النماذج اللغوية الكبيرة الحديثة (LLMs)، مثل ChatGPT، قادرة على إنتاج ردود تشبه البشر وسلسة عند تزويدها بتعليمات محددة. وعلى الرغم من الاعتراف بالراحة التي يجلبها التقدم التكنولوجي، فإن المعلمين يشعرون بقلق من احتمال استغلال الطلاب لهذه النماذج لإكمال مهام الكتابة وتقديمها كعمل أصلي. وعلى الرغم من إجراء العديد من الدراسات حول كشف المحتوى المُنتَج بواسطة الذكاء الاصطناعي استجابة لهذا القلق، فإن معظم الدراسات السابقة نمذجت كشف المحتوى الآلي كمشكلة تصنيف، بافتراض أن النص إما كليًا مكتوبًا من قبل إنسان أو كليًا مُولَّدًا بواسطة الذكاء الاصطناعي. في هذه الدراسة، قمنا بفحص كشف المحتوى الآلي في بيئة نادرة الاستكشاف ولكنها واقعية، حيث يكون النص الذي يتم كشفه مكتوبًا بشكل تعاوني من قبل الإنسان والنماذج اللغوية التوليدية (أي نص مختلط). قمنا أولًا بتأصيل مهمة الكشف على أنها تحديد نقاط الانتقال بين المحتوى المكتوب من قبل الإنسان والمحتوى المُولَّد آليًا من نص مختلط (كشف الحدود). ثم قمنا بطرح نهج ثنائي الخطوات، حيث (1) قمنا بفصل المحتوى المُولَّد آليًا عن المحتوى المكتوب من قبل الإنسان خلال عملية تدريب المُشفِّر؛ و(2) حسبنا المسافات بين كل زوج من البروتوتيبات المجاورة، وافتراضنا أن الحدود تقع بين الزوج المجاور الذي يمتلك أقصى مسافة بينهما. من خلال تجارب واسعة، لاحظنا النتائج الرئيسية التالية: (1) كان النهج المقترح يتفوق باستمرار على الطرق الأساسية في مختلف بيئات التجربة؛ (2) يمكن لعملية تدريب المُشفِّر أن تُحسّن بشكل كبير أداء النهج المقترح؛ (3) عند كشف الحدود في مقالات مختلطة ذات حد واحد، يمكن تعزيز الأداء من خلال استخدام حجم بروتوتيب نسبيًا كبير، ما أدى إلى تحسن بنسبة 22% في التقييم داخل المجال، و18% في التقييم خارج المجال.