연구진은 기계 생성 텍스트와 인간이 작성한 텍스트를 구별하는 데 있어 로그 우도 기반 탐지 방식의 문제점을 지적했어요. 특히, 탐지 모델의 숨겨진 공간에서 토큰별 신호가 균일하지 않아 부적절한 집계로 인해 심슨의 역설이 발생한다고 분석했어요. 이를 해결하기 위해 연구진은 위치에 따른 점수 분포를 예측하는 로컬 교정 단계를 도입하여 성능을 향상시켰어요.
Fast-DetectGPT의 AUROC가 GPT-5.4 텍스트에서 0.63에서 0.85로 개선되는 등, 기존 탐지기들의 성능을 크게 끌어올렸다고 설명해요. 연구진은 새로운 탐지기 개발보다는 기존 방식의 문제점을 진단하고 모듈화된 해결책을 제시하는 데 집중했다고 강조했어요.
향후 연구 방향으로 더 풍부한 분포 모델, 개선된 교정 전략, 그리고 베이즈 최적 결정 규칙을 통한 숨겨진 공간 기하학적 신호와의 조화로운 결합을 제시하며, 커뮤니티의 발전에 기여할 수 있는 기반을 마련할 것이라고 밝혔어요.