ドメインとモデル全体におけるAI生成テキスト検出の言語特徴の系統的分析

近年、大規模言語モデル（LLM）の広範な利用に伴い、AI生成テキストを確実に検出する方法が自然言語処理分野における重要な課題となっています。解釈可能な言語特徴は、特に非専門家ユーザーにとって、テキストが機械生成された理由を説明する有望なアプローチを提供します。しかし、どの特徴がLLM生成テキストを確実に示すかに関する既存の知見は、特徴セット、モデル、テキストドメイン間で断片化されたままであり、体系的な総合評価が欠けていました。

このギャップに対処するため、Yassir El Attarらは大規模な実証研究を実施し、AI生成テキストと人間作成テキストを特徴付けるための言語信号のロバスト性を系統的に評価しました。分析では、27のLLMからの出力と10のテキストドメイン（ニュース、科学論文、ソーシャルメディアなど）にわたって、284の解釈可能な言語特徴を、クロスモデルおよびクロスドメインの一般化設定のもとで調査しました。

その結果、言語特徴のみに基づく分類器がAI生成テキストと人間作成テキストを高信頼性で区別できることが示されました。しかし、以前提案された多くの指標は強い文脈依存性を示し、モデルファミリーやテキストドメイン間で一貫した性能を発揮しませんでした。例えば、特定のモデルで有効な特徴が他のモデルでは性能が急激に低下するケースが見られました。例外は語彙の豊富さ（lexical richness）に関連する指標で、これらはモデルやドメインを問わずロバストな信号であり続けました。具体的には、語彙多様性や稀な単語の比率などが安定した指標であることが分かりました。

これらの結果は、どの言語信号がコンテキストを超えて一般化するかを明らかにし、AI生成言語のより信頼性が高く解釈可能な分析の基盤を提供します。本研究はプレプリントとして2026年6月2日にarXivに提出され、論文IDは2606.04177、著者はYassir El Attarら4名です。この成果は、AI生成テキスト検出の精度向上に貢献するだけでなく、非専門家向けの透明性の高い検出ツールの開発にも役立つと期待されます。将来的には、マルチモーダル特徴や深層学習モデルの組み合わせによる、より包括的な検出手法の探求が可能となるでしょう。