Wie funktionieren AI-Detektoren? Perplexität, Burstiness und Token-Wahrscheinlichkeit

Ihre Universität hat begonnen, Einreichungen durch einen AI-Detektor laufen zu lassen, und es ist ein Bericht mit einer Zahl zurückgekommen, die Sie nicht erwartet hatten. Bevor Sie versuchen, sie anzufechten, ist es hilfreich zu wissen, was diese Zahl bedeutet. Wie funktionieren AI-Detektoren? Sie lesen maschinell erzeugten Text nicht so, wie ein Mensch es tut. Sie messen, wie vorhersagbar Ihr Text für ein Sprachmodell ist, und wandeln diese Vorhersagbarkeit dann in einen Wert um. In diesem Prozess wird nichts danach beurteilt, was Sie meinen, was Ihr Argument ist oder ob Sie den Text tatsächlich selbst geschrieben haben.

Ich habe Jahre damit verbracht, Werkzeuge zu entwickeln, die Text statistisch zerlegen, und das Nützlichste, was man über Erkennung verstehen kann, ist dies: Es handelt sich um eine Messung von Typikalität, nicht von Herkunft. Sobald das klar ist, werden sowohl die Technologie als auch ihre Fehler viel verständlicher.

Was ein Detektor tatsächlich misst

Ein Detektor weiß nicht, wer irgendetwas geschrieben hat. Er verfügt über ein Sprachmodell und eine Bewertungsfunktion. Das Modell liest Ihren Text von links nach rechts, und an jedem Punkt erzeugt es eine Wahrscheinlichkeitsverteilung darüber, welches Wort als Nächstes kommen sollte. Gibt man ihm die Wörter "the results of the", dann wird es "study" am höchsten einstufen, "experiment" etwas niedriger und "marmalade" irgendwo nahe null.

Der Detektor stellt Ihrem Dokument also eine Frage: Wie oft hat dieser Text das Wort gewählt, das das Modell erwartet hat? Schreiben, das immer wieder bei Wörtern mit hoher Wahrscheinlichkeit landet, wirkt maschinell erzeugt, weil genau das ein Textgenerator tut. Das Modell zieht wieder und wieder aus dem oberen Bereich seiner eigenen Verteilung, über Tausende von Tokens hinweg.

Deshalb steht die gesamte Kategorie auf wackligerem Boden, als das Marketing nahelegt. Ein Detektor findet weder ein Wasserzeichen noch einen Fingerabdruck. Er bemerkt, dass Ihre Prosa statistisch wenig überraschend ist, und wenig überraschende Prosa hat viele Ursachen außer einem Chatbot.

Perplexity: wie überrascht das Modell ist

Die zentrale Kennzahl heißt Perplexität, und sie ist einfacher, als sie klingt. Man nimmt die Wahrscheinlichkeit, die das Modell jedem Wort zugewiesen hat, das tatsächlich erschienen ist, bildet den Durchschnitt der Logarithmen dieser Wahrscheinlichkeiten und exponentiert das Ergebnis. Heraus kommt eine einzelne Zahl, die beschreibt, wie überrascht das Modell von Ihrem Dokument war. Sie können die Perplexität Ihres eigenen Entwurfs prüfen, statt sie zu erraten.

Niedrige Perplexität bedeutet, dass der Text dort verlief, wo das Modell es erwartete. Hohe Perplexität bedeutet, dass er immer wieder Wendungen nahm, die das Modell nicht erwartete. Menschliches Schreiben liegt tendenziell höher, weil Menschen zu dem ungewöhnlichen, spezifischen Substantiv greifen, zu der unüblichen Konstruktion, zu dem Satz, der an einer unerwarteten Stelle beginnt. Generierter Text liegt tendenziell niedriger, weil der Dekodierungsprozess genau darauf ausgelegt ist, solche Bewegungen zu vermeiden.

Vergleichen Sie zwei Arten, einen Methodenteil zu eröffnen. "The results of the study were statistically significant" ist eine Folge, die fast jedes Modell mit hoher Sicherheit vorhersagen würde, weil sie keine unerwarteten Informationen enthält. "Two of the three cohorts drifted before week six, which we had not planned for" ist weit weniger vorhersagbar, weil sie konkrete, sperrige Informationen enthält, die aus dem Rest der Arbeit nicht hätten erraten werden können. Der zweite Satz kostet den Detektor echte Überraschung, und genau diese Überraschung wird als menschlich registriert.

Burstiness: die Varianz, nicht der Durchschnitt

Perplexität allein reicht nicht aus, weil ein Dokument im Durchschnitt eine völlig vernünftige Zahl ergeben kann, während es darunter verdächtig gleichförmig bleibt. Entscheidend ist die Variation innerhalb Ihres Textes, und genau das misst Burstiness: wie stark Satzlänge und Satz-Perplexität schwanken, während der Text fortschreitet. Ein Burstiness-Checker zeigt Ihnen diese Streuung direkt.

Wir werden schneller, wenn wir sicher sind, und langsamer, wenn wir uns absichern, und dieser Rhythmus bleibt in der Prosa erhalten. Menschen schreiben in Schüben. Ein Absatz kann mit einem kurzen, deklarativen Satz von acht Wörtern beginnen, in einen dreiunddreißig Wörter langen Satz mit drei Nebensätzen und einer Klammer übergehen und dann wieder zu etwas Knappem zurückkehren.

Modellausgaben tun dies nicht zuverlässig. Sätze gruppieren sich um die mittlere Länge. Absätze erscheinen in ordentlichen Bündeln. Jeder Abschnitt beginnt damit, seine eigene Überschrift zu wiederholen. Es liest sich flüssig und erzielt schlechte Werte, weil eine geringe Varianz zwischen Sätzen eines der stärksten Signale ist, über das ein Detektor verfügt. Nicht ein einzelner Satz verrät es. Es ist die Gleichförmigkeit.

Signal	Was es misst	Warum maschineller Text niedrig bewertet wird
Perplexity	Wie überrascht das Modell von Ihren Wortwahlentscheidungen ist, gemittelt über das gesamte Dokument	Das Decoding zieht absichtlich aus Tokens mit hoher Wahrscheinlichkeit Stichproben
Burstiness	Wie stark Satzlänge und Vorhersagbarkeit im Text variieren	Die Ausgabe gruppiert sich um den Mittelwert, statt zu schwanken
Token probability	Die wortweise Wahrscheinlichkeit, aus der die beiden anderen berechnet werden	Lange Folgen einzeln unauffälliger Entscheidungen

Token probability und woher der Score kommt

Beide dieser Zahlen werden aus einer dritten aufgebaut, der Log-Likelihood pro Token, dem Rohmaterial, aus dem alles andere berechnet wird. Einige Tools zeigen sie direkt an und heben die Passagen hervor, in denen Ihr Text am vorhersehbarsten war. Diese Hervorhebungen sind keine Vorwürfe gegen bestimmte Sätze, ganz gleich, was die Oberfläche nahelegt. Sie sind die Teile, die am stärksten zu einer Zahl auf Dokumentebene beigetragen haben.

Forschungsansätze sind über einfache Schwellenwerte hinausgegangen. DetectGPT und seine Nachfolger betrachten die Krümmung: Sie stören Ihren Text leicht und prüfen, ob die Wahrscheinlichkeit in dem Muster abfällt, das typischerweise bei generiertem Text zu beobachten ist. Andere vergleichen dieselbe Passage unter zwei verschiedenen Modellen und nutzen die Abweichung als Signal.

Eine Konsequenz ist für jede Person wichtig, die beurteilt wird. Da die Metriken gegen ein bestimmtes Referenzmodell berechnet werden, ist ein Wert immer relativ zu diesem Modell. Zwei Detektoren können denselben Absatz lesen und völlig uneinig sein, und keiner von beiden ist fehlerhaft. Sie beantworten dieselbe Frage mit unterschiedlichen Bezugspunkten.

Die zweite Konsequenz wird seltener erwähnt. Ein Modell kann eine Passage nur dann als vorhersehbar erkennen, wenn diese Passage dem ähnelt, woran es trainiert wurde, daher verschlechtert sich die Erkennungsqualität, wenn die Lücke zwischen dem Referenzmodell und dem, was den Text erzeugt hat, größer wird. Neuere Generatoren, ungewöhnliche Disziplinen und andere Sprachen als Englisch vergrößern diese Lücke. Das ist ein Teil des Grundes, warum Genauigkeit, die in einem kontrollierten Benchmark gemessen wird, bei einer realen Menge von Einreichungen selten Bestand hat.

Warum KI-Text überhaupt erkannt wird

Wie ein Sprachmodell sein nächstes Wort auswählt

Sich selbst überlassen würde ein Sprachmodell einfach seine vollständige Rangliste möglicher nächster Wörter ausgeben und etwas anderes die Auswahl treffen lassen. In der Praxis trifft eine Decoding-Strategie diese Wahl automatisch, Wort für Wort, und welche Strategie gerade läuft, verändert das Aussehen der Ausgabe, selbst wenn sich das zugrunde liegende Modell nie ändert.

Greedy Decoding wählt immer das einzelne wahrscheinlichste Wort aus. In dem Paper, das Nucleus Sampling als Lösung einführte, stellten Ari Holtzman und Mitautorinnen und Mitautoren fest, dass das Befolgen dieser Strategie zu Text führt, der, in ihren eigenen Worten, 'bland and strangely repetitive.' Beam Search, das mehrere wahrscheinliche Fortsetzungen gleichzeitig verfolgt, bevor es sich für eine entscheidet, stößt auf eine ähnliche Form desselben Problems.

Sampling-Strategien führen etwas Zufälligkeit wieder ein, aber auf kontrollierte Weise. Temperature passt an, wie stark das Modell seine eigenen besten Optionen bevorzugt, bevor ein Wort gezogen wird. Nucleus Sampling, manchmal auch top-p genannt, beschneidet die Verteilung auf die kleinste Menge von Wörtern, deren gemeinsame Wahrscheinlichkeit eine Schwelle überschreitet, und zieht nur aus dieser Menge, im ursprünglichen Paper beschrieben als Sampling aus einem dynamischen Nucleus der Verteilung statt aus ihrem unzuverlässigen Schwanz.

Selbst die am wenigsten deterministischen dieser Einstellungen greift noch auf eine engere Auswahl zurück, die sich daran orientiert, was das Modell bereits für wahrscheinlich hält. Menschliches Schreiben wurde nie dadurch erzeugt, dass ein Wortschatz gerankt und aus dessen Spitze gezogen wurde, daher überschreitet es diese engere Auswahl fortwährend. Bedeutung liegt manchmal in dem Wort, das nie auf der Liste stand.

Wortschatz-Flachheit: Weniger, sicherere Wörter

Wortschatz-Flachheit ist die wortbezogene Version derselben Gewohnheit. An jedem Punkt eines Satzes könnten Dutzende von Wörtern ihn plausibel fortsetzen, doch einige wenige liegen im Ranking des Modells weit über dem Rest, und das Decoding landet immer wieder bei genau diesen wenigen. Multipliziert man diese Wahl mit jedem Satz in einem Dokument, verengt sich die tatsächlich verwendete Wortbreite messbar im Vergleich zu menschlichem Schreiben ähnlicher Länge.

Der Effekt verstärkt sich, statt konstant zu bleiben. Ein Modell, das in Satz eins nach dem höchstgerankten Wort greift, setzt mit größerer Wahrscheinlichkeit einen Kontext auf, in dem das höchstgerankte Wort in Satz zwei ebenfalls häufig ist, weil häufige Wörter dazu neigen, auf häufige Wörter zu folgen. Eine menschliche Autorin oder ein menschlicher Autor unterbricht diese Drift fortwährend, greift nach dem spezifischen Fachbegriff, dem leicht ungewöhnlichen Verb, dem Wort, das die tatsächliche Sache benennt, statt nur eine sichere Annäherung daran. Dieser Unterschied zeigt sich als messbar kleinerer aktiver Wortschatz in der erzeugten Version, selbst wenn beide Versionen dieselben zugrunde liegenden Fakten beschreiben.

Dies ist eine Eigenschaft der gesamten Passage, nicht eines einzelnen Wortes. Ein sicheres Wort beweist nichts. Eine Seite voller solcher Wörter, Satz für Satz nach demselben Rang des gebräuchlichen Wortschatzes greifend, ist das, worauf das wortbezogene Signal eines Detektors tatsächlich ausgelegt ist.

Syntaktische Einheitlichkeit: Dieselben Formen, wiederholt

Syntaktische Einheitlichkeit ist die Version auf Satzebene. Es geht nicht darum, wie lang ein Satz ist. Es geht darum, wie viele unterschiedliche grammatische Formen eine Passage verwendet: wie Sätze beginnen, wie Teilsätze aneinander anschließen, wie oft ein Übergangswort die Verbindung einer Idee mit der nächsten übernimmt. Ein Modell, das immer wieder die statistisch wahrscheinliche nächste Struktur vorhersagt, ordnet sich auf eine kleine Rotation von Formen ein und wiederholt sie.

Ein Absatz kann in der Satzlänge variieren und dennoch syntaktisch flach wirken, wenn jeder Satz derselben Subjekt-Verb-Komplement-Struktur folgt, mit derselben Art von Übergang beginnt oder auf dieselbe Weise endet. Die Vorhersehbarkeit liegt im Muster, nicht in der Wortzahl, ein Unterschied, der in der Anleitung zu was burstiness tatsächlich misst ausführlicher behandelt wird.

Was verengt	Was dekodierungsoptimierter Text tendenziell tut	Was menschliches Schreiben tendenziell tut
Wortwahl	Entscheidet sich bei jedem Schritt für das wahrscheinlichste gebräuchliche Wort	Greift nach dem spezifischen oder weniger gebräuchlichen Wort, das die tatsächliche Sache benennt
Satzanfang	Wiederholt eine kleine Auswahl sicherer einleitender Übergänge	Variiert, wie ein Satz beginnt, einschließlich Anfängen, die ein Modell als weniger wahrscheinlich einstufen würde
Gliedsatzstruktur	Wiederholt über einen Abschnitt hinweg eine oder zwei bevorzugte grammatische Formen	Mischt einfache und komplexe Strukturen, je nachdem, was ein Satz erfordert

Die Entscheidungen, die nur ein Mensch tendenziell trifft

Die Kehrseite eines engen Bereichs ist das, was außerhalb davon liegt. Eine Person, die reale Ereignisse beschreibt, greift nach der genauen Zahl statt nach einer gerundeten, gibt den Teil zu, der nicht funktioniert hat, unterbricht einen Satz, um ihn mitten im Gedanken zu korrigieren, oder wählt ein Wort, das richtig ist, statt typisch. Jede dieser Entscheidungen ist aus Sicht eines Sprachmodells ein Token mit geringer Wahrscheinlichkeit, genau die Art von Auswahl, die Decoding vermeiden soll.

All dies bedeutet nicht, dass spezifisches oder ungewöhnliches Schreiben vor jeder Markierung sicher ist, oder dass flüssiges, korrektes Schreiben per se verdächtig ist. Ein Methodenteil, eine Rechtsklausel oder ein stark überarbeiteter Endentwurf kann aus Gründen in einen engen Bereich fallen, die nichts mit einem Modell zu tun haben, weshalb ein einzelner Wert eine Beschreibung eines Musters ist und kein Urteil darüber, wer ihn getippt hat.

Zu sehen, wo der eigene Entwurf auf diesem Spektrum liegt, ist nützlicher als zu raten. TextPulse's kostenloser Perplexity-Checker und Burstiness-Checker messen Wort-für-Wort-Vorhersagbarkeit und Satz-zu-Satz-Rhythmus getrennt, sodass ein flaches Vokabular und eine wiederholte Satzstruktur als zwei verschiedene Signale erscheinen, statt als eine vermischte Zahl.

Daraus ergeben sich zwei engere Seiten. Wie Turnitin AI konkret erkennt ist die eine, und der Unterschied zwischen seinem Ähnlichkeitsscore und seinem AI-Score ist die andere, da die beiden regelmäßig miteinander verwechselt werden.

Beide sind Teil der umfassenderen Sammlung kostenloser Tools, für alle, die das Muster selbst sehen wollen, statt einer einzelnen Zahl blind zu vertrauen.

Wie viel des Webs ist inzwischen AI-generiert?

Nach mehreren Messgrößen überwiegt maschinell erzeugter Text inzwischen online gegenüber von Menschen geschriebenem Text. Ein Team bei Amazon Web Services analysierte 6,4 Milliarden Sätze aus dem Web und stellte fest, dass 57.1% als maschinelle Übersetzungen in drei oder mehr Sprachen vorlagen, ein großer Teil davon in geringer Qualität. Eine Analyse von 2025 durch die SEO-Firma Graphite ergab, dass etwas mehr als die Hälfte der neu veröffentlichten Webartikel AI-generiert war. Wikipedia ist keine Ausnahme: Eine Princeton-Studie zu im August 2024 erstellten Seiten ermittelte bei etwa einem von zwanzig neuen englischen Artikeln, dass sie in erheblichem Maße AI-generiert waren.

Der Anteil steigt, weil die Ausgabe von Modellen um Größenordnungen weniger kostet als menschliches Schreiben und jeder kommerzielle Anreiz in dieselbe Richtung weist. Ganze Plattformen laufen inzwischen ganz ohne menschliche Autorinnen und Autoren: Chirper ist ein soziales Netzwerk, das vollständig von AI-Konten bevölkert ist, in dem Menschen nur zusehen können, und SocialAI verkauft einen Feed, in dem jede Antwort auf Sie von einem Bot stammt. Foren, Bewertungsbereiche und Kommentarstränge zeigen dasselbe Muster in kleinerem Maßstab.

Für die Erkennung verändert dies die Grundrate. Ein Klassifikator, der beliebigen Webtext im Jahr 2023 liest, konnte annehmen, dass der größte Teil davon menschlich war, ein Klassifikator im Jahr 2026 kann das nicht. Es wirkt auch auf die Modelle selbst zurück, da jede neue Generation auf einem Web trainiert, das ihre Vorgänger bereits hineingeschrieben haben, was ein Grund dafür ist, dass die von Detektoren erfassten Wortgebrauchsmuster sich ausbreiten statt verblassen.

Für das eigene Schreiben ist die Folge eindeutig, menschlich verfasste Prosa wird zur Minderheitsklasse, und Prüfer, Herausgeber und Leser wissen das. Erhöhte Verdachtsmomente sind nun der Standard, und genau deshalb lohnt es sich zu verstehen, was ein Detektor messen kann und was nicht.

Was kommerzielle Detektoren zusätzlich leisten

Die Werkzeuge, die Institutionen tatsächlich kaufen, laufen nicht mit der Lehrbuch-Perplexität. Turnitin, GPTZero, Originality und die übrigen trainieren überwachte Klassifikatoren auf großen gelabelten Mengen menschlicher und maschineller Texte, wobei statistische Merkmale neben stilistischen verwendet werden. Was der Klassifikator lernt, ist alles, was diese beiden Haufen in seinen Trainingsdaten voneinander trennt, und das ist etwas engeres und historischeres als "AI writing" im Allgemeinen.

Die Abhängigkeit vom Training ist das stille Problem. Ein Klassifikator, der vor allem auf einer Generation von Modellausgaben trainiert wurde, muss auf neuere Modelle, auf unbekannte Fachgebiete und auf Schreibende generalisieren, deren Englisch seiner Trainingsverteilung nicht ähnelt. Anbieter veröffentlichen Genauigkeitswerte aus ihren eigenen Evaluierungen, und unabhängige Benchmarks liegen bei denselben Werkzeugen regelmäßig deutlich unter diesen Zahlen.

Einen Wert lesen, ohne ihn zu überlesen

Ein Detektorbericht erscheint gewöhnlich als Prozentsatz, und dieser Prozentsatz wird regelmäßig falsch gelesen. Er ist nicht der Anteil Ihres Dokuments, der von einer Maschine geschrieben wurde. Je nach Werkzeug ist er eine Klassifikator-Sicherheit oder der Anteil der Sätze, die eine interne Schwelle überschritten haben, und Anbieter bleiben oft unklar, was davon gemeint ist. Zwei Berichte, die beide sechzig Prozent anzeigen, können sehr Unterschiedliches bedeuten.

Es ist auch sinnvoll zu wissen, was einen Score aus Gründen verschiebt, die nichts damit zu tun haben, wer ihn geschrieben hat. Kurze Dokumente sind rauschiger, weil weniger Text vorhanden ist, auf den sich die Durchschnittswerte einpendeln können, und ein Essay mit fünfhundert Wörtern kann sich schon aufgrund von zwei oder drei ungewöhnlichen Sätzen stark verändern. Zitierte Passagen zählen ebenfalls, sofern das Tool sie nicht herausfiltert, sodass eine mit Blockzitaten gefüllte Literaturübersicht die Vorhersagbarkeit dessen übernimmt, was sie zitiert. Eine technische Passage, die mit Standardterminologie gesättigt ist, verhält sich auf dieselbe Weise.

Wenn Sie von einer Markierung betroffen sind, ist die nützliche Reaktion Belege statt einer Debatte über die Metrik. Versionsverlauf, Entwürfe, Notizen und Suchprotokolle sprechen alle für den Prozess, und genau den kann ein Gremium für Fehlverhalten tatsächlich bewerten. Es gibt keinen Schwellenwert, auf den jemand verweisen könnte, um eine sorgfältige Autorin oder einen sorgfältigen Autor von einem Modell zu trennen.

Warum Detektoren Texte markieren, die kein Modell erzeugt hat

False Positives sind keine seltene Fehlfunktion. Sie ergeben sich unmittelbar aus der Messung von Typikalität. Jeder Text, der tatsächlich vorhersagbar ist, wird als vorhersagbar bewertet, unabhängig davon, wer ihn erzeugt hat.

Nicht muttersprachliche Englischschreiberinnen und Englischschreiber sind am stärksten betroffen. Forschende in Stanford fanden heraus, dass Detektoren einen großen Anteil der Essays von Nichtmuttersprachlern fälschlich als maschinell erzeugt einstuften, während sie Essays von Muttersprachlern korrekt klassifizierten. Der Grund ist mechanisch und nicht böswillig: Schreibende, die in einer Zweitsprache arbeiten, neigen dazu, auf eingespielte Konstruktionen und einen gebräuchlicheren Wortschatz zurückzugreifen. Genau das ist das Profil einer niedrigen perplexity, weshalb ESL writers get flagged for writing carefully.

Akademische Konventionen verursachen dasselbe Problem. Ein Methodenteil soll formelhaft sein. Juristische Texte, technische Dokumentation und klinische Berichterstattung belohnen alle die standardisierte Formulierung mehr als die erfinderische. Starke Überarbeitung verschärft dies zusätzlich, da das Glätten eines Entwurfs gewöhnlich bedeutet, die Unregelmäßigkeiten zu entfernen, die Ihre statistische Signatur getragen haben.

Institutionen haben dies bemerkt. Vanderbilt deaktivierte die KI-Erkennungsfunktion von Turnitin, statt auf Werte zu reagieren, die es nicht verifizieren konnte, und andere Universitäten haben eingeschränkt, wie die Zahlen in Verfahren wegen Fehlverhaltens verwendet werden dürfen. Behandeln Sie einen Detektorwert als ein schwaches Beweisstück, nicht als Urteil.

Was dies für Ihr eigenes Schreiben bedeutet

Die praktische Empfehlung, die sich aus der Funktionsweise ergibt, ist nicht exotisch, und nichts davon hat mit Manipulation zu tun. Variieren Sie Ihre Satzlänge bewusst, denn Gleichförmigkeit ist das, was registriert wird. Behalten Sie das konkrete Detail bei, die tatsächliche Zahl, die tatsächliche Einschränkung, das, was in Woche sechs schiefgelaufen ist. Allgemeine Kompetenz ist das, was als maschinell erzeugt bewertet wird, und Spezifität ist sowohl besseres Schreiben als auch ein stärkeres Signal.

Behalten Sie auch Ihren eigenen Sprachgebrauch bei. Wenn Sie eine bestimmte Art haben, Dinge auszudrücken, lassen Sie sie stehen. Der Impuls, einen Entwurf so lange zu glätten, bis er klingt wie jede andere Arbeit im Fach, ist genau der Impuls, der Ihre Perplexität senkt.

Eine Sache, die Sie vermeiden sollten: Einige Werkzeuge fügen absichtlich grammatische Fehler ein, um die Perplexität zu erhöhen. Das funktioniert für die Kennzahl und ist eine sehr schlechte Idee für alles, was benotet oder begutachtet wird, da Sie einen Verdacht gegen eine Gewissheit eintauschen. Das Ziel ist Schreiben, das als Ihres gelesen wird, nicht Schreiben, das absichtlich beschädigt wurde. Das ist der ganze Unterschied zwischen Umschreiben für einen menschlichen Leser und dem Zerstören von Text, um einen Wert zu täuschen.

Wenn Sie diese Zahlen für Ihren eigenen Entwurf sehen möchten, statt einer Black Box einfach zu glauben, sind die zugrunde liegenden Messungen nicht geheim. Die kostenlosen Textanalyse-Tools zeigen Ihnen, wo Ihr Text steht, und Sie können selbst entscheiden, ob die flachen Passagen ein stilistisches Problem sind, das sich zu beheben lohnt.