Какие русские конструкции повторяются в AI-текстах: корпусный разбор пяти статей

Девять раз в пяти русскоязычных статьях повторилась конструкция «само по себе» с разными формами слова «сам». Иногда она помогает автору ограничить слишком категоричный вывод. Иногда начинает звучать как привычная страховка от любого утверждения. Повтор заметен только при чтении нескольких материалов подряд.

Мы подсчитали такие обороты в пяти статьях Nesuho. Получился небольшой корпус из 5008 русских слов после очистки. Он позволяет увидеть повторения внутри одной серии текстов и понять, как их проверять. Для выводов о частотах русского AI-текста в целом нужна более широкая выборка, включающая человеческие тексты того же жанра.

Пять публикаций и правила подсчета

В анализ вошли пять публикаций Nesuho о работе AI-детекторов, признаках генерации и автоматическом переписывании. Для подсчета использовали основные тексты материалов. Из них исключили заголовки разделов, списки источников и фрагменты внутри русских кавычек «...». Некоторые публикации приводят нейросетевые штампы как примеры. Без исключения цитат такие фразы ошибочно попали бы в подсчет авторской речи.

В очищенном корпусе осталось 5008 русских слов. Словами считались последовательности кириллических букв; написания с дефисом учитывались как одно слово. Регистр не влиял на подсчет. Для каждого оборота фиксировали число вхождений и число публикаций, где он встретился. Формы «сам по себе», «сама по себе» и «само по себе» объединили в одну группу.

После очистки тексты распределились по объему следующим образом.

• Русский против английского: где AI-детекторы чаще ошибаются - 834 слова.
• Ложные срабатывания AI-детекторов: какие человеческие тексты попадают под подозрение - 998 слов.
• Можно ли отличить AI от человека без AI-детектора: 30 проверяемых признаков - 964 слова.
• Что сильнее выдает LLM - начало, середина или конец текста? - 1035 слов.
• Что меняется после humanizer: смысл, факты, стиль и грамматика - 1177 слов.

Темы этих материалов близки, а редакционные требования совпадают. Оба фактора могли повлиять на частоту отдельных оборотов.

Какие сочетания действительно повторялись

Оборот	Вхождений	Статей из пяти
«сам(а/о) по себе»	9	5
«в исследовании»	8	4
«вместе с»	5	4
«не доказывает»	4	4
«при этом»	3	3

В таблице оставлены многословные обороты, которые встречались минимум в трех публикациях. Тематические сочетания вроде «машинного текста» исключены. Пересекающиеся конструкции могут описывать один фрагмент предложения, поэтому складывать числа по строкам нельзя.

Самый устойчивый повтор связан с ограничением уверенности. В материале «Русский против английского: где AI-детекторы чаще ошибаются» написано «языковая особенность сама по себе не измеряет точность детектора». В статье «Ложные срабатывания AI-детекторов: какие человеческие тексты попадают под подозрение» встречается фраза «ни один из этих сигналов сам по себе не фиксирует, кто нажимал клавиши». Обе формулировки содержат осмысленную оговорку. Удаление слов «сама по себе» или «сам по себе» способно сделать утверждение категоричнее, чем предполагал автор. Частый оборот заслуживает внимания редактора, но частота сама по себе не делает его ошибкой.

Восемь случаев «в исследовании» появились в четырех статьях. У них другая причина. Почти каждый материал опирался на научные публикации, и автору требовалось регулярно вводить результаты ученых. Оборот «не доказывает» тоже связан с содержанием серии. В материалах об AI-детекторах приходилось объяснять, почему автоматическая оценка текста не устанавливает его происхождение.

Даже однословные показатели дают полезный контраст. Союз «если» встретился 26 раз, формы «может» и «могут» вместе - 33 раза. Они присутствуют во всех пяти материалах. Это обычные средства русского языка для передачи условий и неопределенности. По таким словам нельзя установить, писал ли текст человек или модель.

Почему поиск по словарю иногда находит чужие слова

До очистки оборот «важно отметить» встречался трижды. Все три случая оказались внутри цитируемых примеров в статье «Можно ли отличить AI от человека без AI-детектора: 30 проверяемых признаков». В авторской прозе после исключения цитат его частота стала нулевой. Выражение «таким образом» появлялось дважды, и оба раза автор обсуждал типовые концовки, а не пользовался этой формулой для собственного вывода.

Получается простая ловушка для механического поиска штампов. Алгоритм видит знакомые слова и отмечает их как возможную шаблонность. Но текст может критиковать речевую привычку, приводить чужую реплику или анализировать рекламный слоган. В таком случае удаление совпадения повредит объяснению.

При работе со словарем шаблонных конструкций полезно отделять упоминание фразы от ее использования. Важны положение совпадения, соседние предложения и задача абзаца. Одного совпадения со словарем недостаточно для автоматической замены.

Как отличить привычку автора от влияния темы

Пять проанализированных статей относятся к одной предметной области и создавались по общим требованиям. В них часто обсуждаются достоверность, вероятность, проверка источников и ошибки классификаторов. Поэтому повтор «не доказывает» ожидаем даже при полностью человеческом авторстве. Он отражает устойчивый предмет разговора.

На разных жанрах распределение выражений может заметно измениться. В научной статье закономерны отсылки к исследованиям, в инструкции чаще встречаются последовательные действия, в отзыве - подробности личного опыта. Кроме темы на частоты влияют длина текста, подсказка модели, способ редактирования и запреты на отдельные речевые приемы.

Исследователи также рассматривают признаки на разных уровнях. В работе Оксаны Цегоевой, представленной в НИУ ВШЭ в 2026 году, использован корпус LLMTRACE с восемью жанрами, более чем двадцатью моделями и четырьмя типами запросов. Изучались части речи, длина слов и предложений и другие языковые показатели. В исследовании Федотовой и Романова (2025) частоты словосочетаний включены в набор статистических признаков русского AI-текста наряду с грамматическими и семантическими характеристиками. Одиночная фраза не заменяет такое комплексное сравнение.

Для сопоставления с человеческими текстами существуют открытые корпуса. Ru-hard-detection-dataset содержит оригинальные, сгенерированные и переписанные варианты новостей, эссе и научных материалов. CoAT объединяет человеческие тексты разных источников с результатами нескольких задач генерации. При использовании этих ресурсов нужно разделять жанры и задачи, поскольку машинный перевод и свободное написание статьи создают разные речевые следы.

Что делать с найденными повторами

Редактору пригодятся две цифры. Первая показывает, сколько раз оборот появляется во всех материалах. Вторая фиксирует распространенность по отдельным публикациям. Девять вхождений в одной статье и девять в пяти статьях требуют разного внимания. Для сравнения корпусов разного объема частоту дополнительно приводят к одинаковому числу слов.

Дальше достаточно прочитать несколько предложений вокруг совпадения. Если оборот ограничивает утверждение, сообщает условие или сохраняет причинную связь, его стоит оставить. Если соседние абзацы многократно повторяют одну оговорку и не добавляют сведений, текст можно сократить. Приемы вроде намеренных опечаток и хаотичной пунктуации здесь ничего не решают.

В нашей пятерке обнаружилась повторяемая манера осторожно формулировать выводы. Это конкретный результат подсчета 5008 слов. Превращать его в универсальный «почерк нейросети» было бы ошибкой. Корпусный разбор полезен, когда показывает, где и почему повторяется конструкция. Одна подсветка знакомых слов ничего не объясняет.

Источники и материалы

• Пять публикаций Nesuho, вошедших в корпус, перечислены со ссылками в разделе «Пять публикаций и правила подсчета». Подсчет выполнен по основному тексту без заголовков разделов, цитат и списков источников.
• Цегоева О. Лексические и синтаксические характеристики текстов, сгенерированных на русском языке. НИУ ВШЭ, 2026.
• Федотова А., Романов А. Методика идентификации текстов, сгенерированных большими языковыми моделями. «Информатика и автоматизация», 2025.
• Ru-hard-detection-dataset. Описание состава открытого русскоязычного набора данных.
• CoAT: Corpus of Artificial Texts. Документация корпуса и методики его составления.