使用混合神经网络和特征融合对人工智能生成的文本进行负责任的检测和缓解:在大型语言模型时代,朝着可靠的内容管理
Raed Alharthi1, Stephen Ojo2, Thomas I Nathaniel3
1Department of Computer Science and Engineering, University of Hafr Al-Batin, Hafr Al-Batin, 31991 Saudi Arabia.
International journal of computational intelligence systems
|November 6, 2025
概括
本研究介绍了一种新的AI文本检测框架,使用混合神经网络准确识别机器生成的内容. 该系统增强了内容的真实性,并打击错误信息,确保负责任的AI部署.
科学领域:
- 人工智能的人工智能
- 自然语言处理自然语言处理.
- 机器学习 机器学习
背景情况:
- 大型语言模型 (LLM) 的兴起导致人工智能生成文本的增加,对内容真实性,学术完整性和错误信息的传播构成风险.
- 现有的检测人工智能生成文本的方法经常在准确性和稳定性方面扎,需要先进的解决方案.
研究的目的:
- 提出和评估一个负责任的检测和缓解框架,以区分人工智能生成的文本和人类撰写的内容.
- 提高人工智能产生的内容验证系统的透明度和稳定性.
主要方法:
- 开发了一个混合神经网络模型,集成基于BERT的语义嵌入,Text-CNN功能和统计描述符.
- 采用CNN-BiLSTM架构来捕获本地语法模式和远程语义依赖关系.
- 优先考虑负责任的AI原则,重点关注可解释性和检测偏差减少.
主要成果:
- 在基准数据集上实现了高性能:95.4%的准确性,94.8%的精度,94.1%的回忆和96.7%的F1分数.
- 在AI文本检测方面表现优于领先的基于变压器的基线模型.
- 通过对CoAID独立数据集的成功评估,证明了可通用性.
结论:
- 拟议的框架提供了一种优越和负责任的方法来检测人工智能生成的文本.
- 有助于将生成性AI模型安全和道德地集成到内容管理系统中.
- 通过提高透明度和稳定性,推进人工智能生成内容验证领域.
