기존의 AI 생성 텍스트 탐지기(AI-generated text detectors)는 텍스트 특성을 조작하는 공격에 취약합니다. 본 연구에서는 주어진 텍스트 내의 내용(핵심 아이디어)과 표현(스타일 요소)이라는 추가적인 관점을 사용하는 새로운 Triospect 탐지 프레임워크(Triospect Detection Framework)를 제안합니다. 17개의 공격, 12개의 도메인, 17개의 소스 모델을 포함하는 두 개의 벤치마크에 대한 실험을 통해 Triospect가 이러한 공격들에 대해 강건함(robust)을 입증했습니다. Triospect는 공격 후의 Humanize-16K 하위 집합에서 강력한 베이스라인(baseline) 대비 22.3%(AUROC) 및 13%(TPR01)라는 상당한 차이로 성능을 개선하였으며, 적대적 RAID(adversarial RAID)에서는 9.1%(AUROC) 및 22%(TPR01)의 개선을 보였습니다. 이 프레임워크는 공격에 대한 탐지 신뢰성을 높이기 위한 통계적 방법론의 선구적인 노력을 나타냅니다. 저희는 데이터와 코드를 https://github.com/baoguangsheng/triospect 에서 공개합니다.