11 分鐘閱讀

AI 抓不到作弊，卻抓錯了外語學生：一場偵測器的信任危機

以下為虛構對話，人物與情節為創作，科學內容來源標註於文末。

▌一、被機器指認的午餐

麵店的午餐時段，湯底的味道漫在空氣裡。

Dg 把手機推到桌子中間。「妳看，我一個學長，報告被系統判成 AI 寫的。他明明自己打的。」

Liy 端著一碗麵過來，看了一眼。「機器說他是機器。」

「對，就是這麼荒謬。」Dg 挺起胸膛，「這叫『系統性偏誤』。演算法不是中立的，它戴著有色眼鏡看人。」

Cala 剛好在隔壁桌坐下，聽到一半插進來。「有色眼鏡……你是說它對你學長有成見？機器對一個人有成見，那是不是它其實在意他？」

Dg 卡了一下。「不是……我是說它判斷不準。」

「判斷不準才更像在意啊。」Cala 已經自顧自往下講，「越在意的人，越容易看走眼。」

Liy 把筷子放到 Dg 面前。「機器沒有眼睛。」

Cala 張了張嘴，發現這句話沒辦法接。

▌二、太順了

Dg 決定把話題拉回正軌。「重點是機器怎麼判的。它看一個東西叫『困惑度』。」

「困惑度？」Cala 眼睛一亮，「所以機器會困惑。它讀你學長的報告讀到困惑，代表寫得很深奧嘛。」

「剛好相反。」Dg 難得有機會糾正別人，語氣立刻上揚，「困惑度低才會被當成 AI。就是……文章太好猜、太順了。」

Liy 擦著桌子。「太順了就有問題。」

「對！」Dg 用力點頭，然後意識到哪裡怪怪的，「不是……順本來是好事，可是在機器眼裡……」

「那我爸煮麵，湯頭太順也有問題嗎。」Liy 說，「客人說順口是稱讚。」

Dg 張嘴想解釋比喻不能這樣類推，但一時找不到話。

Cala 趁隙補刀：「你看，Liy 都聽出來了，機器根本是在嫉妒寫得好的人。」

「不是嫉妒——」

「不然為什麼專挑順的打？」

Dg 感覺自己同時要應付兩個方向，額頭開始冒汗。

他拿起水杯，發現已經空了。

▌三、越乖越像機器

「重點是，」Dg 深吸一口氣，「被誤判的都是英文不是母語的人。因為他們用字比較保守、句型比較規律，剛好跟 AI 很像。」

Cala 立刻接：「保守？所以是害羞的人容易被誤會。害羞的人心裡藏著話，機器讀不懂，就……」

「跟害羞沒關係。」Dg 語速加快，「是他們在學外語，會用有把握的標準句子，不敢亂冒險。」

Liy 收走隔壁桌的空碗。「越乖越像機器。」

Dg 愣住。這句話莫名其妙地正確。

「對……差不多就是這樣。」他小聲說，「你越認真把英文寫得標準、清楚，反而越容易被抓。」

Cala 想再腦補些什麼，張了張嘴，卻發現 Liy 那句話已經把話講完了，沒有縫隙可以鑽。

Liy 把兩個空碗疊起來，端回櫃台。

那疊碗沒有幫到 Dg，但剛好替他把話收乾淨了。

你交出去的報告被系統標記成「AI 生成」，但你明明是自己一個字一個字打出來的——問題可能不出在你，而出在偵測器本身。近年多所頂尖大學陸續關掉 AI 偵測工具，背後是一組讓人坐不住的數據：非母語英語寫作者被誤判的比率，竟然超過六成。

關鍵亮點

  • 超過六成誤判：一項 2023 年的研究測試七款商用 AI 偵測器，發現它們把 61.3% 的非母語英語作文誤判成「AI 生成」，但對母語人士的作文卻幾乎全對。
  • 關鍵反向實驗：研究者把那些被誤判的作文「詞彙修飾得更高級」之後，誤判率立刻從 61.3% 掉到 11.6%——證明偵測器抓的根本不是 AI，而是「用字簡單、句型規律」這種第二語言學習者的正常特徵。
  • 政策已經在轉向：MIT、Yale、滑鐵盧大學、科廷大學等多校近年陸續不建議或關閉 AI 偵測工具，理由包含不可靠、對多語言學生不公平。
  • 不是所有工具都一樣爛：新一代偵測器表現差異很大，但「完全公平」目前沒有任何一款做得到。

事情是怎麼爆開的

一個看似方便的解法

2022 年底 ChatGPT 橫空出世，大學老師集體陷入焦慮：學生會不會直接叫 AI 幫忙寫報告？於是「AI 偵測器」看起來像救命稻草——把學生交來的文章丟進去，系統就會告訴你這篇有幾成「像 AI 寫的」。

聽起來很美好，對吧？把判斷交給一個看似客觀的軟體，老師就不用自己當偵探了。

問題是，這個軟體並不客觀

麻煩的地方在於，這些工具不但沒那麼準，還把火燒到了一群完全無辜的人身上：用英文寫作的外語學生。而且這不是零星個案，是一種有方向性、可以被實驗重現的「系統性偏誤」。

換句話說，如果你的母語不是英文，光是「你寫英文的方式」，就可能讓你比母語同學更容易被貼上「作弊」的標籤。這對台灣、對所有非英語系國家的學生來說，都不是抽象的學術新聞，而是很可能發生在自己身上的事。

那個讓人坐不住的實驗

研究長什麼樣子

這件事的核心證據，來自史丹佛團隊 Liang 等人 2023 年發表在期刊《Patterns》（Cell 旗下）的研究。他們的設計很乾淨：拿七款當時常見的商用 GPT 偵測器，去測試兩組「都是人類寫的」作文。

  • 第一組：美國八年級學生寫的作文（母語人士）
  • 第二組：TOEFL 托福考試的作文（非母語人士）

重點是——這兩組全部都是真人寫的，沒有半篇是 AI 產出的。理論上，一個好的偵測器應該把它們全部判成「人類」才對。

結果讓人倒抽一口氣

結果偵測器對母語組幾乎完美，正確判斷是人寫的。但對非母語的 TOEFL 組呢？

  • 平均 61.3% 被誤判成「AI 生成」。
  • 97.8% 的托福作文，至少被其中一款偵測器誤判過。
  • 更誇張的是，19.8%（大約每五篇就有一篇）被全部七款偵測器一致誤判——七台機器同時指著一個認真寫作的學生說「你作弊」。

神來一筆的反向驗證

如果研究只停在這裡，你或許還能說「搞不好只是巧合」。但這個研究最漂亮的地方，是它接著做了一個反向實驗：

研究者把那些被誤判的 TOEFL 作文，請 ChatGPT 幫忙把詞彙修飾得更像母語人士（用字更豐富、句型更多變），內容主旨不變。然後再丟回同樣的偵測器。

誤判率從 61.3% 直接掉到 11.6%。

這個轉折說明了一件關鍵的事：偵測器抓的根本不是「這篇是不是 AI 寫的」，而是「這篇用字夠不夠花俏、句型夠不夠多變」。第二語言學習者因為詞彙量還在累積、句型偏保守，正好踩中了偵測器認定的「AI 特徵」。你越認真用標準、清楚的句子把英文寫好，反而越像機器人。

偵測器到底在看什麼？認識「困惑度」

一個叫「困惑度」的東西

要理解上面這件荒謬的事怎麼發生的，得認識一個關鍵詞：困惑度（perplexity）。

你可以把困惑度想成「一段文字有多好猜」。如果一句話的下一個字很容易被預測（很「順」、很「常見」），困惑度就低；如果用字出人意料、變化多端，困惑度就高。

偵測器的邏輯是這樣的：AI 生成的文字通常很「平順」、很好預測（因為它就是從海量人類文字裡學統計規律，傾向產出最「安全」的句子），所以低困惑度 = 疑似 AI。

看出問題在哪了嗎

問題就出在這裡。誰的英文寫作也常常是「用字保守、句型規律、四平八穩」？

沒錯，正在學英文的第二語言學習者。他們傾向使用學過的、有把握的標準句型，避免冒險的華麗修辭——結果在困惑度這把尺上，他們的文字看起來就跟 AI 一樣「太順了」。

還有一個相關指標叫爆發度（burstiness），衡量文字在長短句、複雜度上的起伏。AI 文字通常比較平穩，而非母語寫作為求穩妥，起伏也常偏小——又是一記正中偏誤紅心。

  母語寫作者 非母語寫作者 AI 生成
用字變化 豐富、多變 較保守、集中 傾向平穩
句型 多樣、有冒險 規律、標準 規律、可預測
困惑度 較高 較低 低
偵測器判讀 判為人類 ✓ 誤判為 AI ✗ 判為 AI ✓

非母語寫作在統計特徵上，恰好和 AI 生成文字高度重疊——這才是誤判的根源。

大學為什麼開始關掉它

從「抓作弊神器」到「燙手山芋」

當這類證據累積得夠多，教育界的態度開始轉彎。這不是某幾間學校的獨立決定，而是近年一波跨國趨勢。

MIT 的 Sloan 教學中心發布了一份廣為流傳的教師指南，標題直白得可以：「AI 偵測器沒用，這裡是替代方案」。它建議老師與其依賴軟體，不如把力氣花在制定清楚的課堂 AI 使用政策、和學生公開對話、以及重新設計不容易外包給 AI 的作業。

其他學校也陸續跟進。根據多方報導彙整，Yale（耶魯）並沒有一刀切禁止，而是規定偵測分數不能當作正式學術申訴的證據，老師頂多私下拿來參考；滑鐵盧大學（University of Waterloo）在內部測試發現有純人類寫的文章被判成「100% AI 生成」後，直接在各學院關閉了 Turnitin 的 AI 偵測功能；科廷大學（Curtin University，澳洲）則明確把「對外語學生的偏誤」列為關閉理由之一。

更深一層的顧慮

除了不準，還有一個現實問題：法律風險。如果一間學校用一個已知高誤判率的工具，去指控學生作弊、甚至影響到學位，一旦學生反過來提告，學校很難自圓其說。這讓 AI 偵測從「執法工具」逐漸降級為「僅供參考的軟性篩選」。

⚠️ 提醒：坊間有些文章會把「MIT 這個月正式宣布停用偵測器」寫成單一聳動事件——這是把不同時間、不同性質的兩件事（長期就存在的教學指南，與近期一份涵蓋 AI 對高教整體衝擊的委員會報告）壓縮誇大了。準確的說法是：這是一股「近年趨勢」，而非某個月的單一政策公告。

那新一代的偵測器有比較好嗎？

不是所有工具都一樣爛

這裡要幫偵測器說句公道話：把「2023 年那批基於困惑度的工具有嚴重偏誤」擴大成「所有 AI 偵測器在任何情況下都完全不可信」，其實是以偏概全。

被點名之後，廠商也不是坐著不動。有一款叫 Pangram 的新一代偵測器宣稱，在同一份 TOEFL 測試集上做到了 0% 誤判率（不過要注意，這個數字來自廠商自己發布的技術報告，不是獨立第三方驗證）。另一款 GPTZero 在被指出偏誤後更新了模型，但若把「可能是 AI」也算進誤判，誤判率仍有 7.7%。

但「完全公平」還是做不到

進步歸進步，2026 年一篇發表於 ACL（計算語言學頂會）的研究潑了盆冷水：它測試了 16 款系統，發現偏誤不只跟「是不是母語」有關，還牽涉到種族等因素——非白人的英語學習者被誤判的比例又更高。而且沒有任何一款偵測器能在所有維度上做到公平。

換句話說，技術在進步，但「用一個分數就判定某人有沒有作弊」這件事，本身就站在很脆弱的地基上。

⚠️ 補充：關於「非白人英語學習者誤判比例更高」，該研究並未公布明確的百分比數字，這裡採用的是「更高、更常被標記」這類定性描述，請勿自行代入具體數值。

常見問題 FAQ

Q1：那如果我認真寫的報告被判成 AI，我該怎麼辦？ 先深呼吸，一個偵測分數不等於定罪。它現在的定位越來越像「一個需要人來確認的訊號」，而不是最終判決。你可以保留寫作過程的證據（草稿、修改紀錄、瀏覽器歷史、參考資料筆記），並要求和老師當面對話說明。許多學校的政策也明訂，偵測分數不能是唯一證據。

Q2：偵測器對「中文母語者寫的英文」也會有這個偏誤嗎？ 原始研究用的是 TOEFL 托福作文，本來就大量涵蓋以英文為第二語言的考生（包含許多亞洲考生），所以這個偏誤機制對非英語母語的寫作者是廣泛適用的。核心原因是「用字保守、句型規律」的統計特徵，而不是特定某種母語。

Q3：那我把文章改得「詞彙華麗一點」不就好了？ 理論上這確實會降低被誤判的機率（研究就是這樣驗證的），但這其實暴露了問題的荒謬：你被迫為了「不像機器人」去刻意改變自己真實的寫作方式。這是把系統的缺陷轉嫁到學生身上，治標不治本。真正該修的是工具與制度，不是你的文筆。

Q4：AI 偵測器不是說有 99% 準確率嗎？ 廠商宣稱的準確率，通常是在特定測試條件下得出的。實際使用時，準確率會因文本類型、長度、寫作者背景而大幅下降。更關鍵的是，就算「整體準確率」很高，誤判也可能不平均地集中在特定族群身上——這正是偏誤的定義。

Q5：既然偵測器不可靠，老師要怎麼防止學生用 AI 作弊？ 這正是教育界目前的主流方向：與其事後抓，不如從源頭設計。例如採用課堂即席寫作、口頭答辯、要求學生提交寫作過程與草稿、或設計需要個人經驗與反思的題目——這些都比丟給一個黑箱軟體更可靠，也更公平。

結論：工具不是真相

這場 AI 偵測器的信任危機，真正的教訓或許不是「偵測技術很爛」，而是提醒我們一件更根本的事：一個看似客觀的分數，背後可能藏著我們看不見的偏見。

當一個工具會系統性地把「認真學外語的人」誤認成「作弊的機器」，問題就不再只是技術精不精準，而是公不公平。教育界從「用 AI 抓 AI」轉向「重新設計評量方式」，正是意識到：與其把判斷外包給黑箱，不如回到人與人之間的對話與信任。

未來偵測技術當然還會進步，但只要它繼續用「文字有多好猜」當作唯一標準，第二語言學習者被誤傷的風險就不會消失。對正在用非母語努力寫作的你我來說，最實際的一課是：別讓任何一個分數，替你定義你的誠信。

延伸搜尋

參考資料來源

您可能也會有興趣