StoryScope rozpoznaje prozę AI po konstrukcji historii, nie po samych słowach

Badacze z University of Maryland i Google DeepMind opisali StoryScope, system z preprintu, który wykrywa prozę AI po strukturze narracji, a nie tylko po powierzchownym stylu. Dla szkół, wydawców i narzędzi detekcyjnych ciekawy jest ruch od liczenia tików językowych do pytania, kto naprawdę ułożył historię.

Badanie mierzy 304 cechy opowieści zamiast jednego podejrzanego słowa

404 Media opisuje preprint, według którego fikcję generowaną przez AI można rozpoznawać po tym, jak buduje fabułę, postacie, czas i motywy. StoryScope bazuje na NarraBench i śledzi 304 cechy narracyjne w dziesięciu wymiarach.

Test zaczął się od 10 272 opowiadań napisanych przez ludzi. Według 404 Media badacze przerobili je za pomocą Gemini 2.5 na prompty, a następnie wygenerowali nowe teksty modelami Gemini 3 Flash, DeepSeek V3.2, Claude Sonnet 4.6, Kimi K2.5 i GPT 5.4. Dataset na Hugging Face zawiera 61 575 wierszy z historiami oraz osobny plik z wyekstrahowanymi cechami.

To nie jest kolejna lista zakazanych słów. Badanie twierdzi, że teksty AI częściej nadmiernie tłumaczą temat, trzymają się prostszej linii fabularnej i słabiej radzą sobie ze złożonością czasu. Jeden z podanych wyników: narrator wyjaśnia temat wprost w 77 % tekstów AI i w 52 % tekstów ludzkich.

Nauczyciele i redaktorzy dostają sygnał spod powierzchni tekstu

Publiczne spory o wykrywanie AI często zatrzymują się na stylu. Tekst jest zbyt gładki, nadużywa modnego słowa albo zdradza się typografią. StoryScope schodzi głębiej. Pyta, czy opowieść potrafi nieść kilka konfliktów, moralnie niejednoznaczne decyzje i konkretne odniesienia kulturowe.

To ważne dla nauczycieli, redakcji i platform, które nie chcą łapać wyłącznie źle zamaskowanego ChatGPT. Jeśli detektor ma wyjaśnić, dlaczego tekst wygląda podejrzanie, cechy narracyjne są bardziej czytelne niż wynik z czarnej skrzynki.

Wyraźniejsza staje się też różnica między użyciem AI w procesie pisania a oddaniem jej całej pracy. Agent pomagający przy korekcie, kodzie lub wykresach to inna sytuacja niż gotowe opowiadanie przyjęte bez sporu. Granica coraz częściej będzie przebiegać tam, gdzie człowiek trzyma decyzje, strukturę i znaczenie.

Books3 komplikuje historię bardziej niż sam detektor

Słaby punkt leży w korpusie. Ludzkie opowiadania pochodziły z Books3, bazy 183 000 książek zebranych z pirackich ebooków, która pojawia się w sporach o prawa autorskie i trenowanie modeli. Według 404 Media badacze uznają ten problem i nie publikują ludzkich tekstów na Hugging Face.

To nie unieważnia sygnału badawczego, ale robi z niego niewygodny przypadek. Praca o autorstwie i detekcji stoi na tekstach, których autorzy mogli nigdy nie wyrazić zgody na takie użycie. Przy narzędziu do obrony ludzkiego pisania ironia jest wyjątkowo czysta: system uczy się z książek wciągniętych do maszyny bez jasnej ścieżki zgody.

O wartości zdecyduje odporność wyjaśnień na lepsze modele

Następny test nie polega na tym, czy dzisiejsza AI pisze słabsze opowiadania niż ludzie. To zbyt proste. Ważne będzie, czy cechy narracyjne pozostaną użyteczne, gdy modele zaczną celowo dodawać wątki poboczne, niejednoznaczność i mniej szkolne tłumaczenie motywów.

Warto obserwować dwa sygnały: niezależną replikację poza Books3 oraz wyniki na tekstach mieszanych, w których człowiek naprawdę pracował z AI. Dla szkół i wydawców praktyczne pytanie brzmi: nie kto nacisnął przycisk, ale kto wziął odpowiedzialność za historię.

Werdykt Lilith

Ten detektor nie udaje sprytnego bramkarza przy wejściu. Idzie scena po scenie i pokazuje miejsca, w których autor zostawił puste dekoracje.