StoryScope hledá AI prózu podle stavby příběhu, ne podle slovíček

Výzkumníci z University of Maryland a Google DeepMind popsali preprint StoryScope, který hledá AI text podle narativní stavby, ne podle povrchových slovíček. Pro školy, vydavatele a detekční nástroje je to posun od lovu em dashů k otázce, kdo v příběhu opravdu přemýšlel.

Studie měří 304 rysů příběhu místo jednoho podezřelého slova

404 Media popisuje preprint, podle kterého se AI fikce dá rozpoznávat podle toho, jak staví děj, postavy, čas a motivy. Autoři mluví o StoryScope, systému navázaném na NarraBench, který sleduje 304 narativních rysů v deseti dimenzích.

Test vyšel z 10 272 lidských povídek. Výzkumníci je podle 404 Media převedli pomocí Gemini 2.5 na prompty a ty zadali modelům Gemini 3 Flash, DeepSeek V3.2, Claude Sonnet 4.6, Kimi K2.5 a GPT 5.4. Dataset na Hugging Face uvádí 61 575 řádků příběhů a samostatný soubor s extrahovanými rysy.

Výsledek není jen další seznam zakázaných slov. Studie tvrdí, že AI příběhy častěji přehnaně vysvětlují téma, drží jednodušší dějovou linku a hůř pracují s časovou složitostí. U konkrétních rysů uvádí například vysvětlování tématu v 77 % AI textů proti 52 % lidských textů.

Pro učitele a editory je důležitá stopa pod povrchem textu

Běžné debaty o AI detekci často končí u stylových tiků. Některé texty mají moc hladké věty, některé nadužívají určitá slova a některé se prozradí typografií. StoryScope míří níž: ptá se, jestli příběh umí nést více konfliktů, nejednoznačné volby a konkrétní kulturní odkazy.

To je prakticky zajímavé pro učitele, redakce a platformy, které nechtějí jen chytat špatně maskovaný ChatGPT. Pokud má detektor ukázat, proč je text podezřelý, narativní rysy dávají čitelnější vysvětlení než černá skříňka se skóre.

Zároveň to mění i práci autorů s AI. Použít agent pro korekturu nebo grafy není totéž jako nechat model vyplivnout povídku. Rozdíl bude stále víc ležet v tom, jestli člověk drží volby, strukturu a význam, nebo jen přijímá uhlazený výstup.

Piratský původ Books3 kazí čistotu výzkumné historky

Slabé místo je dataset. Lidské povídky pocházely z Books3, databáze 183 000 knih posbíraných z pirátských ebooků, která se objevuje v autorských sporech kolem trénování modelů. Výzkumníci podle 404 Media uznávají copyrightový problém a lidské texty na Hugging Face nezveřejňují.

To neškrtá samotný výzkumný signál, ale dělá z něj nepohodlný případ. Studie o autorství a detekci stojí na korpusu, jehož původ část autorů nikdy neschválila. U AI detekce je ironie skoro příliš čistá: nástroj na obranu lidské tvorby se učí z knih, které se do stroje dostaly bez jasného souhlasu.

Rozhodne, jestli detektor vysvětlí chybu i po lepších modelech

Další test nebude, jestli dnešní AI píše horší povídky než lidé. To je příliš snadné. Důležité bude, zda narativní rysy zůstanou užitečné, až modely začnou záměrně přidávat podzápletky, nejednoznačnost a méně školometské vysvětlování motivů.

Sledovat se vyplatí hlavně dvě věci: nezávislou replikaci mimo Books3 a chování na textech, kde člověk s AI opravdu spolupracoval. Právě tam se láme praktická otázka pro školy i vydavatele. Ne kdo stiskl tlačítko, ale kdo nesl odpovědnost za příběh.

Lilithin verdikt

Detektor tu nehraje na chytrého školníka u dveří. Bere scénu za scénou a ukazuje, kde autor nechal prázdné kulisy.