Почему хорошо написанные работы детектор считает машинными

Потому что детектор измеряет не происхождение текста, а его статистику — и статистика грамотного научного текста совпадает со статистикой машинного. Академический стиль требует формальности и терминологического однообразия, а это снижает перплексию — меру непредсказуемости текста для языковой модели. Низкая перплексия — центральный признак, по которому классификаторы отличают генерацию от человеческого письма. Получается парадокс: чем ближе работа к канону научного жанра, тем сильнее она похожа на выдачу нейросети.

Наука пишется предсказуемо, и это против автора

Перплексия показывает, насколько легко языковая модель угадывает каждое следующее слово. В публикации R&D-команды «Антиплагиата» (Грицай, Хабутдинов, Грабовой, Doklady Mathematics, 2024) именно пара «перплексия плюс лог-вероятность» описана как основа критерия детекции, причём считается она быстрыми статистическими моделями, а не тяжёлой нейросетью. Хороший научный текст предсказуем по построению: устойчивые термины и обороты вроде «данные свидетельствуют» или «в таблице 3 приведены». Живой блог модель угадывает с трудом. Методичку — почти дословно.

Дальше — доменная калибровка. В системе Advacheck той же команды (arXiv:2411.11736, COLING 2025) вспомогательные головы классификатора распознают домен текста: arXiv это, Wikipedia, Reddit или финансовый отчёт. Практическое следствие авторы формулируют сами: научный текст судят по своей, более строгой шкале, чем блог или эссе. Курсовая стартует ближе к зоне подозрения, чем пост на форуме.

Эксперимент Савельева: минус ссылки — плюс «человечность»

Савельев (журнал VERBA, 2024) проверил вклад формы напрямую: он убирал из академического текста обязательные элементы жанра и смотрел на реакцию детектора. Удаление внутритекстовых ссылок подняло оценку «человечности» с 16% до 42%. Замена списков перечислением через запятую увеличила её почти вдвое. Ссылочный аппарат и структурированность — то, за что преподаватель ставит зачёт, — детектор читает как машинный почерк. Контрольная часть ещё показательнее: тексты Виноградова получили 5,7% «человечности», Орлова — 3,7%, хотя написаны они за десятилетия до появления нейросетей.

Оговорка: это единичный эксперимент на малом материале, а не корпусное исследование, и переносить его проценты на любой детектор нельзя. Но направление эффекта совпадает с данными куда более крупных работ.

TOEFL, теология и абстракты 2013 года

Liang и коллеги (журнал Patterns, 2023) прогнали через семь детекторов эссе сдававших TOEFL. В среднем 61,3% эссе получили пометку «машинный текст»; 19,8% пометили все семь детекторов единогласно, 97,8% — хотя бы один. Эссе американских восьмиклассников те же детекторы пропускали почти без ошибок. Механизм авторы вскрыли экспериментально: после переписывания эссе промптом с просьбой обогатить лексику доля ложных срабатываний упала на 49,7 процентного пункта, до 11,6%. Дело оказалось не в грамматике. Дело в бедной, предсказуемой лексике — снова в низкой перплексии.

В детекторах новых поколений это смещение сняли, но вылезло другое. Karr и коллеги из Университета Нотр-Дам (arXiv:2608.11256, август 2026) проверили 642 научных абстракта: Pangram 3.2 пометил 26,6% теологических и только 2,1% химических; GPTZero — 15,2% против 1,1%. Срабатывания случались и на абстрактах 2013–2015 годов, написанных до появления больших языковых моделей. Сгенерировать их машина не могла физически — детектор среагировал на стиль дисциплины.

Российская статистика 2026 года легла в ту же картину. По данным РИА от 16 июля 2026 года, из 2,73 млн проверенных за квартал работ признаки ИИ найдены в 983,7 тысячи — в каждой третьей. «Коммерсантъ» 28 апреля 2026 года описал студентку с 96% «использования нейросетей» в самостоятельной работе; в ряде вузов недопуск начинается уже с 1%. Доцент ГАУГН Д. Фомин-Нилов подвёл итог волне жалоб: «Хорошо написанная работа часто воспринимается как созданная искусственным интеллектом».

Чем защищаться, если пометили честную работу

Лучшие аргументы дал сам разработчик. Памятка «Антиплагиата» от сентября 2025 года требует рассматривать ИИ-детекторы «не как доказательство нечестной работы, а, скорее, как маркер». Годом раньше формулировка была ещё жёстче: «Процентный подход изжил себя, требуется экспертный анализ содержания каждой работы». Отметка «Подозрительный документ» снимается экспертом с поясняющим комментарием, а порог допуска устанавливает вуз локальным актом, не система. К этим цитатам стоит приложить доказательства процесса: черновики с историей версий, промежуточные варианты расчётов, собранные вами данные, переписку с научным руководителем. Как устроен сам детектор и его отчёты, мы разобрали в отдельном разборе ИИ-детекции.

Реальную частоту ложных срабатываний на русскоязычных ВКР, к слову, независимо никто не измерял: официальные 0,15% по документам (релиз от 9 июля 2026 года) — цифра вендора без внешней проверки.

Чего делать не нужно — играть против алгоритма косметикой. Наивный парафраз иногда повышает детектируемость: в опубликованных замерах — на 8,57% у RADAR и на 15,03% у Fast-DetectGPT. Решает происхождение содержания, а не поверхностная правка, поэтому хьюманайзер осмыслен как стилевой инструмент поверх собственного материала, но не как маскировка чужого. Агрессивные «обходчики» вставляют невидимые символы и гомоглифы — такие следы ловятся отдельными проверками и выглядят как умысел.

И финальный парадокс. Официальная памятка относит к признакам ИИ «высокую оригинальность в детекторах плагиата» и отсутствие цитирования. Студент, которого годами учили гнаться за процентом уникальности, этим самым повышает подозрение соседнего модуля. Корректные прямые цитаты в кавычках со ссылками — норма, а не дефект.

Вопрос — ответ

Может ли детектор пометить полностью самостоятельную работу?

Да, и это измерено. Karr et al. (2026) зафиксировали срабатывания на научных абстрактах 2013–2015 годов, которые физически не могла написать нейросеть. Liang et al. (2023) получили 61,3% ложных срабатываний на эссе TOEFL. Сам «Антиплагиат» называет детектор «маркером, а не доказательством». Независимого измерения доли ложных срабатываний на русскоязычных ВКР при этом не существует — публичные цифры принадлежат вендору.

Почему научный стиль повышает риск пометки?

Он статистически предсказуем: безличные конструкции и однообразная терминология снижают перплексию, а низкая перплексия — базовый признак генерации для детекторов. Вклад формы измерил Савельев (2024): удаление ссылок подняло «человечность» текста с 16% до 42%, а тексты Виноградова получили 5,7%. Ссылочный аппарат, списки и сложный синтаксис — обязательные элементы жанра — работают против автора.

Что предъявить кафедре при спорной пометке?

Доказательства процесса и документы самого разработчика. Черновики с историей версий, промежуточные расчёты, переписка с руководителем показывают, как текст появлялся. Памятки «Антиплагиата» 2024–2025 годов подтверждают: «процентный подход изжил себя», детектор — маркер, отметка снимается экспертом с комментарием, а порог допуска определяется локальным актом вуза, не системой.

Как это решает кот

КотПишетСам решает эту задачу не промптом, а конвейером: тысячи операций на каждую работу, не считая самой генерации, — от проверки каждого источника до контроля оформления по ГОСТ. Финальный из этих этапов — встроенный хьюманайзер, он же существует как отдельный инструмент для готовых текстов. Итог в наших замерах — стабильные 0% ИИ-контента в Антиплагиат.ВУЗ; курсовая покупателя с 0% ИИ и 87% оригинальности выложена в примерах готовых работ. Первый шаг бесплатный: план работы за минуту.