主なポイント
- SaplingのAI検出器は文単位のハイライトを中心に構築されているため、1つの数値を渡して終わりにするのではなく、シグナルを含む行を指し示します。
- 文書スコアはファイル全体がどのように読めるかを示し、文スコアはどこを編集すべきかを示します。修正作業には後者の方が役立ちます。
- 文スコアは確率の推定値であり、著作権の証明ではありません。文脈、長さ、ジャンルによって変動します。
- 短く、箇条書き的で、定型的な文は、文単位の検出器に最も引っかかりやすく、それは真に人間が書いた文章でも同様です。
- フラグが立った文への正しい対応は、その文を自分の声で書き直すことであり、文書全体を自分でも認識できないものに書き換えることではありません。
- 2026年9月に当社が実施した46件の手書きDeAIzeガイドの測定では、平均AIスコアは27%で、46件中17件が30%のしきい値でフラグが立ちました。人間の文章も検出器の範囲内に収まります。
SaplingのAI検出器を開いて、ハイライトされた文の壁をじっと見つめているなら、簡単に言うとこうです。Saplingは文書レベルのスコアとともに文ごとのAI確率を報告し、その文ビューは判定としてよりも修正マップとしてはるかに役立ちます。それを使って機械が作ったように読める行を見つけ、それらを修正し、下書きの残りはそのままにしておきましょう。スコアは推定値であり、誰があなたの作品を書いたかを裁定するものではありません。
Sapling AI検出器は実際に何を報告するのか？
Saplingは、より広範なライティングアシスタント製品の一部として検出器を提供しており、その検出器の際立った特徴は粒度です。単一の文書パーセンテージのみを返すのではなく、個々の文をハイライトし、それぞれに尤度を付与します。文書スコアも依然として存在し、通常は集計値として提示されますが、実際に行動できるのは文レイヤーの部分です。
この構造が重要なのは、それが別の問いに答えるからです。文書スコアは「このファイル全体はどのように読めるか？」に答えます。文スコアは「どの特定の行があなたにそう言わせたのか？」に答えます。編集につながるのは、そのうちの一方だけです。
通常表示される内容：
- 文書レベルのスコアまたはバンド。確率またはラベルとして示されます。
- 文ごとのハイライト。通常は色分けされ、フラグが付いた文が他のテキストから目立つようになります。
- ハイライトにカーソルを合わせたり展開したりすると、文ごとのパーセンテージまたは尤度の値が表示されることもあります。
- 単語数または文字数。実際に何が分析されたかを把握できます。
Saplingからも、他の誰からも得られないもの：著者であるという断定です。検出器は、あなたのテキストを生成された文章に関連する統計的パターンと比較します。そして確率を返します。誰がその言葉を入力したのかは分からず、検出器の出力を書き手に関する事実の主張として扱うべきではありません。
文レベルの表示は、結果の読み方をなぜ変えるのか？
文書スコアはすべてを1つの数値に圧縮するため、1つの定型文の段落が、それ以外は人間らしい草稿のスコアを押し上げてしまうことがあります。文レベルの検出は逆のことをします。つまり、問題箇所を切り分けるのです。
900語のサポート記事を想像してください。導入はあなた自身が書き、中間セクションはモデルで下書きして軽く編集し、最後のチェックリストは完全にあなた自身のものです。文書レベルの検出器は中間的なスコアを返し、その記事のどの3分の1が原因なのかを推測させるかもしれません。文レベルの検出器なら、中間セクションが光り、導入とチェックリストは暗いままであることが分かります。これは作業指示書です。
検出器の精度に関する議論の多くは、ここから生まれます。2つのツールが一致しないのは、シグナルの重み付けが異なり、一方は集約し、もう一方は局所化するからです。その仕組みを知りたい場合は、AI検出の仕組みの解説でシグナルを詳しく説明しており、AI検出器の比較では各主要ツールが実際に画面に表示する内容を紹介しています。不一致は通常、提示方法と閾値に関するものであり、一方のツールが正直で他方が嘘をついているという話ではありません。
文レベルと文書レベルのスコアはどう比較されますか？
この2つの視点は競合するものではありません。それぞれ異なる問いに答えるものであり、有用なワークフローでは両方を使用します。
| 視点 | わかること | 最適な用途 | 主な弱点 |
|---|---|---|---|
| 文書スコア | ファイルが機械生成として読める全体的な確率 | 編集時間を投資する前の迅速なトリアージ | スコアの原因となった部分が隠れる |
| 文レベルのスコア | どの特定の行がAIシグナルを持つか | 何を書き直すべきかを正確に判断する | 短い文はノイズの多い読み取りを生む |
| 段落レベルの読解（自分の目） | 議論が一貫しているかどうか | 意味、トーン、正確さを判断する | 遅く、飛ばしやすい |
| 2番目の検出器とのクロスチェック | シグナルが安定しているか、ツール固有か | 重要な提出物やクライアント作業 | 2つの推定値は依然として2つの推定値 |
実用的なルール：文書スコアから始め、次に文ビューに住むことです。文書スコアが低く、何もフラグが立っていなければ、完了です。文にフラグが立っている場合は、一度に1つずつ処理し、すべてを一度に書き直すのではなく、各パスの後に再スコアリングしてください。
同じ文レベルのロジックを自分の草稿に適用してみたい場合 — 行にフラグを立て、それだけを書き直し、再スコアリングして比較する — まず文書をDeAIze検出器にかけ、長い編集にコミットする前に有料プランがカバーする内容を確認してください。
Sapling AI検出器は内部でどのように動作しますか？
Saplingの検出器は、ほとんどの現代の検出器と同様に、生成されたテキストと人間が書いたテキストを区別するように訓練された言語モデルです。あなたの文章の統計的特性 — 各トークンがどれほど予測可能か、文構造がどれほど多様か、リズムがどれほど均一か — を調べ、テキストのスパンごとに確率を生成します。
文レイヤーは、その確率をどのように切り分けるかという設計上の選択です。テキストを文に分割し、各チャンクをスコアリングし、結果を提示します。この選択には実際の影響があります。文は短いです。12語の文ではモデルが扱える情報が非常に少ないため、推定値は段落レベルの推定よりもノイズが多くなります。長く節の多い文は、より多くのシグナルを与えます。
これが、「Fast setup, no credit card」のような一行の箇条書きが光り、周囲の段落はクリーンなままである理由です。また、ノンネイティブの英語ライターが不釣り合いに引っかかる理由でもあります。一貫性があり、文法的に整い、ややフォーマルな文章は、検出器が生成テキストと関連付けるレジスターに似ているからです。このパターンについては、なぜAI検出器がノンネイティブ英語ライターをフラグするのかで詳しく説明しています。
文レベルの検出は文書スコアよりも正確ですか？
いいえ、そしてそれについて率直に言う価値があります。文レベルのスコアはより正確ではありません。それらはより実行可能です。これらは異なる主張です。
文書スコアは多くの文を1つの推定値に集約するため、ノイズが平滑化される傾向があります。文スコアはそのノイズを露呈させます。より多くの情報が得られますが、その情報の一部は誤っています。
私たち自身の計測ツールを使うと、その範囲がどれほど広いかがわかります。2026-09-19に、私たちは46本の手書きのDeAIzeガイドをDeAIze検出器（ローカルアンサンブル、ライトティア）で、30%のフラグ閾値でスコアリングしました。AIスコアの平均は27%、中央値は25%、範囲は0から55%でした。この閾値では、46本の手書きガイドのうち17本がフラグされました。これは第三者による結果ではなく、私たち自身の文章に対する私たち自身の測定であり、次の点を示しています。人間の文章はしばしばこの範囲の中央付近に位置するのです。
比較のために、固定プロンプトから生成された未編集のモデル出力12件をスコアリングしました。平均は35%、中央値は34%、範囲は25から49%でした。興味深い詳細として、未編集の機械出力は人間のサンプルよりもばらつきが少ないという点があります。人間の文章は、人間が一貫性を欠くため、より広い分布を持ちます。検出器は一貫性を評価しますが、これはほとんどの編集者が品質を判断する方法とは正反対です。
境界線上の判定が告発ではない理由を理解したい場合は、AI検出器の精度に関する記事で統計的な現実を扱っており、AI検出器は正確かでは、同じ段落に対して2つのツールが異なる判定を下す理由を説明しています。
文レベルの検出において、誤検出はどのようなものですか？
フラグされた文は、認識可能なパターンに集中します。それらを知ることで、チェックを実行する前に、何が引っかかるかを予測できます。
定型的な書き出し。「さらに、検討に値するのは……」といった類の足場は、生成テキストがそれに大きく依存しているため、生成されたものとして読めてしまいます。
**均一な文の長さ。**18～22語の文が3つ連続すると、たとえそうでなくても機械製に見えます。
**段落形式の箇条書き的な文章。**箇条書きの内容をカンマ区切りの文に平坦化すると、検出器が探す変化が失われます。
**完璧な並列構造。**人間は4つの連続する節にわたって並列構造を維持することはほとんどありません。モデルはそれを楽々とやってのけます。
**情報量の少ない要約。**前の文を別の言葉で言い換える文は、生成テキストの典型的な手法です。
私たち自身のデータには、指摘する価値のある直感に反する発見があります。AIの痕跡の頻度は、人間のサンプルでは100語あたり3回であったのに対し、未編集のモデル出力では100語あたり1回でした。人間が書いたガイドには、実際のAI出力よりも、人々がAIライティングと結びつける表面的な特徴が多く含まれていました。表面的な痕跡は信頼できないからこそ、文レベルのフラグには人間の判断を重ねる必要があるのです。
フラグが立った文を判決ではなく編集のヒントとして使うには？
それぞれのハイライトを問いかけとして扱いましょう：この文は自分らしく聞こえるか？ もしそうならそのまま残す。テンプレートのように聞こえるなら書き直す。
3ステップのパス：
- フラグが立った文を声に出して読む。 つまずいたり、社内通達のように聞こえたりするなら、検出器が何と言おうと手を入れる必要があります。
- スコアのためではなく、具体性のために書き直す。 具体的な名詞、実例、自分の仕事からの数字、または短い節を加える。具体性こそが文章を人間らしく読ませるものです。生成されたテキストは一般論に陥りがちだからです。
- 文書全体ではなく、段落を再スコアリングする。 局所的に反復する。一度にすべてを書き直すと、すでに問題なかった部分を壊してしまいます。
以下は実在のクライアント文書ではなく、あくまで例示です。変更前：「すべての顧客コミュニケーションが一貫しており、ブランドガイドラインに沿っていることを確実にすることが重要です。」変更後：「サポートの返信は、4人が書いたとしても、同じ人が書いたように聞こえるべきです。」2番目の文はより短く、具体的なイメージがあり、もはや名詞化パターンに頼っていません。しかも、より多くを語っています。
やってはいけないのは、フラグが立った文を類語辞典にかけて、それを編集と呼ぶことです。同義語を入れ替えても構造はそのまま残り、検出器が読んでいるのはその構造です。それに対する体系的なアプローチを知りたい場合は、言い換え vs AIテキストの人間化をご覧ください。
フラグにどう対応すれば、自分の声を平坦にせずに済みますか？
ここでの本当のリスクは、過剰な編集です。低いスコアを追い求めるライターは、最終的にぎくしゃくして一貫性のない、元の文章よりも悪い散文を生み出してしまいます。これは悪い取引です。特に、明確で温かみのある文章が求められるサポートチームにとっては。
効果的なガードレール：
- セクションごとの編集上限を設定する。 セクションの3分の1以上がフラグ付けされた場合、問題は文レベルではなく構造的なものです。文ごとではなく、セクションを一度に書き直しましょう。
- 自分の特徴的な動きを保つ。 いつも短い平叙文で始めるなら、それを続けましょう。検出器はあなたのスタイルの裁定者ではありません。
- フラグが付いていない文は編集しない。 それらはあなたのベースラインです。そのままにしておきましょう。
- 書き直すたびに意味を確認する。 スコアは良くなっても違うことを言っている文は、差し引きで損失です。これはほとんどのワークフローが省略する部分です。
これはDeAIzeが内部的に実行するループです：テキストをスコアリングし、フラグが付いた文だけを書き直し、意味が保たれたことを意味的類似性が確認した場合にのみ書き直しを採用し、その後再スコアリングして前後を報告します。サイトでは、ヒューマナイズ後のAIスコア平均60%以上の削減、最良で71%の削減、サイトで使用されている例文では92%のAIスコアが4%のAIになることを報告しています。これらは当社独自の予測スコアであり、サードパーティの検出器による判定ではなく、ループが何をするかの指標として読むべきもので、あなたの文書に関する約束ではありません。
自分でループを実行したい場合は、AIの痕跡をクリーンアップするガイドで手動バージョンを、意味を変えずにAIテキストをヒューマナイズするで検証ステップを説明しています。
いつセカンド検出器でクロスチェックすべきか？
結果が影響を及ぼすときはいつでもです。個人的な下書きにはセカンドオピニオンは必要ありません。クライアントへの納品物、投稿済みの原稿、上司が読むものなどは必要です。
クロスチェックは「真の」スコアを見つけるためのものではありません。シグナルが安定しているかどうかを確かめるためのものです。Saplingが文をフラグし、セカンドツールがそれをそのままにした場合、その文はボーダーラインであり、ボーダーラインとはあなたの判断が決めるということです。両方がフラグする場合、その文はおそらく機械製のように読め、それ自体の妥当性に基づいて書き直す価値があります。
重要な作業では、内部推定を信頼するのではなく、設定されている場合は実際のサードパーティ検出器APIに対して出力を実行してください。DeAIzeは、それらの統合が設定されている場合、GPTZero、Turnitin、Copyleaks、Originality.ai、Saplingを含む検出器に対してクロスチェックします。それはどの検出器でも特定のスコアを保証するものではありません。なぜなら、どのツールもそれを提供できないからです。それは、あなたの編集がそれを作成したツールの外で持ちこたえるかどうかを確認する方法です。
正直な限界が1つあります。すべての検出器は確率推定です。それらのどれも著者を証明するものではありません。学術的誠実性のプロセスに直面している場合、検出器の出力は多くの入力の1つであり、対応は別の作業です。学術的誠実性のヒアリングが評価するものと検出器があなたの論文をフラグしたときに準備すべきことに関する私たちのガイドは、そのプロセスをカバーしています。
サポートチームは何を変えるべきか？
サポート文書には特有の問題があります。一貫性が求められるのです。テンプレート、マクロ、スタイルガイドはすべて均一性を促しますが、その均一性こそが文単位の検出器が指摘するものです。
解決策は、サポート文書を雑にすることではありません。具体的にすることです。「ご不便をおかけして申し訳ございません」を、実際の問題を明示する一文に置き換えましょう。「ご要望を承りました」を、次に何がいつ起こるかに置き換えましょう。具体性は文の長さを自然に変化させ、それこそが検出器が実際に反応しているシグナルです。
チームにとっての実践的なワークフローは次のとおりです。新しいマクロの文面とヘルプセンターの記事を公開前に文単位のチェックにかけ、指摘された行を修正し、チームが使いすぎているパターンの短いリストを保持します。そのリストはコンプライアンス規則ではなく、スタイルメモになります。これを構築するなら、AIで一貫したライティングボイスに関する記事でスタイルブリーフのアプローチを扱っています。
どの文が機械的に読めるか、見てみませんか？
Saplingの文単位ビューは本当に有用で、すでによく知っている下書きで試す価値があります。しかし、指摘された文を一度に書き換えて再スコアリングし、書き換えと結果の間で意味チェックを行いたいなら、それがDeAIzeの役割です。
- 下書きをDeAIze AI検出器にかけると、文書スコアと文ごとの内訳が得られます。
- 下書きエディタを開くと、指摘された文だけを書き換え、前後で再スコアリングできます。
- 料金プランを確認する — スターター $20.99で1,000語、スタンダード $44.99で3,000語、プロ $99.99で10,000語、マックス $199.99で30,000語。従量課金、クレジットは失効せず、サブスクリプションなし。
- 無料アカウントを作成すると、ご自身の文章で試せる200語分が得られます。クレジットカードは不要です。
あなたのテキストは現在のタスクのためにのみ処理され、トレーニングに使用されることも、再販されることもありません。そして最後にもう一度繰り返す価値のあること：あなたの文書内のアイデア、データ、結論はあなた自身のものでなければなりません。検出スコアは文体に関するシグナルであり、独創的な作業の代わりにはなりません。