AI 생성 텍스트 탐지는 교육, 비즈니스 규정 준수, 저널리즘, 소셜 미디어에서 LLM의 오용을 방지하기 위해 점점 더 중요해지고 있습니다. 이전 탐지기는 토큰 수준의 가능성이나 불투명한 블랙박스 분류기에 의존하는 경우가 많지만, 이는 고품질 생성에 취약하고 해석 가능성이 낮습니다. 본 연구에서는 surprisal 기반 특징을 사용하여 텍스트 전반에서 예측 불가능성이 어떻게 변동하는지 포착하는 새로운 탐지 프레임워크인 DivEye를 제안합니다. 인간이 작성한 텍스트가 LLM 출력보다 어휘 및 구조적 예측 불가능성에서 더 풍부한 변동성을 나타낸다는 관찰에 동기를 부여받아, DivEye는 일련의 해석 가능한 통계적 특징을 통해 이 신호를 포착합니다. 제안된 방법은 기존 제로샷 탐지기보다 최대 33.2% 더 우수한 성능을 보이며, 여러 벤치마크에서 미세 조정된 기준선과 경쟁력 있는 성능을 달성합니다. DivEye는 패러프레이징 및 적대적 공격에 강하고, 도메인 및 모델 전반에서 잘 일반화되며, 보조 신호로 사용될 때 기존 탐지기의 성능을 최대 18.7% 향상시킵니다. 탐지를 넘어 DivEye는 텍스트가 플래그되는 이유에 대한 해석 가능한 통찰력을 제공하며, LLM 탐지를 위한 강력하고 충분히 연구되지 않은 신호로서의 리듬적 예측 불가능성을 지적합니다.
