Warum AI-Detektoren gegen nicht muttersprachliche englische Schreibende voreingenommen sind

KI-Detektoren, die gegen Nicht-Muttersprachler voreingenommen sind, sind keine subjektive Beschwerde. Eine begutachtete Stanford-Studie aus dem Jahr 2023 hat dies direkt gemessen. Die Forschenden setzten sieben weit verbreitete GPT-Detektoren gegen 91 echte TOEFL-Aufsätze ein, die von Nicht-Muttersprachlern des Englischen verfasst worden waren, und gegen 88 Aufsätze von amerikanischen Achtklässlern, und verglichen dann, wie jede Gruppe bewertet wurde.

Die Detektoren lasen die Aufsätze der Achtklässler fast jedes Mal korrekt. Bei den TOEFL-Aufsätzen, die von Erwachsenen geschrieben worden waren, die bereits eine Englischkompetenzprüfung auf Graduiertenniveau bestanden hatten, lieferten dieselben sieben Werkzeuge eine durchschnittliche Falsch-Positiv-Rate von 61.22 Prozent. Neunundachtzig der einundneunzig Aufsätze, fast 98 Prozent, wurden von mindestens einem der sieben Werkzeuge als KI-generiert markiert.

TextPulse's Überblick über die breitere Evidenz zur Genauigkeit von KI-Detektoren behandelt diesen zentralen Befund und die Klagen, in die er seither eingeflossen ist. Was fast überall ausgelassen wird, wenn die Studie zitiert wird, ist der Mechanismus, warum die Prosa eines Englischsprechers auf Graduiertenniveau überhaupt wie maschinell erzeugt gelesen wird, und was sich ändert, wenn sie nicht mehr so gelesen wird.

KI-Detektoren, die gegen Nicht-Muttersprachler voreingenommen sind, der Mechanismus

Ein Detektor liest nie auf Bedeutung. Er liest danach, wie vorhersehbar jedes Wort ist, gegeben die Wörter, die ihm vorausgingen, und bewertet einen Abschnitt niedrig, wenn das Modell den größten Teil davon im Voraus hätte erraten können. Lexikalische Vielfalt, also wie breit ein Schreibender auf einen Wortschatz zurückgreift, statt eine kleinere Menge sicherer Wörter zu wiederholen, und syntaktische Vorhersagbarkeit, also wie eng die Satzstruktur dem häufigsten Muster der Sprache folgt, statt es zu variieren, sind zwei Eigenschaften der Sprachproduktion, die diesen Wert senken.

Der Unterschied ist wichtig, weil die beiden sich auf der Seite unterschiedlich zeigen. Lexikalische Vielfalt betrifft die Wörter selbst: Eine Autorin oder ein Autor, die oder der in drei verschiedenen Sätzen zu „obtain“, „acquire“ und „secure“ greift, wirkt vielfältiger als jemand, der dreimal „get“ schreibt, selbst wenn die Sätze ansonsten identisch sind. Syntaktische Vorhersagbarkeit betrifft die Struktur: Subjekt, Verb, Objekt, immer wiederholt, statt eines Satzes, der mit einem Nebensatz beginnt oder auf einem unerwarteten Wort endet. Eine Person, die eine Zweitsprache unter Prüfungsbedingungen schreibt, hat allen Grund, bei beiden auf die sicherere Variante zurückzugreifen.

Schreiben in einer Zweitsprache zeigt zuverlässig weniger von beidem, und zwar nicht als Mangel. Eine Person, die in einer zusätzlichen Sprache arbeitet, stützt sich auf den Wortschatz und die Satzmuster, die am ehesten korrekt sind, weil falsches Raten mehr kostet, wenn die Sprache noch nicht vollständig automatisiert ist. Die Stanford-Arbeit, die den Bias des Detektors dokumentierte, verweist auf eine Reihe anwendungslinguistischer Forschung zu genau diesem Muster, das lange vor dem Aufkommen von AI-Detektoren etabliert war: verringerter lexikalischer Reichtum, verringerte lexikalische Vielfalt und einfachere Satzstruktur sind dokumentierte, messbare Merkmale des Schreibens in einer Zweitsprache und kein Hinweis auf etwas anderes.

Diese Lücke zwischen muttersprachlichem und nicht muttersprachlichem Schreiben zeigt sich als Unterschied in der Perplexity, also als dieselbe Messgröße, die ein Detektor verwendet, um zu entscheiden, ob ein Abschnitt maschinell erzeugt wurde. Niedrigere Perplexity wirkt stärker maschinenähnlich, unabhängig davon, wer den Text verfasst hat, und Schreiben in einer Zweitsprache liegt aus Gründen, die nichts mit einem Chatbot zu tun haben, auf dieser Skala niedriger. Ob diese Lücke tatsächlich die Detektoren antreibt, statt nur ein Zufall zu sein, ist eine testbare Frage. Das Stanford-Team hat sie direkt getestet.

Was geschah, als dieselben Essays mit reicherem Wortschatz umgeschrieben wurden

Die Forschenden nahmen dieselben 91 TOEFL-Aufsätze, die eine durchschnittliche False-Positive-Rate von 61.22 percent ausgelöst hatten, und baten ChatGPT, sie mit einer einzigen Anweisung zu überarbeiten: "Enhance the word choices to sound more like that of a native speaker." An Inhalt, Argumentation oder Grammatik sollte nichts geändert werden. Nach dieser einen Bearbeitung sank die durchschnittliche False-Positive-Rate über dieselben sieben Detektoren hinweg auf 11.77 percent, ein Rückgang um fast fünfzig Prozentpunkte, und die Zahl der Aufsätze, die von jedem Detektor einstimmig markiert wurden, fiel von achtzehn auf eins.

Die Forschenden führten das Experiment dann in umgekehrter Richtung durch. Sie nahmen die 88 Aufsätze von Muttersprachlern aus der achten Klasse, die die Detektoren ursprünglich fast jedes Mal korrekt eingestuft hatten, und baten ChatGPT, ihre Wortwahl so zu vereinfachen, als wären sie von einer nicht muttersprachlichen Person geschrieben worden. Die durchschnittliche False-Positive-Rate bei diesen denselben von Muttersprachlern verfassten Aufsätzen stieg von 5.19 percent auf 56.65 percent. Die Aufsätze änderten nicht die Urheberschaft. Nur der Wortschatz änderte sich, und die Detektoren folgten dem Wortschatz.

Perplexity bewegte sich in beiden Richtungen im Gleichschritt mit der Fehlklassifikationsrate: Sie stieg stark an, wenn die TOEFL-Aufsätze angereichert wurden, und fiel stark, wenn die Aufsätze der achten Klasse vereinfacht wurden. Die Autorinnen und Autoren ziehen daraus eine klare Schlussfolgerung: Worauf die Detektoren tatsächlich reagierten, war nie die Urheberschaft. Es war die Wortwahl, eine Eigenschaft, die der Wortschatz jeder schreibenden Person tragen kann, unabhängig davon, wo sie Englisch gelernt hat.

Wie konsistent ist die Verzerrung über verschiedene Detektoren hinweg

Die sieben Detektoren waren sich in wenig einig, außer darin, in welche Richtung der Fehler verlief. Jeder von ihnen markierte TOEFL-Aufsätze deutlich häufiger als Aufsätze der achten Klasse, jedoch mit sehr unterschiedlichen Abständen.

Detektor	Falsch-positiv-Rate, TOEFL-Aufsätze	Falsch-positiv-Rate, Aufsätze von Muttersprachlern
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
OpenAI's detector	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

Dies sind Zahlen aus dem Jahr 2023, gemessen an den Werkzeugen, wie sie damals existierten. Mehrere haben sich inzwischen vollständig verändert: OpenAI stellte seinen eigenen Detektor im Juli 2023 ein, vier Monate nach diesem Test, nachdem festgestellt worden war, dass er nur 26 Prozent des tatsächlich von KI verfassten Textes korrekt kennzeichnete, während er weiterhin 9 Prozent des menschlichen Schreibens falsch zuordnete. Unverändert ist die Richtung der Lücke. Ein breiterer Bias-Benchmark, der speziell entwickelt wurde, um Detektoren über demografische und sprachliche Kategorien hinweg zu testen, im Dezember 2025 veröffentlicht und gegen vier neuere Open-Source-Werkzeuge eingesetzt, berichtete weiterhin durchgängig niedrigere Recall-Werte für unterrepräsentierte Gruppen von Schreibenden.

Zeigt sich dieser Bias noch bei neueren Detektoren?

Die Stanford-Studie ist inzwischen mehrere KI-Generationen alt, und ihre eigenen Autorinnen und Autoren benannten die Einschränkung selbst: eine kleine Pilotstichprobe und Detektoren, die größtenteils auf GPT-2 aufgebaut waren, einem deutlich kleineren und älteren Modell als dem, das die Erkennung heute antreibt. Das wirft eine berechtigte Frage auf. Hat bessere Technologie die Lücke geschlossen?

Die jüngste spezialisierte Testung sagt: noch nicht. In einer Studie vom Februar 2026 an der Sultan Qaboos University testeten Forschende zwei aktuelle kommerzielle Detektoren, Turnitin und Originality, an 192 Texten, die authentische Schreibarbeiten von EFL-Studierenden aus der Zeit vor ChatGPT, professionelles menschliches Schreiben, KI-generierten Text und hybriden Mensch-KI-Text mischten. Die Ergebnisse zeigten eine Gesamtgenauigkeit von 69 Prozent und 61 Prozent für die beiden Werkzeuge, wobei die Genauigkeit in der Hybridkategorie, also der Art von Schreiben, die ein redaktioneller Durchgang tatsächlich erzeugt, auf nahezu null fiel. Dieselbe Studie offenbarte zudem eine zweite Verzerrung, die parallel zur Sprachverzerrung verlief: Die Genauigkeit bei wissenschaftlichem Schreiben lag 28 bis 38 Prozentpunkte unter der bei geisteswissenschaftlichem Schreiben.

Keine der beiden Feststellungen betrifft ein einzelnes fehlerhaftes Produkt. Zwei unterschiedliche Detektorarchitekturen, drei Jahre auseinander an verschiedenen Korpora von unterschiedlichen Forschungsteams getestet, gelangen immer wieder zum selben Ergebnis: Schreiben, das durch Genre-Konventionen oder durch eine Zweitsprache geprägt ist, liegt näher an dem, was diese Werkzeuge als maschinell erzeugt bezeichnen, als Schreiben, das weder das eine noch das andere ist. TextPulse's free tools ermöglichen es einer Autorin oder einem Autor, dasselbe statistische Profil zu prüfen, bevor irgendetwas davon den Detektor einer Institution erreicht.

Unabhängige Evidenz, dass die Lücke real ist und kein Artefakt der Testung

Das erste Problem mit den TOEFL-Ergebnissen ist, dass man argumentieren könnte, sie gälten nur für eine kleine Pilotstudie aus dem Jahr 2023. Darauf antwortete dasselbe Forschungsteam in einer weiteren Studie mit Daten, die mit Detektoren überhaupt nichts zu tun haben. Sie untersuchten 1.574 Arbeiten, die für ICLR 2023, eine große Konferenz für maschinelles Lernen, angenommen worden waren, und beschränkten die Stichprobe auf Abstracts, die eingereicht und begutachtet worden waren, bevor ChatGPT existierte.

Autoren aus Ländern, in denen Englisch nicht die Primärsprache ist, verfassten Abstracts mit signifikant geringerer Perplexität als Autoren aus Ländern mit englischer Muttersprache, und der Unterschied blieb auch bestehen, nachdem kontrolliert wurde, wie hoch jeder Beitrag von den Gutachtern bewertet worden war. Diese Stichprobe hätte nicht von jemandem beeinflusst werden können, der versuchen wollte, mehr oder weniger wie ein Chatbot zu klingen. ChatGPT lag noch drei Monate vor der Veröffentlichung, als das Einreichungsfenster schloss. Die Perplexitätslücke zwischen muttersprachlicher und nicht muttersprachlicher akademischer Schreibweise ist nichts, was Detektoren erfunden haben. Es ist etwas, das sie geerbt haben.

Eine statistische Analyse von 2026 zur KI-Erkennung als Testproblem bietet eine formale Version derselben Schlussfolgerung. Immer wenn eine Gruppe von Schreibenden Sprache produziert, die sich in der Gesamtheit mit typischer KI-Ausgabe überschneidet, muss jeder Detektor mit echter Fähigkeit, KI-verfassten Text zu erkennen, für genau diese Gruppe eine höhere Rate falscher Positivbefunde aufweisen, eine mathematische Eigenschaft des Testens einer diversen Population und kein Defekt eines einzelnen Werkzeugs. Nicht muttersprachliche englische Schreibende sind der am klarsten dokumentierte Fall genau einer solchen Überschneidung.

Was dies für Schreibende in einer Zweitsprache bedeutet

Nichts davon ist ein Argument dafür, weniger wie man selbst zu schreiben. Es ist ein Grund, zu wissen, was tatsächlich gemessen wird, bevor ein Wert erscheint. Wenn ein Detektor Ihre Prosa als vorhersehbar liest, erfasst er eine reale statistische Eigenschaft des Schreibens in einer Zweitsprache, nicht den Beleg dafür, dass Sie ein Werkzeug verwendet haben, das Sie nicht verwendet haben.

Die Stanford-Forschenden, die die ursprüngliche Studie durchführten, weisen auf eine unangenehme Implikation ihres eigenen Befunds hin: dieselbe Anpassung des Wortschatzes, die das Risiko falscher Positivbefunde senkt, ist auch die Art von Überarbeitung, die eine schreibende Person aus ganz anderen Gründen vornehmen könnte, eine klarere Formulierung, ein präziseres Wort, unabhängig von jedem Detektor. Die Seite von TextPulse für akademische Schreibende mit ESL behandelt, wie eine solche Überarbeitung in realen Sätzen aussieht, getrennt von allem, was mit einem Erkennungswert zu tun hat.

Neuere Detektoren beginnen, dieses Muster ausdrücklich zu berücksichtigen. Pangram, einer der jüngeren kommerziellen Anbieter, erklärt in seiner eigenen technischen Dokumentation, dass sein Klassifikator nicht gegen nicht muttersprachliche englische Schreibende voreingenommen sei, auch wenn diese Behauptung vom Anbieter selbst und nicht aus unabhängigen Tests stammt. Ein kostenloser Perplexity-Checker zeigt dieselbe zugrunde liegende Messgröße, die eines dieser Werkzeuge aus einem Textstück berechnet, ohne den Entwurf zuvor irgendwohin zu senden.

Zwei praktische Begleiter gehören in denselben Zusammenhang: wann man a, an und the verwendet, was die mit Abstand häufigste Quelle des Musters ist, und allgemeiner wie man im englischen akademischen Schreiben natürlich klingt.

Die Forschung sammelt sich auch nach zwei Jahren weiter in dieselbe Richtung, über verschiedene Teams, verschiedene Detektoren und verschiedene Testdesigns hinweg. Was nicht Schritt gehalten hat, ist eine weithin übernommene institutionelle Reaktion: einen Detektor vor dem Vertrauen in einen beliebigen einzelnen Schreibenden gegen eine Bandbreite von Schreibenden zu prüfen, statt erst nachdem ein bestimmter Studierender bereits beschuldigt worden ist. Bis das zur Routine wird, fällt die Last, einen falschen Alarm zu widerlegen, genau auf jene Schreibenden, von denen diese Forschung sagt, dass sie am ehesten einen erhalten.