研究称 AI 检测器难以区分轻度润色与整篇代写，学术诚信判定存漏洞
arXiv 论文量化显示，轻度 AI 润色被误判率 38%–80%，人化工具可使漏检率超 96%。
一篇发表于 arXiv 并被 ACM AI Leadership Summit 接收的论文指出，目前高校广泛采用的商用 AI 内容检测器在学术诚信判定中并不可靠，既无法区分「AI 轻度润色」与「整篇 LLM 代写」，也可能把合规的 AI 辅助使用误判为学术不端。作者以 2013–2015 与 2023–2025 两个时段、四个学科的已发表英文摘要为样本，使用代理人类/AI 标签开展对照实验。
核心发现：轻度润色即被高比例误判
实验在 τ = 0.50 的检测阈值下量化了这一系统性偏差。结果显示，仅做「仅润色摘要」级别、符合多数机构 AI 使用指南的轻量编辑，被检测器标记为 AI 生成的比例介于 38% 至 80% 之间。与此同时，未经修改的 2023–2025 年原文摘要被误判为 AI 写作的比例为 9% 至 15%，且非 STEM 学科的误判率显著高于 STEM 学科（p < 0.001）。分析进一步表明，检测器评分与文本中的长 token 密度以及学术词汇表（AWL）词频高度相关，而非真正反映作者意图。
「人化」工具可近乎完全规避检测
论文同时评估了 Undetectable AI 等人化（humanization）工具的效果。结果显示，经过人化处理后，原本被标记为 AI 的改写文本中，仅有不到 4% 仍被检测器识别，即检测率低于 4%，漏检率（FNR）超过 96%。换言之，诚实申报的 AI 辅助编辑反而面临更高的处分风险，而借助人化工具规避检测则几乎可以完全逃过判定。
对学术政策与检测工具的启示
作者据此提出，检测器得分不应作为认定学术不端的独立证据，机构在使用 AI 检测工具时需结合更明确的政策定义与人工审核流程。该研究也提示 AI 检测厂商，仅依赖表层统计特征（如 token 长度、词汇表密度）的方案难以应对持续演化的人化与改写策略，未来需要更鲁棒的检测方法或可验证的写作过程证据。
论文信息：arXiv:2608.11256（v2，2026 年 8 月 20 日更新），作者 Jonathan Karr Jr，已被 ACM AI Leadership Summit 接收。