ChatGPT પછીના વેબ કન્ટેન્ટના ત્રીજા ભાગમાં AI દ્વારા લેખન હોવાના સંકેતો જોવા મળે છે

Pew Research ના એક અભૂતપૂર્વ અભ્યાસે ડિજિટલ લેન્ડસ્કેપમાં એક મોટા ફેરફારનો ખુલાસો કર્યો છે, જેમાં બહાર આવ્યું છે કે નવા વેબ કન્ટેન્ટનો એક મોટો હિસ્સો આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) દ્વારા જનરેટ કરવામાં આવી રહ્યો છે. જેમ જેમ Large Language Models (LLMs) કન્ટેન્ટ વર્કફ્લોમાં સંકલિત થઈ રહ્યા છે, તેમ માનવ અને મશીન દ્વારા જનરેટ કરાયેલ ટેક્સ્ટ વચ્ચેની સીમા ઝડપથી ધૂંધળી બની રહી છે.

AI-જનરેટેડ કન્ટેન્ટમાં થયેલો ઉછાળો

ઇન્ટરનેટ પર જનરેટિવ AI ની અસરને માપવા માટે, Pew Research એ Common Crawl વેબ આર્કાઇવનો ઉપયોગ કરીને લગભગ 5,00,000 અંગ્રેજી ભાષાના વેબ પેજનું વિશ્લેષણ કર્યું હતું. Open Pangram ની ડિટેક્શન ટેકનોલોજીનો ઉપયોગ કરીને, આ અભ્યાસ માનવ દ્વારા લખાયેલા અને AI ની મદદથી તૈયાર કરાયેલા ટેક્સ્ટ વચ્ચે તફાવત કરવાનો પ્રયાસ કરતો હતો.

જુલાઈ 2026 ના 10,000 પેજિસના રેન્ડમ સેમ્પલમાં AI લેખનનો દર 10% જોવા મળ્યો હતો, પરંતુ આ આંકડો જનરેટિવ AI ના યુગ પહેલા પ્રકાશિત થયેલા જૂના કન્ટેન્ટને કારણે ખોટો હોઈ શકે છે. જોકે, જ્યારે સંશોધકોએ નવેમ્બર 2022 માં ChatGPT ના લોન્ચિંગ પછી પ્રકાશિત થયેલા પેજિસને જ સમાવતા ડેટાસેટને ફિલ્ટર કર્યો, ત્યારે આ આંકડામાં મોટો ઉછાળો આવ્યો. અભ્યાસમાં જાણવા મળ્યું કે આ તાજેતરના યુગમાં પ્રકાશિત થયેલા તમામ વેબ પેજિસના ત્રીજા ભાગથી વધુ (35%) માં AI દ્વારા લખાયેલા અથવા "મોટા પ્રમાણમાં એડિટ" (substantially edited) કરવામાં આવ્યા હોવાના નોંધપાત્ર સંકેતો જોવા મળે છે.

ડોમેન વચ્ચેનો તફાવત અને "બોટ લૂપ"

AI કન્ટેન્ટનો ફેલાવો સમગ્ર વેબ પર સમાન નથી. અભ્યાસે વિવિધ ટોપ-લેવલ ડોમેન્સ (TLDs) વચ્ચે મોટો તફાવત દર્શાવ્યો છે, જે સૂચવે છે કે વ્યાવસાયિક હિતો AI રાઈટિંગ ટૂલ્સના સૌથી આક્રમક ઉપયોગને પ્રોત્સાહન આપી રહ્યા છે.

ડેટા મુજબ, .com ડોમેન ધરાવતા URLs માં AI લેખનનો દર શૈક્ષણિક અથવા સરકારી સાઇટ્સ કરતા આશરે 10 ગણો વધારે છે. ખાસ કરીને, .edu અને .gov ડોમેન્સમાં AI લેખનનો દર માત્ર 1% હતો, જ્યારે .org ડોમેન્સમાં તે 4.6% હતો. આ વલણ એક વ્યાવસાયિક વેબ તરફ નિર્દેશ કરે છે જ્યાં પરંપરાગત એડિટોરિયલ દેખરેખ કરતા ઝડપ અને સ્કેલ—જે ઘણીવાર LLMs દ્વારા પ્રાપ્ત થાય છે—ને વધુ પ્રાધાન્ય આપવામાં આવે છે.

AI કન્ટેન્ટમાં આ ઉછાળો Cloudflare દ્વારા અહેવાલ આપવામાં આવેલા એક ચિંતાજનક સીમાચિહ્ન સાથે આવે છે: બોટ ટ્રાફિક હવે સત્તાવાર રીતે માનવ વેબ ટ્રાફિક કરતા વધી ગયો છે. આ એક સંભવિત "ડેડ ઇન્ટરનેટ" (dead internet) ફીડબેક લૂપ બનાવે છે, જ્યાં બોટ્સ સતત એવા કન્ટેન્ટને બ્રાઉઝ અને સ્ક્રેપ કરી રહ્યા છે જે પોતે અન્ય બોટ્સ દ્વારા લખવામાં આવ્યું હતું.

ભાષાકીય સંકેતો અને ડિટેક્શનના પડકારો

અભ્યાસે એવા ચોક્કસ ભાષાકીય પેટર્ન પણ ઓળખી કાઢ્યા છે જે AI-જનરેટેડ ટેક્સ્ટ માટે "સંકેત" (tells) તરીકે કામ કરે છે. જેમ જેમ LLMs વધુ અત્યાધુનિક બન્યા છે, તેમ તેમ તેમના શૈલીના નિશાન વધુ અનુમાનિત બની ગયા છે. સંશોધકોએ ચોક્કસ વાક્યરચનાઓના વધતા પ્રચલનને નોંધ્યું છે, જેમ કે:

• em dashes અને Oxford commas નો વ્યાપક ઉપયોગ.
• "It’s not X, it’s Y" જેવા લયબદ્ધ શબ્દપ્રયોગોની પેટર્ન.
• વાંચનક્ષમતા માટે ઓપ્ટિમાઇઝ કરેલી ચોક્કસ શૈલીની વૃત્તિઓ, પરંતુ જેમાં માનવીય સૂક્ષ્મતાનો અભાવ હોય છે.

જોકે અભ્યાસ સ્વીકારે છે કે Pangram જેવા AI ડિટેક્શન ટૂલ્સ સંપૂર્ણ સચોટ નથી અને તેમાં 'ફોલ્સ પોઝિટિવ' (ખોટા પરિણામો) આવી શકે છે, તેમ છતાં ડેટાનું પ્રમાણ સૂચવે છે કે આ તારણો દિશાની દ્રષ્ટિએ સચોટ છે. ડેવલપર્સ અને ફાઉન્ડર્સ માટે, આ એક ગંભીર પડકાર દર્શાવે છે: જેમ જેમ વેબ સિન્થેટિક ડેટાથી ભરાઈ રહ્યું છે, તેમ ભવિષ્યના મોડલ્સ માટે ટ્રેનિંગ સેટ્સની ગુણવત્તા જાળવવી વધુ મુશ્કેલ બની રહી છે.

મુખ્ય તારણો

• કન્ટેન્ટ નિર્માણમાં મોટો ફેરફાર: ChatGPT ના લોન્ચિંગ પછી પ્રકાશિત થયેલા 35% વેબ પેજમાં AI લેખન અથવા ભારે AI એડિટિંગના સ્પષ્ટ સંકેતો જોવા મળે છે.
• વ્યાવસાયિક પ્રભુત્વ: .com ડોમેન્સ AI કન્ટેન્ટના મુખ્ય પ્રેરક છે, જે .edu અને .gov ડોમેન્સ કરતા 10 ગણા વધારે છે.
• બોટ ઇકોસિસ્ટમ: AI-લખાયેલા કન્ટેન્ટમાં વધારો એ બોટ ટ્રાફિક દ્વારા માનવ ટ્રાફિકને વટાવી જવાની ઘટના સાથે સુસંગત છે, જે મશીન-પ્રભુત્વવાળા વેબ ઇકોસિસ્ટમ તરફના ફેરફારનો સંકેત આપે છે.