Verbesserung der Textauthentizität: Ein neuartiger hybrider Ansatz zur Erkennung von KI-generierten Texten

Der rasante Fortschritt der großen Sprachmodelle (LLMs) hat eine Ära eingeläutet, in der KI-generierte Texte zunehmend von menschlich erzeugtem Inhalt ununterscheidbar sind. Die Erkennung von KI-generierten Texten ist notwendig geworden, um Fehlinformationen zu bekämpfen, die Authentizität von Inhalten sicherzustellen und sich gegen böswillige Anwendungen von KI abzusichern. In diesem Papier schlagen wir einen neuartigen hybriden Ansatz vor, der traditionelle TF-IDF-Techniken mit fortschrittlichen Modellen des maschinellen Lernens kombiniert, einschließlich Bayesscher Klassifikatoren, Stochastischem Gradientenabstieg (SGD), Kategorieler Gradientenanhebung (CatBoost) und 12 Instanzen von Deberta-v3-large-Modellen. Unser Ansatz zielt darauf ab, die Herausforderungen bei der Erkennung von KI-generierten Texten zu bewältigen, indem er die Stärken sowohl traditioneller Merkmalsextraktionsmethoden als auch moderner Deep-Learning-Modelle nutzt. Durch umfangreiche Experimente an einem umfassenden Datensatz demonstrieren wir die Wirksamkeit unseres vorgeschlagenen Verfahrens bei der genauen Unterscheidung zwischen menschlichen und KI-generierten Texten. Unser Ansatz erzielt eine überlegene Leistung im Vergleich zu bestehenden Methoden. Diese Forschung trägt zur Weiterentwicklung der Techniken zur Erkennung von KI-generierten Texten bei und legt die Grundlage für die Entwicklung robuster Lösungen zur Minderung der Herausforderungen, die durch KI-generierte Inhalte entstehen.