alvi-se/ai-ublock-blacklistSites que eu pessoalmente encontrei e que são completamente gerados por IA. Pull requests são bem-vindos.
Uma lista pessoal para uBlock Origin bloqueando fazendas de conteúdo de IA. Pull requests são bem-vindos.
Você pode clicar aqui para se inscrever nesta lista automaticamente. Este link funciona apenas se você tiver o uBlock Origin instalado.
Alternativamente, importe o seguinte URL como uma lista de terceiros no uBlock Origin.
https://raw.githubusercontent.com/alvi-se/ai-ublock-blacklist/master/list.txtEnquanto navego, acontece às vezes na maioria das vezes de eu encontrar sites cujo texto é escrito por IA generativa. Esses sites não fornecem informações úteis, têm conteúdo medíocre e estão cheios de anúncios e links de referência para ganhar dinheiro. Então, quando encontro esse tipo de site, coloco aqui.
A ideia chave é simples: se eu quisesse que minha pergunta fosse respondida por IA, eu perguntaria à IA. Se estou pesquisando online, significa que quero uma resposta escrita por uma pessoa. Uma pessoa tem experiência, opiniões, ideias, criatividade e muito mais informações que podem querer compartilhar com a web. A IA não.
Além disso, o conteúdo de IA também pode ser perigoso: artigos em fazendas de conteúdo não são verificados por ninguém antes de serem publicados, já que são gerados em massa. Uma IA pode alucinar ao escrever sobre tópicos perigosos: pode sugerir que você faça um curto-circuito na sua placa de circuito. Ou executar comandos perigosos no seu PC, como rm -rf /. Ou misturar água sanitária e amônia (NÃO FAÇA ISSO). O conteúdo gerado por IA não é confiável, e se ninguém está verificando o que é publicado, ele precisa ser bloqueado.
Como eu disse, estou adicionando páginas enquanto navego, então cada entrada é adicionada manualmente. Não estou considerando usar ferramentas automatizadas simplesmente porque é difícil para um algoritmo entender se uma página é gerada por IA ou não, especialmente com as diretrizes que escrevi a seguir. Um argumento poderia ser que esta lista é inútil porque é muito curta. No entanto, como esses sites estão fazendo SEO para aparecer primeiro nos mecanismos de busca, você encontrará o mesmo site mais de uma vez, especialmente para pesquisas relacionadas entre si. Descobri que esta lista está bloqueando sites desde o primeiro dia em que comecei a escrevê-la, mesmo com poucas entradas.
No entanto, há de fato algum viés nas minhas entradas. Por exemplo, como sou cidadão italiano, você encontrará muitos sites italianos. Esta é outra razão pela qual pull requests são bem-vindos.
Se você não é um usuário técnico e não sabe como o GitHub funciona, simplesmente reporte suas suspeitas criando uma issue, clicando aqui.
Se você quiser criar um pull request, veja como adicionar um site à lista. Primeiro, tente encontrar o escopo do spammer de IA. Normalmente, será um domínio, mas também encontrei muitos blogs do Medium ou dev.to. Essas plataformas não devem ser bloqueadas como um todo, mas apenas o blog que está spamming.
Digamos que você queira adicionar a entrada example.com/@slopUser, basta colocar uma linha no arquivo list.txt da seguinte forma:
||example.com/@slopUser^$doc
O domínio inteiro example.com hospeda lixo de IA, você diz? Adicione apenas o domínio:
||example.com^$doc
Se você realmente odeia IA e tem muito tempo para gastar, é bem-vindo a fazer alguma pesquisa sobre o site que encontrou. A maioria dessas fazendas de conteúdo é construída por pessoas ou organizações que vendem SEO e marketing digital. Se você encontrar a fonte, também pode encontrar outras fazendas de conteúdo que eles criaram. Se encontrar, adicione-as no final do arquivo.
Fazendas de conteúdo têm alguns padrões que as tornam reconhecíveis. Aqui estão os que entendi. Claro, estas não são regras estritas.
Introdução e conclusão desnecessárias: esta é provavelmente a maneira mais fácil de identificar fazendas de conteúdo. Frequentemente, a introdução também é irritantemente barroca. Por exemplo, você clica em algum guia sobre como usar um recurso específico no Flutter. O artigo começaria dando uma introdução sobre o próprio Flutter como a seguinte:
No cenário digital acelerado de hoje, os usuários esperam que os aplicativos sejam rápidos, bonitos e consistentes em todos os dispositivos que tocam.
Provavelmente, nenhum humano escreveria tal introdução para explicar um recurso específico. Poderia caber para falar geralmente sobre Flutter (ainda assim muito barroco), mas não para um código super específico que só pode ser entendido por desenvolvedores experientes. Se estou escrevendo tal artigo, estou supondo que o leitor já saberá o que é Flutter!
[tópico]: Um Guia Abrangente/Um Guia Passo a Passo/Guia Definitivo: LLMs adoram esses bordões para títulos de tutoriais e guias.
Sem/poucos links para conteúdo externo
Sem fontes e referências: igual ao anterior, mas para fontes sobre fatos. Isso é muito importante de verificar, especialmente para artigos sobre (pseudo)ciência, política e conteúdo que pode espalhar desinformação.
Links de referência em todos os lugares: fazendas de conteúdo existem apenas para ganhar dinheiro. Eu pessoalmente vi sites colocando descaradamente conselhos de compra em barras de navegação ou rodapés.
Referência a produto da empresa: o site é propriedade de uma empresa que vende algum produto ou serviço. A página provavelmente será do tipo "Como resolver [problema]" -> compre nosso produto.
Blog com centenas de milhares de artigos: especialmente quando publicados em um período muito curto. Muitos blogs de lixo de IA postam dezenas ou centenas de artigos por dia, principalmente do mesmo autor.
Alucinações: o conteúdo está simplesmente errado.
Data após novembro de 2022: o hype da IA começou com o lançamento do ChatGPT em novembro de 2022. Uma diretriz fraca com certeza, mas se soma a todas as outras. Datas podem ser facilmente falsificadas, no entanto.
Sem/poucas imagens, vídeos, mídia não textual: essas páginas são geradas e publicadas automaticamente, e é difícil gerar outros tipos de conteúdo para colocar na página.
Imagens, logotipos gerados por IA: geralmente é o banner do artigo ou o logotipo do blog.
Porque os usuários de IA são burros o suficiente para copiar e colar respostas de LLMs sem lê-las, o LLM às vezes se revela, por exemplo na introdução do conteúdo.
A seguir estão alguns Google Dorks para encontrar páginas 100% geradas por IA. Tais páginas terão seu domínio inteiro adicionado à lista do uBlock.
Os Dorks podem ser facilmente gerados pedindo a um LLM que gere conteúdo ingênuo, por exemplo, com o prompt Generate an article for my blog about dogs.
O LLM responderá com uma introdução como Sure! Here's an article about. Pegue esta frase e pesquise-a entre aspas.
# English
"Sure! Here's an article about"
# Italian
"Certo! Ecco un articolo"
Quando profissionais de marketing de SEO se autopromovem, às vezes publicam Planilhas Google nas quais listam os sites que controlam. Isso é principalmente para vender backlinks: quando seu site é vinculado por muitos outros, os mecanismos de busca tendem a considerá-lo mais confiável e, portanto, aumentam sua classificação. Ou pelo menos, é o que dizem as pessoas que vendem backlinks. Não sou especialista em SEO, então não sei realmente se isso funciona. O que notei, no entanto, é que os sites listados nessas planilhas são principalmente lixo de IA. Isso pode ser uma maneira eficaz de adicionar sites em massa à lista. No entanto, isso aumenta as chances de falsos positivos: não há garantia de que os sites sejam realmente lixo de IA. A issue 31 mostra um exemplo claro em que sites populares foram adicionados acidentalmente à lista.
O que sugiro é baixar a planilha e analisá-la, para encontrar potenciais falsos positivos e removê-los da lista. Aqui estão algumas maneiras de analisar a planilha:
Formatação de texto pobre
Caracteres Markdown não renderizados: o texto não tem formatação e tem sintaxe Markdown.
Post longo, com conteúdo desnecessário ou fora de contexto: em algum ponto o artigo pode começar a falar sobre outro tópico, que pode estar relacionado ao original, mas irrelevante.
Sempre no topo dos resultados dos mecanismos de busca: eles estão, é claro, abusando de SEO.
Blog sabe-tudo: o mesmo blog aparece no mecanismo de busca para tópicos completamente diferentes.
Conteúdo vago: muitos títulos, cada um com um conteúdo curto que não fornece informações úteis.
Informações de contato não profissionais ou ausentes: eles compraram um domínio, por que estão usando Gmail para contato?
Página 'Sobre' vaga ou ausente
Conteúdo entusiasta de IA: se alguém ama o ChatGPT, usará para tudo. Então, se você tropeçar em um blog dedicado à IA, com certeza é 100% gerado por IA.