SKDU 在 De-Factify 4.0：用于 AI 生成文本检测的自然语言特征
计算与语言
2025-03-31 v1
摘要
大型语言模型 (LLM) 的快速发展引入了新的挑战，使得区分人类撰写的文本与 AI 生成的内容变得更加困难。本文探索了一种包含特征提取步骤（灵感自 RAIDAR 和 NELA 工具包的基于提示的重写特征）以及后续分类模块的 pipelined 方法，用于 AI 生成文本检测。在 Defactify4.0 数据集上进行了全面实验，评估了两个任务：区分人类撰写与 AI 生成文本的二元分类，以及识别输入文本具体由哪个生成模型生成的多类分类。我们的发现表明，NELA 特征在两个任务中均显著优于 RAIDAR 特征，表明其能够捕捉到细微的语言、风格和内容差异。将 RAIDAR 和 NELA 特征组合仅提供了最小的改进，凸显了来自较不具辨识力的特征所引入的冗余。实验中测试的分类器中，XGBoost 表现最为出色，能够利用丰富的特征集合实现高准确率和良好的泛化能力。
引用
@article{arxiv.2503.22338,
title = {SKDU at De-Factify 4.0: Natural Language Features for AI-Generated Text-Detection},
author = {Shrikant Malviya and Pablo Arnau-González and Miguel Arevalillo-Herráez and Stamos Katsigiannis},
journal= {arXiv preprint arXiv:2503.22338},
year = {2025}
}
备注
De-Factify 4.0 Workshop at the 39th AAAI Conference on Artificial Intelligence (AAAI 2025)