AI検出器の非英語テキストは、信頼性が最も急速に低下する領域です。ほとんどの検出器は主に英語でトレーニングされているため、スペイン語やフランス語の論文は借用された証拠に基づくスコアを受け取ります。そのスコアは確率の推定値であり、著者であることの証明ではありません。なぜこれが起こるのか、どの言語が耐えられるのか、そして自分でフラグをテストする方法を以下に説明します。
なぜ英語以外では検出器の信頼性が低下するのか？
三つのことが同時に壊れます。
第一に、トレーニングデータです。検出モデルは、人間とモデルが書いた大量の文章コーパスから、機械テキストがどのようなものかを学習します。これらのコーパスは英語が圧倒的です。何百万もの英語エッセイとごく一部のスペイン語エッセイしか見ていないモデルは、スペイン語のリズム、接続詞、文構造に関する参照が薄くなります。
第二に、トークン化です。検出器は、パープレキシティやバースト性などの統計的特性を測定します。つまり、次の単語がどれほど予測可能か、文の長さや構造がどれほど変動するかです。トークナイザーは通常、英語の単語境界に合わせて構築されています。スペイン語やフランス語に適用すると、単語の分割方法が異なり、結果として得られる数値は英語での意味を失います。これらのシグナルについて詳しくは、バースト性とパープレキシティの解説のガイドをご覧ください。
第三に、流暢さの罠です。非ネイティブの書き手は、文法的に整っていて、ペースが均一で、イディオムが少ないテキストを生成することがよくあります。そのプロファイルは、言語モデルの出力に似ています。言語モデルの出力もまた、整っていて、均一で、イディオムが少ないのです。検出器はAIを検出しているのではありません。「異常に規則正しい散文」を検出しているのであり、規則正しい散文こそ、注意深い多言語の書き手が生み出すものなのです。
私たちは2026-09-19に、DeAIze検出器（ローカルアンサンブル、liteティア）を30%のフラグ閾値で用いて独自の測定を行いました。手書きのDeAIzeガイド46件では、AIスコアの平均は27%、中央値は25%で、46件中17件がフラグされました。未編集のモデル文章12件では、平均は35%、中央値は34%でした。この2つの分布は大きく重なっています。これが正直な実態です。英語であっても、人間の文章と機械の文章は近接しており、単一の閾値では見逃しと誤フラグの両方が生じます。別の言語では、参照データがより弱いため、重なりはさらに大きくなります。
現在最もサポートが充実している言語は？
サポートは不均一で、言語ごとの信頼性を明確に示した表を公開しているベンダーはありません。観察できるのは、おおよその階層分けです。
| 階層 | 言語 | 期待できること |
|---|---|---|
| 最もサポート充実 | 英語 | ほとんどの検出器が実際に作られた唯一の言語。それでもノイズが多い。 |
| サポート良好 | スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語 | 利用可能なシグナルはあるが、英語で調整された閾値がそのまま移行できるとは限らない。 |
| 部分的サポート | オランダ語、ポーランド語、トルコ語、ロシア語、アラビア語、中国語、日本語 | スコアは表示されるが、ツールや草稿によって安定性が低い。 |
| サポート弱い | その他のほとんどの言語および混言語テキスト | スコアは大まかなヒントとして扱い、証拠とはしないこと。 |
混言語文書はそれ自体が問題です。英語の要旨、スペイン語の本文、フランス語の引用を含む論文は、全体を通して1つの言語を想定している検出器を混乱させる可能性があります。文書が言語を切り替える場合、すべての文が自分で書いたものであっても、不安定な出力を覚悟してください。
数値について議論する前に文単位の表示を確認したい場合は、まず草稿をDeAIze AI検出器にかけてください。文単位のハイライト表示こそが、「ツールが私をカンニングしたと言っている」を「フラグされた4行はこれで、なぜそれが私のものかを説明する」に変えるものです。
非英語のフラグをどうやって妥当性確認しますか？
これを順番に進めてください。所要時間は約20分で、指導教員や編集者に見せられる具体的なものになります。
- 文単位の視点を得る。 文書全体のスコアではほとんど何もわかりません。どの文がシグナルを担っているかを見る必要があります。DeAIzeのAI検出器は文書を採点し、各文をAI確率でハイライトするので、フラグが3行にまたがるのか30行にまたがるのかがわかります。
- フラグがクラスターを形成しているか確認する。 実際の機械パターンはクラスター化します。つまり、高スコアの隣接する複数の文が、似た長さ、似た構造を持ちます。長い人間の草稿全体に孤立したフラグ付き文が散在する場合、通常は著者性ではなく検出器の不確実性を反映しています。
- フラグ付きの文を自分の言語で音読する。 それらが自分らしく聞こえるなら（自分の接続詞、自分のヘッジ表現、自分の習慣的な言い回し）、その理由を書き留めてください。ツールが低く採点した段落と比較してください。違いがわからなければ、検出器にもおそらくわからないでしょう。
- 同じテキストを2つのツールでテストする。 ツール間の不一致は正常であり、有益です。一方が一節にフラグを立て、もう一方が立てないなら、不安定性を文書化できたことになり、これはあなたに有利な正当なポイントです。
- 生の証拠を保管する。 レポート、日付、ツール名、表示されていれば閾値を保存してください。正式なプロセスに進む場合、学術誠実性聴聞会が実際に評価するものに関するガイドで審査員が何を見るかを説明し、検出器が論文にフラグを立てたときに準備すべきことで文書の記録をたどります。
非英語のフラグに基づいて冤罪をかけられたらどうしますか？
スコアではなく、プロセスから始めてください。
検出器の出力は確率推定値です。事実認定ではなく、ほとんどの機関のポリシーでは複数の入力の1つとして扱われます。告発された場合は、どのツールが使われたか、どの閾値が適用されたか、告発になる前に人間がレポートを確認したかを尋ねてください。これらは妥当な質問であり、会話を「あなたの数値が私たちの数値より高い」から「証拠は何か」へと移します。
次に、あなた自身の記録を提示しましょう。タイムスタンプ付きの草稿、メモ、アウトライン、以前のバージョン、指導教員からのフィードバック、自分で作成した参考文献リスト。最も強力な防御は、二つ目の検出器のスコアではありません。実際の執筆プロセスの目に見える痕跡です。
説明の枠組みには注意してください。翻訳ツールや言語モデルを使って文章表現を助けてもらったなら、そう伝えましょう。それを隠して後で見つかるほうが、早い段階で開示するよりもはるかに悪いです。学生のためのAI支援ライティングに関する記事では、通常どこに線が引かれるかを示しており、AI検出を回避するのはカンニングかでは、何かを提出する前に自分の草稿に適用できる開示テストを提供しています。
所属機関が、あなたが読んでいないポリシーを運用しているなら、それを読みましょう。あなたの大学が実際に何を認めているかは、重要な条項の実用的な要約です。
テキストを英語に翻訳しても何も解決しない理由
これは多言語ライターが最もよくする間違いであり、どちらの方向にも裏目に出ます。
翻訳は書き直しです。スペイン語の段落を機械翻訳にかけると、実際にはモデルによって生成された新しいテキストを検出器に渡すことになります。文の長さは平坦になり、接続詞は一般的になり、慣用表現は消えます。元の文章より高いスコアになることもあり、しかも今や、本当に機械生成された文書が記録に残ってしまい、説明しづらい状況になります。
逆のことも起こります。翻訳が原文より低いスコアになることがあり、そのとき人々は「ほら、私のテキストは問題ない」と主張します。しかしそれは原文について何も証明しません。あなたは別の文書をテストしたのです。
正当な使い方もあります。翻訳は、検出器が何に反応しているのかを理解する助けになります。あなたのスペイン語の文が、機械製のように読める平板な英語の文になるなら、根本的な問題はおそらく、その文がスペイン語でもあまりに規則的だったことです。原文を修正してください。翻訳を証拠として提出しないでください。
実際にシグナルを担っている文をどう修正しますか？
フラグが付いた文が見えるようになれば、作業は普通の編集です。機械製の文章は均一になりがちです。人間の文章はそうではありません。
- 文の長さを意図的に変えましょう。短い文を長い文の隣に置きます。そしてまた短い文を。
- 汎用的な接続詞を、あなたが自分の言語を話すときに実際に使うものに置き換えましょう。スペイン語で「y ademas」と言うなら、学術的に聞こえるからという理由で英語で「furthermore」と書かないでください。
- 各段落に具体的な詳細を1つ加えましょう。日付、場所、自分のデータからの具体的な数値、名前のある情報源などです。機械のテキストはデフォルトで抽象的です。
- 1ページにつき1つの並列構造を崩しましょう。3項目のリストや揃った節のパターンは、最も明らかな機械の痕跡です。
- 段落を声に出して読みましょう。自分がそんなふうに言わないなら、書き直しましょう。
これはあなたの主張を何も変えません。変わるのはリズムであり、検出器が反応しているのはそれです。自分の下書きにある機械製のパターンを整理するためのガイドでは、この作業をより詳しく説明しています。また、Word文書で作業していて書式を保ちたい場合は、このワークフローがスタイルや表を壊さずに済みます。
編集ループを任せたいなら、DeAIze ドラフトエディター がテキストを採点し、指摘された文だけを書き直し、意味が保たれたと意味的類似度が示した場合にのみ書き直しを採用し、再採点して前後を表示します。このサイトは、ヒューマナイズ後の AI スコアが平均 60% 以上減少し、最良のケースでは 71% になると報告しています。ただし、これらは製品自身の予測スコアであり、第三者の検出器による判定ではありません。サイトで使用されている例の段落では、92% のスコアが 4% になります。これはループの例示として扱い、あなたの論文に関する約束とは考えないでください。
最初に想定すべき限界は何ですか？
どのインターフェースが示唆するよりも多くの不確実性を想定してください。
- 言語ごとの信頼性を公開している検出器はありません。フランス語で自信ありげに見えるパーセンテージは、英語で曖昧な表現のものより信頼できるわけではありません。
- 短いテキストは信頼できません。200 語の要旨では、モデルが扱える情報が非常に少なくなります。
- どの言語でも、フォーマルな文体はカジュアルな文体よりも機械的に読まれます。学術的な文章は設計上不利になります。
- 検出器は変わります。先月のスコアは今日再現できるものではありません。
- 設定されている場合、サードパーティの検出器 API とのクロスチェックは内部の推測より有益ですが、それでも確率推定にすぎません。
異なるツールが同じ文章をどう報告するかを見たいなら、検出器の比較 と Copyleaks スコアが実際に何を意味するかの分析 (/blog/copyleaks-ai-detector-accuracy/) が最も有用な続きの 2 つです。
実例
以下に英語での短いビフォーアフターを示しますので、編集の形がご覧いただけます。これは実例ではなく、あくまで説明用です。
ビフォー: 「結果は、提案された方法論が全体的なパフォーマンスに大幅な改善をもたらすことを示している。さらに、分析は、根本的なメカニズムを完全に理解するには追加の研究が必要であることを示唆している。」
アフター: 「その方法でパフォーマンスは改善した。理由はまだわかっていない。3回の実行で挙動が異なり、2回目は完全に失敗した。次に調べるべきはそこだ。」
主張は同じです。2番目のバージョンは短く、均一でなく、具体的な観察が含まれています。それがこのテクニックのすべてです。
どの文が機械的に読めるか見てみませんか？
どの行がフラグの原因か推測する必要はありません。AI検出器を開き、下書きを貼り付けて、何かを決める前に文単位のハイライトを読んでください。フラグが立った行が本当にあなたのものであれば、具体的に弁護できる材料があります。そうでなければ、下書きエディタがそれらの文だけを書き換えて結果を再スコアリングするので、何が変わったかを正確に確認できます。サインアップ時に得られる200語の無料枠以上が必要なら料金を確認するか、アカウントを作成してまず自分の段落で試してください。クレジットは従量課金で有効期限が切れないため、役に立たなければ解約するサブスクリプションはありません。
検出はシグナルであり、判決ではありません。あなたのアイデア、あなたのデータ、そしてあなたの結論は、依然としてあなた自身のものでなければなりません。