AI 寫了美國獨立宣言？
誤判率最高 61%，寫得好的文章反而更危險的原因
引言
美國愛達荷州立大學化學系的洛倫・賈格（Lauren Jaeger）在申請博士班時，看到了一則奇怪的警告。部分申請系統提示：「若自我介紹信中偵測到 AI 撰寫痕跡，將整份申請書作無效處理。」賈格根本沒有使用過 AI。但出於不安，她把自己的文章放進幾個線上偵測器試試看，結果全部顯示「幾乎 100% 是 AI 寫的」。
賈格最終重寫了自我介紹信。而且不是為了寫得更好，而是為了不觸發偵測器，刻意寫得「不那么完美」。她把自己的文章得分壓低到 30% 才交出去，心想「這樣應該沒問題了」。（幸好她順利錄取了猶他大學的博士班。）
差不多同一時期，網路上出現了一件更荒謬的事。有人把 1776 年寫成的美國獨立宣言放進某個偵測器，結果判定「95%～100% 是 AI 寫的」。那可是 250 年前的文件啊。
這裡就產生了一個問題：大學為了抓作弊而使用的這些工具，真的可以信嗎？先說結論，真正的問題不在偵測器偶爾「判錯」，而在於把一個可能出錯的工具當成「不可動搖的證據」來使用。
🔍 大學為何對偵測器如此依賴
生成式 AI（如 ChatGPT）出現後，請人代寫文章的費用幾乎趨近於零。西悉尼大學負責學術誠信的凱絲・艾莉絲（Kath Ellis）將此稱為「規模的根本性變化」。以前也有代筆，但現在是「至少相當大比例被操縱或捏造的內容，其數量本身呈爆炸式增長」。
問題在於，現有的武器不太管用了。像 Turnitin 這樣的抄襲檢測工具，是透過比對龐大的既有出版物來找出「抄襲痕跡」。但生成式 AI 生成的句子不是從哪裡整段搬來的，而是每次即時組合出來的。沒有可比對的原文，所以抄襲檢測抓不到。AI 是學習了過去海量文章後產出的結果，但恰恰是用比對過去文章的抄襲工具抓不到的——這就是矛盾所在。
於是，宣稱能判斷「這篇文章是其他 AI 寫的」的偵測器出現了。Copyleaks、GPTZero、ZeroGPT，以及 Grammarly 和 QuillBot、Turnitin 推出的工具，紛紛進入市場。面對湧入的作業和申請書，大學和研究生院開始依賴這些工具。
為什麼「寫得好的文章」會被判定為 AI
許多偵測器依賴一個叫困惑度（perplexity）1 的指標。簡單來說，就是衡量「下一個詞有多可預測」的數值。AI 寫的文章在統計上傾向於流暢、可預測的模式。因此，困惑度越低（越可預測）的文章越容易被懷疑是「機器寫的」，而用詞跳脫、多樣的則被判定為「人寫的」。
看出問題了嗎？照這個邏輯，文法精確、行文流暢無多餘的人，反而越容易被懷疑是 AI。賈格說「我研究過文法書，嚴格遵守規則來寫，所以可能被誤認為 AI 了」——講的正是這個點。因為寫得好而被標記。
這裡還有更嚴重的問題：非英語母語者。2023 年，史丹佛大學研究團隊將 91 篇在 ChatGPT 出現之前（2020 年以前）撰寫的 TOEFL 作文放進 7 個偵測器測試。
結果令人震驚。平均 61.3% 被誤判為「AI 寫的」。 而美國八年級（13～14 歲）學生寫的英文文章，則幾乎都被正確歸類為「人寫的」。
非母語者的文章用詞多樣性相對較低，困惑度因此偏低，偵測器便誤以為「像 AI」。61% 的誤判率2，意味著 10 個被冤枉的學生中有 6 個。
獨立宣言被標記也是同樣的原理。250 年來被無數次引用和修飾的句子，在統計上非常「可預測」。Nature 期刊直接將 1776 年原文的一部分多次放入 ZeroGPT 測試，每次結果都是 95%～100% AI。
這算例外事故嗎？不是。2025 年一項研究驗證了被認為最廣泛使用的 GPTZero，結果顯示它能以高置信度捕捉 AI 文章，但將人寫的文章誤判為 AI 的比例約為 16%。 研究團隊的結論是「區分人寫文章的可靠性有限」。
⚡ 即使有更精確的偵測器，問題依然存在
當然，不是所有偵測器都這麼不準。紐約的 Pangram Labs 宣稱誤判率「幾乎為零」。他們的 approach 不同。透過大量學習人寫的文章和讓 AI 重寫後的版本，讓系統在每個新聊天機器人生成時都能學習其文風。不只依賴困惑度一個指標。芝加哥大學布斯商學院和馬里蘭大學的獨立評估也顯示，準確度從未低於 99.8%。
但這裡正是我想強調的。偵測器變得更精確，問題也不會就此結束。
第一，混合文本。 研究 AI 對學術界影響的麥克・帕金斯（Mike Perkins，英國大學越南分校）說：「純 AI 文章偵測器抓得還算準，但一旦有人開始修改，偵測就崩潰了。」甚至不需要人親自改。只要讓另一個 AI「重寫一下」，或用專門設計來降低偵測分數的「人性化工具（humanizer）3」處理一下就行。偵測公司想抓這些規避工具，新的規避工具又會出現。用帕金斯的話說，這是「對誰都沒好處的巨大軍備競賽」。
第二，更根本的問題。 今年，馬爾珍娜・卡平斯卡（Marzena Karpinska）研究團隊利用 Pangram 分析了 2025 年夏天美國 1,500 家報紙的 18 萬 6 千篇文章。約 9% 被偵測出部分或完全由 AI 撰寫。這個數字很有意思。但卡平斯卡本人明確指出：這可以用於觀察「大規模趨勢」，但不應該作為判定個別作者有罪的依據。
「不能以此為由大規模淘汰人。」
這句話就是今天這篇文章的核心。同一個工具，用於「趨勢分析」可能有效，但用於「個人審判」卻不恰當。統計和判決是兩回事。
奧斯瓦爾德的視角
老實說，我不把這個故事讀成「偵測器性能」的爭論。作為長期處理數據的人，我首先注意到的是「閾值（threshold）」和「基礎率（base rate）」。
做數據分析時，我常遇到一個陷阱：一個準確度 99.9% 的模型，如果目標群體足夠大、而「真正陽性」很稀少，就會製造出相當多冤枉的人。
舉例來說，假設有一個誤判率 0.1% 的頂級偵測器。對 1 萬名誠實自己寫文章的學生使用，其中約 10 人會無辜地被標記為「AI 作弊者」。對那 10 個人來說，99.9% 的準確度一點安慰都沒有。
帕金斯指出的也是同一脈絡。人們看到分數就直接相信了。抄襲檢測時代，有「這句話和那篇論文一模一樣」這種看得見的證據。但 AI 偵測分數沒有這種證據。「87% AI」這個數字到底是基於什麼，學生和教授都無法驗證。在制定 GTM 策略時，我多次看到「用數字包裝的確定感」有多容易誤導組織。分數應該輔助判斷，但常常直接取代了判斷。
所以我的結論是：偵測器可以用來作為「調查線索」。但一旦把它當成「有罪證據」，像賈格這樣寫得好的人和非母語者就會最先被網住。不是要廢除工具，而是只給工具的輸出施加與之相稱的權重。
結語
今天這篇文章用三句話總結：
第一，許多 AI 偵測器會將「寫得好的文章」和「非母語者的文章」誤判為 AI，誤判率最高達 61%。 第二，即使有更精確的偵測器，面對混合文本和人性化工具仍會失效，而且「趨勢」和「個人審判」是兩回事。 第三，危險的不是工具出錯，而是把可能出錯的分數當成證據來相信的態度。
如果你正在評估或提交文章的崗位上，請只記住一件事：AI 偵測分數是「起點問題」，不是「終局判決」。
賈格為了通過審查，刻意把自己的文章改得「不那么完美」。為了不觸發偵測器而主動把文章改差——這種情況，你是否曾經經歷過自己的文章或學生、同事的文章被冤枉標記為 AI？歡迎在留言區分享你的經歷。我會考慮在下一期中反映。
💬 被冤枉標記為 AI 的經歷，歡迎留言分享。下一期會參考。
📨 覺得對寫文章的同事有幫助的話，請轉發這篇文章。
參考資料 & 延伸閱讀
核心來源
- Weixin Liang et al., “GPT detectors are biased against non-native English writers”, Patterns (Cell Press), 2023. ：61.3% 誤判率的出處。這是第一篇用數據揭示非母語者歧視問題的研究，建議從結果（Results）部分開始閱讀。
- “Assessing GPTZero’s Accuracy in Identifying AI vs. Human-Written Essays”, arXiv preprint, 2025. ：GPTZero 16% 誤判率出自此文。
- Jenna Russell, Marzena Karpinska et al., “AI use in American newspapers is widespread, uneven, and rarely disclosed”, arXiv preprint, 2025. ：9% 新聞文章被偵測為 AI 的研究。作者「可用於趨勢但不可用於個人審判」的克制令人印象深刻。
- W. H. Walters, “The Effectiveness of Software Designed to Detect AI-Generated Writing: A Comparison of 16 AI Text Detectors”, 2023. ：16 個工具中只有 3 個（Copyleaks、Turnitin、Originality.ai）表現較佳的那項研究。
- M. Suvanto et al., preprint, arXiv, 2026. ：文中「偵測訊號（telltale signs）」圖表的出處。視覺化了困惑度如何逐詞運作。
背景知識
- Pangram Labs 第三方評估彙整，“Pangram 評估”、“Chicago Booth Review”。：想了解「幾乎零誤判率」是如何驗證的，請看這裡。
原文
- “Universities are relying on AI-detection software to catch cheating. How well do the programs work?”, Nature (2026). ：本期電子報的起始文章。
