Abschnitt: Technologie & KI Autor: IN Leselänge: ~27 Min Quellen und weiterführende Literatur: 22 Artikel Themen: KI, Bildung, akademische Integrität, Texterkennung, Verantwortlichkeit SEO / Arbeitstitel: Wie erkennt man mit künstlicher Intelligenz geschriebene Texte?
Die Frage ist: Wie erkennt man mit künstlicher Intelligenz geschriebene Texte? Es klingt einfach, bis wir merken, dass wir eine Sache nicht vergleichen. Der statistische Wert ist kein Ursprung. Wasserzeichen ist kein Detektor für willkürliche Chatbot-Ausgaben. Ein niedriger FPR in einem Labor ist kein niedriger FPR bei einem nicht-muttersprachlichen Autor. Turnitin-Ähnlichkeit ist kein Turnitin-KI-Schreiben. Erst wenn diese vier Dinge getrennt werden, kann man lesen, was die Klassifikatoren bis September 2026 können, was die gemeinsamen Tests über sie sagen und warum die TschechenDie öffentlichen Richtlinien der Karls-Universität und der CTU akzeptieren den Detektor nicht als Herkunftsnachweis.
1. Schule, Lieferant und Labor messen nicht dasselbe
Stellen wir uns ein College-Komitee vor. Der Lehrer bringt einen Text mit, der zu glatt erscheint. Der Student behauptet, er habe alleine gearbeitet und sich nur die Zunge reparieren lassen. Die Studienabteilung wünscht sich eine klare Regelung, denn die Fälle häufen sich und jede Entscheidung ist anfechtbar. Der Lieferant zeigt den Prozentsatz im Dashboard an. Das Labor zeigt die Genauigkeitstabelle für den gemeinsam genutzten Satz. Die Karls-Universität schreibt in einer öffentlichen Empfehlung, dass es sich um eine technisch zuverlässige Nachweismethode handeleGenerative KI existiert nicht [12]. Die CTU verbietet ab 2023 den Einsatz von KI-Tools zur Erkennung von Schülerlösungen aufgrund falsch positiver und falsch negativer Ergebnisse im methodischen Unterricht [13].
Auf den ersten Blick ist es umstritten, ob „wir KI kennen können“. Tatsächlich beschreibt jedes ein anderes Objekt. Der Lieferant misst die Flagge entsprechend seinem Modell und seiner Schwelle. Das Labor misst die Leistung bei einem bestimmten Satz von Texten, in einer bestimmten Sprache, gegen bestimmte Angriffe und mit einer bestimmten Kalibrierung. Ob eine Zahl in den Satz einer bestimmten Person eingetragen werden darf, entscheidet die Hochschule. Der Schüler trägt keinerlei Konsequenzen für die durchschnittliche Genauigkeit des Instruments. Es hat Konsequenzen für den Abschluss eines Textes, in einem Verfahren, mit einemVerteidigungsmöglichkeiten.
Daher kann jeder teilweise Recht haben und die gemeinsame Entscheidung dennoch falsch. Turnitin hat Recht, dass sein Tool numerische Bewertungen zurückgibt und im Mai 2023 eine große operative Menge an Einreichungen verarbeitet hat [10]. Die Forscher haben Recht, dass Detektoren messbar sind und dass einige Signale Informationen tragen. Das Vereinigte Königreich und die CTU haben Recht, wenn sie sagen, dass ein Disziplinarurteil keine Laborgrafik ist. Sobald der Prozentsatz aus dem Dashboard in den Satz „Der Schüler hat betrogen“ übersetzt wird, hat sich das Thema der Messung geändert. Und hier passiert der teuerste Fehler.
Der Detektor misst Statistiken. Es spielt keine Rolle, wer den Text geschrieben hat.
– Anderer Kontext
2. Eine Partitur hat mindestens fünf Ebenen
Eine Zahl am Ende der Analyse sieht einfach aus. Aber es entsteht in einer Kette von Schichten. Das erste ist das Signal. Dabei kann es sich um Ratlosigkeit, Klassifikator, Wasserzeichen, Vergleich mit gespeicherter Ausgabe oder Metadaten handeln. Jedes Signal beantwortet eine andere Frage und jedes versagt anders. Ratlosigkeit bestraft ungewöhnliche oder umgekehrt übermäßig vorhersehbare Sprache. Der Klassifikator lernt die Grenze zwischen den Mengen. Watermark sucht nach einer statistischen Spur, die der Generator zuvor eingefügt haben muss. Metadaten helfennur, wenn sie vorhanden sind und nicht aus dem Text getrennt wurden.
Die zweite Schicht ist die Schwelle. Ein Werkzeug kann in einer Situation nützlich und in einer anderen gefährlich sein. Die Schule muss nicht nur wissen, dass der Klassifikator ein schönes Diagramm hat. Er muss den Fehlalarm des Einzelnen kennen, denn die Strafe trifft den Einzelnen und nicht den Durchschnitt. RAID kalibriert daher die Richtig-Positiv-Rate auf eine Falsch-Positiv-Rate von 5 %. Dies ist genauer als der ungeprüfte Standard-Schieberegler, aber immer noch keine Entschuldigung für einen Disziplinarautomaten [6].
Die dritte Ebene ist die Textpopulation. Ein englischer Aufsatz ist keine tschechische Hausarbeit. Der Kodex ist nicht die Einleitung zum Diplom. Der Text eines muttersprachlichen Autors ist nicht der Text einer Person, die in einer zweiten Sprache schreibt. Ein übersetzter Absatz ist kein Beweis für einen Autorenwechsel. Durch das Ändern der Domäne kann sich die Reihenfolge der Werkzeuge ändern, da das Modell den Autor nicht erkennt. Er erkennt die Ähnlichkeit zu dem, was er als Mensch und Maschine gelernt hat.
Die vierte Ebene ist die Anpassung. Der Text kann paraphrasiert, übersetzt, redigiert oder mit menschlicher Arbeit vermischt werden. In diesem Artikel wird nicht beschrieben, wie man Schulregeln umgeht. Es wird lediglich beschrieben, dass die Änderung die Statistik ändert. Ändert sich das Signal und die Urheberschaft nicht, kann die Partitur kein Herkunftssiegel sein.
Die fünfte Ebene ist die Entscheidung. Dasselbe Ergebnis kann ein indikativer Anreiz für das Interview sein, es darf jedoch kein unabhängiger Beweis für einen Betrug sein. Diese Schichtung ist für Methodologen kein Detail. Bestimmt, ob die Nummer zu einem Bildungsgespräch, zu einer Regeländerung oder zu einem Vorgang gehört, der dem Schüler schaden kann.
3. Ähnlichkeitsstatistiken sind kein Herkunftssiegel
Der Klassifikator hat keine Person an der Tastatur gesehen. Er weiß nicht, ob der Student den ersten Entwurf verfasst hat, die Vorlage für die Gliederung verwendet hat, sein Englisch korrigieren ließ, den Text hin- und herübersetzte oder die fertige Ausgabe übernahm. Es sieht den Text und vergleicht seine Eigenschaften mit dem, was es in seinem Satz als Mensch und Maschine betrachtet. Dies kann Anlass zu Verdacht geben. Daraus allein kann Autorschaft nicht entstehen.
Das ist kein Wortspiel. Der Ursprung des Textes ist eine historische Frage. Wer hat was, wann, in welchem Umfang und mit welchem Grad an Selbstständigkeit gemacht? Die statistische Bewertung ist eine Frage der Verteilung. Wie ähnlich ist der Text einer Klasse im Vergleich zu einer anderen? Es gibt eine Brücke zwischen diesen Fragen, aber sie erfolgt nicht automatisch. Die Brücke besteht aus Prozesskenntnis, Aufgabenstellung, Zwischenfassung, Beratung, Erklärung, Verteidigung und der Möglichkeit zur Erläuterung der Arbeit.
DetectGPT ist ein nützliches Beispiel. Es basiert auf der Idee, dass maschinengenerierter Text eine andere probabilistische Krümmung aufweisen kann als menschlicher Text [15]. Dies ist eine elegante statistische Hypothese. Es handelt sich nicht um einen Dateiursprungsdatensatz. Wenn sich Modell, Sprache, Domäne oder Textbearbeitung ändern, ändern sich auch die Signaleigenschaften. Manchmal hilft es. Manchmal geht es kaputt. Die Schlussfolgerung „ähnelt der Ausgabe des Modells“ ist nicht dasselbe wie „Diese Person hat KI unangemessen eingesetzt“.
Die Schule muss daher drei Sätze unterscheiden. Erstens: Das Tool hat den Text hervorgehoben. Zweitens: Der Text enthält Charaktere, über die es sich zu sprechen lohnt. Drittens: Der Student hat die Regeln gebrochen. Der erste Satz kann von der Software gesagt werden. Die zweite erfordert einen Lehrer. Der dritte erfordert einen Prozess.
4. Wasserzeichen ist kein Detektor für Chatbots
Wasserzeichen im Text klingt nach einer Lösung. Der Generator würde während der Erstellung einige Wörter mit einer kleinen statistischen Verschiebung auswählen und der Detektor würde später überprüfen, ob die Verschiebung im Text bestehen blieb. Kirchenbauer und Kollegen beschrieben ein Schema, das laut dem Papier von 2023 die Erkennung bereits aus einer kurzen Entfernung ermöglicht, in einer Laborumgebung, die angeblich „nur“ 25 Token enthält [3]. Dies ist ein wichtiges Forschungsergebnis. Es handelt sich nicht um einen universellen Textdetektor aus dem Internet.
Wasserzeichen funktioniert nur, wenn der Generator tatsächlich ein bestimmtes Schema verwendet hat, der Detektor die erforderliche Konfiguration kennt und der Text keine Änderung erfahren hat, die die Spur unterbricht. Wenn jemand reguläre Ausgaben eines öffentlichen Chatbots in den Detektor einspeist, der nicht mit einem öffentlich überprüfbaren Wasserzeichen versehen und zur Überprüfung veröffentlicht ist, sucht dieser nicht nach einem Siegel. Es wird nach statistischer Ähnlichkeit gesucht. Das ist ein anderes Werkzeug.
Mit Stand September 2026 lässt sich aus öffentlichen Materialien nicht ableiten, dass große Verbraucher-Chat-Dienste dem Durchschnittsnutzer nach diesem Schema ein überprüfbares Textwasserzeichen zur Verfügung stellen. Nachdem OpenAI seinen Klassifikator zurückgezogen hat, spricht er über die Provenienz in anderen Modalitäten und umfassendere Provenienzfragen, hat jedoch keinen öffentlichen, zuverlässigen Textklassifikator zurückgegeben, der sich ausschließlich mit der Provenienz von Hausarbeiten befasst [1].
Dies bedeutet nicht, dass Wasserzeichen keinen Wert haben. Daraus folgt, dass ihr Preis unterschiedlich ist. Sie können in einem geschlossenen System nützlich sein, das sowohl die Generierung als auch die Validierung steuert. In einer öffentlichen und gemischten Umgebung, in der Text durch Redakteure, Übersetzungen, Kopien und menschliche Überarbeitung wandert, wird ein Wasserzeichen nicht zu einem Gerichtsstempel.
5. Ein niedriger FPR in einem Labor ist kein niedriger FPR bei einem nicht-muttersprachlichen Autor
Die Falsch-Positiv-Rate scheint eine technische Zahl zu sein. In der Schule ist es jedoch wahrscheinlicher, dass ein harmloser Text als verdächtig markiert wird. Und diese Wahrscheinlichkeit ist keine Eigenschaft des Tools selbst. Es handelt sich um eine Funktion des Tools für eine bestimmte Textpopulation.
Im Jahr 2023 untersuchten Liang und Kollegen 91 menschliche TOEFL-Aufsätze und 88 Aufsätze von Achtklässlern in den Vereinigten Staaten. Mit sieben Detektoren, darunter GPTZero, ermittelten sie eine durchschnittliche Falsch-Positiv-Rate von 61,22 % für TOEFL-Aufsätze. Achtzehn der 91 TOEFL-Aufsätze oder 19,78 % erfüllten alle sieben Prüfkriterien. Mindestens ein Detektor hat 89 von 91 Aufsätzen markiert, also 97,80 % [8]. Das ist eine starke Zahl, aber es gibt genaue Grenzen. Es misst TOEFL-Aufsätze in menschlichem Englisch von nicht-muttersprachlichen Autoren beim Zugriff auf Tools ab dem 15. März 2023. Es misst nicht das tschechische Seminar im Jahr 2026.
Dennoch ist es wichtig. Es zeigt, dass die Autorenpopulation Teil der Messung ist. Ein eingeschränkterer Wortschatz, ein einfacherer Satzbau oder ein erlernter Schulstil können „vorbildlich“ wirken, ohne dass der Text das Vorbild schreibt. Ein solches Signal zu bestrafen bedeutet, Stil, sprachlichen Hintergrund oder Genre zu bestrafen. Das ist genau die Art von Fehler, die Institutionen nicht hinter dem Wort Objektivität verbergen dürfen.
Daraus folgt nicht, dass heute jeder Detektor im gleichen Ausmaß den gleichen Fehler macht. Daraus folgt, dass es nicht ausreicht, den FPR aus einem Englisch- oder Lieferantentest zu nehmen und ihn auf tschechische Studenten anzuwenden. Wer die Nummer im Verfahren verwenden möchte, muss deren Gültigkeit für die angegebene Sprache, Gattung, Länge und Bevölkerung nachweisen. Ohne sie ist ein niedriger FPR in einer Präsentation nur ein weiter entfernter Wert.
6. Turnitin-Ähnlichkeit ist kein Turnitin-KI-Schreiben
Lehrer kennen die Ähnlichkeitsprüfung mit Quellen. Das hat sein eigenes Problem, aber es misst zumindest eine andere und verständliche Sache: ob ein Text mit einem anderen Text übereinstimmt. Turnitin-Ähnlichkeit ist nicht dasselbe wie Turnitin-KI-Schreiben. Eine Übereinstimmung mit einer Quelle kann auf eine Kopie, ein falsches Zitat oder eine gebräuchliche Phrase hinweisen. Der AI Writing Score fragt, ob ein Text wie maschinell geschrieben aussieht. Diese Ergebnisse in einem Satz zu vermischen, ist ein Objektfehler.
Das Beispiel ist einfach. Ein Student kann eine Quelle ehrlich zitieren und eine hohe Ähnlichkeit aufweisen, weil die Bibliographie, der juristische Wortlaut oder die Aufgabenstellung gleich sind. Ein anderer Student paraphrasiert den Text möglicherweise so, dass die Ähnlichkeit abnimmt, die Urheberschaft aber weiterhin problematisch bleibt. Ein dritter Student schreibt vielleicht alleine, aber in einem Genre, das formal, repetitiv und akademisch ausgefeilt ist. Jeder Fall erfordert eine andere Frage.
Turnitin selbst unterscheidet in seinen Materialien zwischen Schwellenwerten und Grenzen. Für das KI-Schreibmodell wird eine Mindestlänge von 300 Wörtern angegeben und beschrieben, wie mit geringem Markup umgegangen wird [11]. Im operativen Text 2023 sprechen sie von einer Falsch-Positiv-Rate auf Dokumentebene von weniger als 1 % für Dokumente mit mehr als 20 % KI-Schreiben bei einem internen Test von 800.000 akademischen Texten vor ChatGPT und einer Falsch-Positiv-Rate auf Satzebene von etwa 4 % [10]. Hierbei handelt es sich um Anbieternummern mit einem definierten Schwellenwert und einem benutzerdefinierten Satz. Sie sind nicht die Beweisregeln der tschechischen Schule.
Daher lautet der korrekte Verwaltungssatz nicht „Turnitin hat den Prozentsatz gezeigt, der Fall ist klar“. Darin heißt es: „In einer Aufgabe hat das Tool den Text markiert; wir müssen herausfinden, was es gemessen hat, ob Länge, Sprache, Schwellenwert passen und ob es eine unabhängige prozedurale Unterstützung gibt.“ Das ist langsamer. Aber eine Schule, die schneller bestraft als sie unterscheidet, bestraft nicht Genauigkeit. Bequemlichkeit bestraft.
7. Vierzehn Urkunden auf vierundfünfzig Dokumenten stellen keine Betriebsgarantie dar
Weber-Wulff und Kollegen testeten im Winter und Frühjahr 2023 insgesamt 14 Detektoren, darunter 12 öffentliche, sowie Turnitin und PlagiarismCheck. Der Satz umfasste 9 Dokumente in 6 Klassen, also 54 Dokumente, in englischer Sprache. Bei einem strikten binären Schnitt erreichte kein Werkzeug eine Genauigkeit von über 80 %; Der beste Turnitin-Test lag bei 76 %. Er hatte 79 % im semi-binären Schnitt und 81 % in der logarithmischen Auswertung [5].
Diese Studie weist Einschränkungen auf. Das Set ist klein. Die Sprache ist Englisch. Die Tools haben sich seit 2023 geändert. Es ist kein Urteil darüber, dass eine bestimmte Version eines bestimmten Tools im Jahr 2026 nichts Nützliches leisten kann. Es ist jedoch eine gut lesbare Demonstration von etwas anderem: wie leicht sich der Detektor je nach Textklasse und Auswertungsmethode unterschiedlich verhält.
Eine kleine gemeinsame Methodik hat den Vorteil, die Mechanik aufzuzeigen. Genauigkeit ist nicht das eine. Ein binäres Ergebnis bestraft einen anderen Fehler als eine weichere Klassifizierung. Übersetzte Texte, von Menschen bearbeitete Texte und gemischte Texte sind nicht nur Lärm. Das sind genau die Situationen, in denen Schulen leben. Der Student muss nicht die saubere Ausgabe des Modells einreichen. Es kann ein eigenes Konzept, sprachliches Korrekturlesen, Übersetzung, Beratung und Zitate umfassen. In diesen Zwischenstadien ist die Disziplinarentscheidung am schwierigsten.
Daher stellen vierzehn Tools auf vierundfünfzig Dokumenten keine Funktionsgarantie dar. Es ist eine Warnung davor, ein Labordiagramm in einen Ein-Mann-Versuch zu übertragen. Wer verantwortungsvoll mit dem Detektor umgehen will, muss wissen, wie ein Fehler in seinen eigenen Texten aussieht. Nicht im Anzeigentext.
8. RAID zeigt Absturz beim Ändern des Samplings. Es handelt sich nicht um ein tschechisches Diplom
RAID ist ein größerer und härterer Test. In ACL 2024 beschrieben Dugan und Kollegen einen gemeinsamen Benchmark für die robuste Bewertung maschinengenerierter Textdetektoren. Der Datensatz enthält mehr als 6 Millionen Generationen, 11 Modelle, 8 Domänen, 11 gegnerische Angriffe und 4 Dekodierungsstrategien; wertet 8 offene und 4 geschlossene Melder aus [6]. Die Autoren beobachten eine Richtig-Positiv-Rate mit einer Falsch-Positiv-Rate von 5 %. Dies ist wichtig, da man ohne Kalibrierung bei einer Metrik, die für die Schule nicht akzeptabel ist, gut aussehen kann.
Gleichzeitig zeigt RAID Fragilität. Dem Papier zufolge reduziert die Wiederholungsstrafe die Genauigkeit um bis zu 32 Prozentpunkte [6]. Bei naiven Schwellenwerten ergibt sich für Closed-Source-Tools eine Falsch-Positiv-Rate von bis zu 1,7 %; Offene Kennzahlen sind oft deutlich höher [6]. Diese Zahlen haben genaue Grenzen. Es gehört zu einem bestimmten Benchmark, Modellen, Domänen und Einstellungen. Sie stellen keine direkte Messung der tschechischen Diplomarbeit dar.
Deshalb sind sie nützlich. Sie sagen nicht „Niemals einen Detektor verwenden“. Sie sagen: „Eine Änderung der Stichprobe, des Bereichs und der Anpassung verändert das Ergebnis so sehr, dass der Standardschwellenwert keinen Beweis darstellt.“ RAID-extra enthält auch tschechische und deutsche Nachrichten und Code [7]. Dies zeigt, dass es in einer anderen Domäne einen tschechischen Sprachstresstest gibt. Dies bedeutet nicht, dass jemand die disziplinäre Verwendung tschechischer Haus- und Abschlussarbeiten bestätigt hat.
Der öffentliche Benchmark ist eine Karte. Es ist kein Urteil. Es hilft herauszufinden, welche Signale es wert sind, beachtet zu werden, wo Werkzeuge hinfallen und wie sie sich verhalten, wenn sich die Bedingungen ändern. Die Entscheidung über den Studierenden muss woanders liegen.
9. Der heruntergeladene Klassifikator ist ein Beweis für das Limit. Es gibt keinen Beweis dafür, dass das neue Tool keine Grenzen kennt
OpenAI veröffentlichte den AI Text Classifier im Januar 2023. Im Juli desselben Jahres wurde er wegen geringer Genauigkeit zurückgezogen [1]. Beim englischen Challenge-Set wurde berichtet, dass das Tool 26 % der KI-Texte korrekt als „wahrscheinlich von KI geschrieben“ gekennzeichnet hat und 9 % der menschlichen Texte fälschlicherweise gekennzeichnet hat [1]. Der Schwellenwert wurde sorgfältig festgelegt, damit es nicht zu viele Fehlalarme gab. Der Preis war klar: Viele KI-Texte wurden vom Tool übersehen.
Dieses Beispiel wird tendenziell zu schnell verwendet. Einerseits wird es den Beweis erbringen, dass die Erkennung als Feld wertlos ist. Der andere wird sagen, dass das alte Werkzeug der Vergangenheit angehört und es keinen Grund gibt, sich damit auseinanderzusetzen. Nicht einmal ein Satz reicht aus. Es handelt sich um eine Prüfung eines Tools eines Unternehmens, eines Englischsatzes und einer Periode. Es handelt sich nicht um eine Messung von Tschechisch, Code, Kurztexten oder gemischter Urheberschaft.
Zugleich ist es der Beweis für eine Grenze, die nicht überwunden werden kann. Wenn sogar ein großer Anbieter einen öffentlichen Bewerter zurückzieht, weil dieser nicht genau genug ist, kann eine Schule nicht ohne weitere Unterstützung behaupten, dass ein anderer Prozentsatz eines anderen Dienstes als Schuld ausreicht. Ein neues Tool könnte besser sein. Sie muss jedoch in der relevanten Population und in einem den Folgen entsprechenden Schwellenwert nachgewiesen werden.
Die sinnvolle Frage ist nicht, ob die Detektoren besser werden. Es verändert sich auf jeden Fall. Es geht darum, ob ihr Fehler für eine bestimmte Entscheidung akzeptabel bleibt. Für einen Orientierungsbescheid kann die Schwelle eine andere sein als für ein Disziplinarverfahren. Für ein Vorstellungsgespräch mit dem Studenten, außer für die Absage von der Arbeit. Das Wort „Verdacht“ und das Wort „Beweis“ dürfen nicht denselben Schieberegler haben.
10. Paraphrasierung bricht Statistiken. Dieser Text ist kein Leitfaden für die Schule
Sadasivan und Kollegen bei der Arbeit Kann KI-generierter Text zuverlässig erkannt werden? zeigen, dass Paraphrasierung die Leistung sowohl von Detektoren als auch von Wasserzeichen verringern kann [2]. Bei der mit Wasserzeichen versehenen Ausgabe in einem Experiment mit etwa 100 XSum-Passagen sank die Genauigkeit des Detektors nach der PEGASUS-Paraphrase von 97 % auf 80 % und die Ratlosigkeit stieg um 3,5 [2]. Für DetectGPT auf 200 XSum-Passagen, generiert durch GPT-2 Medium und paraphrasiert durch das T5-Modell, sank der AUROC von 96,5 % auf 59,8 %. [2]. Um DIPPER rekursiv zu paraphrasieren, meldet das Dossier einen Rückgang von 82 % auf 18 % AUROC [2][16].
Diese Zahlen sind kein Rezept. Sie sagen dem Schüler nicht, was er tun soll. Sie sagen der Schule nicht einmal, dass jeder redigierte Text verdächtig ist. Sie sagen, dass das statistische Signal geändert werden kann, ohne einfach den historischen Ursprung zu ändern. Text kann maschinell, menschlich, übersetzt und bearbeitet werden. Die Urheberschaft wird nicht binär, nur weil das Tool ein Binär-Flag zurückgibt.
AUROC 50 % entspricht Zufall. Wenn sich das angepasste Ergebnis der zufälligen Auflösung nähert oder darunter fällt, ist es falsch, die Strafe auf der Annahme zu begründen, dass die Punktzahl stabil bleibt. Noch schlimmer ist die Vorstellung, dass ein niedriger Punktestand automatisch freigesprochen wird und ein hoher Punktestand automatisch zu einer Verurteilung führt. Beide Fehler haben die gleiche Ursache: Sie verwechseln statistische Ähnlichkeit mit Abstammung.
Daher sollte die Paraphrase im Erkennungsartikel mit Vorsicht erwähnt werden. Nicht als Komplettlösung. Als Test für die Stärke der Behauptung. Wenn eine kleine Änderung des Wortlauts das Ergebnis erheblich verändert, handelt es sich bei dem Ergebnis nicht um ein Siegel. Es ist ein Signal mit einer Grenze.
11. Die Verwendungserklärung stellt keinen Nachweis dar
Einige Schulen reagieren auf generative KI mit einer Pflichterklärung. Dies unterscheidet sich von der Erkennung. Die Aussage besagt nicht, dass wir jede Nutzung des Modells rückwirkend anerkennen können. Darin heißt es, dass der Autor seine Arbeit beschreiben und die Verantwortung für die Verwendung des Tools übernehmen soll.
Die Fakultät für Geisteswissenschaften der Karlsuniversität führt in der Dekanatsmaßnahme Nr. 3/2026 eine verbindliche Erklärung zum Einsatz generativer KI in der Abschlussarbeit ein [14]. Die CTU arbeitet in ihren Abschlussarbeiten mit einer Stellungnahme zur Künstlichen Intelligenz [20][21]. Es ist keine Blackbox. Es handelt sich um ein Verfahrenselement. Es zwingt den Autor, zwischen Recherche, Gliederung, Sprachkorrektur, Textgenerierung und Eigenverantwortung zu unterscheiden.
Das KI-Gesetz in Artikel 50 und die dazugehörigen FAQ der Europäischen Kommission regeln Transparenzpflichten für bestimmte Arten von Ergebnissen und Texten im öffentlichen Interesse [22]. Es wird nicht die Herkunft jeder Seminararbeit geklärt. Es ist kein Universitätsdetektor. Es handelt sich um einen rechtlichen Rahmen für Kennzeichnung und Transparenz in einem anderen Entscheidungsbereich.
Die Aussage kann also vernünftig sein. Es ist kein Ersatz für einen Beweis. Es hilft, Regeln festzulegen, das Gespräch zwischen Betreuer und Schüler zu verbessern und im Voraus zu sagen, was erlaubt ist. Wird der Verstoß jedoch im Nachhinein behoben, reicht es nicht aus, die Aussage mit dem Prozentsatz des Instruments zu vergleichen. Sie müssen das Werk lesen, den Prozess verfolgen und Fragen zu Dingen stellen, die der Autor des Werks verteidigen können sollte.
12. Die Karls-Universität akzeptiert den Detektor nicht als Beweismittel. Die CTU verbietet es zur Entdeckung
Die tschechische Politik ist in diesem Punkt nüchterner als viele andere Debatten. In ihrer Empfehlung für Abschlussarbeiten stellt die Karls-Universität fest, dass es keine technisch zuverlässige Möglichkeit gibt, generative KI zu erkennen [12]. Die CTU stellt in der Methodenanweisung Nr. 5/2023 fest, dass KI-Tools nicht zur Erkennung von Schülerlösungen eingesetzt werden sollten, gerade wegen falsch-positiver und falsch-negativer Ergebnisse [13]. Spätere CTU-Materialien basieren eher auf einer Aussage über den Einsatz von KI als auf der Hervorhebung des Detektors als Beweismittel [21].
Das bedeutet nicht, dass die Schulen ihre akademische Integrität aufgeben. Das bedeutet, dass sie nicht in einer Blackbox danach suchen. Der Betreuer kennt möglicherweise die Entwicklung des Textes, die Konsultationen, die Literatur, die Formulierung des Problems und die Fähigkeit des Studenten, das Verfahren zu verteidigen. Die Kommission kann prüfen, ob der Studierende seine eigenen Aussagen versteht. Die Regeln können erlaubte Sprachunterstützung von unerlaubter Übernahme von Ausgaben unterscheiden.
Im Zusammenhang mit KI-Forschungsinstrumenten stellt die Nationale Technische Bibliothek fest, dass die Detektoren Richtwerte haben [19]. Das ist das genaue Wort. Indikativ bedeutet nicht nutzlos. Das bedeutet, dass das Ergebnis die Richtung für die nächste Frage vorgibt. Nein ersetzt die Antwort.
Im disziplinarischen Kontext ist diese Zurückhaltung auch menschlich wichtig. Ein Fehlalarm ist nicht nur ein Fehler in der Tabelle. Es wird einer Person Unehrlichkeit vorgeworfen. Und für einen solchen Vorwurf braucht es mehr als eine Ähnlichkeitsstatistik.
13. Eine Flagge über zwanzig Prozent ist kein Bruchteil von Betrug
Turnitin berichtete im Mai 2023, dass es in den 7 Wochen nach der Detektorvorschau 38,5 Millionen Einsendungen verarbeitet habe. Davon erzielten 9,6 % einen Wert von über 20 % beim KI-Schreiben und 3,5 % erreichten einen Wert zwischen 80 und 100 % beim KI-Schreiben [10]. Diese Zahlen lassen sich oft auf einen einfachen Satz reduzieren: So viele Schüler betrügen. Das wäre eine schlechte Übersetzung.
Die Maßeinheit sind Turnitin-Einreichungen, einschließlich Aufgaben, bei denen KI möglicherweise aktiviert wurde oder bei denen die Nutzung des Tools hätte bestätigt werden müssen. Eine Punktzahl über 20 % ist eine Markierung durch das Tool und kein Regelverstoß. Ein Dokument mit einer hohen Punktzahl kann ein Fall für die Überprüfung sein. Es ist keine Schrift an sich.
Gleichzeitig arbeitet der Anbieter mit einem eigenen internen Test von 800.000 akademischen Texten vor ChatGPT und meldet für Dokumente mit mehr als 20 % KI-Schreiben eine Falsch-Positiv-Rate auf Dokumentebene von weniger als 1 %. [10]. Auch diese Zahl hat eine Grenze. Gilt für die Lieferantenmethodik, den spezifischen Schwellenwert und den Satz. Bei niedrigen Werten hat Turnitin selbst die Ergebnisse relativiert und in der Dokumentation Einschränkungen für kürzere Texte genannt [11].
Daraus folgt eine einfache Regel: Die Flagge ist kein Betrugsanteil. Es ist ein administratives Signal. Wenn die Schule ihn für ein Vorstellungsgespräch einsetzt, muss sie ihn von der Schuld freisprechen. Wenn er es zur Bestrafung nutzt, braucht er eine andere Unterstützung. Andernfalls wird die Orientierung zum Urteil.
14. Die beste Entscheidung ist die, deren Fehlalarme Sie ertragen
Wir fragen das Tool oft, wie oft die KI Text erfasst. Bei der Institution ist es ebenso wichtig, wie oft sie den menschlichen Text beschädigt. Das folgende Diagramm ist kein Werkzeugdiagramm. Es handelt sich um eine Fehlerkarte, die die Schule vorab benennen muss.
| Eine Art Misserfolg | Wie sieht er aus? | So testen Sie | Was wird den Schaden begrenzen? |
|---|---|---|---|
| Partitur als Ursprung | GPTZero oder Turnitin übersetzen den Satz „schuldig“ | Zwei Detektoren für bekannten menschlichen Text; Überwachen Sie die Abweichung | Detektor außerhalb von Bestrafung, Aussage und Verteidigung |
| Labor-FPR an einer anderen Population | Der TOEFL-Aufsatz ist als AI gekennzeichnet | Liang: Die Bevölkerung des Schriftstellers ist Teil der Messung [8] | Lesen Sie Englisch FPR nicht als Tschechisch; Schutz nicht-muttersprachlicher Autoren |
| Ähnlichkeiten wie KI-Schreiben | Die Übereinstimmung mit der Quelle wird als maschinelle Urheberschaft gelesen | Separate Tools, Ergebnisse und Schlussfolgerungen | Zwei Spalten, zwei Fragen, zwei Regeln |
| Standardschwellenwert | „99 % Genauigkeit“ ohne Kenntnis von Schwellenwert und Einstellung | RAID: TPR bei FPR 5 % [6] | Kalibrierung und Verbot automatischer Strafen |
| Ein kurzer Text wie ein Diplom | Ein Absatz wird auf die gleiche Weise bewertet wie eine lange Arbeit | Mindestens 300 Wörter auf Turnitin prüfen [11] | Urteilen Sie nicht unterhalb der Schwelle des Instruments |
Anschauliches Diagramm: In der ersten Spalte steht der Detektor, in der zweiten die Textpopulation und in der dritten die Entscheidung der Schule. Der Pfeil von der ersten Spalte zur dritten führt nicht direkt. Führt durch Validierung, Fürsprache und Regeln.
Die beste Entscheidung ist also nicht die, den Fall so schnell wie möglich abzuschließen. Es ist eine Entscheidung, deren Fehler erklärt, korrigiert und menschlich entführt werden kann. Bei einer Verwendung mit geringem Risiko kann der Detektor dabei helfen, Texte für die manuelle Überprüfung auszurichten. Die Strafschwelle muss strenger sein, denn ein Fehlalarm ist nicht nur ein technischer Schaden. Es ist ein Reputationshit.
15. Ein Text, dessen Herkunft Sie kennen, verrät mehr als einen Prozentsatz des Lieferanten
Der Übungstest muss nicht kompliziert sein. Es soll nicht beweisen, dass jemand betrogen hat. Es soll zeigen, ob die Institution ihr eigenes Instrument versteht. Nehmen Sie einen Text, dessen Herkunft Sie kennen: Ihren eigenen Absatz, der vor ChatGPT geschrieben wurde, einen archivierten Lehrertext, eine alte Schülerarbeit mit klarem Datum. Lassen Sie es in die beiden Detektoren fallen. Sollten die Ergebnisse abweichen, handelt es sich nicht um einen Markenstreit. Es ist eine Warnung, dass die Punktzahl nicht der Ursprung ist.
So testen Sie den Detektor für Text, dessen Herkunft Sie kennen
Derselbe vertraute menschliche Text kann hin und her übersetzt werden. Weber-Wulff und Kollegen hatten eine Klasse maschinell übersetzter Texte in ihrem Set [5]. Die Übersetzung verändert die Statistik, nicht aber die Person, die den Originaltext geschrieben hat. Wenn nach der Übersetzung eine Flagge erscheint, erkennt die Schule den Unterschied zwischen einem Oberflächenwechsel und einem Wechsel der Autorenschaft.
Der dritte Test ist die Länge. Sowohl OpenAI als auch Turnitin verknüpften ihre Grenzen mit der Zuverlässigkeit ausreichend langer Texte; Turnitin gibt ein Minimum von 300 Wörtern an [1][11]. Ein kurzer Absatz, eine Zusammenfassung oder eine Testantwort kann nicht als Abschlussarbeit gelesen werden. Es ist eine andere Maßeinheit.
Drei Tests vor der Bestrafung
Der erste Test ist eine Nichtübereinstimmung zwischen den beiden Tools bei bekanntem menschlichem Text. Der zweite Grund ist die Änderung der Partitur nach der Übersetzung bekannter menschlicher Texte. Der dritte Wert ist die Länge unterhalb der Schwelle des Instruments. Keiner der Tests sagt, wer betrogen hat. Alle drei zeigen, ob die Partitur dem Gewicht standhält, das die Institution ihr beimisst.
Vor disziplinarischem Einsatz
Vor der Bestrafung müssen Fragen stehen, die nicht nur das Werkzeug betreffen. Gibt es laufende Versionen? Kann der Schüler Literatur erklären? Passt der Stil zum vorherigen Werk, ohne es pseudowissenschaftlich zu machen? War der Einsatz von KI im Auftrag erlaubt, eingeschränkt oder verboten? War die Regel vor der Einreichung klar? Wenn die Antwort auf diese Fragen fehlt, wird sie nicht durch den Prozentsatz ergänzt.
Eine Meinungsverschiedenheit zwischen zwei Instrumenten über einen bekannten Text ist kein Markenstreit. Es ist ein Beweis dafür, dass die Punktzahl nicht der Ursprung ist.
– Anderer Kontext
16. Extrapolieren Sie den englischen FPR nicht auf Tschechisch
Tschechisch ist nicht nur Englisch mit diakritischen Zeichen. Es hat einen anderen Tonfall, eine andere Wortstellung, andere Phrasen, Genregewohnheiten und einen anderen Schulstil. Wenn der Detektor hauptsächlich an englischen Texten trainiert und getestet wird, können seine Zahlen nicht einfach auf eine tschechische Hausarbeit übertragen werden. RAID-extra zeigt im erweiterten Test die Existenz der tschechischen News-Domain [7]. Das ist nützlich. Es handelt sich nicht um eine Validierung tschechischer Universitätsarbeiten.
Liangs Studie misst nicht-englische Muttersprachler [8]. Weber-Wulff misst englische Dokumente in einem kleinen Satz [5]. OpenAI Classifier hat den englischen Herausforderungssatz gemessen [1]. Turnitin meldet seine eigenen betrieblichen und internen Testzahlen [10][11]. Jede dieser Quellen hat einen Wert. Keiner von ihnen sagt: „Hier ist eine verlässliche Falsch-Positiv-Rate für tschechische Diplomarbeiten an der Karls-Universität und der CTU in den Jahren 2025 bis 2026.“
Was würde die Hauptthese schwächen? Ein öffentlicher, vorab angemeldeter Test zu tschechischen Seminar- und Diplomtexten mit einer kalibrierten Falsch-Positiv-Rate von maximal 1 % und einer gleichzeitig angegebenen Richtig-Positiv-Rate. Ein Test, der die Übersetzung und die normale menschliche Bearbeitung übersteht. Öffentlich überprüfbares Wasserzeichen für Haupt-Chatbots bereitgestellt. Oder die neue Politik der tschechischen Universitäten, die den Detektor explizit zum Beweismittel erheben würde. Zum Zeitpunkt der Recherche gibt es in der Datei keinen solchen Beleg.
Solange es fehlt, ist es genauer, weniger zu sagen. Der Detektor kann eine Orientierungshilfe sein. Er ist nicht der Autor des Textes. Er ist kein Zeuge. Es ist keine Beweismaschine.
17. Eine versteckte Ladung ist ein Fehlalarm, den der Verurteilte nicht ertragen kann
In der öffentlichen Debatte wird oft der Schaden winziger KI-Texte berechnet. Ein Schüler hat betrogen und die Schule hat ihn nicht erwischt. Dieser Schaden ist vorhanden. Akademische Integrität ist keine Dekoration. Doch der zweite Schaden ist weniger sichtbar: ein Fehlalarm. Der Student hat den Text selbst geschrieben oder das Tool in erlaubter Weise verwendet und das System hat ihn als verdächtig markiert. Der Lehrer beginnt anders auszusehen. Die Kommission möchte eine Erklärung. Der Ruf wird geschädigt, bevor der Fehler behoben wird.
Dies ist ein verstecktes Konto mit einem komfortablen Prozentsatz. Die Software gibt eine Zahl pro Sekunde zurück. Die Folgen muss die Institution dann wochen- oder monatelang tragen. Wenn es keinen Prozess gibt, der Fehlalarme erkennt, ist der Detektor nicht billig. Es verlagert den Preis lediglich auf die Person mit weniger Macht.
Daraus folgt nicht, dass Schulen zurücktreten sollten. Daraus folgt, dass sie genauer benennen sollten, was sie bestrafen. Die unbestätigte Annahme der Ausgabe, die Nichtbeachtung der Regeln für die Zitierung des Dokuments, die Nichtverteidigung des Werks oder irreführende Aussagen können untersagt sein. Das sind alles menschliche und prozedural überprüfbare Fragen. Der Detektor kann einen Reiz geben. Er hat nicht das letzte Wort.
Die Frage ist also nicht, wie man mit künstlicher Intelligenz geschriebene Texte anhand einer einzelnen Zahl erkennt. Es geht darum: Was dürfen Sie aufgrund der Ähnlichkeitsstatistik glauben, für welche Textpopulation, mit welchem Schwellenwert und welchen Fehler werden Sie für diese Person tolerieren? Wenn die Antwort „Wir wissen es nicht“ lautet, ist das ärgerlich. Aber es ist genauer als die Gewissheit, dass das Instrument nie gemessen hat.
Verwandte Texte in dieser Reihe
- Deepfake: Wie erkennt man ein gefälschtes Video oder Foto? — Der Bilddetektor hat das gleiche Problem wie der Textdetektor: Im Labor herrscht kein Verkehr.
- Ist das Foto ein Beweis? — Die Authentizität der Akte ist nicht die Vollständigkeit der Handlung.