它能给审核者什么，不能给什么
能给
- 一篇长文里哪几段的机写特征最集中
- 可疑度在文中的分布（集中 / 零散）
- 一个可复现的排序，用来决定先看哪几篇
不能给
- 作者是谁、写作过程如何
- 是否「违规」——这取决于你们的规定
- 一个可以写进通报的百分比结论
把这两列分清楚，后面的流程才不会走偏。检测的价值在排序与定位， 而不是认定。
三种错误的代价并不相同
- 误判（人工写作被判为机写）：代价最高。它直接指向一个具体的人，且对方要自证清白。非母语写作者、模板化报告、 引用密集的综述都容易落进这一格。
- 漏判（机写被判为人工）：代价是漏掉一次复核机会。经过改写或翻译的文本很容易落到这里， 这也是为什么不能把「检测通过」当成「确认原创」。
- 过度依赖：流程本身的风险。一旦审核者养成「看分数下结论」的习惯，前两种错误会被放大成制度性问题。
建议的流程：四步，人始终在最后一步
- 01先有规则：在课程说明或投稿须知里写清允许使用 AI 的范围。没有规则时，检测分数无处落地， 只能变成临时裁量。
- 02再做初筛：对长文用分段检测，只看「哪几段」可疑，不急着看整篇分数。 阈值宁高不低，把中间区间直接放过。
- 03收集过程证据：草稿版本、写作记录、参考文献笔记、实验数据。这些材料的存在与否， 比检测分数更能说明写作过程。
- 04由人约谈并作出判断：围绕可疑段落提问具体内容——为什么这样论证、数据从哪来。 答不上来与检测高分是两类证据，合在一起才有意义。
长文怎么拆
论文、毕业设计这类长文本，整篇送检有两个问题：一是超出单次长度上限，二是整篇一个分数 丢掉了位置信息。做法是按章节或段落拆开，逐段调用，把is_merge 设为 false 拿到分段结果， 再按段落位置回填到原文上。
判读时优先看两种形态：连续多段高分（更像整段生成）、全篇零散中分（更像人工写作被润色过，或作者本身写作风格规整）。前者值得约谈，后者通常不值得。
拆分的工程细节、单次长度上限与计费口径见接口文档，参数含义见AI 文本检测 API。
披露与告知
如果学校或期刊决定使用检测，应事先告知学生与作者：会用、用在哪一步、结果如何被使用、 以及如何申诉。这不是形式要求——在不知情的情况下被检测并据此被质疑，本身就是 程序上的瑕疵，申诉时很难站得住。
同样的道理，检测报告应保存原始返回（含task_id）与被检测文本的快照。 文本在提交后可能被修改，只留一个分数无法在几个月后复现当时的判断。
常见问题
检测结果能直接用来认定学术不端吗？+
不能。检测输出的是「模型认为这段文本像机写」的概率，不是作者身份的事实认定，也不是写作过程的证据。学术不端的认定需要过程材料（草稿、版本记录、实验记录）与当事人陈述，检测结果只能作为启动复核的线索之一。把它单独作为处分依据，既不符合程序要求，也很容易在申诉环节被推翻。
为什么建议用分段检测而不是整篇一个分数？+
整篇分数会把「全篇由模型生成」和「只有一段是模型生成」压成同一个数字，而这两种情况在教学场景里的处理方式完全不同。用 is_merge=false 拿到逐段结果后，可以看到可疑度在文中的分布：整段均匀高分与个别句子波动大，指向的是不同的问题。定位到段落，才有条件去和作者谈具体内容。
学生用 AI 润色过，算不算违规？+
这取决于你们的规定，不取决于检测分数。检测只能告诉你文本特征偏向机写，无法区分「AI 起草」「AI 润色」「AI 翻译后再改」这几种情形，也无法判断是否经过允许。建议在课程或投稿须知里先写清楚允许与不允许的边界，再谈检测——先有规则，检测才有落点。
要不要在系统里显示一个「AI 率」百分比？+
不建议。这个百分比的分母、加权方式与阈值都是任意的：按字数加权还是按段落数平均，结论会差很多；阈值定在 0.5 还是 0.7，被判定的学生数量也会差很多。一个看起来精确的数字最容易被当成结论使用。给审核者的应该是分段结果与置信度区间，而不是一个可以直接写进通报的百分数。
非中文母语者会不会更容易被误判？+
有这个倾向。非母语写作往往句式更规整、用词更保守、连接词更依赖固定搭配，这些恰好是检测模型眼里的机写特征。同理，模板化的实验报告、综述与公文也更容易被判高。给这类作者留出解释空间，比调阈值更有效。
相关页面
注册即赠体验金，先把全流程跑通再充值