パープレキシティは、前にある単語を踏まえて各単語がどれだけ予測可能かを測ります。バースト性は、文章全体で文の長さや構造がどれだけ変化するかを測ります。検出器はこれら2つのシグナルを他の要素と組み合わせて、テキストが機械生成されたものかどうかを推定します。どちらの指標も著者を証明するものではなく、どちらも編集によって変えられます。
主なポイント
- パープレキシティは予測可能性のスコアです。低いパープレキシティは、次の各単語が文脈から簡単に推測できたことを意味します。
- バースト性は変化のスコアです。低いバースト性は、文がすべてほぼ同じ長さと形であることを意味します。
- 検出器はこれらを判定ではなくシグナルとして読み取ります。高いスコアは確率の推定であり、証明ではありません。
- 文の長さの変化は、最も速く引けるレバーです。バースト性を直接動かし、同時にパープレキシティも変えるからです。
- 2026-09-19の独自測定では、手書きのDeAIzeガイドのAIスコア平均は27%（n = 46）でしたが、未編集のモデル出力の平均は35%（n = 12）でした。この重なりこそが要点です。
- どの検出器でも、編集で確実な数値に到達することはできませんし、そう試みるべきでもありません。
AI検出におけるパープレキシティとは？
言語モデリングにおいて、パープレキシティは驚きの尺度です。モデルは、それ以前のすべてに基づいて各単語に確率を割り当てます。モデルが「the」を高い確信度で予測する場合、その単語はほとんど驚きをもたらしません。パープレキシティは、文章全体にわたるこれらの確率を1つの数値に集約します。低いパープレキシティはテキストが予測しやすかったことを意味し、高いパープレキシティは予測しにくかったことを意味します。
検出器は言語モデル（多くの場合、テキストを書いたモデルより小さく高速なもの）を使って、同じ方法であなたの下書きを採点します。モデルが予測しやすいと感じるテキストは、機械生成されたように見えがちです。生成モデルは、ありそうな続きを生成するように最適化されているからです。人間の文章には、より多くの局所的な驚きが含まれます。突然の具体的な名詞、余談、予想される道筋に従わない節などです。
だからこそ、流暢で洗練された段落が機械製と判定されうるのです。流暢さと予測可能性は近い親戚同士です。明晰な文章のルール——何も変えず、すべてをつなぎ、驚きを避ける——を内面化した書き手は、チャットボットを一度も開かずに、真に低いパープレキシティのテキストを生み出せます。
パープレキシティは、短いテキストが信頼できない理由でもあります。2文のサンプルでは、モデルが驚くべき文脈がほとんど与えられないため、推定値は大きく振れます。断片をチェックするなら、ノイズを覚悟してください。
AI検出におけるバースト性とは？
バースト性はリズムに関するものです。文の長さを取り、それらがどれだけ異なるかを見てください。すべての文が18～22語で続く段落は、バースト性が低いです。6、31、12、44、9と進む段落は、バースト性が高いです。
人間の書き手は偶然にバースト性を持ちます。アイデアを解きほぐす必要があるときは長く限定された文を書き、それを着地させるために短い文を書きます。私たちは自分自身を中断します。そのほうがよく聞こえたから、節を前に置きます。機械の出力は、安定した中程度の長さのリズムに傾きます。モデルは、安全で完全な文に報いる分布からサンプリングしているからです。
バースト性は、文字通り数えられるので、パープレキシティよりも見るのが簡単です。下書きを開き、文の長さを列に並べ、その形を見てください。数字が固まっているなら、誰が、あるいは何がテキストを書いたかにかかわらず、バースト性の問題があります。
自分の草稿でバースト性を推測するのではなく実際に確認したいなら、AI検出器が各文をAI確率でハイライトするので、何かを変更する前にどの行がシグナルを持っているかを正確に把握できます。
文の長さの変化はAIスコアをどのように動かすのか？
文の長さは最も簡単に制御できる単一の変数であり、両方の指標に影響します。
長い文と短い文を交互に使うと、バースト性が直接高まります。また、間接的にパープレキシティも高まります。長い文の後に非常に短い文が来ると、言語モデルにとって予測が難しくなります。期待される続きは別の長い文だったからです。この2つの指標は独立ではありません。構造の変化は語彙選択の意外性を生みます。
以下は小さな計算例であり、実際の文書ではありません：
変更前（平坦なリズム）：
本研究は、いくつかの大都市圏における都市密度と公共交通利用の関係を検討する。分析は、複数年にわたって収集された調査データに基づいている。知見は、密度だけでは乗車人員パターンを予測しないことを示唆する。著者らは、地域政策の文脈に関するさらなる研究を推奨している。
どの文も似た長さと同じ形をしている。主語、動詞、目的語、修飾語。要約のように読めるのは、実際に要約だからだ。
後（変化に富むリズム）：
密度だけでは公共交通利用を予測しない。これが知見であり、いくつかの大都市圏と複数年の調査データを経ても揺るがない。乗車人員を予測するものは何か。地域政策である。著者らはそれに関するさらなる研究を求めているが、これは密度の議論が過大評価されてきたと言う丁寧な言い方である。
主張は同じ。第二の版は問いを投げかけ、三語の文を使い、一つの文を長く引き延ばしている。バースト性は高く、単語ごとに採点するモデルにとって驚きの箇所がより多い。
どちらの版も本質的により誠実なわけではない。第二の版は単により予測しにくいだけである。
未編集のモデル出力が依然として低スコアになることがあるのはなぜですか？
これはほとんどの説明が飛ばしてしまう部分です。2026-09-19の独自測定では、30%のフラグ閾値でDeAIze検出器を使用し、12の未編集モデル文章を46の手書きDeAIzeガイドと比較してスコアリングしました。未編集のモデル出力は平均AIスコア35%（中央値34%、範囲25-49%）でした。人間が書いたガイドは平均27%（中央値25%、範囲0-55%）でした。
分布は重なっています。一部の人間のガイドは一部のモデル文章よりも高いスコアでした。これが正直な全体像です。パープレキシティとバースト性はシグナルであり、シグナルは重なります。それらから確実性を報告する検出器は、あなたに嘘をついていることになります。
同じ実行でAIの痕跡頻度もカウントしました。人間のサンプルでは100語あたり3回、未編集のモデル出力では100語あたり1回でした。人間の書き手は、機械による文章と関連付けられる定型表現 —「さらに」、「注目に値する」、接続の足場 — をモデルよりも多く使用していました。痕跡はそれ自体では弱いシグナルであり、誤った方向を指し示すことがあります。
これらのシグナルが他のものとどのように組み合わされるかのより広い全体像を知りたい場合は、AI検出の仕組みが完全なスタックをカバーしています。
パープレキシティとバースト性を変える具体的な編集の動き
これらは実際に数値を動かす施策です。自分の草稿で実行してください。
- 文の長さを数える。 リストに書き出す。ばらつきが狭ければ、それが最初の修正点です。
- 長い文を1つ、3つに分割する。 2つではなく3つに。そのうち1つを非常に短くします。
- 説明している箇所に質問を加える。 直接的な質問は、予想される続きが平叙文だったため、perplexityを高めます。
- 抽象名詞を1つ、具体的な名詞に置き換える。 「いくつかの要因」が「駐車場の最低台数」になります。具体性は予測不能です。
- 接続詞を1つ削る。 「さらに」「そのうえ」「加えて」は、どの段落でも最も予測しやすい語です。
- 書き出しを変える。 3文続けて主語で始まっているなら、1つを倒置します。
- 音読する。 平坦なリズムは、目より耳のほうが速く捉えます。
| 編集 | burstinessへの効果 | perplexityへの効果 |
|---|---|---|
| 長い文を3つに分割する | 大きく増加 | 中程度に増加 |
| 直接的な質問を加える | 中程度に増加 | 大きく増加 |
| 抽象名詞を具体的な名詞に置き換える | 小 | 中程度に増加 |
| 接続詞を削除する | 小 | 小さく増加 |
| 強調のために節を前に出す | 中程度に増加 | 中程度に増加 |
| すべての文を同じ長さに書き換える | 大きく減少 | 大きく減少 |
最後の行に注目してください。スコアの可読性を下げながら、同時にAIスコアを上げることができます。平坦な文章は自動的に人間らしく見えるわけではありません。ただ平坦に見えるだけです。
これら2つの指標の限界は何ですか？
perplexityとburstinessが有用なのは、検査可能だからです。文の長さを数えられます。モデルがどこで驚いたかを見られます。それは、ブラックボックスのパーセンテージから得られるものより多くの情報です。
しかし、それらは判定ではありません。判定として扱うと、実際に害を及ぼします。
クリーンな文章が不利になる。 ハウススタイルのために文の長さを標準化する慎重な編集者は、バースト性の低いテキストを生み出しています。教科書のルールを適用する非ネイティブの英語ライターも同様です。これは既知の失敗モードであり、もしあなたがこれに当てはまるなら、なぜAI検出器が非ネイティブの英語ライターを検出するのかを読む価値があります。
短いテキストでは不安定。 200語のサンプルでは、自信を持った推定はできません。1段落でも同様です。
誰がその言葉を書いたのか分からない。 パープレキシティは予測可能性を測定します。人間が書いた予測可能な段落は、依然として予測可能です。
検出器同士の見解が一致しない。 モデルが異なれば、しきい値も異なり、トレーニングデータも異なります。2つのツールが異なる結果を出しても、それは想定された動作であり、どちらかが壊れている証拠ではありません。AI検出器は正確なのか？では、同じエッセイに対して2つのツールが異なる結果を出す理由を説明しています。
指標のための編集は、読者のための編集とは違う。 バースト性を追い求めると、ぎくしゃくした自己意識過剰な文章になりかねません。長い方がよく読める文なら、長いままにしておきましょう。
自分の草稿をチェックするための実践的なルーティン
通常の記事であれば約10分でできる手順を紹介します。
- 文書全体のスコアだけでなく、文単位のハイライトを表示する検出ツールに草稿を通します。AI検出ツールはこれを行います。文書全体のスコアが1つと、文ごとの内訳が表示されます。
- どの文がシグナルを持っているかを確認します。通常は、説明セクションの途中にある、似た長さの文が連続している箇所です。
- その文だけを書き直します。それ以外はそのままにしておきます。修正しようとしているのはリズムの問題であり、文書全体を洗浄することではありません。
- 再度スコアを確認します。フラグが立った連続箇所が消えていれば、そこで止めます。数値を追いかけないでください。
- 意味が保たれているかを確認します。これは多くの人が飛ばすステップです。主張を変えてしまう書き直しは、フラグが立つよりも悪いです。
この最後の点は、どんな指標よりも重要です。AIを使ってセクションの草稿を作成した場合でも、アイデア、データ、結論はあなた自身のものでなければなりません。バースト性のために書き直しても、他人の主張が自分のものになるわけではなく、検出ツールのスコアがそれを変えることもありません。
懸念が草稿ではなく正式なプロセスにある場合は、学術誠実ポリシーガイドで、教育機関が通常何を評価するかを説明しています。
バースト性とパープレキシティが全体像の中で果たす役割
同じパネル上の2つのダイヤルだと考えてください。Perplexityは単語レベルの予測可能性を追跡します。Burstinessは構造的な変動を追跡します。検出器はこれらをトークンパターン、繰り返し測定、その他の特徴と組み合わせて、確率を出力します。
その確率は推定値です。著者であることの証明ではなく、責任あるツールならそれを証明として提示すべきではありません。DeAIzeは、私たち自身の予測スコアでヒューマナイズ後のAIスコアが平均60%以上削減され、最良のケースでは71%になること、またサイトで使用されている例の段落では92%のAIスコアが4%のAIになることを報告しています。これらは私たちの予測スコアであり、第三者の検出器による公式な判定ではなく、すべてのツールが報告する内容と一致するわけではありません。
頼りにできるのはメカニズムです。平坦な段落がなぜ高いスコアになるのかを理解すれば、推測に頼らず、自分の条件で意図的に修正できます。
どの文が機械製のように読めるか、見る準備はできましたか？
Perplexityについて読むことは、自分の下書きでそれを見ることとは同じではありません。メカニズムを学ぶ最速の方法は、自分が書いたテキストでそれが動作するのを見ることです。
まずAI検出器で文レベルの内訳を取得し、次に下書きエディタを使ってフラグが立った行だけを書き直して再スコアリングします。コミットする前にループの仕組みを確認したい場合は、料金に有効期限のないクレジット付きの従量課金プランが記載されており、クレジットカードなしで200語まで無料で登録できます。
1つの段落で実行してください。ハイライトされた文が、すでに平坦だと疑っていたものであれば、仕組みを学んだことになります。それがこの演習の目的です。