跨领域与模型的人工智能生成文本检测中语言特征的系统分析

近年来，随着大型语言模型（LLM）的广泛应用，如何可靠检测AI生成文本成为自然语言处理领域的一个重要课题。可解释的语言特征因其直观性而备受关注，尤其对非专家用户而言，它们能够帮助理解为何一段文本显得像机器生成。然而，现有关于哪些语言特征能稳定指示LLM生成文本的结论，往往因特征集、模型和文本领域的不同而碎片化，缺乏系统性的综合评估。

为了填补这一空白，Yassir El Attar及其同事开展了一项大规模实证研究，系统评估了284个可解释语言特征在区分AI生成文本与人类撰写文本时的鲁棒性。该研究覆盖了来自27种不同LLM的输出，并涉及10个文本领域，包括新闻、科学论文、社交媒体等。实验在跨模型和跨领域泛化设置下进行，以确保结论的普遍性。

研究结果显示，仅基于这些语言特征的分类器就能以高可靠性区分AI生成与人类撰写的文本。然而，多数先前被提议的指示符表现出强烈的上下文依赖性，它们在不同模型或领域间的表现差异显著。例如，某些特征在特定模型下效果良好，但迁移到其他模型后性能急剧下降。唯一的例外是词汇丰富度相关指标，如词汇多样性、罕见词比例等，这些特征无论面对何种模型家族或文本领域，始终能提供稳定的信号。这表明，词汇丰富度是跨情境泛化能力最强的语言特征。

这些结果明确了哪些语言信号能在不同上下文中泛化，为构建更可靠、可解释的AI生成语言分析系统奠定了基础。该研究以预印本形式于2026年6月2日提交至arXiv，论文编号为2606.04177，作者包括Yassir El Attar等四人。该工作不仅有助于提升AI生成文本检测的准确性，还为非专家用户创建了更透明的检测工具。未来，研究者可基于此进一步探索多模态特征或结合深度学习模型，以实现更全面的检测方案。