目錄
本文資訊以 2026 年 8 月為準，AI 檢測模型仍持續更新，本文引用的不同研究不可直接視為所有 2026 年產品的當前準確率。
The Verge 在專欄中把現在的 AI 寫作環境形容成一個新的「不信任時代」：讀者開始習慣懷疑眼前的文章是不是 AI 寫的，真人創作者則反過來擔心自己的句型太整齊、文字太正式，會不會因此看起來像 AI。這已經不是只有學校在使用的技術。Substack 在 7 月把 Pangram 的 AI 文字檢測整合進 Reader 與 iOS App，LinkedIn 也新增「Seems like AI slop」回報選項，同時利用自己的分類系統降低大量、自動化、缺少個人觀點內容的曝光。AI 檢測正在從教師批改作業時使用的工具，慢慢進入一般人閱讀文章、看社群貼文與判斷創作者可信度的日常介面。
真正麻煩的地方不是這些工具完全沒有判斷能力，而是「檢測結果可以有多大權力」還沒有一致答案。Pangram、GPTZero、Turnitin 都公布了相當低的偽陽性率，新版工具的表現也確實比 2023 年第一批產品進步；另一方面，獨立研究、早期測試與實際校園案件已經證明，偽陽性不等於零，而且不同文本、語言背景、篇幅與檢測器之間的差距可能很大。當一個百分比只是閱讀參考時，1% 的錯誤或許可以接受；當同一個百分比會影響成績、停學、出版合約或創作者名譽時，問題就完全不同。
AI檢測已經從校園進入Substack與LinkedIn
Substack把Pangram直接放進閱讀介面，讀者可以掃描文章與Notes
Substack 的 Scan for AI text 功能目前使用 Pangram 分析文字，適用於 2026 年 7 月 21 日後發布的 Posts 與 Notes。使用者可以在 Substack Reader 網頁版與 iOS App 中，從文章或 Note 的選單直接啟動檢測，也能掃描 Comments 與 Replies；Android 版本則仍在準備中。Pangram 會回傳文字有多少比例被判定為人類撰寫或 AI-assisted。創作者也可以加入 How I make this 說明自己的製作方式，甚至針對單篇文章停用 AI 檢測，停用後讀者會看到該篇內容無法檢測的提示。
這個設計和過去把 AI 檢測藏在教師或編輯後台很不一樣。現在一般讀者也能按一下就得到一個 AI 機率，而這個數字很容易在閱讀內容之前先影響判斷。Substack 自己並沒有宣稱 AI-assisted 就等於低品質或欺騙，推出檢測功能時的說法也集中在透明度，而不是禁止 AI；問題在於一旦檢測按鈕成為閱讀介面的一部分，創作者除了寫文章，也開始需要處理另一件事：如果工具判錯，讀者會怎麼理解那個結果。
LinkedIn的「Seems like AI slop」不是單純判斷有沒有用AI
LinkedIn 在 2026 年加入的功能更需要分清楚。它沒有宣布「只要使用 AI 寫作就違規」，官方反而明確表示 AI 可以用來協助修改文字，真正想降低的是大量自動發布、內容表面完整卻缺乏實際觀點的 AI slop。LinkedIn 自己的分類系統會分析貼文是否缺乏觀點、背景與專業經驗，初步測試中表示能以 94% 的比例辨認這類 generic content；被系統判定為低品質 AI 內容後，主要影響是降低它被推薦到原本社交圈以外的機會。
平台另外加入了「Seems like AI slop」選項，讓使用者可以從貼文選單回報看起來像低品質 AI 產物的內容。因此，把這個按鈕簡化成「檢舉 AI 貼文」不太準確。LinkedIn 真正打擊的是缺乏實際價值的大量自動化內容，不是所有經過 AI 協助的寫作。即使如此，當社群平台開始直接給讀者一個「這看起來像 AI」的按鈕，The Verge 所說的信任問題就很容易發生：判斷一篇文章好不好，開始和猜測作者到底有沒有使用 AI 混在一起。
AI檢測器到底準不準？答案取決於工具、資料與使用情境
Turnitin、Pangram與GPTZero公布的偽陽性率都很低
如果只看廠商目前公布的數字，AI 檢測器並不像「隨便猜」。Turnitin 長期表示，在符合其分析條件的完整人類文本中，AI writing detector 的偽陽性率低於 1%；GPTZero 目前同樣表示自己的 AI／Human 分類會把偽陽性控制在 1% 以下。Pangram 的公開數字更低，官方目前宣稱整體偽陽性率約為 1／10,000，而 2026 年 7 月公開的 Pangram 4 技術報告則在自己的測試資料中得到 0.0041% 的 false positive rate。
這些數字不能直接說是假的，但也不能彼此橫向拿來排名，因為不同公司使用的測試資料、分類門檻、文本長度與 AI 模型都不同。GPTZero 自己也強調，沒有 AI detector 能保證 100% 正確；Turnitin 則提醒自己的 AI score 不應單獨作為對學生採取處分的依據。比較合理的理解是，2026 年的部分商業檢測器確實已經比早期產品成熟許多，但「在廠商測試集上有很低的偽陽性率」和「可以拿一個檢測結果判斷某個真人有沒有作弊」仍然是兩回事。
獨立測試顯示，換一批資料後結果可能不同
獨立測試之所以重要，就是因為它會把檢測器放進開發商沒有自己挑選的資料裡。Bloomberg Businessweek 曾把 500 篇 2022 年、ChatGPT 公開以前提交給 Texas A&M University 的大學申請文章拿去測 GPTZero 與 Copyleaks。由於這些文章產生於生成式 AI 普及以前，可以相當確定是人類文章；兩套工具仍出現約 1% 至 2% 的偽陽性。這個結果和廠商宣稱的低錯誤率沒有差到完全相反，但也證明即使只有百分之一，在高風險環境裡仍然會真的有人被標錯。
其他學術研究的結果差異更大。2023 年一項一次測試 14 套工具的研究認為，當時的 AI text detectors 整體仍不足以可靠區分人類與 ChatGPT 文字；2025 年後的新研究則顯示不同檢測器之間的表現已經拉開，一些新版商業工具在特定 benchmark 上已經明顯提高準確度。換句話說，「AI 檢測器全部都不準」和「現在的檢測器已經準到可以當證據」都太簡單。真正需要看的，是哪一個版本、測什麼文本，以及錯一次的後果有多大。
1%偽陽性看起來很低，放進學校規模後就完全不同
Vanderbilt用75,000份作業算出了約750次潛在誤判
Vanderbilt University 在 2023 年 8 月停用 Turnitin AI detector 時，就用一個非常直觀的算法說明這個問題。Turnitin 當時公布的 false positive rate 是 1%，而 Vanderbilt 在 2022 年一年就向 Turnitin 提交約 75,000 篇作業。如果每篇都進行 AI 檢測，單純套用 1% 就可能有約 750 篇人類作業被錯誤標記。Vanderbilt 最後決定停用這項功能，理由除了偽陽性，也包括當時缺乏足夠透明的技術說明，以及學校不認為 AI detection 適合被當成有效的學術誠信工具。
這不代表 Turnitin 現在每 100 篇一定誤判一篇，也不能用 2023 年的數字直接預測 2026 年版本。Vanderbilt 的計算真正說明的是基準率問題：只要大量掃描本來大多數都沒有作弊的文章，即使偽陽性率很低，最後仍可能產生不少真人必須自證。當檢測器只是提醒教師「這篇可以再看一下」，問題還有其他證據可以補；如果系統分數直接被當成作弊證明，錯誤的成本就會全部落到被標記的人身上。
非母語英文寫作者真的比較容易被AI檢測器誤判嗎？
Stanford 2023研究的61.22%是真的，但不能直接代表2026年的所有檢測器
Stanford 團隊 2023 年發表的研究是目前最常被引用的案例之一。研究者測試七款當時常見的 GPT detectors，讓它們分析 91 篇 TOEFL 非母語英文文章，以及美國出生八年級學生撰寫的英文文章。結果顯示，七套工具平均把 61.22% 的 TOEFL 文章判成 AI-generated；其中 18 篇被七個檢測器一致誤判，91 篇中更有 89 篇至少被其中一個檢測器標記。相較之下，檢測器對母語英文文章的辨識接近完全正確。
研究團隊認為，部分檢測方法高度依賴 perplexity，也就是文字對模型來說有多可預測。非母語英文寫作者常使用比較高頻、熟悉的字彙，句型變化也可能較少，因此文字在統計上更可預測，剛好和早期 AI 文字的一些特徵重疊。這也是為什麼「英文寫得比較簡單」不等於使用 AI，卻可能在這類檢測方式裡得到較高的 AI 分數。
不過這裡一定要補上時間差。這項研究測的是 2023 年的七套工具，不是 2026 年最新版本。GPTZero 現在表示，經過後續針對 ESL 資料重新訓練後，其 TOEFL 文章偽陽性率已降至約 1.1%；Pangram 也公布自己的 ESL 測試，表示在 Liang 等人當年的 91 篇 TOEFL 資料中沒有出現 false positive。這些是廠商目前自己的評估結果，代表早期研究揭露的問題已有廠商針對性改善，但仍需要持續用獨立資料驗證。
神經多樣性寫作者的問題也不能直接說成「一定比較容易被判AI」
The Verge 同樣提到 AI detectors 對 neurodivergent writers 的潛在偏誤，但目前這方面的實證證據沒有非母語英文研究那麼完整。比較合理的說法是，檢測器若把固定句型、重複結構、正式程度與文字可預測性當成 AI 訊號，就可能連帶影響寫作風格本來就比較規律的人，而部分神經多樣性使用者可能落入這種情況。這是一個需要注意的公平性問題，但不適合直接寫成「神經多樣性學生經常被誤判」這種已經有完整盛行率資料支持的結論。
AI誤判真的已經告上法院，但兩個案件不能混在一起
Yale案：GPTZero最初參與了判斷，但校方稱最終處分不是靠檢測分數決定
Thierry Rignol 是法國籍的 Yale School of Management EMBA 學生。他在 2024 年一門課的期末考後，被教授發現部分答案在 GPTZero 上出現很高的 AI-generated likelihood，之後案件進入 Yale Honor Committee。Rignol 最後被判該科不及格並停學一年，因此在 2025 年控告 Yale，訴訟內容也主張 AI detection 對非母語英文使用者存在已知偏誤。
但如果寫成「教授用 GPTZero 判定他使用 AI，所以學校直接讓他不及格並停學」會漏掉後面的程序。法院文件記錄，Yale Honor Committee 表示最終判斷並沒有依賴教授提交的 GPTZero scans，而是另外考量 Rignol 沒有按照要求提供原始文件、其說明被委員會認為缺乏可信度，以及答案與 ChatGPT 回覆存在高度相似等證據。Rignol 否認作弊並挑戰整個程序；截至目前公開的重要裁定之一，是聯邦法院在 2025 年 5 月拒絕了他要求立即恢復學籍的 preliminary injunction，案件不能寫成他已經因 GPTZero 誤判勝訴。
Adelphi案：學生勝訴，而且法院要求清除學術不端紀錄
Adelphi University 的 Orion Newby 案則有不同結果。Newby 在 World Civilizations 1 課程提交一篇比較基督教與伊斯蘭教的文章後，被指控使用 AI。Inside Higher Ed 根據法院紀錄報導，Turnitin 的 AI detector 把文章標記成完整 AI-written，而 Newby 另外使用兩款檢測工具得到人類寫作結果；校方仍維持學術不端判定，他的家人之後提起法律行動。2026 年初，紐約法院判 Newby 勝訴，認為校方的抄襲判定缺乏有效基礎，並要求 Adelphi 從他的紀錄中移除這項指控。
這起案件很重要，但也不能簡化成「法院證明 Turnitin 不準」。法院處理的不只是檢測器本身，也包含學校是否依照自己的學術紀律程序、是否提供足夠申訴機會，以及整體判定是否有合理基礎。比較準確的結論是：AI detector 的結果一旦被放進高風險紀律程序，就不能脫離其他證據與正當程序單獨使用。
被AI檢測器誤判時，比「把文章改得不像AI」更有效的是保留寫作證據
版本歷史比另一個AI檢測器更有證明力
如果文章、作業或稿件可能面臨 AI 使用爭議，最實際的做法不是每寫完一段就拿去跑好幾套 detector，而是保留文字怎麼形成的紀錄。Google Docs 的 Version history、Microsoft Word 的版本紀錄、Notion 的 Page history、Git commit、研究筆記、資料來源與草稿，都能呈現文字是如何從空白逐步變成成品。這類過程證據和 detector 最大的差別，是它不是另一個模型對最終文章做機率推測，而是留下實際的製作時間線。
寫作時如果習慣先在其他地方完成整篇內容，再一次貼進正式文件，版本歷史自然只會看到一次大幅新增。若作品涉及課業、接案、出版或其他需要證明原創過程的情境，可以盡量保留原始草稿、修訂歷史與研究資料，不必刻意為了「留下人類痕跡」打亂正常工作方式。
被指控時，先確認對方把檢測結果當成什麼
第二件事不是立刻找另一套 detector 證明「這篇是人寫的」，因為不同檢測器互相打架本身就是目前爭議的一部分。比較實際的是先確認：使用的是哪一套工具、哪個版本、分數是多少、學校或平台的規則是否允許單獨以 AI score 做決定，以及是否還有其他證據。Turnitin 自己就警告 AI writing score 可能不準確，不應單獨拿來對學生採取不利措施；GPTZero 也公開表示沒有任何 AI detector 可以達到 100% 正確。
如果是教育情境，還可以要求檢視課程原本的 AI 使用政策、學術誠信程序與申訴規則，再提出版本紀錄、草稿、引用來源與過往寫作樣本。真正有力的不是一句「沒有使用 AI」，而是一組可以核對的過程資料。
不要為了降低AI分數，故意把文字寫差
The Verge 描述的「真人開始努力讓自己不要像 AI」其實是這波檢測文化最奇怪的副作用。某些 AI detector 會把太規律的句型、正式語氣、重複結構或低 perplexity 視為訊號，於是創作者開始擔心文章寫得太整齊，甚至故意加入不必要的錯字、改掉原本自然的句型，希望把 AI score 壓低。
這種做法沒有穩定效果，也很容易把檢測器變成新的寫作標準。AI 模型與 detector 都會更新，今天降低分數的方法下個版本不一定有效；文章本身卻會永久留下那些為了迎合檢測器加入的奇怪修改。對創作者來說，比較合理的是保留自己的文字風格與製作紀錄，而不是反過來替分類器寫文章。
AI檢測真正的問題，不是能不能抓到AI，而是一個分數可以決定多少事情
2026 年的 AI detector 已經不能再用 2023 年第一批工具的表現一概而論。Pangram 4、GPTZero 等新版系統公布的測試結果確實顯示技術持續進步，某些 benchmark 的偽陽性已經非常低；同時，Stanford 的非母語英文研究、Bloomberg 對 pre-ChatGPT 人類文章的測試，以及實際進入法院的學生案件，也足以證明「低偽陽性」不等於「永遠不會錯」。
Substack 和 LinkedIn 把這種判斷帶進一般閱讀介面後，問題又多了一層。以前 detector 出錯，可能只有教師與學生知道；現在任何讀者都可能按一下按鈕，就先替某篇作品貼上一個「看起來像 AI」的印象。檢測工具可以當成訊號，但只要它開始影響名譽、成績或工作機會，就需要搭配原始文件、版本紀錄、人工判斷與明確的申訴程序。這比追求一套永遠不會判錯的 detector 實際得多，因為至少目前沒有任何一家廠商敢保證自己的工具可以做到 100%。
常見FAQ
有。Vanderbilt University 在 2023 年停用 Turnitin AI detector，並以一年約 75,000 篇提交文件說明，即使只有 1% 偽陽性，也可能產生約 750 篇錯誤標記。The Verge 目前也整理到 Yale、Johns Hopkins、Georgetown 等學校已停用或限制這類工具。
不是。Substack 已經讓讀者直接使用 Pangram 掃描 Posts、Notes、Comments 與 Replies，LinkedIn 也加入「Seems like AI slop」回報功能，AI 文字判斷正在進入一般社群與內容平台。這代表創作者面對的不只可能是學校或公司的內部審核，也包括一般讀者對作品來源的即時判斷。
版本歷史、草稿、研究筆記、引用來源、修改紀錄與過往寫作樣本通常比另一個 detector 分數更有用。若涉及學校處分，也應確認使用的是哪一套工具、校方是否還有其他證據，以及學術誠信程序是否允許單獨依 AI detection score 作出判定。
2023 年 Stanford 研究測試七套當時的檢測器時，91 篇 TOEFL 非母語英文文章平均有 61.22% 被誤判為 AI-generated，而母語英文樣本幾乎都能正確辨識。不過這組數字代表的是 2023 年工具，不能直接套到 2026 年最新版；GPTZero、Pangram 等公司都表示後續已針對 ESL 偏誤進行改善。
部分新版商業工具在自己的 benchmark 上已經有很低的偽陽性率，Turnitin 與 GPTZero 都表示低於 1%，Pangram 則公布更低的數字。不過不同檢測器、資料集、文字長度與使用情境會產生不同結果，因此不能把任何單一 AI score 當成作者是否使用 AI 的確定證據。