KI-Humanizer-Vergleichsstudie: Was mit denselben akademischen Texten geschah

In unserer Vergleichsstudie zu AI humanizer bewegte jeder humanizer dieselben 48 akademischen Texte in Richtung eines menschlichen Schreibstils, und die Werkzeuge unterschieden sich vor allem darin, was sie beibehielten. Einige hielten Bedeutung, Zitate und Zahlen nahe an der Quelle. Andere fügten erfundene Zahlen und Namen oder neue Grammatikfehler hinzu, und diese Ausgaben waren oft diejenigen, die ein Detektor als menschlich einstufte.

TextPulse Research führte die Vergleichsstudie zu AI humanizer im August 2026 durch und veröffentlichte sie am 29. August als Working Paper. TextPulse ist eines der darin untersuchten Werkzeuge, daher erhielt jedes Werkzeug dieselben Eingaben und jedes Maß ist ein öffentliches Skript. Das vollständige Working Paper enthält jede Tabelle, jede Abbildung und jedes Skript, und alle 432 umgeschriebenen Texte sind öffentlich.

Was die KI-Humanizer-Vergleichsstudie getestet hat

Die Studie gab jedem Humanizer dieselben 48 Texte. Jeder Text war der Abschnitt „Ergebnisse und Diskussion“ einer erfundenen empirischen Studie, von einem KI-Modell verfasst und etwa 301 Wörter lang. Vier Modellfamilien schrieben jeweils 12 Texte: OpenAI, Google, DeepSeek und Anthropic. Die Texte deckten vier Disziplinen und drei Zitierstile ab, sodass jedes Werkzeug Zahlen, Autorennamen und Referenzmarkierungen vorfand, die es beibehalten musste.

Teil des Designs	Was die Studie verwendete
Quelltexte	48 von KI verfasste Abschnitte „Ergebnisse und Diskussion“, jeweils 264 bis 344 Wörter
Wer sie verfasste	Je 12 Texte von Modellen von OpenAI, Google, DeepSeek und Anthropic
Disziplinen	Medizin und Gesundheit, physikalische und rechnergestützte Wissenschaften, Sozialwissenschaften, Geisteswissenschaften
Zitierstile	APA Autor-Jahr, numerische Klammern, keine Zitate
Geprüfte Fakten in den Texten	404 Fachbegriffe, 887 Zahlen, 124 Zitate
Wie jedes Werkzeug lief	Einmal in seine Webseite eingefügt, bei der Standardeinstellung, Ausgabe unverändert übernommen
Daten	26. bis 28. August 2026
Detektoren	Turnitin, ein Dokument pro Werkzeug, und GPTZero, jeder Text einzeln

Die Aufgabe eines Humanizers besteht darin, AI-Ausgabe umzuschreiben, daher begann die Studie mit AI-Ausgabe und einer verifizierten Liste von Fakten. Vor jeder Umschreibung listete jedes Modell die Begriffe, Zahlen und Zitate auf, die es verwendet hatte. Jeder aufgeführte Eintrag wurde mit dem Text verglichen, und jeder Eintrag, der darin fehlte, wurde gestrichen. Dadurch ergab sich für jeden Text eine feste Liste, sodass die Studie genau zählen konnte, was jeder Humanizer beibehielt, änderte oder erfand.

Jeder Text wurde einmal auf die Webpage jedes Tools eingegeben, mit der Standardeinstellung des Tools, und die Ausgabe wurde genau so gespeichert, wie sie zurückkam. Niemand bearbeitete eine Ausgabe. Einige Tools verarbeiteten weniger als 48, weil kostenlose Stufen begrenzen, wie viele Texte ein Tool annimmt. Ein Kernbestand von 24 Texten war für jedes Tool gleich, in derselben Reihenfolge. TextPulse verarbeitete alle 48.

Wie die Studie einen humanisierten Text gemessen hat

Ein Detektorwert sagt Ihnen, wie ein Text an einem bestimmten Tag für einen Detektor aussah. Er sagt nichts darüber aus, ob die Umschreibung weiterhin dieselben Ergebnisse berichtet. Die Studie bewertete jede Ausgabe zuerst am Text selbst und zweitens an Detektoren. Für Studierende oder Forschende ist es wichtig, eine Arbeit zu haben, die weiterhin das sagt, was die Daten sagen, in einer Prosa, die so klingt, als hätte ein Mensch sie geschrieben.

Maß	Was es prüft	Warum es in einer Arbeit wichtig ist
Bedeutung	Wie nah die Umformulierung an der Quelle ist, als Ähnlichkeitsscore von 0 bis 1	Ein niedrigerer Score bedeutet, dass der Absatz nun etwas anderes sagt
Zitate beibehalten	Anteil der im Text vorhandenen Zitate, die noch mit demselben Autor und Jahr vorliegen	Ein geändertes Jahr zerstört die Übereinstimmung mit dem Literaturverzeichnis
Zahlen beibehalten	Anteil der geprüften Zahlen, die noch im Text stehen	Eine verlorene Stichprobengröße oder ein verlorener p-Wert verändert das Ergebnis
Erfundene Elemente	Zahlen und Namen in der Ausgabe, die die Quelle nie hatte	Eine erfundene Zahl ist eine falsche Aussage über die Studie
Hinzugefügte Grammatikfehler	Neue Fehler pro 1.000 Wörter, gezählt mit LanguageTool	Fehler kosten Punkte und das Vertrauen der Gutachter
Lesegrad	Veränderung im Flesch-Kincaid-Grad	AI-Text hat ein höheres Gradniveau als veröffentlichte menschliche Prosa
Stilposition	Position des Textes zwischen typischem menschlichem und typischem AI-Schreiben	Stilometrische Detektoren reagieren auf diese Merkmale
Länge	Ausgabelänge im Verhältnis zur Quelle, 0.70 bis 1.30 mal zählt als beibehalten	Ein Tool, das einen Text halbiert, hat Inhalt entfernt

Die Stilposition stammt aus einer Skala, die TextPulse aus 47 Stilmerkmalen von 121,092 akademischen Texten entwickelt hat (beschrieben in unserem stilometrischen Klassifikationspapier). Typischer menschlicher akademischer Text liegt bei 0 und typischer AI-Text bei 100. Wir nennen die mittlere Hälfte der menschlichen Texte (-36 bis 33) den menschlichen Bereich.

Der Wortschatz wurde anhand einer Liste von 1,057 Wörtern aus unserem AI-Wortschatzpapier bewertet. Davon sind 581 Wörter, die AI-Modelle häufiger verwenden als Menschen, und 476 tendieren in die andere Richtung. Die Studie zählte, wie viele AI-gerichtete Wörter jedes Tool pro 1.000 Wörter entfernte.

Was jeder Humanizer mit dem Text gemacht hat

Jedes Tool in der Studie verschob seine Ausgaben in Richtung des menschlichen Endes der Stilskala. Die unbehandelten KI-Texte lagen im Durchschnitt bei 138, also über dem typischen KI-Text bei 100. Nach dem Umschreiben erreichten einige Tools den menschlichen Bereich, und andere blieben etwa auf halber Strecke stehen. Jedes Tool entfernte außerdem KI-typische Wortwahl und senkte die Lesestufe, sodass die Richtung der Veränderung im gesamten Feld dieselbe war.

Zwei Arten von Merkmalen verschieben einen Text am stärksten entlang der Skala. Das erste Paar ist die mittlere Wortlänge und der Anteil langer Wörter. Eine Umformulierung von "help" zu "facilitate" macht den Text KI-ähnlicher, weil sie die mittlere Wortlänge erhöht und den Anteil langer Wörter erhöht. Das zweite ist die variierte Satzlänge, die in Richtung menschlich drängt. Ein Absatz, in dem alle Sätze 22 bis 26 Wörter haben, ist gleichförmig, aber ein Absatz, der einen Satz mit 9 Wörtern mit einem Satz mit 31 Wörtern mischt, ist variabel.

Die Idee ist, zu einer niedrigeren Lesestufe zu gelangen. Von KI verfasster akademischer Text hat eine höhere Flesch-Kincaid-Stufe als veröffentlichte akademische Prosa von Menschen. Wenn sie also sinkt, wird das Schreiben stärker an den schlichten Stil angenähert, in dem Forschende schreiben. Darauf reagieren stilometrische Detektoren. Das sind auch die Veränderungen, die einen Entwurf leichter lesbar machen. Die beiden Ziele stimmen überein, solange der Inhalt intakt bleibt.

Unser Beitrag über wie Humanizer einen Satz verändern zeigt diese Bearbeitungen Satz für Satz. Die Studie ergänzt die Messung, wie weit jede Veränderung den Text verschoben hat und was sie an Bedeutung und Fakten gekostet hat.

Wo sich die Tools unterschieden: Bedeutung, Zitate und Zahlen

Die Tools unterschieden sich in ihren Beibehaltungsraten. So wurden in der Studie zwischen 29 und 100 Prozent der Zitate beibehalten. Zwischen 0.06 und 4.44 erfundene Elemente erschienen pro Ausgabe. Zwischen 0.65 und 4.91 neue Grammatikfehler erschienen pro 1,000 Wörter. Zu den erfundenen Elementen gehörten Stichprobengrößen, Prozentsätze, Konfidenzgrenzen, Autorennamen und Institutionen, die in der Quelle nie erwähnt wurden.

Namen und Einheiten gingen auf subtilere Weise verloren. Wenn ein Tool eine Statistik umformulierte, ließ es oft die Einheit weg, sodass aus "Cohen's d" eine Effektgröße wurde und aus "Celsius" Grad. Autorennamen gingen zusammen mit ihren Zitaten verloren. Arten-, Epochen- und Instrumentennamen wurden durch eine Beschreibung ersetzt. Eine Leserin oder ein Leser, die oder der ein Ergebnis überprüfen will, braucht diese Namen, daher zählt jeder dieser Verluste.

Die Tiefe der Umformulierung und die Treue wirken in entgegengesetzte Richtungen. Ein Tool, das ein Drittel der Wörter verändert, bewahrt die Bedeutung leichter. Ein Tool, das die meisten davon verändert, hat mehr Möglichkeiten, etwas zu verlieren. Der Anteil der veränderten Wörter lag zwischen 35 und 68 Prozent. Das Ergebnis, das eine Forscherin oder ein Forscher anstrebt, ist eine tiefgehende Umformulierung, die die Bedeutung dennoch bewahrt. Diese Kombination war selten.

Die Studie suchte auch nach versteckten Zeichen, unsichtbaren Zeichen, nicht standardmäßigen Leerzeichen und ähnlich aussehenden Buchstaben aus dem kyrillischen oder griechischen Alphabet. Einige humanizers fügen solche Zeichen hinzu, um das Ergebnis eines Detektors zu verändern. Kein Tool in dieser Studie fügte solche Zeichen hinzu, daher scheiterte keine Ausgabe aus diesem Grund an der Qualitätsprüfung.

Warum ein Detektorergebnis allein ein schwacher Maßstab für Humanizer ist

Ein Detektorergebnis für sich genommen ist ein unvollständiger Maßstab für humanizers. In der Vergleichsstudie zu AI humanizers stammten die Ausgaben, die GPTZero am häufigsten als menschlich einstufte, von Tools, die mehr Zahlen und Namen erfanden, mehr Zitate wegließen oder mehr Grammatikfehler hinzufügten. Der einfachste Weg, die Schätzung eines Detektors zu verändern, besteht darin, zu ändern, was der Text sagt. Eine solche Umformulierung verfehlt die Arbeit, die sie eigentlich unterstützen sollte.

Um beide Seiten zugleich zu messen, setzte die Studie eine Qualitätsprüfung fest. Um sie zu bestehen, musste eine Ausgabe einen Bedeutungswert von mindestens 0.95 und mindestens 90 Prozent ihrer Zitate aufweisen. Außerdem durfte sie keine erfundenen Zahlen oder Namen, keine versteckten Zeichen und eine Länge innerhalb der Toleranz haben. Eine GPTZero-Kennzeichnung als menschlich zählte dann nur für Ausgaben, die die Prüfung bestanden. Die Prüfung war für jedes Tool dieselbe.

Die Ausgabe jedes Tools floss in ein Dokument mit einem Text pro Seite ein. Die Studie verwendete für das Dokument den einen AI-Prozentsatz von Turnitin. Turnitin verwendet statt einer Zahl ein Sternchen für weniger als 20 Prozent. Die Ergebnisse der Detektoren sind Schätzungen aus einer Detektoren-Version an den Studientagen. Wir haben in unserem Leitfaden darüber geschrieben, wie Sie Ihren Turnitin AI-Score lesen, unter was ein Turnitin AI-Score bedeutet.

Wie TextPulse im Vergleich der Humanizer abschnitt

TextPulse belegte in der zusammengesetzten Kennzahl der Studie den ersten Platz, die Rewrite-Tiefe, Bedeutung, Stilposition, Grammatik und Inhaltsintegrität gleich gewichtet. Die Werte von TextPulse lagen bei 0.811 für diese fünf Maße und bei 0.843, wenn das gated detector-Maß hinzugenommen wurde. Es schnitt gut ab, weil es keine schwachen Maße hatte. Es überarbeitete mehr als die Hälfte jedes Textes und bewahrte die Fakten, von denen eine Arbeit abhängt.

Maß	Ergebnis von TextPulse
Geänderte Wörter	52 Prozent
Bewahrte Bedeutung, Ähnlichkeit zur Quelle	0.971, etwa 97 Prozent
Bewahrte Zitate	99 Prozent
Bewahrte Zahlen	87 Prozent
Bewahrte benannte Entitäten	95 Prozent
Hinzugefügte Grammatikfehler	0.65 pro 1,000 Wörter, die wenigsten in der Studie
Erfundene Elemente	0.48 pro Ausgabe, ein erfundener Name in einer von fünfzig Ausgaben
Lesestufe	3.6 Stufen niedriger, der größte Rückgang
AI-nahe Wörter entfernt	39 pro 1,000 Wörter, die meisten in der Studie
Stilposition	29, innerhalb des menschlichen Bereichs
Ausgaben innerhalb der Längentoleranz	47 von 48
Ausgaben, die das Qualitätsgate bestanden	67 Prozent
Turnitin AI-Score, ein Dokument aller Ausgaben	24 Prozent, der niedrigste in der Studie, gleichauf
GPTZero-Human-Label bei Ausgaben, die das Gate bestanden	10.4 Prozent, 5 von 48, der höchste in der Studie

Zwei Ergebnisse sind für den akademischen Gebrauch am wichtigsten. Unter den Tools, die mindestens die Hälfte der Wörter verändert haben, hat TextPulse die Bedeutung am besten erhalten. Unter den Tools mit einem Bedeutungswert von 0.97 oder höher hat es die meisten Wörter verändert. Kein anderes Tool in der Studie war in beiden Gruppen. Ein Humanizer für akademisches Schreiben braucht diese Kombination, da eine leichte Überarbeitung den AI-Stil beibehält und eine tiefgreifende Überarbeitung, die Fakten weglässt, die Ergebnisse verändert.

GPTZero stufte 9 von 48 TextPulse-Ausgaben als menschlich ein, und 5 davon bestanden auch die Qualitätsprüfung, das höchste Ergebnis mit Qualitätsprüfung in der Studie. Das Turnitin-Dokument der TextPulse-Ausgaben erreichte 24 Prozent AI, gleichauf mit dem niedrigsten Wert. Die anderen Dokumente lagen zwischen 28 und 74 Prozent. Die Ergebnisse der Detektoren sind Schätzungen, und die Studie berichtet sie aus diesem Grund neben den Textmaßen.

Was die Studie nicht sagen kann

Die Vergleichsstudie zu AI-Humanizern nennt ihre eigenen Grenzen. Die Texte wurden von AI-Modellen nach einer festen Vorgabe geschrieben, und reale Entwürfe sind länger und weniger einheitlich. Jedes Tool lief einmal, mit seiner Standardeinstellung, zwischen dem 26. und 28. August 2026. Anbieter aktualisieren ihre Tools, daher beschreiben die Ergebnisse diese Daten und sollten als Momentaufnahme gelesen werden.

Verschiedene Tools haben unterschiedliche Zahlen von Texten, da sie auf eine bestimmte Anzahl kostenloser Texte beschränkt sind, die das Tool verarbeiten wird. Dies führt auch zu größeren Konfidenzintervallen für die Tools mit weniger Texten. Turnitin erzeugt einen Wert pro Dokument und hat daher keine Streuung von Werten pro Text. GPTZero ist ein Detektor, eine Modellversion (2026-08-09-base).

TextPulse hat die Studie erstellt und ist eines der darin enthaltenen Tools. Jedem Tool wurden dieselben Eingaben gegeben. Nach Protokoll sind alle Maße öffentlich verfügbare Skripte, und alle Rohdaten werden geteilt. Das bedeutet, dass jede Person die Zahlen erneut berechnen oder anders gewichten kann. Die Quelltexte, alle 432 Ausgaben, die Antworten der Detektoren und die Skripte sind öffentlich.

Wie Sie die Ergebnisse auf Ihren eigenen Entwurf anwenden

Die Ergebnisse lassen sich in eine kurze Prüfung übersetzen, die Sie nach jedem Humanizer durchführen können, auch nach unserem. Vergleichen Sie die Ausgabe mit Ihrem Entwurf hinsichtlich der Dinge, die die Studie gezählt hat. Bei einem einzelnen Abschnitt dauert das nur wenige Minuten.

1. Prüfen Sie jede Zahl mit Ihrem Entwurf ab: Stichprobengrößen, Prozentsätze, p-Werte und Konfidenzintervalle.
2. Prüfen Sie jede In-Text-Zitation auf denselben Autor und dasselbe Jahr und gleichen Sie sie dann mit Ihrem Literaturverzeichnis ab.
3. Achten Sie auf Namen, die sich geändert haben: Instrumente, Arten, Datensätze, Einheiten und Autorennamen.
4. Lesen Sie auf Aussagen, die stärker geworden sind, etwa wenn "may indicate" zu "shows" umgeschrieben wurde.
5. Vergleichen Sie die Länge. Eine Ausgabe, die deutlich kürzer ist als die Quelle, hat wahrscheinlich Inhalt verloren.
6. Lesen Sie den Text laut vor, um Grammatikfehler zu erkennen, die die Überarbeitung hinzugefügt hat.

Die Länge ist die schnellste dieser Prüfungen. In der Studie galt eine Ausgabe zwischen dem 0.70- und dem 1.30-Fachen der Quelllänge als beibehalten. TextPulse behielt 47 von 48 Ausgaben innerhalb dieses Bereichs, bei einem Durchschnitt von dem 1.14-Fachen der Quelle, sodass seine Ausgaben etwas länger als die Entwürfe ausfielen.

Zitationen sind von Hand am längsten zu prüfen. In der Studie behielt TextPulse 99 Prozent von ihnen, und seine Änderungen betrafen die Darstellung, etwa wenn eine Klammerzitation in eine narrative Zitation umgewandelt wurde. Unser Beitrag über einen AI-Humanizer, der Zitationen bewahrt erklärt, worauf Sie bei Ihren eigenen Verweiskennzeichen achten sollten.

Der kostenlose Burstiness-Checker misst, wie stark die Satzlängen in Ihrem Entwurf variieren. Eine variierende Satzlänge ist eines der Merkmale, die die Skala der Studie in Richtung menschlichen Schreibens gewichtet. Für einen nach Preisen geordneten Leitfaden siehe unseren Leitfaden zum besten AI-Humanizer für akademisches Schreiben. Wenn Sie bereit sind, umzuformulieren, ist der TextPulse AI humanizer darauf ausgelegt, Ihre Zahlen, Namen und Zitationen beizubehalten, und gibt für das Ergebnis einen geschätzten Human Score an.