[硕士论文]基于分类和一致性验证的AIGC文本检测方法研究

Abstract

随着大模型（Large Language Models, LLMs）的迅猛发展，人工智能内容生成（Artificial Intelligence-Generated Content, AIGC）技术在广告、新闻、故事创作及代码生成等多个领域得到了广泛应用，其生成的文本质量与人类写作水平相当，甚至在某些情况下难以区分。然而，AIGC 技术的广泛应用也带来了诸多挑战，如虚假信息的制造与传播、学术不端行为的增加以及法律和伦理问题的复杂化。因此，开发高效的AIGC 文本检测技术显得尤为重要。

本文针对AIGC 文本检测中的挑战，分别从形式语言和功能性语言两个角度，提出了三项研究内容：

基于结构信息熵的AIGC 文本检测方法 提出了一种基于结构信息熵的分类方法，该方法通过构建一个文本多关系图，将文本的特征表示转换为图中的节点，然后利用结构信息理论，通过最小化结构熵的方法，可以将文本节点划分成不同的簇。最小化结构熵的过程有助于减少噪声和异常值对聚类结果的影响，从而得到更稳定的簇。最后，通过聚类结果的质量和簇内文本之间的相似度，进行簇内标签推断得到最终的分类结果。在创作和问答数据集上，对6 个大模型的平均检测性能相较于其他方法最高提升了5%，证明了算法对非形式语言文本检测的有效性。

基于数学运算一致性验证的AIGC 文本检测方法 提出了一种基于数学运算一致性验证的AIGC 文本检测方法，该方法通过将文本转换为数学表达式，并利用数学运算规则验证其逻辑合理性，有效识别文本中的数学推理错误和逻辑矛盾。本方法不仅限于简单等式，还能处理复杂的数学运算，如嵌套的加减乘除和数值大小关系。为提升模型在数学运算文本上的泛化能力，引入对比学习技术，通过构建正负样本对，增强模型对细微差异的区分能力。在公开数据集和新建数据集上相比于基线方法提升了9%，证明了算法在检测功能性语言文本——数学运算时的有效性。

融合逻辑推理一致性验证的AIGC 文本检测方法 提出了一种基于主题一致性与逻辑推理的AIGC 文本检测方法。该方法构建多维度检测框架，将文本的主题一致性与逻辑合理性相结合，以弥补现有方法的局限性。方法包括两阶段的逻辑检测：首先，设计自然语言到一阶谓词逻辑（FOL）转换模块，将文本形式化为可验证的逻辑表达式；其次，利用FOL 求解器验证推理正确性，识别逻辑错误。此外，提出针对转换过程的修正策略，以减少错误传播影响，提升文本质量。实验结果表明，该方法在AIGC 文本检测任务中表现出较高的准确性和稳定性，尤其在涉及主题一致性分析和逻辑推理验证的场景下，显著优于现有检测方I基于分类和一致性验证的AIGC 文本检测方法研究。

基于结构信息熵的方法在形式语言特征检测方面表现出色，显著提高了检测的准确性和鲁棒性。而基于数学运算和逻辑推理的反事实检测方法有效弥补了功能性语言检测的不足，能够准确识别出AIGC 文本中的逻辑错误和数学漏洞。本研究为AIGC 文本检测提供了新的技术路径，通过形式语言和功能性语言的检测方法，实现了对AIGC 生成文本的全面和准确识别。

Download