這 10 篇寫在 ChatGPT 之前的文章，照樣被判 AI 代寫

作家協會（The Authors Guild）做了一個很簡單的實驗：挑 10 篇 2022 年、也就是生成式 AI 還沒普及以前就發表的人類文章，丟給五款市面上的 AI 偵測器，看它們會不會把「絕對是人寫的」東西判成 AI。其中一款叫 Sidekicker.ai 的工具，10 篇全中——每一篇都被判成 71% 到 100% 的 AI 代寫。

同一批文章，另外兩款工具（Pangram、Originality.ai）幾乎全給 0%，判為人寫；ZeroGPT 則在 5% 到 76% 之間亂跳，連一篇 Joan Didion 的訃聞都被打了 66%。同一份文件，換一款工具就從「人寫的」變成「100% AI」——會變的是工具，不是作者。 這不是新鮮的抱怨。早在 2023 年，史丹佛團隊就用數字把它釘死過一次：7 款偵測器對非母語者的英文作文，平均 61% 判成 AI。

如果你會用英文寫東西、母語又不是英文——投國際期刊、寫留學申請、交英文作業、發英文工作郵件——那這件事跟你直接相關：你正好是最容易被系統冤枉的那群人。這篇先拆給你看偵測器到底在量什麼，再給你被判「AI 代寫」時可以做什麼。

同一批文章，五款偵測器從 0% 判到 100%

作家協會這次測的是「假陽性」——把人類文章餵進去，看有多少被誤標成 AI。結果五款工具幾乎散在光譜的兩端：

偵測器	對 10 篇人類舊文的判定
Pangram	幾乎全部 0%，判為人寫
Originality.ai	近 0%，極少誤判
Grammarly	只有 2 篇被標 7–9%
ZeroGPT	5%–76% 飄忽，一篇 Joan Didion 訃聞被判 66%
Sidekicker.ai	10 篇全判 71–100% AI

先講清楚邊界：這是單次、單一批樣本的快照，工具隨時會改版，今天最爛的下個月可能修好、今天準的也可能退步——所以重點不是「哪款最爛」這種採購結論，而是「同一份人類文件，分數可以從 0 跳到 100」這個事實本身。作家協會的結論也很直白：部分消費級工具「極度不準」，出版方絕不該單憑這類工具的指控就取消合約或下架一本書。

偵測器量的是「這段話多好猜」，不是誰寫的

問題出在偵測器根本沒在判斷「作者是不是 AI」，它判斷的是文字的困惑度（perplexity）——這段話有多好預測。

想像你手機打字時上方的選字預測。如果一段話裡幾乎每個字，都剛好是輸入法第一個跳出來的那個字，這段話就「很好猜」、困惑度低；偵測器看到低困惑度，就傾向判它是機器寫的，因為大型語言模型（LLM）產出的文字通常很平順、很好預測。

麻煩在於，LLM 就是讀著大量「乾淨、被編輯過的人類散文」訓練出來的。所以反過來，一個老練的寫手把稿子改得越通順、越精練，成品的統計特徵就越靠近 AI；一個非母語者為了「不要出錯」而寫得規矩、用字保守，困惑度也偏低。寫得越用力、越像範文，越容易撞進誤判區——這是機制決定的，不是某一款工具的 bug。

61% vs 5%：最容易被冤枉的是非母語寫作者

史丹佛 Liang 等人 2023 年發表在《Patterns》期刊的研究，把這個偏差量化了。他們拿 91 篇 TOEFL 作文——全是非母語英語者寫的、沒有用 AI——丟給 7 款當時主流的 GPT 偵測器：平均 61.3% 被判成 AI，其中 18 篇被 7 款一致判為 AI、89 篇至少被判一次。同一批偵測器對母語者的英文作文幾乎全對，誤判率只有大約 5.1%。

61% 對 5%，中間那條線就是「英文是不是你的母語」。原因正是上一段那件事：非母語寫作的用詞與句構變化較少、困惑度較低，被系統當成了 AI 特徵。

這也是為什麼這題對台灣讀者不是隔岸觀火。台灣寫英文的場景——研究生投稿被 reviewer 順手丟進偵測器、留學申請的 essay、大學英文作業、公司對外的英文報告——寫的人多半正是「非母語、又努力想寫對」的那一群。你越把英文寫得工整，越可能收到一個「疑似 AI」的紅字。

反過來說，真想規避的人改寫一下就過了

還有一層不對稱，讓這套機制更站不住腳：它擋不住真正想規避的人。既然偵測器抓的是低困惑度，那麼把 AI 產出的文字拿去改寫、換句法、故意加點不規則，困惑度一升高，被判 AI 的機率就跟著降。

於是結果是顛倒的——真想用 AI 蒙混的人，多花五分鐘改寫就能過關；老實照自己方式寫、尤其寫得規矩的非母語者，反而被抓。一套會放過刻意規避者、卻懲罰照實寫作者的工具，拿它當「有沒有作弊」的判準，方向本身就錯了。

被判 AI 代寫時，先做這幾件事

偵測分數不是證據，是一個「要不要再看一眼」的提示。真被貼上「AI 代寫」標籤時，你可以這樣自保：

1. 留下寫作過程的證據：草稿、Google Docs 或 Word 的編輯歷史、查資料的筆記、參考書目。過程紀錄比成品更能證明「這是我一路寫出來的」。
2. 問清楚三件事：對方用哪一款偵測器、判定門檻設在幾 %、那款工具自己公布的誤判率是多少。一個連品牌和門檻都說不出來的指控，不該成立。
3. 要求人工複核與申訴管道：別接受「機器說你作弊」當定論；請具體的人讀你的文章、看你的證據。

如果你是老師、期刊編輯、或會用這類工具的主管，作家協會的建議可以直接抄：絕不單憑一個偵測器分數，就當掉一份作業、退一篇稿、或取消一紙合約。 把分數當成「值得再確認一下」的參考，而不是判決——這是目前這批工具唯一撐得住的用法。

偵測器可以是提示，不能是判決；在它變準之前，你能做的最實在的一件事，是先把「這是我寫的」的證據留好。