alvi-se/ai-ublock-blacklistSitios web que encontré personalmente y que están completamente generados por IA. Pull requests bienvenidos.
Una lista personal para uBlock Origin que bloquea granjas de contenido de IA. Las pull requests son bienvenidas.
Puedes hacer clic aquí para suscribirte automáticamente a esta lista. Este enlace solo funciona si tienes instalado uBlock Origin.
Alternativamente, importa la siguiente URL como una lista de terceros en uBlock Origin.
https://raw.githubusercontent.com/alvi-se/ai-ublock-blacklist/master/list.txtMientras navego, sucede a veces la mayoría de las veces que me encuentro con sitios web cuyo texto está escrito por IA generativa. Estos sitios web no proporcionan información útil, tienen contenido mediocre y están llenos de anuncios y enlaces de referencia para ganar dinero.
Así que cuando encuentro este tipo de sitio web, lo pongo aquí.
La idea clave es simple: si quisiera que mi pregunta fuera respondida por IA, yo le preguntaría a la IA. Si busco en línea, significa que quiero una respuesta escrita por una persona. Una persona tiene experiencia, opiniones, ideas, creatividad y mucha más información que podría querer compartir en la web. La IA no.
Además, el contenido de IA también puede ser : los artículos en las granjas de contenido no son revisados por nadie antes de publicarse, ya que se generan masivamente. Una IA podría alucinar al escribir sobre temas peligrosos: podría sugerirte que hagas un cortocircuito en tu placa de circuito. O que ejecutes comandos peligrosos en tu PC como . O que mezcles lejía y amoníaco (NO HAGAS ESTAS COSAS). El contenido generado por IA no es confiable, y si nadie está revisando lo que se publica, debe bloquearse.
rm -rf /Como dije, estoy agregando páginas mientras navego, por lo que cada entrada se añade manualmente. No estoy considerando usar herramientas automatizadas simplemente porque es difícil para un algoritmo determinar si una página está generada por IA o no, especialmente con las pautas que escribí a continuación. Se podría argumentar que esta lista es inútil porque es demasiado corta. Sin embargo, dado que estos sitios web hacen SEO para aparecer primero en los motores de búsqueda, te encontrarás con el mismo sitio web más de una vez, especialmente para búsquedas relacionadas entre sí. He notado que esta lista bloquea sitios web desde el primer día que comencé a escribirla, incluso con muy pocas entradas.
Sin embargo, hay cierto sesgo en mis entradas. Por ejemplo, como soy ciudadano italiano, encontrarás muchos sitios web italianos. Esta es otra razón por la que las pull requests son bienvenidas.
Si no eres un usuario técnico y no sabes cómo funciona GitHub, simplemente reporta tus sospechas creando un issue, haciendo clic aquí.
Si deseas crear una pull request, así es como agregar un sitio web a la lista. Primero, intenta encontrar el ámbito del spammer de IA. Por lo general, será un dominio, pero también he encontrado muchos blogs de Medium o dev.to. Estas plataformas no deben bloquearse por completo, solo el blog que está spameando.
Digamos que quieres agregar la entrada example.com/@slopUser, simplemente agrega una línea al archivo list.txt de la siguiente manera:
||example.com/@slopUser^$doc
¿Todo el dominio example.com aloja basura de IA? Agrega solo el dominio:
||example.com^$doc
Si realmente odias la IA y tienes mucho tiempo libre, eres bienvenido a investigar un poco sobre el sitio web que has encontrado. La mayoría de estas granjas de contenido son construidas por personas u organizaciones que venden SEO y marketing digital. Si encuentras la fuente, también podrías encontrar otras granjas de contenido que hayan creado. Si lo haces, agrégalas al final del archivo.
Las granjas de contenido tienen algunos patrones que las hacen reconocibles. Estos son los que he entendido. Por supuesto, no son reglas estrictas.
Introducción y conclusión innecesarias: esta es probablemente la forma más fácil de detectar granjas de contenido. A menudo, la introducción también es molestamente florida. Por ejemplo, haces clic en alguna guía sobre cómo usar una característica específica en Flutter. El artículo comenzaría dando una introducción sobre Flutter en sí, como la siguiente:
En el panorama digital actual, que avanza rápidamente, los usuarios esperan que las aplicaciones sean rápidas, hermosas y coherentes en todos los dispositivos que tocan.
Probablemente, ningún humano escribiría tal introducción para explicar una característica específica. Podría encajar para hablar generalmente sobre Flutter (aunque sigue siendo demasiado florido), pero no para un código súper específico que solo los desarrolladores experimentados pueden entender. ¡Si escribo un artículo así, asumo que el lector ya sabrá qué es Flutter!
[tema]: Una Guía Completa/Una Guía Paso a Paso/Guía Definitiva: a los LLM les encantan estos eslóganes para los títulos de tutoriales y guías.
Sin/pocos enlaces a contenido externo
Sin fuentes ni referencias: igual que arriba, pero para fuentes sobre hechos. Esto es muy importante de verificar, especialmente para artículos sobre (pseudo)ciencia, política y contenido que podría difundir desinformación.
Enlaces de referencia por todas partes: las granjas de contenido solo existen para ganar dinero. Personalmente he visto sitios que descaradamente colocan consejos de compra en barras de navegación o pies de página.
Referencia al producto de la empresa: el sitio web pertenece a una empresa que vende algún producto o servicio. La página probablemente será como "Cómo resolver [problema]" -> compra nuestro producto.
Blog con cientos de miles de artículos: especialmente cuando se publican en un período de tiempo muy corto. Muchos blogs de basura IA publican decenas o cientos de artículos al día, en su mayoría del mismo autor.
Alucinaciones: el contenido es claramente incorrecto.
Fecha posterior a noviembre de 2022: el hype de la IA comenzó con el lanzamiento de ChatGPT en noviembre de 2022. Una pauta débil sin duda, pero se suma a todas las demás. Sin embargo, las fechas se pueden falsear fácilmente.
Sin/pocas imágenes, videos, medios no textuales: estas páginas se generan y publican automáticamente, y es difícil generar otro tipo de contenido para poner en la página.
Imágenes, logotipos generados por IA: suele ser el banner del artículo o el logotipo del blog.
Formato de texto pobre
Caracteres Markdown no renderizados: el texto no tiene formato y tiene sintaxis Markdown.
Publicación larga, con contenido innecesario o fuera de contexto: en algún momento, el artículo puede comenzar a hablar de otro tema, que puede estar relacionado con el original pero irrelevante.
Siempre en los primeros resultados de los motores de búsqueda: por supuesto que abusan del SEO.
Blog sabelotodo: el mismo blog aparece en el motor de búsqueda para temas completamente diferentes.
Contenido vago: muchos encabezados, cada uno con un contenido breve que no proporciona información útil.
Información de contacto poco profesional o faltante: han comprado un dominio, ¿por qué usan Gmail para el contacto?
Página "Acerca de" vaga o faltante
Contenido entusiasta de la IA: si alguien ama ChatGPT, lo usará para todo. Así que si te topas con un blog dedicado a la IA, seguro que es 100% generado por IA.
Debido a que los usuarios de IA son lo suficientemente tontos como para copiar y pegar respuestas de LLM sin leerlas, el LLM a veces se revela, por ejemplo, en la introducción del contenido.
Los siguientes son algunos Google Dorks para encontrar páginas 100% generadas por IA. Dichas páginas tendrán todo su dominio agregado a la lista de uBlock.
Los Dorks se pueden generar fácilmente pidiéndole a un LLM que genere contenido ingenuo, por ejemplo, con el prompt Generate an article for my blog about dogs.
El LLM responderá con una introducción como Sure! Here's an article about. Toma esta frase y búscala entre comillas.
# Inglés
"Sure! Here's an article about"
# Italiano
"Certo! Ecco un articolo"
Cuando los comercializadores de SEO se anuncian a sí mismos, a veces publican Google Spreadsheets en las que enumeran los sitios web que controlan. Esto es principalmente para vender backlinks: cuando tu sitio web está enlazado por muchos otros, los motores de búsqueda tienden a considerarlo más confiable y, por lo tanto, aumentarán su rango. O al menos, eso es lo que dicen las personas que venden backlinks. No soy un experto en SEO, así que no sé realmente si esto funciona. Sin embargo, lo que he notado es que los sitios web enumerados en estas hojas de cálculo son en su mayoría basura IA. Esta puede ser una forma efectiva de agregar sitios web de forma masiva a la lista. Sin embargo, esto aumenta las posibilidades de falsos positivos: no hay garantía de que los sitios web sean realmente basura IA. El issue 31 muestra un claro ejemplo en el que sitios web populares se agregaron accidentalmente a la lista.
Lo que sugiero es descargar la hoja de cálculo y analizarla, para encontrar posibles falsos positivos y eliminarlos de la lista. Aquí hay algunas formas de analizar la hoja de cálculo: