Cum detectează Canvas AI-ul? Mecanica reală din spatele scorului

Cum detectează Canvas AI-ul într-o trimitere, pas cu pas?

Cum detectează Canvas AI-ul într-o trimitere? Procesul începe în momentul în care un student face clic pe trimite, nu când un instructor deschide sarcina. Dacă sarcina a fost creată cu o integrare Turnitin sau LTI similară, Canvas trimite trimiterea la instrumentul conectat prin LTI 1.3, versiunea actuală a standardului Learning Tools Interoperability care permite aplicațiilor externe să funcționeze în interiorul unui LMS ca și cum ar fi caracteristici native. Acea transmisie poartă conținutul text al trimiterii, ID-ul sarcinii și suficientă metadate pentru a dirija rezultatul înapoi la elevul corect și la coloana de notare — dar nimic despre modul în care elevul a scris-o. Instrumentul extern extrage text lizibil din orice format de fișier a fost trimis, plasează textul extras în coadă pentru analiză și îl execută printr-un model de clasificare antrenat. După finalizarea cotării, instrumentul trimite rezultatul înapoi la Canvas prin aceeași conexiune LTI folosind un apel al serviciului de rezultate, iar scorul apare în vederea SpeedGrader a instructorului alături de raportul de similitudine plagiat, de obicei în minute pentru trimiterile scurte și până la o oră în perioadele de trafic înalt, cum ar fi săptămâna examenelor finale. Canvas nu stochează o copie a logicii analizei, nu execută nicio parte a cotării și nu are vizibilitate asupra modului în care modelul extern a ajuns la concluzie — este un curier pentru textul care iese și un scor care intră.

1. Studentul trimite un fișier sau text lipit prin pagina sarcinii Canvas
2. Canvas lansează o conexiune LTI 1.3 la instrumentul de detectare conectat (de obicei Turnitin)
3. Instrumentul extern extrage text lizibil din fișierul trimis
4. Textul extras este plasat în coadă și executat prin modelul de clasificare al instrumentului
5. Scorul rezultat este trimis înapoi la Canvas prin apel al serviciului de rezultate LTI
6. Scorul apare în SpeedGrader alături de raportul de similitudine plagiat

Ce se întâmplă de fapt în timpul scanării: tokenizare, punctaj și agregare text

Pasul de scanare în sine nu este o căutare de cuvinte cheie sau o potrivire în stil plagiat impotriva unei baze de date — nu există text fix pentru a compara pentru că scrierea ar putea fi complet originală. În schimb, modelul de clasificare împarte textul extras în segmente suprapuse, adesea câteva sute de cuvinte fiecare, și evaluează fiecare segment pentru modele statistice asociate cu ieșirea modelului limbajului. Două proprietăți conduc majoritatea acestor clasificatori: perplexitate, care măsoară cât de previzibil este fiecare alegere de cuvânt dat cuvintele dinaintea acestuia, și explozie, care măsoară cât de mult variază lungimea și structura propoziției în todo un pasaj. Modelele de limbă de mari dimensiuni tind să genereze text cu perplexitate mai mică pentru că sunt antrenate să selecteze cuvinte cu probabilitate mare și cu explozie mai mică pentru că ritmul propozițiilor lor rămâne relativ uniform. Modelul atribuie fiecărui segment un scor de probabilitate, apoi agregează acele scoruri la nivel de segment în unicul procent care apare pe raport, împreună cu evidențierea la nivel de propoziție care marchează pasajele specifice care determină numărul general. Acesta este un clasificator antrenat care emite o judecată probabilistică, nu o căutare — care este exact de ce mecanica subiacentă care prinde textul generat de AI prinde și scrierea umană care se întâmplă să împartă acele proprietăți statistice, cum ar fi proza academică formală sau ciorne editate greu.

"Modelul nu face potrivirea propoziției tale cu o bază de date de ieșire ChatGPT — întreabă cât de statistic nesurprinzător sunt alegerile tale de cuvinte comparate cu variația umană tipică." — Cercetător PNL descrie detectarea AI pe bază de clasificator, 2025

Care tipuri de trimiteri Canvas poate conducta de fapt analizare?

Dacă conducta de detectare poate analiza o trimitere Canvas deloc depinde în întregime de dacă instrumentul poate extrage text utilizabil din aceasta. Acesta este răspunsul practic la cum detectează Canvas AI-ul la nivelul tipului de fișier — depinde de ceea ce clasificatorul poate citi, nu de ceea ce a scris de fapt un student. Intrările de text tipate, textul lipit și încărcările de documente standard — fișiere Word, fișiere text și PDF-uri cu un strat de text genuine — se extrag ușor și se deplasează prin conducta fără probleme. PDF-urile scanate și paginile scrise de mână fotografiate sunt o poveste diferită: dacă fișierul este în esență o imagine fără strat de text încorporat, instrumentul de detectare nu are nimic de tokenizare și trimiterea trece prin fără nicio analiză AI decât dacă instituția rulează și recunoaștere optică de caractere mai întâi, pe care nu o face automat cea mai standard integrări Canvas-Turnitin. Testele Canvas construite din întrebări cu alegere multiplă, adevărat/fals sau potrivire nu produc nicio proză analizabilă — nu există text la nivel de propoziție pentru ca un clasificator să evalueze, motiv pentru care aceste tipuri de întrebări se situează complet în afara detectării textului AI indiferent de ce instrument o școală are conectat. Întrebări cu răspuns scurt și răspunsuri în stil eseu pot fi analizate dacă instituția a configurat acea integrare, deși aceasta este mai puțin comună decât detectarea la nivelul sarcinii. Trimiterea de cod se execută nedeplin prin majoritatea conductelor de detectare, deoarece clasificatorii sunt antrenați pe modele de limbă naturală și codul urmează reguli statice complet diferite. Trimiterea de grup se evaluează ca un singur document, ceea ce înseamnă că conducta nu are nicio modalitate de a atribui care porțiuni provin de la care colaborator.

1. Intrări de text tipate sau lipite — analizate fiabil
2. Documente Word și PDF-uri pe bază de text — analizate fiabil
3. Pagini scanate sau fotografiate fără strat de text — în general omise
4. Întrebări cu alegere multiplă, adevărat/fals și potrivire — neinteligibile
5. Răspunsuri la teste cu răspunsuri scurte sau eseu — analizate doar dacă separat configurate
6. Trimiteri de cod — trecute prin conducta, dar clasificate nefiabil
7. Trimiteri de grup — evaluate ca un singur document fără atribuire per-autor

Cum detectează Canvas AI-ul fiabil — și unde eșuează?

Chiar și atunci când o trimitere este pe deplin bazată pe text și se deplasează ușor prin conducta, mai multe limite structurale formează cât de mult scorul rezultat poate spune de fapt unui instructor. Majoritatea instrumentelor de detectare necesită un număr minim de cuvinte — de obicei în jur de 300 — înainte de a genera un scor deloc, pentru că pasajele mai scurte nu furnizează suficientă mostră statistică pentru ca modelul să atingă o estimare de probabilitate stabilă; trimiteri sub acel prag returnează de obicei un aviz „text insuficient” mai degrabă decât un procent. Fiabilitatea cade și pentru trimiteri non-engleze, deoarece cea mai mare parte a clasificatorilor au fost antrenați în principal pe perechi de text în limba engleză, și pentru conținut care amestecă mai multe limbi într-un singur document. Canvas în sine nu urmărește nativ history la nivel de tastă sau date de revizuire cu marcaj de timp pentru majoritatea tipurilor de sarcini, deci instrumentul de detectare nu are o cronologie de redactare pentru a compara cu trimiterea finală — vede doar textul terminat, fără nicio modalitate de a verifica dacă acel text a fost digitat de-a lungul a trei ore sau lipit într-o singură mișcare, decât dacă o extensie de monitorizare separată este suprapusă pe vârf. Clasificatorii sunt de asemenea specifici versiunilor: un model antrenat să recunoască modele dintr-o generație de instrumente de scriere AI poate rămâne în urmă unor modele mai noi care produc ieșire mai natural variată, care este o parte din motivul pentru care acuratețea detectării se schimbă în timp pe măsură ce atât instrumentele de scriere AI, cât și clasificatorii de detectare continuă să se actualizeze. Nici una dintre aceste limite nu înseamnă că scorul este lipsit de sens, dar înseamnă că este o estimare de probabilitate construită pe informații incomplete, nu o înregistrare verificată a modului în care a fost scris un document.

De ce produce aceeași conducta scoruri diferite pentru text similar?

Studenții observă uneori că două pasaje care citesc la fel de formal sau ca și cum ar fi AI pentru ochi revin cu scoruri foarte diferite, iar mecanica explică de ce. Clasificatorul evaluează modelele statistice la nivel de segment, deci un document cu câțiva paragrafe influențate de AI amestecate în altfel secțiuni scrise de oameni poate produce un scor mediu amestecat mai degrabă decât un scor uniform înalt — pasul de agregare medii pe segmente, ceea ce înseamnă că editarea grea doar a porțiunilor marcate poate schimba substanțial numărul general chiar dacă cea mai mare parte a documentului rămâne nemodificată. Aceasta este o parte din motivul pentru care întrebarea cum detectează Canvas AI-ul nu are un singur răspuns fix — aceeași conducta poate returna numere diferite pentru text similar în funcție de cronologie, configurație și care porțiuni se întâmplă să cadă într-un segment marcat. Instrumentele de parafrazare complică și mai mult: parafrazarea ușoară care doar schimbă sinonime tinde să păstreze semnătura perplexitate scăzută, explozie scăzută care a declanșat marca inițială, în timp ce parafrazarea care reestructurează ordinea propozițiilor și variază lungimea mai semnificativ poate reduce scorul fără a schimba neapărat sensul subiacent. Configurația instituțională adaugă încă o altă strat de variație — unele școli îi setează integrarea pentru a afișa un procent brut, în timp ce altele aplică un prag care doar suprafață o marcare deasupra unui anumit punct de tăiere, deci același scor subiacent poate arăta diferit în funcție de cum instanța Canvas a instructorului este configurată. Și pentru că clasificatorii înșiși sunt reinstruiți și recalibrații periodic, același text exact trimis luni mai târziu prin aceeași conducta a instituției poate returna un scor cu ușurință diferit, pur și simplu pentru că modelul care efectuează cotarea s-a schimbat.

Ce se întâmplă cu scorul după finalizarea scanării?

Odată ce scorul aterizează în SpeedGrader, lucrarea conductei se termină — totul după aceea este o decizie umană, nu una mecanică. Canvas nu marchează automat, nu dă automată în jos și nu raportează automat nimic pe baza numărului; pur și simplu afișează orice instrument conectat a returnat, în același mod în care afișează un procent de similitudine plagiat. Unele instituții au setat politici de prag în care scoruri peste un punct de tăiere definit declanșează o notificare automată la un birou de integritate academică, dar acea politică locuiește la nivel instituțional sau departamental, configurată separat de instrumentul de detectare în sine. Absența unei politici de prag, interpretarea este lăsată complet instructorului, care de obicei cântărește scorul alături de alt context: mostrel anterioare de scriere ale elevului, natura sarcinii și dacă pasajele marcate potrivesc modelele pe care instructorul le asociază deja cu vocea acelui student. Pentru că mecanica subiacentă produce o probabilitate mai degrabă decât o sentință, cea mai mare parte a orientărilor instituționale — inclusiv cadre publicate de birouri de integritate academică de la 2024 — tratează scorul ca punct de plecare pentru o conversație cu elevul mai degrabă decât dovadă independentă de nerespectare.

Cum poți verifica scrierea ta pe baza aceleiași mecanici pe care Canvas o folosește?

Deoarece conducta de detectare evaluează modelele statistice mai degrabă decât caută un anumit 'semn', cel mai util lucru pe care un student îl poate face înainte de trimitere este să vadă cum performează propriul proiect al acestora cu un fel de analiză similar. Trec un proiect printr-un instrument de detectare care evaluează perplexitate și explozie la nivel de propoziție arată care pasaje specifice citesc ca statistic uniform — același pasaje pe care un instrument integrat Canvas probabil că l-ar marca — în timp ce este încă timp pentru a revizui înainte de termen. Detectorul de text NotGPT aplică acest fel de analiză la nivel de propoziție și evidențiază exact care porțiuni conduc scorul de probabilitate general, care este mai util decât un procent mediu unic pentru că arată unde să se concentreze. Dacă un pasaj marcat reflectă de fapt stilul dvs. formal de scriere mai degrabă decât asistență AI, caracteristica Humanize poate ajusta ritmul propozițiilor și fraza la intensitate Light, Medium sau Strong pentru a reduce uniformitatea statistică care declanșează alarme false, fără a schimba substanța a ceea ce spui. Scopul nu este să joci un scor — este să înțelegi, înainte ca un instructor să o facă, care porțiuni ale unei trimiteri împartă amprenta statistică pe care sunt construiți acești clasificatori.

1. Termină-ți proiectul cu suficient timp pentru a-l revizui înainte de termen Canvas
2. Execută textul complet printr-un instrument de detectare AI la nivel de propoziție
3. Notează care pasaje specifice scor cel mai înalt mai degrabă decât doar procentul general
4. Verifică dacă pasajele marcate sunt editate greu, extrem de formale sau neobișnuit uniforme în lungimea propozițiilor
5. Revizuiți secțiunile marcate pentru variație naturală sau utilizați un instrument de umanizare dacă stilul marcat este cu adevărat al tău
6. Reverifică proiectul revizuit înainte de trimitere prin Canvas