Warum AI-Detektoren gegen nicht muttersprachliche englische Schreibende voreingenommen sind

KI-Detektoren, die gegen Nicht-Muttersprachler voreingenommen sind, sind keine subjektive Beschwerde. Eine begutachtete Studie aus Stanford 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, sowie 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, ergaben dieselben sieben Werkzeuge eine durchschnittliche Falsch-Positiv-Rate von 61.22 percent. Achtundachtzig der einundneunzig Aufsätze, fast 98 percent, 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 einer Person mit Englisch 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.

Die Unterscheidung ist wichtig, weil die beiden sich auf der Seite unterschiedlich zeigen. Lexikalische Vielfalt betrifft die Wörter selbst: Ein Autor, der in drei verschiedenen Sätzen zu „obtain“, „acquire“ und „secure“ greift, wirkt vielfältiger als einer, 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 mit einem unerwarteten Wort endet. Ein Autor, der eine Zweitsprache unter Prüfungsbedingungen verwendet, hat allen Grund, bei beiden die sicherere Variante zu wählen.

Schreiben in einer Zweitsprache zeigt zuverlässig weniger von beidem, und zwar nicht als Defizit. Ein Autor, der 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 die Verzerrung der Detektoren dokumentierte, verweist auf eine Reihe anwendungslinguistischer Forschung zu genau diesem Muster, das lange vor dem Aufkommen von KI-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 Perplexität, also derselben Messgröße, die ein Detektor verwendet, um zu entscheiden, ob ein Abschnitt maschinell erzeugt wurde. Niedrigere Perplexität wirkt unabhängig davon, wer den Text verfasst hat, stärker maschinenähnlich, 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 einem reicheren 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, also um fast fünfzig Prozentpunkte, und die Zahl der Aufsätze, die von jedem Detektor einstimmig markiert wurden, fiel von achtzehn auf einen.

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 immer korrekt bewertet 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 sprang 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 deutlich an, wenn die TOEFL-Aufsätze angereichert wurden, und fiel deutlich, wenn die Aufsätze der achten Klasse vereinfacht wurden. Die 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 in der Richtung, in der der Fehler verlief. Jeder von ihnen markierte TOEFL-Aufsätze viel häufiger als Aufsätze aus 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 markierte, während er weiterhin 9 Prozent des menschlichen Schreibens falsch kennzeichnete. 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 durchgehend niedrigere Recall-Werte für unterrepräsentierte Gruppen von Schreibenden.

Zeigt sich diese Verzerrung 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 Teststudie 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 EFL-Studententexte aus der Zeit vor ChatGPT, professionelle menschliche Texte, KI-generierten Text und hybride Mensch-KI-Texte kombinierten. 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 tatsächlicher Überarbeitungsvorgang erzeugt, nahezu auf null fiel. Dieselbe Studie offenbarte zudem eine zweite Verzerrung, die parallel zur Sprachverzerrung verlief: Die Genauigkeit bei wissenschaftlichem Schreiben lag 28 bis 38 Prozentpunkte niedriger als bei geisteswissenschaftlichem Schreiben.

Keines der beiden Ergebnisse betrifft ein einzelnes fehlerhaftes Produkt. Zwei unterschiedliche Detektorarchitekturen, die drei Jahre auseinander von verschiedenen Forschungsteams an unterschiedlichen Korpora getestet wurden, kommen weiterhin zum selben Ergebnis: Schreiben, das durch Genrekonventionen 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 besteht darin, dass man argumentieren könnte, sie gälten nur für eine kleine Pilotstudie aus dem Jahr 2023. Dies wurde von demselben Forschungsteam in einer weiteren Studie beantwortet, die Daten verwendete, 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 jedes Paper von den Gutachtern bewertet worden war. Diese Stichprobe konnte nicht von jemandem beeinflusst worden sein, der versuchte, mehr oder weniger wie ein Chatbot zu klingen. ChatGPT lag drei Monate vor der Veröffentlichung, als das Einreichungsfenster schloss. Die Perplexitätslücke zwischen muttersprachlichem und nicht muttersprachlichem akademischem Schreiben 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 an falsch positiven Ergebnissen aufweisen, eine mathematische Eigenschaft des Testens einer diversen Population und kein Defekt eines einzelnen Werkzeugs. Nicht muttersprachliche englische Schreibende sind der klarste dokumentierte Fall genau dieser Überschneidung.

Was dies für Schreibende in einer Zweitsprache bedeutet

Nichts davon ist ein Argument dafür, weniger wie sich 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, die gleiche Anpassung des Wortschatzes, die das Risiko falsch positiver Ergebnisse senkt, ist auch die Art von Überarbeitung, die eine schreibende Person aus ganz anderen Gründen vornehmen könnte, klarere Formulierung, ein präziseres Wort, unabhängig von jedem Detektor. Die Seite von TextPulse für akademische Schreibende mit ESL beschreibt, wie eine solche Überarbeitung in echten 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 Messung, die eines dieser Werkzeuge aus einem Text berechnet, ohne den Entwurf zuvor irgendwohin zu senden.

Zwei praktische Begleiter gehören in denselben Zusammenhang: when to use a, an and the, die einzelne häufigste Quelle dieses Musters, und how to sound natural in English academic writing allgemeiner.

Die Forschung sammelt sich auch zwei Jahre später 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 eine einzelne Person 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.