arXiv cs.CL· Yassir El Attar, Esra D\"onmez, Maximilian Maurer, Agnieszka Falenska·· 10 小时前AI 评分35
研究：284 个语言特征在 30 个 LLM 与 10 类文本域上的 AI 生成文本检测效果
A Systematic Analysis of Linguistic Features in AI-Generated English Text Detection Across Domains and Models
AI 导读
一项大规模实证研究评估了 284 个可解释语言特征在 30 个 LLM、10 类文本域下的跨模型与跨域泛化表现，发现仅靠语言特征的分类器即可可靠区分 AI 生成文本与人类写作。但此前提出的多数指标强烈依赖语境，只有词汇丰富度指标在跨模型家族和文本域时保持稳健。
正文 · AI 翻译
摘要：可解释的语言特征为解释给定文本为何看似机器生成提供了一种有前景的方法，尤其对非专业用户而言。然而，关于哪些特征能可靠指示 LLM 生成文本的现有研究结果仍分散于不同的特征集、模型和文本领域之中。为填补这一空白，我们开展了一项大规模实证研究，评估用于刻画 AI 生成文本的语言信号的稳健性。我们的分析涵盖 284 个可解释的语言特征，涉及 30 个 LLM 的输出和 10 个文本领域，并在跨模型和跨领域泛化设置下进行。我们表明，仅基于语言特征的分类器能够可靠地区分 AI 生成文本与人类撰写文本。然而，许多先前提出的指标被证明强烈依赖上下文，例外的是词汇丰富度指标，它在不同模型家族和文本领域中都保持稳健的信号。这些结果展示了哪些语言信号能够跨上下文泛化，并为更可靠、可解释的 AI 生成语言分析奠定了基础。
| 学科： | 计算与语言 (cs.CL)；人工智能 (cs.AI) |
| 引用为： | arXiv:2606.04177 [cs.CL] |
| （或 arXiv:2606.04177v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.04177 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Esra Dönmez [查看邮箱]
[v1]
2026年6月2日星期二 19:46:22 UTC (8,530 KB)
[v2]
2026年10月31日星期六 19:40:06 UTC (1,160 KB)
来源：arXiv cs.CL · arxiv.org