AI Writers Have a Consistent Stylometric Footprint, but AI Editors Do Not

📄 arXiv: 2608.27855v1 📥 PDF

作者: Zhengyang Shan, Yukyung Lee, Sophie Hao

分类: cs.CL

发布日期: 2026-08-28

备注: EMNLP Main 2026

💡 一句话要点

揭示AI生成与编辑文本的风格特征差异

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 风格特征 文本生成 文本编辑 大型语言模型 熵 词汇多样性 文本分析

📋 核心要点

  1. 现有研究主要集中于AI生成文本的风格特征，缺乏对AI编辑文本的深入分析。
  2. 本研究通过比较AI生成与编辑文本的风格特征，提出了风格特征足迹的概念，揭示其差异。
  3. 实验结果显示，AI生成文本与人类文本在熵和词汇多样性上存在显著差异，而AI编辑文本则表现出不同的风格特征。

📝 摘要（中文）

本研究表明，使用大型语言模型（LLMs）生成的文本在风格特征上与人类撰写的文本存在显著差异。研究发现，AI生成的文本具有一致的“风格特征足迹”，主要由熵和词汇多样性构成，能够有效区分AI生成文本与人类文本。然而，AI编辑文本的风格特征则表现出不同的特征，主要体现在词汇密度的增加和熵的减少。这表明生成和编辑的文本在风格特征上存在质的不同，未来应分别进行研究。

🔬 方法详解

问题定义：本研究旨在探讨AI生成和编辑文本在风格特征上的差异。现有方法主要关注AI生成文本的特征，缺乏对AI编辑文本的系统性分析。

核心思路：通过分析8种LLM生成的文本和5个领域的文本，提出“风格特征足迹”概念，重点关注熵和词汇多样性等特征，以区分AI生成和编辑文本。

技术框架：研究首先收集不同来源的文本数据，然后提取风格特征，最后通过统计分析比较AI生成与编辑文本的特征差异。主要模块包括数据收集、特征提取和分析模块。

关键创新：本研究的创新点在于首次系统性地比较了AI生成与编辑文本的风格特征，揭示了两者在特征表现上的质的不同。

关键设计：在特征提取过程中，重点关注熵、词汇多样性和词汇密度等参数，采用统计分析方法评估特征的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AI生成文本在熵和词汇多样性上显著高于人类文本，而AI编辑文本则仅在词汇多样性上略有增加，熵反而降低。这一发现强调了生成和编辑文本在风格特征上的本质差异，具有重要的理论和实践价值。

🎯 应用场景

该研究的结果对文本生成和编辑工具的开发具有重要意义，能够帮助开发者更好地理解和优化AI在文本处理中的应用。同时，研究结果也为文本鉴别和版权保护提供了新的思路，未来可能在教育、出版等领域产生广泛影响。

📄 摘要（原文）

Text generated by large language models (LLMs) has been shown to be stylometrically distinct from human-written text \citep{andreDetectingAIAuthorship2023, shahDetectingUnmaskingAIGenerated2023, oparaStyloAIDistinguishingAIGenerated2024, soto2024fewshot, liLinguisticDifferencesAI2025, selviogluFeatureExtractionAnalysis2025}. But LLMs are increasingly used not only to generate text but also to edit human writing, and it is unclear whether the two leave the same trace. We show that AI generation leaves a consistent stylometric footprint'': a small subset of features, primarily entropy and lexical diversity, consistently separates AI-generated text from human writing across 8 LLMs and 5 domains, while the remaining features depend heavily on the domain and generator. AI editing, however, does not reproduce the same footprint. Relative to their human-written sources, AI-edited texts show only a small increase in lexical diversity and a decrease in entropy, rather than the joint increase that characterizes AI generation. Lexical density, which contributes little to generation, instead becomes the dominant editing-associated signal. Stylometric features therefore separate AI-edited text from AI-generated text but are substantially less effective at separating it from human-written text. Our results suggest thatAI text'' is not a single phenomenon: generation and editing leave qualitatively different stylometric traces and should be studied separately.