Sind AI-Detektoren genau? Falschpositive und Bias

Turnitin behauptet, dass ihre Rate falscher Positivbefunde unter 1% liegt. Eine Gruppe unabhängiger Forschender testete mehrere Detektoren an einem breiteren Spektrum von Schreibproben von Nicht-Muttersprachlern des Englischen. Sie fanden heraus, dass die durchschnittliche Rate falscher Positivbefunde bei genau dieser Art von Text über 60% lag. Beide Zahlen sind real, beide wurden veröffentlicht, und beide beziehen sich auf Detektoren, die an denselben Markt verkaufen. Sind AI-Detektoren genau? Das hängt davon ab, welche Population Sie getestet haben, welchen Detektor Sie verwendet haben und wie Ihr Anbieter dies überhaupt definiert hat.

Dieser Beitrag wird nicht erneut erklären, wie ein Detektor diesen Wert berechnet. Der Mechanismus, Perplexity, Token-Wahrscheinlichkeit, wie der Klassifikator trainiert wird, wird an anderer Stelle ausführlich behandelt, und es lohnt sich, dies zuerst zu lesen, falls Sie es noch nicht getan haben. Entscheidend ist hier, was geschieht, sobald der Wert vorliegt, wie oft er falsch ist, bei wessen Text er am häufigsten falsch ist und was eine falsche Anschuldigung für jemanden tatsächlich kostet, der nichts falsch gemacht hat.

Sind AI-Detektoren genau?

Nicht durchgängig, und die Lücke zwischen Marketingaussagen und unabhängigen Tests ist gut dokumentiert. Eine von Debora Weber-Wulff geleitete Gruppe von Forschenden veröffentlichte ihre Ergebnisse zu 14 Erkennungstools, darunter 12 kostenlose und zwei kommerzielle, die 2023 gegen eine Mischung aus menschlichem Text und ChatGPT-Text getestet wurden. Sie fanden heraus, dass keines dieser Tools genau oder zuverlässig ist, mit einer eingebauten Tendenz, Maschinentext als menschlich zu kennzeichnen, statt umgekehrt. Zwei der in diesem Test enthaltenen kommerziellen Tools waren Turnitin und PlagiarismCheck. Alle Tools in diesem Test schnitten schlechter ab, wenn der Text paraphrasiert wurde.

Doch zwei Jahre später sind die Dinge nicht stagnierend. Ein Working Paper der Booth School der University of Chicago von Brian Jabarian und Alex Imas unterzog drei Neuzugänge, Pangram, GPTZero und Originality.ai, sowie einen Open-Source-Konkurrenten einem Praxistest mit fast 2.000 von Menschen verfassten Texten aus Blogs, Nachrichten, Rezensionen und Belletristik. Unter kontrollierten Testbedingungen fiel das beste Werkzeug in dieser Gruppe nie unter 99.8 Prozent Genauigkeit und hielt seine Rate falsch positiver Ergebnisse auf einem niedrigen Niveau. Das Open-Source-Modell schnitt ebenso gut ab wie ein Zufallstipper. Die Dinge sind tatsächlich besser geworden. So ungefähr. Ein wenig.

Der Haken ist jedoch das Wort kontrolliert. Benchmark-Passagen sind sauber, vollständig und unter bekannten Bedingungen erstellt. Ein eingereichter Aufsatz ist verlässlich nichts von alledem. Ergebnisse in der realen Welt müssen nicht mit den Laborergebnissen identisch sein, wie der Chief Product Officer von Turnitin selbst öffentlich gesagt hat, auch wenn dies ein seltener und nützlicher Eingeständnis eines Anbieters ist. Der nächste Abschnitt stellt die Zahlen des Anbieters den unabhängigen Zahlen gegenüber, damit die Lücke sichtbar ist und nicht nur behauptet wird.

Anbieterangaben versus unabhängige Tests

Die folgende Tabelle stellt gegenüber, was vier Detektoren über sich selbst behaupten und was unabhängige Forschende gemessen haben, als sie die Werkzeuge direkt testeten. Lesen Sie die beiden mittleren Spalten zusammen, nicht nur die Anbieter-Spalte allein.

Detector	Vom Anbieter behauptete Genauigkeit	Unabhängig beobachtet	Was der Anbieter über falsch positive Ergebnisse sagt
Turnitin	98% Konfidenzschwelle vor der Markierung, unter 1% falsch positive Ergebnisse auf Dokumentebene	Etwa 80% Genauigkeit, die beste von 12 Tools in einem Vergleich von 2023, bei einer früheren Version des Tools	Unter 1% auf Dokumentebene oberhalb einer 20% AI-written-Schwelle, etwa 4% auf Satzebene
GPTZero	95.7% AI-Text-Erkennung bei einer falsch positiven Rate von 1% im unabhängigen RAID-Benchmark	96% Genauigkeit bei kurzen Passagen, falsch positive Rate unter 1% in einer Studie der University of Chicago Booth aus dem Jahr 2025	Berichtet eine falsch positive Rate von 1% im RAID-Benchmark
Originality.ai	99% Genauigkeit, 0.5% falsch positive Rate (Lite-Modell), 1.5% (Turbo-Modell)	Falsch positive Rate unter 1%, aber 10% bis 40% des AI-written-Texts in derselben Booth-Studie übersehen	Veröffentlicht getrennte falsch positive Werte nach Modellstufe
Pangram	Fehlerraten, die nach eigener Aussage mehr als 38-mal niedriger sind als bei konkurrierenden Tools, behauptet keine Verzerrung gegen nicht muttersprachliche englische Schreibende	Genauigkeit nie unter 99.8%, falsch positive Rate nahe null, in der Booth-Studie	Behauptet nahezu null falsch positive Raten über 10 Textdomänen und 8 Sprachmodelle hinweg

Zwei Dinge fallen auf. Erstens stammen alle Anbieterangaben aus einem Labor, das vom Anbieter kontrolliert wird, und die Booth-Werte stammen von Forschenden, die nichts zu verkaufen haben. Zweitens erscheint Turnitin in dieser mittleren Spalte überhaupt nicht, da die Studie von 2025 es nicht getestet hat. In der Tabelle basiert der unabhängige Wert auf einem früheren Vergleich von 2023, wurde jedoch mit einer älteren Version des Tools ermittelt, also bedenken Sie dies, wenn Sie die Tabelle als direkten Vergleich betrachten.

Wie genau ist die AI-Erkennung von Turnitin?

Turnitin veröffentlicht keine einzelne Genauigkeitszahl. Stattdessen veröffentlicht das Unternehmen einen Schwellenwert und einen Zielkonflikt. Das Unternehmen hat erklärt, dass es ein Dokument nur dann markiert, wenn es zu 98 Prozent sicher ist, dass der markierte Teil von AI geschrieben wurde, und dass dieser Schwellenwert dafür sorgt, dass die Falsch-Positiv-Rate auf Dokumentebene unter 1 Prozent bleibt. Turnitin hat geschätzt, dass es ungefähr 85 Prozent der mit AI unterstützten Texte erkennt und den Rest absichtlich durchlässt, statt das Risiko einer falschen Anschuldigung einzugehen.

Der tatsächliche Prozentsatz der Falsch-Positiven, den Turnitin auf Satzebene zurückgibt, also dort, wo eine Oberfläche bestimmte Zeilen statt eines ganzen Dokuments hervorhebt, liegt tatsächlich näher bei 4 Prozent. Das ist die Zahl, die man kennen sollte, wenn ein Professor einen einzelnen markierten Absatz statt einer Gesamtpunktzahl des Dokuments als Screenshot festhält, denn ein hervorgehobener Satz birgt eine deutlich höhere Wahrscheinlichkeit, falsch zu sein, als die danebenstehende Dokumentpunktzahl.

Es ist auch erwähnenswert, dass Turnitin diese Lücke direkt eingeräumt hat. Das Unternehmen stellte fest, dass seine ersten Ergebnisse aus der Praxis, insbesondere bei kürzeren Dokumenten, höhere Falsch-Positiv-Raten aufwiesen, als auf Grundlage der Labortests erwartet worden war. Deshalb passten sie ihre minimale Dokumentlänge, ab der eine Bewertung erfolgt, von 150 auf 300 Wörter an. Das ist ein Anbieter, der sein eigenes Produkt anpasst, weil die veröffentlichte Zahl außerhalb des Labors nicht standhielt, was ebenso viel aussagt wie jede unabhängige Studie.

Was ein falsch positives Ergebnis für einen Studierenden tatsächlich kostet

Das geschah einem Executive-MBA-Studierenden an der Yale's School of Management. Dem Studierenden wurde im buchstäblichsten Sinne ein Verstoß vorgeworfen. Der eingesetzte Detektor war GPTZero. Die Abschlussprüfung des Studierenden in einem Finanzkurs war von einem Lehrassistenten markiert worden, der dachte, der Text sei lang und ausgearbeitet, mit nahezu perfekter Zeichensetzung und Grammatik. Und dieser bestimmte Professor ließ ihn durch GPTZero laufen, das die Antworten als wahrscheinlich von AI erzeugt einstufte.

Er bestand den Kurs nicht und wurde für ein Jahr suspendiert. Seine Klage, die im Februar 2025 vor einem Bundesgericht eingereicht wurde, macht geltend, dass Yales eigene Richtlinie die Verwendung von Werkzeugen wie GPTZero genau aus diesem Grund einschränkt, nämlich wegen der dokumentierten Rate falscher Positivbefunde gegenüber Nichtmuttersprachlern des Englischen, und dass er es unter Verstoß gegen diese Richtlinie verwendet habe. In seiner Eingabe wird außerdem angeführt, dass GPTZero für akademische Texte des ehemaligen Universitätspräsidenten von Yale und des Dekans der Business School eine Bewertung von 100 Prozent als KI-generiert ausgegeben habe.

Der Richter lehnte es im Mai 2025 ab, eine einstweilige Verfügung im frühen Stadium zu erlassen. Der Fall ist bislang nicht entschieden worden, soweit ich schreibe. Der Kläger, ein französischer Staatsangehöriger, macht geltend, dass dieselbe bekannte Voreingenommenheit gegenüber Nichtmuttersprachlern des Englischen dazu geführt habe, dass sein Schreiben sich so verhalten habe, wie es sich verhalten hat. Darauf gehen wir im nächsten Abschnitt ein. Was nicht zur Debatte steht, ist der Preis, ein Jahr Verlust in einem Studiengang, eine nicht bestandene Note, Rechtskosten und mehrere Monate, in denen um eine Bewertung gestritten wurde, statt einen Abschluss zu erwerben. Eine Falsch-Positiv-Rate von 1 Prozent klingt gering, bis eine große Population daraus eine konkrete Person macht.

Welche Schreibmerkmale menschlichen Text wie maschinell erzeugt erscheinen lassen

Vier Arten gewöhnlichen Schreibens bergen das größte Risiko, und keine davon setzt voraus, dass eine Person etwas falsch macht. Kurze Dokumente, stark formelhafte Texte, zitierte oder vorlagenbasierte Materialien und Texte, die stark lektoriert wurden, werden alle tendenziell als vorhersehbarer eingestuft als frei verfasste Prosa, und genau diese Eigenschaft misst jeder Detektor tatsächlich. Ein kostenloser Burstiness-Checker misst dieselbe Variation direkt, was eine schnellere Möglichkeit ist, das Muster zu erkennen, als eine Beschreibung davon zu lesen.

Einige Genres sind von vornherein formelhaft angelegt. Ein Methodenteil, ein Laborbericht, ein standardisiertes Anschreiben und ein Literaturüberblick belohnen alle die konventionelle Formulierung mehr als die erfinderische, weil gerade die Konvention das Dokument für seine Leserschaft brauchbar macht. Forschende haben dies direkt an realen Texten getestet: Sie haben 14,400 Abstracts aus Fachzeitschriften, veröffentlicht zwischen 1980 und 2023, also Jahre bevor irgendein großes Sprachmodell existierte, durch einen öffentlich verfügbaren Detektor laufen lassen. Bis zu 8 Prozent wurden unabhängig vom Veröffentlichungsjahr als von KI erzeugt markiert, und die Abstracts des New England Journal of Medicine wurden mit 10.24 Prozent markiert, der höchsten Rate falsch positiver Ergebnisse unter den fünf getesteten Zeitschriften.

Der Test hätte nichts über ChatGPT erkennen können, da ChatGPT in den meisten der Jahre, die er erfasste, noch nicht existierte. Er erkannte Genre. Formeller ausgedrückt, wie es die statistische Analyse des Erkennungsproblems im Jahr 2026 formulieren würde, gibt es keine Möglichkeit, einen Detektor zu bauen, der zwischen einem Satz unterscheidet, der vorhersehbar ist, weil er von Software geschrieben wurde, und einem Satz, der vorhersehbar ist, weil er die Art von Satz ist, die man in diesem Genre schreibt. Von außen sehen sie genau gleich aus.

Starke Überarbeitung wirkt in eine ähnliche Richtung. Ein erster Entwurf trägt die spezifischen Unregelmäßigkeiten einer Autorin oder eines Autors, die ungewöhnliche Wortstellung, den Satz, der lang wird, weil der Gedanke es tat. Ein gründlicher Korrekturdurchgang, besonders einer, der durch ein anderes Werkzeug läuft, neigt dazu, genau diese Unregelmäßigkeiten zu glätten. Der bislang größte unabhängige Vergleich von Erkennungstools testete 14 davon und stellte fest, dass die Genauigkeit bei jedem Tool weiter sank, sobald der Beispieltext paraphrasiert oder maschinell übersetzt worden war.

Schreibmerkmal	Warum es die scheinbare Unvorhersehbarkeit eines Dokuments verringert	Was die Evidenz zeigt
Kurze Einreichungen	Weniger Text lässt weniger Raum für die natürliche Variation, die menschlichen Rhythmus von Maschinenrhythmus trennt	Werte bei kurzen Dokumenten schwanken stärker aufgrund weniger ungewöhnlicher Sätze
Formelhafte oder fachspezifische Schreibweise	Die Gattungskonvention belohnt die erwartete Formulierung gegenüber der erfinderischen	14,400 Journal Abstracts aus der Zeit vor ChatGPT (1980 bis 2023) lösten weiterhin bis zu 8% false positives aus, die Abstracts einer Zeitschrift erreichten 10.24%
Stark überarbeitete oder paraphrasierte Entwürfe	Ein Überarbeitungsschritt glättet die individuellen Unregelmäßigkeiten, die ein Detektor als menschlich liest	Ein unabhängiger Vergleich von 14 Tools ergab, dass die Genauigkeit nach Paraphrasierung oder maschineller Übersetzung weiter sank
Zitierte oder vorlagenbasierte Materialien	Die zitierte Passage trägt die statistische Signatur ihrer Quelle, nicht die des zitierenden Autors	Detektoren, die Zitate nicht ausschließen, bewerten das umgebende Dokument anhand von übernommenem Text

Warum klassifizieren AI-Detektoren Nicht-Muttersprachler des Englischen falsch?

Schlecht, und zwar mit großem Abstand. Das ist die Schlussfolgerung der Studie, die dies erstmals quantifiziert hat. Forschende in Stanford setzten sieben weit verbreitete GPT-Detektoren gegen 91 TOEFL Essays von Nicht-Muttersprachlern des Englischen und 88 Essays von Achtklässlern aus den USA ein. Die Detektoren erkannten die Essays der Achtklässler fast jedes Mal korrekt. Bei den TOEFL Essays, die von Erwachsenen verfasst worden waren, die ausreichend fließend waren, um einen Englischtest auf Graduiertenniveau abzulegen, lag die durchschnittliche false positive rate der Detektoren bei 61.3 percent. 89 der 91 Essays wurden von mindestens einem der sieben Detektoren als von GPT erzeugt markiert, 18 dieser Essays wurden von allen sieben Detektoren markiert.

Der Mechanismus ist derselbe, der auch den Rest der Erkennung bestimmt: vorhersehbarer Wortschatz und einfachere Satzkonstruktionen werden als geringe Perplexität gelesen, und geringe Perplexität wird als maschinell erzeugt gelesen, unabhängig davon, wer den Stift hält. Schreibende, die in einer zweiten Sprache arbeiten, greifen auf etablierte Formulierungen zurück, weil genau so Sprachbeherrschung in einer zusätzlichen Sprache tatsächlich aussieht, und genau dieses Profil ist es, auf das ein Detektor ausgelegt wurde.

Schreibende in dieser Lage sind mit dem Rat, einfach natürlicher zu schreiben, nicht gut beraten, da gerade das Natürliche markiert wurde. TextPulse's Seite für akademische Schreibende mit Englisch als Zweitsprache behandelt die Formulierungsmuster hinter diesem Risiko ausführlicher, einschließlich dessen, was sie verändert, ohne zu verändern, was der Satz bedeutet.

Dies war kein Einzelfall. Im Dezember 2025 wurde ein neuer Benchmark veröffentlicht, der ausdrücklich dazu bestimmt war, Verzerrungen in diesen Detektoren zu bewerten. Er umfasste über 200,000 Stichproben aus mehreren demografischen Gruppen und Sprachen. Obwohl er zwei Jahre nach Stanford's erster Studie erschien und viele verschiedene Modellversionen derselben Detektoren einschloss, zeigte dieser Benchmark, dass die Verzerrung zugunsten von English language learners weiterhin vorhanden ist.

Das gilt nicht für alle Anbieter. Pangram's eigene technische Dokumentation erklärt, dass sein Klassifikator nicht gegen nicht muttersprachliche Englischsprechende voreingenommen ist. Die Forscher von Chicago Booth haben diese Behauptung nicht unabhängig geprüft, aber sie zeigt, dass die neuere Generation von Detektoren mit diesem Problem im Blick entwickelt wird, statt es zu ignorieren.

Wenn Sie sehen möchten, wo Ihr eigenes Schreiben steht, bevor jemand anderes es bewertet, liefert ein kostenloser Perplexity-Prüfer dieselbe zugrunde liegende Zahl, die ein Detektor berechnen würde, ohne zunächst etwas an eine Institution zu übermitteln.

Wer sonst markiert wird, und warum

Nicht muttersprachliche Englischsprechende tragen das am besten dokumentierte Risiko, aber dieselbe statistische Logik erfasst auch andere Texte. Webers-Wulffs Team stellte fest, dass alle 14 von ihnen getesteten Tools ungenauer waren, wenn sie auf paraphrasierten Texten eingesetzt wurden, dies beschreibt einen bedeutenden Anteil akademischen Schreibens, das bereits von einer Korrekturleserin, einem Lektor oder der roten Korrektur eines Betreuers überarbeitet wurde, bevor überhaupt jemand einen Detektor darauf ansetzt.

Nichts davon bedeutet, dass die Zahl bedeutungslos ist, nur dass sie vor ihrer Aussage über eine bestimmte Person bestätigt werden muss. Wenn Sie einen Text haben, der gleichförmig wirkt, mit ähnlichen Satzlängen und ähnlichem Rhythmus durchgehend, wird er als stärker maschinenähnlich eingestuft, unabhängig davon, wer ihn geschrieben hat oder warum. Dies lässt sich direkt mit einem kostenlosen Burstiness-Checker überprüfen, statt es zu vermuten.

Eine zweite, weniger diskutierte Gruppe steht vor einem verwandten Problem. Forschende verglichen ungefähr 60.000 Reddit-Beiträge, aufgeteilt in eine Teilmenge, die als wahrscheinlich von autistischen Autorinnen und Autoren verfasst identifiziert wurde, und eine allgemeine Stichprobe, und ließen beide durch einen auf GPT-2 basierenden Detektor laufen. Beide Gruppen blieben insgesamt unter 2 Prozent markiert, aber die wahrscheinlich autistische Teilmenge wurde mit einer signifikant höheren Rate markiert als die allgemeine Stichprobe. Schreiben, das zu wörtlicher, repetitiver, eng strukturierter Formulierung neigt, ein dokumentiertes Merkmal einiger autistischer Kommunikationsstile, erzeugt genau den Text mit geringer Variation, auf den ein Detektor ausgelegt ist.

Warum ein sicheres Ergebnis keine sichere Anschuldigung ist

Falsch-Positiv-Rate klingt so, als bezeichne sie die Wahrscheinlichkeit, dass eine einzelne als problematisch markierte Person unschuldig ist. Aber nein. Sie beschreibt, wie ein Test für alle funktioniert, die ihn absolvieren. Und das sind unterschiedliche Fragen mit unterschiedlichen Antworten, genau wie bei jedem Screening-Test in der Medizin oder Sicherheit.

Eine statistische Analyse aus dem März 2026 von einem Forscher der Griffith University macht die zugrunde liegende Mathematik explizit. Wenn man AI-Erkennung als einen Test behandelt, der auf eine Population von studentischen Schreibenden angewendet wird, statt auf ein einzelnes isoliertes Dokument, dann zeigt sich ein Zielkonflikt: Immer wenn ein Teil dieser Population in einer Weise schreibt, die sich natürlich mit typischer AI-Ausgabe überschneidet, nahe an Genre-Konventionen, nahe am Schreibniveau von Lernenden einer Zweitsprache, muss jeder Detektor mit echter Fähigkeit, AI-verfasste Arbeiten zu erkennen, bei einem Teil dieses überlappenden Anteils Fehlalarme auslösen. Dies ist keine Behauptung, dass ein bestimmter Detektor schlecht gebaut sei. Es ist eine Eigenschaft des Testens einer vielfältigen Population mit einem einzelnen Dokument und ohne weitere Belege.

Das eigene veranschaulichende Beispiel der Arbeit zeigt das Ausmaß. Angenommen, 10 Prozent einer studentischen Population schreiben hinreichend nah an typischer AI-Ausgabe, und ein Detektor ist darauf abgestimmt, 80 Prozent der tatsächlich AI-verfassten Arbeiten zu erfassen. Die Mathematik verlangt dann eine durchschnittliche False-Positive-Rate von mindestens 7.5 Prozent über diese Population hinweg. Das ist kein Mangel in der technischen Umsetzung des Detektors, sondern eine direkte Folge davon, wie stark sich das Schreiben dieser Gruppe statistisch mit dem zu erkennenden Gegenstand überschneidet.

Auf eine Universität mit 10,000 Studierenden hochgerechnet, impliziert diese Untergrenze allein ungefähr 750 falsche Kennzeichnungen in der Population, eine mathematische Folge davon, eine vielfältige Population gegen ein einzelnes Dokument ohne weitere zu berücksichtigende Belege zu testen. Der Autor der Arbeit stellt ausdrücklich klar, dass diese konkreten Zahlen illustrativ und nicht an einer realen Institution gemessen sind. Das Beispiel zeigt die Struktur des Problems, nicht eine spezifische Vorhersage für einen einzelnen Campus.

Wie eine vertretbare AI-Erkennungsrichtlinie aussieht

Yale hatte bereits eine Richtlinie, die Berichten zufolge Tools wie GPTZero einschränkt, aus nahezu den Gründen, die dieser Artikel dargelegt hat, einer dokumentierten False-Positive-Rate und einer dokumentierten Benachteiligung von nicht muttersprachlichen englischen Schreibenden. Es geht also weniger um die Geschichte eines einzelnen unglücklichen Studierenden als vielmehr darum, dass eine bestehende Regel nicht befolgt wurde. Wenn eine Richtlinie tatsächlich den Unterschied zwischen einem Score und einem Urteil durchsetzt, dann wird ein Score zu einem Eingabewert und nicht zu einem Urteil.

• Behandeln Sie die Punktzahl als einen Input, niemals als alleinige Grundlage für einen Befund von Fehlverhalten
• Offenbaren Sie den veröffentlichten Anteil falsch positiver Ergebnisse des Tools den Studierenden, bevor Sie es gegen sie einsetzen
• Wenden Sie besondere Vorsicht bei kurzen Einreichungen und beim Schreiben von Nicht-Muttersprachlern im Englischen an, beides dokumentierte Schwachpunkte
• Gewährleisten Sie einen Weg zur Berufung, der nicht erfordert, eine Statistik zu widerlegen

Nichts davon ist exotisch. Es kommt eher dem nahe, wie irgendein einzelnes forensisches Beweisstück anderswo behandelt werden sollte, nützlich, überprüfbar und niemals für sich allein ausreichend.

Für eine einzelne Autorin oder einen einzelnen Autor gilt derselbe Grundsatz, bevor eine Punktzahl existiert, nicht erst danach. Eine einzelne Zahl, von welchem Tool auch immer, ist eine Schätzung und kein Urteil, und sie als Gewissheit in beide Richtungen zu behandeln, also als sicher oder erwischt, verlangt von der Zahl mehr, als sie tragen kann.

Das eigene AI humanizer tool von TextPulse gibt auf derselben Logik einen Human Score aus, eine aus Ihrem eigenen Text berechnete Schätzung, kein Urteil eines Detektors darüber, nützlich als Signal dafür, wie ein Entwurf derzeit liest, statt als Versprechen darüber, was irgendein bestimmter Detektor sagen wird.

Die Frage der Genauigkeit zerfällt in engere Fragen, jede mit einer eigenen Seite. Die konkreten Belege zur false positive rate von Turnitin und zur Genauigkeit von ZeroGPT werden separat behandelt. Wenn eine Punktzahl bereits gegen Sie verwendet wurde, gibt es praktische Beiträge dazu, was zu tun ist, wenn Ihnen die Verwendung von AI vorgeworfen wird, zu den Belegen, die Sie zusammentragen können, um zu beweisen, dass Sie AI nicht verwendet haben, und zum Verfassen eines Berufungsschreibens, das die Punktzahl nach ihren eigenen Maßstäben beantwortet.

Die Zahl in jedem Bericht wird sich weiter bewegen, während Anbieter ihre Modelle neu trainieren und Forschende sie weiterhin an schwierigeren Fällen testen. Was sich jedoch nicht bewegen sollte, ist die Gewohnheit darunter, eine Punktzahl als eine Messung unter mehreren zu lesen, zu fragen, auf welche Population sie validiert wurde, und zu fragen, was der Anbieter nicht über die Fälle sagt, bei denen er weiterhin falsch liegt.