研究者发布印地语 AI 文本检测基准 SHAKTI 与框架 TRIDENT
论文AI 评分 66/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对 AI 文本检测研究长期以英语为中心、低资源语言缺乏基准的问题，研究者构建了印地语大规模基准 SHAKTI，覆盖四种文体、八个大模型家族、多种提示策略与对抗变换，并通过人工标注评估质量，分析人写与 AI 生成文本在语言、语法和情感上的差异。基于这些发现，研究者提出基于往返翻译的检测框架 TRIDENT，含静态阈值、动态阈值和逻辑回归三个变体，利用原文与回译文本的语义一致性判别 AI 生成内容。实验显示其优于传统与监督基线，静态阈值版本综合表现最佳，并在七种语言、对抗设置和未见模型上验证了多语言适用性与鲁棒性，同时对翻译模型敏感。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载印地语检测基准的构成
现有 AI 文本检测研究以英语为主，印地语等低资源语言缺少成规模的评测资源。SHAKTI 针对这一空白构建，覆盖四种文体与八个大模型家族，并纳入多种提示策略和对抗性变换，使样本不只来自单一生成方式。研究者通过人工标注检验基准质量，并对比人写文本与模型生成文本在语言、语法和情感层面的差异，为后续检测方法的设计提供依据。
往返翻译如何判别
TRIDENT 的思路是利用语义一致性：把文本做往返翻译后，比较原文与回译结果的距离特征，AI 生成内容与人工写作在这类特征上表现不同。框架给出三个变体——TRIDENT-S 用固定阈值判定，TRIDENT-D 用动态阈值，TRIDENT-C 则把多距离往返翻译特征送入逻辑回归。三者共用同一套特征来源，差别在于判定方式。
评测结果与适用边界
实验表明 TRIDENT 超过传统方法与监督基线，其中静态阈值版本综合表现最好。研究还把评测扩展到七种语言、对抗设置以及训练中未出现的模型，用以说明方法的多语言适用性与鲁棒性。同时结果指出该方法对所用翻译模型较为敏感，翻译环节的质量会影响检测效果，这是实际部署时需要考量的限制。
为什么值得看
低资源语言的 AI 文本检测长期缺基准，这项工作同时给出印地语数据集与可跨语言迁移的检测方法。
大模型
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。