Canvas 如何检测 AI？分数背后的真实原理

Canvas 如何逐步检测提交作业中的 AI？

Canvas 如何检测提交作业中的 AI？这个过程从学生点击提交的那一刻开始，而不是当教师打开作业时。如果作业是使用 Turnitin 链接或类似的 LTI 集成创建的，Canvas 会通过 LTI 1.3（学习工具互操作性标准的当前版本）将提交发送到连接的工具，该标准允许外部应用程序像本机功能一样在 LMS 内运行。这个交接过程会传输提交的文本内容、作业 ID 以及足够的元数据来将结果路由到正确的学生和成绩列——但不包含学生如何撰写它的任何信息。外部工具从提交的任何文件格式中提取可读文本，将提取的文本排队进行分析，并通过经过训练的分类模型运行它。评分完成后，该工具使用结果服务调用通过相同的 LTI 连接将结果发送回 Canvas，分数在教师的 SpeedGrader 视图中显示在抄袭相似度报告旁边，通常在短提交的几分钟内出现，在期末考试周等高流量期间最多一小时。Canvas 不存储分析逻辑的副本，不执行评分本身的任何部分，也无法看到外部模型如何得出结论——它只是一个文本往来的信使和分数的传递者。

1. 学生通过 Canvas 作业页面提交文件或粘贴的文本
2. Canvas 启动到链接的检测工具（通常是 Turnitin）的 LTI 1.3 连接
3. 外部工具从提交的文件中提取可读文本
4. 提取的文本被排队并通过工具的分类模型运行
5. 生成的分数通过 LTI 结果服务调用发送回 Canvas
6. 分数在 SpeedGrader 中显示，在抄袭相似度报告旁边

扫描期间实际发生了什么：标记化、评分和文本聚合

扫描步骤本身不是关键字搜索或针对数据库的抄袭风格匹配——没有固定的文本来比较，因为写作可能完全是原创的。相反，分类模型将提取的文本分解为重叠的段，通常每个几百个单词，并评估每个段是否具有与语言模型输出相关的统计模式。驱动大多数这些分类器的两个属性是：困惑度，它衡量给定前面的单词，每个单词选择的可预测性有多高；突发性，它衡量整个段落中句子长度和结构的变化程度。大型语言模型倾向于生成困惑度较低的文本，因为它们被训练为选择高概率的下一个单词；突发性也较低，因为它们的句子节奏保持相对均匀。模型为每个段分配概率分数，然后将这些段级分数聚合成出现在报告上的单个百分比，以及标记驱动整体数字的特定段落的句子级高亮。这是一个经过训练的分类器做出概率判断，而不是一个查找——这正是为什么捕捉人工智能生成的文本的相同基础机制也捕捉恰好具有这些统计属性的人工撰写的文本，如正式学术散文或经过大量编辑的草稿。

"该模型不是将你的句子与 ChatGPT 输出数据库进行匹配——它在问你的单词选择与典型的人类变异相比有多少统计意义上的不出人意料。" ——自然语言处理研究人员描述基于分类器的 AI 检测，2025

管道实际上可以分析哪些 Canvas 提交类型？

检测管道是否可以分析 Canvas 提交完全取决于工具是否可以从中提取可用文本。这是关于 Canvas 在文件类型级别如何检测 AI 的实际答案——这取决于分类器可以读取什么，而不是学生实际写了什么。输入的文本条目、粘贴的文本和标准文档上传——Word 文件、文本文件和具有真实文本层的 PDF——提取流畅并通过管道移动而不会出现问题。扫描的 PDF 和拍摄的手写页面则是另一回事：如果文件本质上是没有嵌入文本层的图像，检测工具就没有什么要标记化的，提交在没有任何 AI 分析的情况下通过，除非机构首先也运行光学字符识别，但大多数标准 Canvas-Turnitin 集成不会自动执行此操作。由多项选择、是非题或匹配题组成的 Canvas 测验不会产生任何可分析的散文——分类器没有句子级文本要评估，这就是为什么这些问题类型完全超出 AI 文本检测范围，无论学校连接了什么工具。简答和论文式测验问题可以在机构配置了该集成的情况下进行分析，但这比作业级检测要不常见。代码提交通过大多数检测管道的方式不可靠，因为分类器是在自然语言模式上训练的，而代码遵循完全不同的统计规则。小组提交被视为单个文档进行评分，这意味着管道无法确定哪些部分来自哪个贡献者。

1. 输入或粘贴的文本条目——可靠地分析
2. Word 文档和基于文本的 PDF——可靠地分析
3. 没有文本层的扫描或拍摄页面——通常被跳过
4. 多项选择、是非题和匹配题——无法分析
5. 简答或论文式测验回答——仅在单独配置时分析
6. 代码提交——通过管道传递但分类不可靠
7. 小组提交——作为一个文档进行评分，没有每个作者的归属

Canvas 如何可靠地检测 AI——它的局限在哪里？

即使提交内容完全是文本且平稳通过管道，几个结构性限制也会影响结果分数实际上能告诉教师多少。大多数检测工具要求最小字数——通常约为 300 个单词——才能生成分数，因为较短的段落无法为模型提供足够的统计样本来达到稳定的概率估计；低于该阈值的提交通常会返回“文本不足”通知而不是百分比。对于非英文提交，可靠性也会下降，因为大多数分类器主要是在英文文本对上训练的，也适用于在单个文档中混合多种语言的内容。Canvas 本身不会为大多数作业类型本地跟踪击键级历史或时间戳修订数据，因此检测工具无法将草稿时间表与最终提交进行比较——它只能看到完成的文本，无法验证该文本是在三小时内输入还是在一秒内粘贴，除非在顶部添加了单独的监考扩展。分类器也是版本特定的：为识别来自一代 AI 写作工具的模式而训练的模型可能会落后于生成更自然多样化输出的较新模型，这也是为什么随着时间的推移，随着 AI 写作工具和检测分类器不断更新，检测准确性会发生变化。这些限制都不意味着分数毫无意义，但它们确实意味着它是基于不完整信息的概率估计，而不是文档如何撰写的经过验证的记录。

为什么相同的管道对相似文本产生不同的分数？

学生有时会注意到在他们的眼中看起来同样正式或类似 AI 的两个段落返回时分数差异很大，机制解释了原因。分类器在段级对统计模式进行评分，因此包含少数几个 AI 影响的段落与其他以人类撰写的部分混合的文档可能产生适度的混合分数，而不是统一的高分——聚合步骤在各个段中求平均值，这意味着仅对标记的部分进行大量编辑可以大幅改变总体数字，即使文档的大部分保持不变。这是为什么“Canvas 如何检测 AI”这个问题没有单一固定答案的一部分——相同的管道可以根据时间、配置以及哪些部分恰好落入标记段而为相似文本返回不同的数字。释义工具使这一切变得更加复杂：仅交换同义词的轻度释义往往会保留低困惑度、低突发性的特征，该特征触发了原始标记，而重新构造句子顺序并更有意义地改变长度的释义可以在不一定改变潜在含义的情况下降低分数。机构配置增加了另一层变化——有些学校将其集成设置为显示原始百分比，而其他学校应用一个阈值，该阈值仅在超过特定截止值时显示标记，因此相同的基础分数可能根据教师的 Canvas 实例的设置方式看起来不同。因为分类器本身会定期重新训练和重新校准，同一文本在几个月后通过同一机构的管道提交会返回可测量的不同分数，仅仅是因为做评分的模型已经改变。

扫描完成后分数会发生什么？

一旦分数出现在 SpeedGrader 中，管道的工作就完成了——在那之后的所有事情都是人的决定，而不是机械的决定。Canvas 不会根据该数字自动标记、自动失败或自动报告任何内容；它只是显示连接的工具返回的任何内容，就像显示抄袭相似度百分比一样。一些机构已经设置了阈值政策，其中超过定义的截止值的分数会自动触发学术诚信办公室的通知，但该政策存在于机构或部门级别，与检测工具本身分开配置。在没有阈值政策的情况下，解释完全留给教师，教师通常会根据其他背景来权衡分数：学生之前的写作样本、作业的性质，以及标记的段落是否符合教师已经与该学生的风格联系起来的模式。因为底层机制产生的是概率而不是判决，大多数机构指导——包括自 2024 年以来学术诚信办公室发布的框架——将分数视为与学生交谈的起点，而不是不当行为的独立证据。

如何在提交前根据 Canvas 使用的相同原理检查你的写作？

由于检测管道正在对统计模式进行评分而不是搜索特定的“线索”，学生在提交前可以做的最有用的事情是了解他们自己的草稿如何针对类似的分析表现。通过针对在句子级别对困惑度和突发性进行评分的检测工具运行草稿，可以显示哪些特定的段落在统计上看起来一致——这些是 Canvas 集成工具可能标记的同样段落——同时仍有时间在截止日期前修改。NotGPT 的文本检测器应用这种句子级分析并准确突出显示驱动整体概率分数的段落，这比单一的混合百分比更有用，因为它显示应该关注的位置。如果标记的段落确实反映了你自己的正式写作风格而不是 AI 辅助，Humanize 功能可以以轻度、中等或强度调整句子节奏和措辞，以减少触发误报的统计一致性，而不改变你所说内容的实质。目的不是玩弄分数——这是在教师做之前理解提交的哪些部分具有这些分类器构建来捕捉的统计指纹。

1. 在 Canvas 截止日期前完成你的草稿，留出足够的时间进行审查
2. 通过句子级 AI 检测工具运行完整文本
3. 注意具体的段落分数最高，而不仅仅是总体百分比
4. 检查标记的段落是否经过大量编辑、高度正式或在句子长度上异常一致
5. 修改标记的部分以获得自然变化，或在标记的风格确实是你自己的情况下使用人性化工具
6. 在通过 Canvas 提交前重新检查修订后的草稿