AI 寫的文章看得出來嗎？研究揭露 AI 寫作的 30 個結構特徵

作者： 益盛科技 專案經理 Ring （專長 SEO／GEO 內容策略、AI 內容品質審查）

AI 生成的小說事件，正在真實發生

2026 年 3 月，TechCrunch 報導：Hachette 撤回 Shy Girl 一書，
Hachette 因恐怖小說《Shy Girl》爆出大量使用 AI 創作的疑慮，停止在英國出版的版本，並取消原訂推出的美國版。
外部 AI 偵測結果指出，書中最高約 78% 的內容可能由 AI 生成。

同期另一項調查更驚人：
Stony Brook University 電腦科學教授 Tuhin Chakrabarty 主導的團隊，
用 AI 偵測工具 Pangram 檢查了 Amazon 上超過 14,000 本自行出版小說，將近 20% 被判定含有大量 AI 生成內容；
在該調查比較的 2024～2025 年樣本中，這類作品數量增加約 41%。

為什麼「找 AI 味用詞」卻來越不準了？

當作者不主動揭露 AI 使用時，要怎麼判斷一篇文章、一本書是不是 AI 寫的？
這個問題，也是我們在幫客戶檢視網站內容時，愈來愈常被問到的問題。
多數人做 AI 文章偵測的直覺，是去找「AI 味」的用詞，
破折號用太多、愛講「深入探討」、「總的來說」、「老實說」、「簡單來說」等，
但這已經不太準確了，因為GPT-5.4 已經大幅減少破折號使用，
而只要針對人類寫作風格做微調，創意寫作的 AI 偵測率可以從 97% 直接掉到 3%。

寫作風格是最容易偽裝的部分，真正該問的是：
有沒有更深層、更難模仿的 AI 寫作特徵？
單靠用詞比對，很快就會被新版模型或風格微調繞過去。

StoryScope：換一個角度問問題

如果完全不看用詞和句法，只看故事「怎麼構思」，AI 和人類寫的東西分得出來嗎？

美國馬里蘭大學與 Google DeepMind 研究員 John Wieting 合作的論文《StoryScope: Investigating idiosyncrasies in AI fiction》（COLM 2026，arXiv:2604.03136）換了個角度提問。
研究人員把重點從表面文字的風格，轉向故事在構思層面的結構性選擇：
比如情節怎麼安排、旁白怎麼收尾、情緒怎麼表達。

研究方法：61,608 篇故事、5 個模型、304 項特徵

研究團隊先從 Books3 取出 10,272 篇人類短篇故事，再利用 Gemini 2.5 Flash 反推出每篇故事的核心寫作提示，
接著讓 Claude Sonnet 4.6、GPT-5.4、Gemini 3 Flash、DeepSeek V3.2、Kimi K2.5 根據同一提示各寫一版，
總共 61,608 篇、平均近 5,000 字的故事。
接著用 LLM 把每篇故事轉成結構化的敘事表示，再建立橫跨 10 個維度的 304 項特徵。
研究人員進一步排除風格相關訊號，只使用 257 項敘事特徵進行分類，測試光靠故事結構能不能分辨人類與 AI。

研究結果：光靠敘事結構就能分辨 93.2%

結果顯示，光靠敘事結構，分辨人類與 AI 的 macro-F1 就有 93.2%，
達到「含風格特徵模型」（96.0%）表現的 97% 以上；
只用其中最核心的 30 個特徵，macro-F1 也還有 84.8%。
更關鍵的是，研究團隊用另一個工具把 AI 故事的表面寫作風格（陳腔濫調、浮誇修辭）整段改寫掉，再重新偵測，
分類表現只從 95.5% macro-F1 降到 93.9%，下降 1.6 個百分點。
這些結構性訊號，不是換幾個字就會消失的。

不過要說清楚，StoryScope 並不是目前準確率最高的 AI 偵測器。
論文裡的 ModernBERT、TF-IDF/Stylometry 等純文字分類基準甚至可達 99% 以上；
StoryScope 的價值不在追求最高辨識分數，而在於它提供一組可解釋的敘事層級特徵，能進一步觀察到哪些敘事可以讓人類與 AI 在統計上出現差異。

AI 寫作特徵：人類 vs AI 到底差別在哪裡

研究團隊把最穩定的訊號濃縮成 30 個核心特徵。
以下挑出幾個差異特別明顯、也比較容易理解的例子，方向都指向同一件事：
AI 把故事收拾得太整齊，人類則留了更多沒收乾淨的地方：

兩組實例對照：AI 傾向 vs 人類傾向

舉兩個對照的例子最容易感受差異。
同樣要交代「他終於想通了」：

• AI 傾向：「他終於明白，真正重要的並不是成功，而是陪伴。」——故事演完了，還怕讀者沒看懂，再講一次。
• 人類傾向：讓行動本身說話，不補一句畫重點的旁白，是否想通留給讀者自己判斷。

同樣要交代情緒：

• AI 傾向：「一股寒意沿著背脊爬上來，她感覺胃沉了下去。」
• 人類傾向：「她很害怕。」——直接、不繞路。

像「胸口一緊」這類寫法過去常被當成文學性較高的證據，
但因為五個模型不約而同大量使用這套 show-don't-tell 公式，
反而變成統計上最明顯的 AI 特徵之一。

情節安排、模型指紋與特徵距離

情節安排上的落差更直接。
AI 傾向一條線走到底：
沒有支線（79% vs. 人類 57%）、
由主角自己行動解決（69% vs. 46%）、
靠「內心理解／接受自己」收尾（47% vs. 27%）。

人類則比較常把事情搞複雜，插敘、倒敘、跳時間、埋一條沒完全收掉的支線，
甚至讓角色做出不合理的決定，結局也不一定給答案。

論文裡舉了一個很生動的對照：
同一個推理故事，人類版本可能「從葬禮開場，再往前倒轉二十年」；
AI 版本則傾向「從第一條線索開始，一路直線推進到真相大白」。
論文原句寫：human stories are messier，人類的故事比較「亂」，
但這種亂指的是人類不會每次都選最安全、最好懂的那條敘事路線。

五個 AI 模型還各自帶有自己的敘事指紋。
研究團隊另外找出一批 per-model fingerprint features，描述不同模型特別偏好的敘事選擇：
Claude 的事件張力全場最平緩、偏好加寫後記、幾乎不寫夢境橋段；
GPT 特別愛用八卦與流言推動劇情（64% vs. 其他模型 44%～55%）；
Gemini 結局最工整、鋪陳最長，場景氣氛也最陰鬱（88% 被標為壓抑陰暗）；
DeepSeek 習慣把關鍵背景資訊提早交代；
Kimi 的指紋最少，落在 AI 分布裡最典型、最沒有個性的中央位置。

指紋歸指紋，把人類加上 5 個 AI 放在一起做六分類，難度明顯比二分類高得多：
只用 30 個核心特徵，macro-F1 只有 46.5%；
加入模型指紋後提高到 63.4%；
用完整的 257 項敘事特徵可達 68.4%（亂猜基準只有 16.7%）；
再加回風格特徵，最高來到 77.3%。
不同模型之間存在可辨識差異，但不如「人類 vs AI」那道界線清楚：
在分類結果裡，Gemini、DeepSeek、Kimi 特別容易彼此混淆，形成一個界線較模糊的 AI 群。

特徵空間裡的距離更能說明這件事：
人類作品和 AI 作品的平均 centroid 距離是 6.6，五個 AI 彼此之間的平均距離卻只有 4.3；
就算挑出「跟人類最接近的 AI」和「彼此差最多的兩個 AI」相比，
前者的距離（6.2）依然大於後者（6.0）。
不同公司的 AI，彼此之間反而比任何一個 AI 與人類更接近。

人類作品本身也分布得更廣、更「罕見」：
人類故事的平均 rarity percentile 為 0.71，
AI 為 0.49；
24.7% 的人類故事落在全資料集最罕見的前 10%，AI 只有 7.1%；
同一題材的六個版本互相比較，人類版本有 57.8% 的機率是其中最罕見的一篇（純亂猜基準只有 16.7%）。

浮水印能解決這個問題嗎？

另一條常被提到，是讓 AI 模型自己在生成時「留記號」，
例如 Google DeepMind 的 SynthID-Text（Nature， 2024）會在生成文字裡嵌入統計層級的浮水印，
不影響閱讀體驗，偵測準確率也很高。
這個做法有個前提：
必須是生成模型自己配合埋入浮水印。
換一家沒有配合的模型、或用開源模型批次產文，浮水印就完全派不上用場。

StoryScope 的路線不需要模型端配合，只要拿到最終故事文本，
就能分析其敘事結構，不管是哪個模型生成的。
至於能不能同樣用於一般論說文、SEO 或網站文章，論文本身沒有做這個實驗，目前還沒有證據支持。
兩者不互斥，比較務實的組合是：
能拿到浮水印資訊就優先用浮水印，拿不到時退回結構分析當次要判準。

對網站內容與 SEO 文章的啟示

StoryScope 分析的是5000字上下的短篇小說，取材自 Books3 語料庫，
驗證方式也是文學層面的敘事理論（NarraBench），不是行銷文案或服務頁。
但它提出了一個延伸驗證的方向：
比起只看用詞，文章更高層次的結構可能保留更穩定的來源訊號。
這個現象能不能遷移到 SEO、GEO、論說文或中文內容，仍需要另外驗證，不要把它當成定論。

把這個原則套到一般網站內容上，可以觀察的結構訊號包括：

• 結論是不是講死了：
  每一段是不是都用一句「總結來說」收尾，而不是讓案例、數據自己說話
  
• 建議是不是太乾淨：
  有沒有承認例外、權衡取捨，還是任何情境都套用同一組「三個步驟」
  
• 有沒有具體指涉：
  提到的是「某研究顯示」還是真的點名工具、客戶、數字、日期
  
• 多篇文章的結構是不是高度雷同：
  同一種「開場、三點、結論」的骨架套在完全不同主題上
  

這些也是我們在幫客戶做內容審查時，
除了看用詞、看 E-E-A-T 訊號之外，現在會額外檢查的一層：
表面寫作風格很容易隨模型版本、改寫方式而改變；
至少在 StoryScope 的長篇英文小說實驗裡，敘事結構留下的訊號比寫作風格更耐改寫。

舉個例子，同樣是寫一篇「中小企業該不該做在地 SEO」的文章，結尾常會出現這兩種寫法：

• AI 傾向：「總結來說，在地 SEO 能有效提升曝光度與轉換率，是中小企業不可或缺的行銷策略。」
• 人類傾向：「我們接過的案子裡，在地 SEO 對餐飲業效果很快，但對 B2B 軟體公司幾乎沒用，後者的客戶根本不在 Google 地圖上找人。」

前者是結論講死、放諸四海皆準；後者留了具體案例、也承認了例外。

StoryScope 真正證明的是：
在長篇英文小說裡，表面風格被改寫掉之後，敘事結構依然保留很強的來源訊號。
這套方法能不能直接拿來判斷 SEO、GEO 或中文網站文章，目前還沒有實驗證據支持，我們也不會這樣宣稱。
但對內容製作來說，它至少提醒了一件事：
與其只盯著「AI 愛用哪些字」，更值得檢查的是文章是不是每次都用同一套邏輯、同一種結論、同一個最安全的答案收尾。

本文作者：益盛科技 專案經理 Ring， SEO／GEO 內容策略與 AI 內容品質審查，日常負責客戶網站的長文、案例頁與內容健檢。