我们建立 DraftProof，是因为人们阅读、学习、写作和引用的方式已经改变。

我们正在从合成信息中学习

今天，许多人都被 AI 生成的信息包围。

搜索引擎、聊天机器人、学习工具、社交平台、写作助手和生产力软件会在我们到达原始来源前先总结知识。很多情况下，用户先读答案，之后才找来源，甚至根本不找。

这改变了写作发生的方式。

学生可能并非有意复制，研究人员也可能并非有意误述来源。但当第一层信息已经被总结、简化或生成，最终写作就可能与原始证据脱节。

DraftProof 的目的就是帮助弥合这个缺口。

传统媒体不再是唯一信息来源

几十年来，多数公共信息来自人工编辑渠道：报纸、期刊、书籍、机构报告和官方出版物。

那个世界已经改变。

今天，信息通过自动化信息流、AI 辅助新闻室、内容农场、社交帖子、生成式摘要和转发材料流动。即使可信机构也可能使用 AI 来起草、翻译、总结或分发内容。

这并不自动意味着内容是假的。

但这意味着读者和写作者需要更强的习惯：检查来源、检查论断、检查上下文。

表达 polished 不等于已经被证明。

只做 AI 检测并不够

很多工具试图回答一个很窄的问题：

“这是 AI 写的吗？”

我们认为这不是好的起点。

AI 检测是不确定的。人类写作也可能看起来可预测。正式学术写作可能看起来像机器。非母语英语写作可能被不公平地标记。技术写作常使用重复模式，因为精确很重要。

所以 DraftProof 不把 AI 分数当作判定。

相反，我们会问更好的问题：

• 论断是否有支撑？
• 引用是否相关？
• 措辞是否过于泛化？
• 文本是否基于来源？
• 读者是否知道需要修复什么？

分数不是反馈。

人类亲自写的内容，也可能看起来像 AI 生成

很多学生会遇到令人困惑的问题：作业是自己写的，但 AI 写作报告却让作品看起来可疑。

问题在于，AI 检测工具分析的是文本模式。它并不真正知道学生是否亲自写下了每一句话。

当内容过于可预测、结构过于平均、表达过于泛化、整体修改过于平滑，或缺少来源和具体推理支撑时，人类亲自写的内容也可能带有风险信号。

这正是 DraftProof 要解决的缺口。Turnitin 式报告显示风险信号，DraftProof 帮助解释信号背后的写作模式。

• 类似 AI 的可预测性
• 泛化学术表达
• 过度平滑的改写
• 证据和依据支撑薄弱
• 宽泛且缺少支撑的论断
• 缺少作者自身推理

DraftProof 不声称可以反向解析 Turnitin，不判定学术不端，也不保证任何第三方 AI 分数。

更好的问题不只是“我的 AI 百分比是多少？”，而是“我的写作中哪些信号让文本看起来有风险？”

抄袭也已经改变

过去，抄袭更容易定义：不注明出处地复制文字。

现在风险更细微。

一个段落可能来自 AI 摘要的转述。一个论断可能来自从未真正读过的来源。一个引用可能附在并不支撑它的句子上。改写工具可能让复制内容看起来原创，但底层思想没有改变。

这就是 DraftProof 不只看表面相似度的原因。

我们关注写作完整性：引用缺口、来源支撑、可预测表达、改写风险，以及值得人类注意的仅供审阅信号。

原创措辞不一定代表原创工作。

学生需要指导，而不是恐惧

大多数学生并不是想作弊。

很多人只是在一个混乱的写作环境中努力前进：AI 工具无处不在，规则不清楚，反馈往往来得太晚。

DraftProof 是为了在提交前提供帮助，而不是在提交后惩罚。

目标是告诉用户哪里需要注意：

• 哪里需要添加引用
• 哪里需要复查来源
• 哪里听起来泛化
• 哪里适合改写
• 哪里无需操作

提交前先修复。