ඔබේ ලිපියකට "98% AI‑Generated" කියලා තිරස්කූරයක් ලැබුනොත්, ඔබට තනිවම ලියපු බවත්, ඉංග්රීසි නොවෙනත් භාෂකයෙක් නම්, මේ තත්වය අසාමාන්ය නොවේ. මේ වගේ තත්ත්වයන් පසුපස ඇති තාක්ෂණය, එහි සීමා, සහ ශ්රී ලංකාවේ ඉගෙනුම, තාක්ෂණ ව්යාපාර වලට ඇති ප්රභාවය ගැන අපි අද විස්තර කරමු.
AI පෙළ අනාවරණකරු කෙලෙස ක්රියා කරයි?
බොහෝ ශූන්ය‑shot (zero‑shot) අනාවරණකරුන් එකම මූලික අදහසක් පදනම් කරගෙන ඉදිරිපත් වේ: ලියවිල්ලක් භාෂා මාදිලියක් (language model) හරහා ගෙවී, ඒ මොඩලය එය කෙලින්ම අනාවරණය කරන්නේද කියලා පරීක්ෂා කරයි. මෙහි මූලික මාත්රාව per‑token log‑likelihood (ලොග්‑සමාභාවිතාව) වේ. එය අඩු නම්, මොඩලයට එම වාක්යය “අනුමාන කිරීමට පහසු” යැයි තේරුම් ගත හැක.
මෙම සංකල්පය perplexity ලෙස ප්රකාශ කෙරේ – අඩු perplexity යනු මොඩලය එම පෙළ ඉක්මනින් හෝ ඉදිරියට පුරවා ගත හැකි බවයි. AI විසින් ජනිත කරුණු, සාමාන්යයෙන් greedy හෝ low‑temperature sampling වැනි උත්සහයන්ගෙන් පසු, ඉහළ සමාභාවිතාවක් ඇති ඉදිරිපත් කිරීම් තෝරා ගනී. එමනිසා AI‑ජනිත පෙළ, මනුෂ්යයන්ගේ අසාමන්ය, විවිධ වචන තෝරා ගැනීමකින් පසු, අඩු perplexity ප්රදේශයකට වැටෙයි.
දෙවන සංකල්පයක් “burstiness” – මනුෂ්ය ලේඛන වල වාක්ය‑පරිමාණය, වචන‑විකරණය, සහ අච්චු‑අච්චු තේරුම් ව්යාප්ත වීම. මනුෂ්යයන් ලිවීමේදී දිගු, කෙටි, අසාමාන්ය වචන යෙදීමෙන් variance (විකල්ප) වැඩි වේ. අනාවරණකරුන් මෙය mean සහ variance දෙකම භාවිතා කර තීරණයක් ගනී.
අලුත්ම ක්රමයක් “curvature‑based” (DetectGPT) ලෙස හැඳින්වේ. මෙහිදී, AI‑ජනිත පෙළ මොඩලයේ log‑probability පතුලේ ස්ථානයකට (local maximum) ආසන්නයි. එය සුළු ලෙස වෙනස් (mask‑and‑refill) කර, නැවත මදක් සකස් කර, සමාභාවිතාවයේ පඩි බිඳීම මැනීමෙන් AI‑ජනිත බව තීරණය කරයි. මනුෂ්ය ලේඛන, මූලිකවම මෙම පඩි බිඳීම අඩු වේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ විශ්වවිද්යාල සිසුන්, ඉංග්රීසි දෙවැනි භාෂාවක් ලෙස භාවිතා කරන බොහෝ පුරවැසි, සහ තාක්ෂණ ආයතන සඳහා මේ තොරතුරු වැදගත් වේ:
- විශ්වවිද්යාල ඇතුළත් කිරීම හා පරික්ෂණ – AI‑detector භාවිතා කරන විශ්වවිද්යාලවල, නෝන්‑නේටිව් ලේඛන අධික ලෙස AI‑ජනිත ලෙස ලේබල කිරීමේ අවදානමක් ඇත. එම නිසා, සිසුන්ට තම ලේඛන නිවැරදිව පරීක්ෂා කර, “burstiness” සහ “perplexity” වැඩි කිරීමට උපදෙස් ලබා දිය හැක.
- ඩෙවලපර්ස් – කේත ලේඛන, API documentation, සහ තාක්ෂණික ලිපි ලියන විට, සාම්ප්රදායික, අඩු‑entropy වාක්ය භාවිතා කිරීම AI‑detector වල “AI‑like” ලේබලයට හේතු විය හැක. මෙය වැරදි තීරණවලට පත් නොවීමට, ලේඛන ශෛලිය විවිධ කර ගැනීම වැදගත්.
- ව්යාපාරික සන්නිවේදනය – නීති, වාර්තා, සහ පාරිභෝගික සන්නිවේදනයේදී, “formal” හා “template” වචන භාවිතා කිරීම AI‑detector වල වැරදි ඝෝෂණයට හේතු විය හැක. එබැවින්, සන්නිවේදන කණ්ඩායම් AI‑detector වල ප්රතිඵලයන් පරීක්ෂා කර, අවශ්ය නම් මනුෂ්ය‑ශෛලියක් එක් කිරීම වඩාත් සුදුසු.
මෙම තාක්ෂණය තවමත් “අධිකාරී” නොවන අතර, එක් එක් ලේඛනයක් පරීක්ෂා කිරීමේදී “author‑ship” තීරණය කළ නොහැක. එබැවින්, AI‑detector භාවිතා කරන ආයතන, එය “fluency‑measurement tool” ලෙස සලකා, තවත් සත්ය පරීක්ෂණ ක්රම සමඟ එකතු කර යුතුය.
අවසන් වශයෙන්, AI‑text detectors මනුෂ්ය‑ලේඛන වල “අසාමාන්යතාව” (burstiness) සහ “අඩු perplexity” මත පදනම් කරගෙන තිබේ. නමුත් ඒවා නිරූපණය කළ නොහැකි නිසා, ශ්රී ලංකාවේ අධ්යාපනික, තාක්ෂණික, සහ ව්යාපාරික පරිසරය තුළ ඒවායේ භාවිතය, අවධානයෙන් හා අවබෝධයෙන් කළ යුතුය.
