A Pew Research Center csütörtökön közzétett jelentése szerint a ChatGPT 2022 novemberi megjelenése óta publikált angol nyelvű weboldalak több mint 35%-án mutathatók ki az automatizált szövegalkotás jelei. A tanulmány megerősíti korábbi kutatások eredményeit arról, hogy az interneten megjelenő újabb tartalmak jelentős része AI által írt vagy jelentősen AI‑val szerkesztett lehet.
Adatgyűjtés és módszer
A Pew a Common Crawl webarchívumot használva gyűjtött össze közel félmillió angol nyelvű weboldalt az elmúlt mintegy öt évből, úgy, hogy a mintavétel nagyjából két évvel a ChatGPT megjelenése elé nyúlt vissza. A szervezet az Open Pangram technológiáját vette igénybe annak megállapítására, hogy az egyes oldalak mennyire mutatnak AI‑szerzőségre vagy jelentős AI‑szerkesztésre utaló jeleket.
A Pew egy júliusi mintában véletlenszerűen kiválasztott 10 000 weboldalt is elemezett: ezek közül körülbelül 10% mutatott „jelentős” AI‑szerzőségre utaló jeleket. A kutatók rámutatnak ugyanakkor, hogy egy ilyen véletlenszerű mintában szerepelnek régebbi oldalak is — olyanok, amelyek a generatív AI‑eszközök megjelenése előtt keletkeztek, és ezért nem lehettek AI‑alkotások.
Post‑ChatGPT oldalakra szűkítve
Amikor a Pew kizárólag a ChatGPT megjelenése utáni időszakban publikált oldalakat vizsgálta, a detektált AI‑szerzőség aránya meghaladta a 35%-ot. Ez azt jelzi, hogy az újabb webtartalmak körében az AI szerepe jelentősen megnőtt.
Domainenkénti különbségek
A jelentés domain szerinti bontásban is vizsgálta az adatokat: a .com végződésű URL‑eknél az AI‑szerzőség aránya körülbelül tízszerese volt a .edu és .gov domaineknél mért értéknek (utóbbiaknál mindkettő körülbelül 1% körül volt). A .org domaineknél 4,6%-os arányt mutattak ki.
Kapcsolódó megfigyelések és korlátok
A Pew megjegyzi, hogy az elemzés nem tökéletes: az Open Pangram és más AI‑detektálók tévesen is besorolhatnak ember által írt szövegeket AI‑írtnak. Ugyanakkor a kutatók szerint nagyléptékben az irány valószínűleg helyes. A jelentés azt is megállapította, hogy több, az AI‑szerzőségre utaló stilisztikai jellegzetesség gyakrabban fordul elő az évek során, például a gondolatjel (em dash), az Oxford‑vessző használata és bizonyos fordulatok, például az „ez nem X, ez Y” szerkezet.
Miért fontos ez?
A megállapítások háttérbe helyezik a böngészési forgalomról szóló más jelentéseket: például a Cloudflare nemrég arról számolt be, hogy a botforgalom meghaladta az emberi böngészést — egy mérföldkő, amelyről a cég korábban korábban később számított. A Pew vizsgálata azonban nem a böngésző forgalmat, hanem a weben megjelenő tartalmak eredetét elemzi, és rávilágít arra a jelenségre, hogy a botok gyakran más botok által írt oldalakat olvashatnak.
A tanulmány tehát arra utal, hogy a web új tartalmainak jelentős része AI‑befolyás alatt áll, de az eredmények értelmezésekor figyelembe kell venni a detektálási módszerek korlátait.
