduces a significant challenge: AI-generated text can infiltrate these systems, undermining data integrity and potentially leading to flawed simulations with serious real-world implications. This paper presents a novel Multinomial Naive Bayes classifier that utilizes word pair probabilities to detect and classify AI-generated text with exceptional precision. Unlike existing detection tools, this approach not only identifies AI-generated content but also differentiates between specific AI models, achieving accuracies of 94% in binary classification (ChatGPT vs. Gemini), 95% in ternary classification (Human vs. ChatGPT vs. Gemini), and 93% in quaternary classification (Human vs. ChatGPT vs. Gemini vs. OtherAI). By enhancing the reliability of textual inputs, this classifier bolsters data provenance in digital twin applications, ensuring robust and dependable virtual models. Rooted in extensive research, this scalable method addresses a pressing issue in the era of AI-driven text generation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».