AI 检测器失败于多样化学生群体：结构检测极限的数学框架
计算机与社会
2026-03-24 v1 人工智能
其他统计学
摘要
学生体验和实证研究报告称，"黑箱"AI文本检测器在针对某些学生群体时会产生高假阳性率，但通常的理论分析将检测建模为人类文本与AI文本之间两个已知分布的测试。这种建模方式忽略了大学评估的结构特征，即评估者通常不知道 individual student 所书写分布的情况，这导致原假设为复合型。对复合型原假设应用变分特征来描述总变差距离，显示出任何文本-only、一次性检测器在具有实用功效时，都必须以受学生写作分布与AI输出分布重叠程度支配的速率产生错误指控。这一约束源于人口多样性，逻辑上独立于AI模型质量，无法通过更好的检测工程或技术来克服。一个子群混合上界将这些量与可观测人口统计学群体相联系，为经验记录的差异影响模式提供了理论依据。我们提出了改进政策和实践的建议，认为检测得分不应作为 misconduct 程序中唯一证据。
引用
@article{arxiv.2603.20254,
title = {AI Detectors Fail Diverse Student Populations: A Mathematical Framing of Structural Detection Limits},
author = {Nathan Garland},
journal= {arXiv preprint arXiv:2603.20254},
year = {2026}
}