AI 寫作痕跡
一份關於聊天機器人散文習慣的現場指南，濃縮並重新整理自維基百科的「AI 寫作痕跡」建議頁面，該頁面由 WikiProject AI Cleanup 編輯者根據數千個真實的 AI 生成編輯建立。它有兩個用途。
- 審查：判斷文字是否顯示出 LLM 生成的跡象，並找出這些跡象通常指向的更深層問題。
- 寫作與修改：透過修正這些習慣所掩蓋的問題（而非單純替換詞彙），產出不依賴這些習慣的散文。
此檔案中的範例均為說明用途而虛構。模式與詞彙列表則來自維基百科頁面。
請先閱讀
此目錄僅為描述，並非規定。此處的每一種模式也都會出現在人類寫作中，因為模型是從人類寫作中學習的：新聞稿、旅遊指南、學校論文、粉絲維基、部落格。請將每個跡象視為深入查看的理由，而非證據。
- 單一跡象意義不大。來自不同類別的跡象集群則更具意義。單一的「crucial」只是雜訊；一篇簡短的草稿中，若有十幾個 AI 詞彙、三個結尾是「-ing」的解釋性分詞片語，以及一個「Challenges」章節，這才構成一個模式。
- 自動化偵測器（GPTZero、Pangram 等）表現優於隨機猜測，但存在實際的錯誤率，並且在改寫、標記變更或使用它們未訓練過的模型時會失效。切勿將偵測器分數當作最終裁決。
- 人類的偵測能力也很差。該指南引用的研究顯示，典型讀者的表現接近隨機猜測。在 2025 年的一項研究中，重度使用 LLM 輔助自己寫作的人，能抓出約 90% 的 AI 文本，同時誤判約 3% 的人類文本。請保持謙遜的自信。
- 在 2022 年 11 月 30 日 ChatGPT 公開上線之前發布的文本，極不可能是 LLM 的輸出，無論其讀起來多麼「像 AI」。
- 表面的跡象遠不如底層的問題重要：沒有來源支持的聲明、不存在或所述內容與歸因不符的來源，以及將作者自身解讀呈現為事實。抹除這些跡象而不修正底層問題，只會讓問題更難被發現。
- 指控是有代價的。錯誤的指控會嚇跑新手並毒化討論。請描述文本做了什麼，而非作者是什麼。
目前最常見的跡象
截至 2026 年 10 月，該指南列出了在最新 AI 生成的維基百科文本中，除了無庸置疑的人造物（如不該出現的 Markdown、AI 生成的編輯摘要、關於可用來源的迴避性免責聲明、模糊的「associated with」/「in connection with」用語，以及對媒體報導和來源歸因的制式強調）之外，最常見的跡象。以下將涵蓋所有這些。
AI 散文為何看起來如此
LLM 會預測最有可能的後續發展，因此其輸出會趨向於在許多案例中統計上最典型的結果。為了獲得廣泛認可而進行的微調，則進一步將其推向討喜、正面的散文。罕見、具體的事實會被常見、泛泛的讚美取代：「設計了第一個自動車鈎」變成「一位有遠見的工業巨擘」。該指南的比喻是一張肖像從清晰的照片逐漸褪色成模糊的素描，同時有人越來越大聲地堅稱這位主角很重要。結果是，主題變得更不具體，同時更誇大。
以下大多數跡象都是這種單一漂移的變體。這也為你提供了最有用的單一測試：這句話能否原封不動地貼到一篇關於不同主題的文章中？如果可以，那它很可能就是填充物。
跡象目錄
內容
誇大的重要性、遺產與更廣泛的趨勢
平凡的細節總是被掛鉤到一個更大的故事上。一個創立日期「標誌著一個關鍵時刻」；一條新路「鞏固了其區域樞紐的角色」。這種情況甚至發生在詞源學或人口統計數字等平凡素材上，有時還會加上迴避修辭（「儘管其使用有限，但它反映了...」）。描述物種的文章會過度強調其與更廣泛生態系統的聯繫，並在對其保育狀況一無所知時仍大篇幅討論。主題被置於未具名的「辯論」或「公眾討論」之中。自 2026 年中起，模型還會對「為何這個區別很重要」發表評論。
需留意的詞彙：stands/serves as, is a testament/reminder, plays a vital/significant/crucial/pivotal/key role, pivotal moment, underscores/highlights its importance, reflects broader, symbolizing its ongoing/enduring/lasting, contributing to the, setting the stage for, marking/shaping the, represents/marks a shift, key turning point, evolving landscape, focal point, indelible mark, deeply rooted, the distinction matters because。
AI 風格：Opened in 1952, the Hollis Street Library stands as a testament to the town's enduring commitment to learning, marking a pivotal moment in the region's cultural landscape.
具體寫法：The Hollis Street Library opened in 1952 with about 4,000 books donated by residents.
修正方法：陳述事實。只有在來源明確提出時，才保留重要性的聲明，並歸因於該來源。
對知名度、報導與歸因的制式強調
文本不是報導來源的內容，而是談論來源本身：哪些媒體「報導了」或「介紹了」主題、它們是何種媒體（業界媒體、區域媒體）、報導是否「獨立」。通常列出了媒體清單，卻完全沒提到它們說了什麼。當被要求為維基百科寫作時，模型會將方針詞彙（如「significant independent coverage」）直接嵌入文章內文中，彷彿在文本本身為其知名度辯護。人物和公司「維持著活躍的社交媒體存在」。對於微不足道或無爭議的事實，會加上內文歸因（「根據公司文件...」），而這本可用一個腳註解決。模型還會將其自身的分析歸結到一個具名來源身上。這在 2025 年後發布的工具中更為常見。
需留意的詞彙：independent coverage, local/regional/national media outlets, music/business/tech outlets, trade publications, cited/featured/profiled in, written by a leading expert, active social media presence, was identified by。
修正方法：用其中一兩個媒體實際報導的內容取代媒體清單。檢查每個歸因的聲明是否確實在引用的來源中出現。
膚淺的分析
一個事實後面跟著一個解釋性的分詞片語：「...，highlighting the region's growing importance.」其最強烈的形式是使用非生物主語來執行心智活動。人可以 highlight 或 emphasize 某些事物；一座橋、一個日期或一個統計數字則不能。這個「highlighting」是一個看不見的敘事者對某事意義所做的聲明。啟用搜尋功能的聊天機器人會將這些聲明附加到具名來源上，無論該來源是否說了類似內容。
需留意的詞彙：highlighting, underscoring, emphasizing, reflecting, symbolizing, showcasing, ensuring, contributing to, fostering, cultivating, encompassing, enhancing, valuable insights, aligns with, resonates with。
AI 風格：The bridge opened in 1931, underscoring the town's emergence as a vital trade corridor.
具體寫法：The bridge opened in 1931 and cut the trip to Ashford from two hours to twenty minutes.
修正方法：刪除結尾的分詞片語，或用有來源支持的具體後果來取代它。
促銷、手冊式的語調
即使要求中立散文，模型仍會漂移到廣告文案或旅遊指南的口吻，尤其是針對地點、任何可被歸類為「文化遺產」的事物、公司及產品。號稱要「移除促銷語調」的重寫，有時反而會添加它。GPT-4 時代的輸出是公然讚美的；較新的模型則更為微妙，並避免使用「the best」這類直白的最高級，但無論主題為何，相同的陳腔濫調仍會重複出現。
需留意的詞彙：boasts, vibrant, rich, profound, nestled, in the heart of, natural beauty, breathtaking, groundbreaking, renowned, showcasing, exemplifies, commitment to, diverse array, continues to captivate, featuring。
修正方法：刪除做出判斷的形容詞，保留進行衡量的形容詞。對於「renowned」，要問：由誰、因為什麼而 renowned？
模糊的連結或關聯
文本不是陳述關係，而是說兩件事物是「associated with」或「connected to」。這通常會與流行詞彙（如「widely associated」、「particularly associated」）疊加使用，有時會在整個段落中重複。
需留意的詞彙：associated with, in association with, connected with/to, in connection with。
AI 風格：Okafor has been associated with technology leadership at Brightwell Labs.
具體寫法：Okafor was chief technology officer of Brightwell Labs from 2019 to 2023.
修正方法：明確指出關係。如果來源沒有說明關係為何，那麼該句子就沒有根據。
模糊的歸因與過度概括的意見
含糊其辭的說法：「Experts argue」、「Observers have noted」、「Industry reports suggest」，背後可能只有一個來源或根本沒有。一位評論者變成「critics」；兩篇文章變成「several publications」；「such as」暗示著比實際存在的更長的列表。有時，這個看似獨立的意見來自於主題自己的網站。
需留意的詞彙：experts argue, observers have cited, some critics argue, industry reports, several sources/publications（當引用很少時）, widely interpreted/regarded, such as（放在實際上已是完整列表的前面）。
修正方法：指出是誰說的，或者刪除它。讓數量詞與來源的數量相符。
說教式的免責聲明與評論
對想像中的讀者留下的備註：「It's important to note that...」、「It's crucial to remember...」、安全提示、「may vary by jurisdiction」，或是與無人提及的無關事物進行審慎的區別。
需留意的詞彙：it's important/crucial/critical to note/remember/consider, may vary。
修正方法：刪除，或將真正的注意事項轉化為簡潔且有來源的陳述。
關於遺失來源的迴避，以及填補空白的猜測
當模型找不到資訊時，它會在文本中說明（「While specific details are limited...」、「not widely documented」、「based on available information」、「in the provided sources」），然後猜測什麼是「likely」正確的以及為什麼這很重要。這個猜測是發明出來的，而「沒有記錄」的聲明也可能不實。相關形式還有：知識截止日期免責聲明（「as of my last training update」）、關於不存在的「as of [date]」陳述（「No significant controversies have been documented as of June 2025」），以及關於讀者應如何使用該資訊的迴避修辭。
修正方法：移除迴避修辭和猜測。如果資訊缺失，就乾脆省略，或在格式允許的情況下直接說明。
章節結尾的總結與結論
「In summary」、「In conclusion」、「Overall」、一個「Conclusion」標題，或是一個重申該段落內容的結尾句。百科全書式的寫作，以及大多數專業寫作，都不會這麼做。
公式化的「挑戰」與「未來展望」結尾
一個僵硬的結構，結尾是「Despite its [praise], X faces several challenges, including...」緊接著「Despite these challenges, X continues to thrive...」或是關於未來計畫將如何幫助的猜測。通常還有一個獨立的「Future prospects」章節。這個跡象在於其公式，而非任何對挑戰的提及。
模板式的章節標題
「X and Y」形式的標題層層疊加（「Legacy and influence」、「Challenges and legacy」、「Sustainability and future challenges」）。稱為「Awards and recognition」或僅是「Recognition」的標題，在 AI 生成的傳記和公司頁面中幾乎是普遍存在的，遠比人類撰寫的宣傳文章更常見。
將列表或描述性標題視為一個具名事物
第一個句子將該標題定義為一個真實世界的實體：「'List of songs about rivers' is a curated compilation of musical works that...」主要與維基和參考著作相關。
語言與語法
這些模式不問主題為何都會出現，這賦予了 AI 文本一種可辨識的腔調。
高密度的「AI 詞彙」
某些詞彙在 2022 年後變得極為頻繁，並且傾向於同時出現。在一段文字中出現一兩個沒什麼意義；但如果大量、重複出現，這是最強烈的信號之一。請按字面理解這些列表：某個詞被過度使用，並不代表其同義詞就可疑。也要注意字面意義（例如作為字元的「underscore」，或作為電影配樂的 underscore）。
通用列表：additionally（尤其用於句首）, align with, boasts（意為「擁有」）, bolstered, crucial, deep dive, delve, emphasizing, enduring, enhance, fostering, garner, highlight（作為動詞）, interplay, intricate/intricacies, landscape（抽象用法）, meticulous/meticulously, pivotal, robust, showcase, tapestry（抽象用法）, testament, underscore（作為動詞）, valuable, vibrant。相關習慣：用「serves as」、「stands as」、「boasts」或「features」來取代簡單的「is」和「has」。
偏好的詞彙會隨著模型世代而轉變。以下為粗略時期，非嚴格分界：
| 時期 | 典型模型 | 聚集出現的詞彙 |
|---|---|---|
| 2023 年至 2024 年中 | GPT-4 | additionally, boasts, bolstered, crucial, delve, emphasizing, enduring, garner, intricate/intricacies, interplay, key, landscape, meticulously, pivotal, underscore, tapestry, testament, valuable, vibrant |
| 2024 年中至 2025 年中 | GPT-4o | align with, bolstered, crucial, emphasizing, enhance, enduring, fostering, highlighting, pivotal, showcasing, underscore, vibrant |
| 2025 年中至 2026 年中 | GPT-5 | emphasizing, enhance, highlighting, showcasing，加上上述關於知名度與媒體報導的用語 |
| 2026 年中至今 | GPT-6 | challenge, clearer, dependable, echoed, foster, leverage, matters, multifaceted, practical, prioritize, quietly, steady, universally；約 8 到 20 字的短句，偏好句號和逗號，而非破折號 |
「Delve」在 2023 年和 2024 年初達到高峰，並在 2025 年急劇下降。每個聊天機器人都有自己的個人語言風格：例如 Grok 過度使用準科學詞彙（causal, empirical, correlate），並且在 2026 年仍過度使用「underscore」。
負面對偶結構
「Not only X but Y」、「It's not just X, it's...」、「Whether X or Y」、「It is X rather than Y」。這是一種修辭手法，也出現在人類寫作中，但當它與其他跡象結合時就值得注意。
範例：... 一位傑出的科學家，以其在量子力學方面的開創性工作而聞名，他不僅拓展了我們對亞原子世界的理解，也為量子計算領域奠定了基礎。
修正方法：使用直接陳述取代對比。如果不確定語氣為何如此，試著查看模型是否僅僅是在試圖延長句子。
列舉與結尾修飾
開頭列舉項目時，用不容置疑的語氣：「A cornerstone of...」、「A testament to...」。結尾修飾，例如「...，a crucial step forward in addressing X」、「...，a testament to the enduring power of Y」。使用「and more」、「among others」、「and beyond」來暗示未說明的項目。
上下文不相關的抽象名詞
將具體行動替換為抽象名詞（可稱為「缺乏行動的動名詞」）：「Conducting an investigation into」（代替 investigating）、「Performing an analysis of」（代替 analyzing）、「Offering guidance on」（代替 guiding）。這聽起來像是正在進行辦公室工作，而非撰寫百科全書。
需留意的詞彙：conducting, performing, undergoing（與流程相關），以及以 mention、revision、review、specification、consideration 等結尾的片語。
後果
即使透過改寫來清除上述跡象，底層的資訊問題通常仍然存在：
- 事實錯誤：由 LLM 生成的每個事實都需要獨立驗證。其典型的錯誤模式包括：發明來源（雖然 2025 年後的模型做得更少）、微妙地改動數字或日期、創造實際上不存在但聽起來很合理的人物或事件、支持事實的引用實際上與該事實不符。
- 較差的搜尋引擎排名：AI 生成的內容通常排名較差，因為搜尋引擎將其識別為質量較低。在已建立的維基百科等來源上，它會被更可靠、引用得更好的文本所掩蓋。
- 被標記和還原：AI 生成的維基百科編輯被還原的速度比人類貢獻者的編輯快得多。WikiProject AI Cleanup 成員定期篩選最近的編輯。高度 AI 風格的文本可能會在幾小時內被標記。
關鍵要點
對於審查：尋找跡象集群，永不單看一個。檢查來源。記住，有問題的文本不是罪犯，而是證據。
對於寫作：修正資訊問題，而非詞彙。如果聲稱具有重要性，將其歸因於一個好的來源。具體說明。不要使用你無法用原著來支持的形容詞。