Почему ИИ-детекторы помечают тексты, написанные до появления нейросетей

Потому что детектор измеряет стиль, а не происхождение текста. В августе 2026 года группа Karr et al. из Университета Нотр-Дам прогнала через коммерческие детекторы 642 научных абстракта и получила ложные срабатывания в том числе на текстах 2013–2015 годов — написанных за семь лет до выхода ChatGPT. Сгенерировать их было физически нечем. Машину в них «нашли», потому что так устроен сам замер.

642 абстракта: теология против химии

Препринт arXiv:2608.11256 вышел 6 августа 2026 года, и его главная таблица читается как материал расследования. Pangram 3.2 пометил 26,6% теологических абстрактов 2023–2025 годов и только 2,1% химических. У GPTZero тот же перекос: 15,2% против 1,1%. Гуманитарный текст при одинаково человеческом авторстве попадает под подозрение на порядок чаще технического.

Деталь, которая делает результат неудобным для всей индустрии: Pangram — лучший по ложным срабатываниям детектор из независимо проверенных. Jabarian и Imas из Chicago Booth в сентябре 2025 года прогнали через него около 2000 человеческих текстов шести жанров и получили долю ложных срабатываний около нуля, а четвёртая версия (arXiv:2607.27183) заявляет 0,0041% — одну ошибку на 24 300 текстов. Этот же движок метит каждый четвёртый теологический абстракт. Лабораторная метрика и живой академический жанр совпадать не обязаны.

Самая сильная улика — контрольная группа из абстрактов 2013–2015 годов, которым нейросеть помочь не могла. Значимая доля пометок нашлась и там, прежде всего вне STEM-дисциплин. Вывод авторы формулируют в одну строку: детектор измеряет стиль, а не факт машинной генерации.

Число абзацев и GZIP-сжатие: что видит модель

В апреле 2026 года вышел разбор детектора методами объяснимого ИИ (arXiv:2603.23146). Исследователи посчитали вклад признаков по SHAP и получили конфуз: верхние строчки заняли количество абзацев и коэффициент GZIP-сжатия текста, то есть форматирование и механическая повторяемость. При переносе той же модели с корпуса PAN CLEF на корпус COLING F1 обвалился с 96,94 до 67,23. Модель выучила стиль обучающей выборки, а не «подпись» нейросети.

Механизм перекоса описан ещё в 2023 году. Liang et al. (журнал Patterns) показали: семь детекторов пометили в среднем 61,3% написанных людьми эссе TOEFL, а хотя бы один детектор споткнулся о 97,8% текстов. Стоило переписать эссе более редкой лексикой — доля ложных срабатываний упала на 49,7 процентного пункта. Наказывается предсказуемый словарь. Научный регистр предсказуем по своей природе: формальный, безличный, терминологически однородный.

Для русского языка это воспроизведено экспериментально. Савельев (VERBA, 2024) удалил из научного текста внутритекстовые ссылки — оценка «человечности» выросла с 16% до 42%; заменил списки перечислением через запятую — выросла ещё почти вдвое. Обязательные элементы жанра работают против автора. Тексты Виноградова в том же эксперименте получили 5,7% «человечности», Орлова — 3,7%. Доцент ГАУГН Д. Фомин-Нилов, комментируя волну студенческих жалоб 2026 года, свёл это к формуле: «Хорошо написанная работа часто воспринимается как созданная искусственным интеллектом».

Каждая третья работа: масштаб в России

По данным РИА Новости от 16 июля 2026 года, за второй квартал «Антиплагиат» проверил 2,73 млн работ и нашёл признаки ИИ в 983,7 тысячи — в каждой третьей против каждой пятой годом ранее. Среди лидеров по пометкам — искусствоведение, СМИ и массовые коммуникации, политология, но рядом компьютерные науки и медицинские технологии, так что чистого гуманитарного перекоса, как у Нотр-Дама, российская статистика не показывает. Ставки при этом выросли: «Коммерсантъ» 28 апреля 2026 года описывал студентку с 96% «использования нейросетей» в самостоятельной работе и вузы, где к недопуску ведёт даже 1%.

Разработчик осторожнее своих пользователей. Памятка «Антиплагиата» от сентября 2025 года требует рассматривать ИИ-детекторы «не как доказательство нечестной работы, а, скорее, как маркер»; годом раньше компания написала жёстче: «Процентный подход изжил себя, требуется экспертный анализ содержания каждой работы». В июле 2026-го она отчиталась о снижении доли ложных срабатываний с 1,55% до 0,15% по документам, но это внутренний тест на 1500 документах. Независимого измерения на верифицированном корпусе русскоязычных студенческих работ публично не существует, поэтому реальный уровень ошибок неизвестен.

Что делать, если пометили честную работу

Не пытаться перехитрить алгоритм. Наивный парафраз бесполезен и иногда повышает детектируемость — на 8,57% у RADAR и на 15,03% у Fast-DetectGPT, — а невидимые символы и гомоглифы ловятся отдельными проверками и превращают спорную пометку в доказательство умысла. Есть и зеркальная ловушка: по данным Нотр-Дама, лёгкая ИИ-правка честного текста помечается в 64–80% случаев, тогда как после коммерческого гуманайзера непомеченными остаются более 96% полностью сгенерированных текстов. Детектор пропускает запрещённое и ловит разрешённое. Что такие инструменты умеют на самом деле, мы разобрали в материале про хьюманайзер.

Работает другое — доказательства процесса: черновики с историей версий, промежуточные варианты, собственные данные и расчёты, переписка с научным руководителем. Формальная опора для спора лежит в документах самого «Антиплагиата»: отметку «Подозрительный документ» снимает эксперт кнопкой в отчёте с поясняющим комментарием, а порог допуска задаёт локальный акт вуза, а не система. Пошаговую тактику мы собрали в разборе ИИ-детекции.

Вопрос — ответ

Может ли детектор пометить текст, написанный без нейросетей?

Да. Karr et al. (Университет Нотр-Дам, август 2026) зафиксировали значимую долю ложных срабатываний на научных абстрактах 2013–2015 годов — их нельзя было сгенерировать. XAI-анализ апреля 2026 года объясняет причину: топ-признаки детектора — количество абзацев и коэффициент GZIP-сжатия, то есть стиль и форматирование, а не следы генерации.

Почему гуманитарные работы помечают чаще технических?

Из-за доменного смещения. В замере Karr et al. Pangram 3.2 пометил 26,6% теологических абстрактов и 2,1% химических, GPTZero — 15,2% против 1,1%. Формальный однородный стиль рассуждающего гуманитарного текста статистически ближе к машинному письму, чем текст с формулами и номенклатурой. Детектор реагирует на жанр, а не на автора.

Как оспорить отметку «Подозрительный документ» в Антиплагиат.ВУЗ?

Через эксперта, а не через переписывание. По памятке «Антиплагиата» отметку снимает проверяющий кнопкой в отчёте с обязательным комментарием, порог допуска устанавливает локальный акт вуза. Сильнейший аргумент — доказательства процесса: черновики с датами, история версий файла, собственные данные, переписка с руководителем. Сама компания называет детектор «маркером», а не доказательством.

Как это решает кот

У кота это устроено как программный комплекс полного цикла: генерация текста — малая часть, вокруг неё тысячи операций — источники с проверкой, структура, расчёты, термины, ГОСТ. Хьюманайзер включён в каждый продукт по умолчанию и доступен отдельно, если текст у вас уже есть. В наших замерах комплекс стабильно показывает 0% ИИ-контента в Антиплагиат.ВУЗ — свежая курсовая с 0% ИИ и 87% оригинальности открыта в примерах готовых работ. Проверить на своей теме: бесплатный план за минуту.