Turnitin AI का पता कैसे लगाता है, चरण दर चरण

Turnitin रिपोर्ट एक एकल संख्या लौटा सकती है, मान लीजिए 42 प्रतिशत, और यह लगभग कुछ भी नहीं बताती कि वह वहाँ कैसे पहुँची, जब तक कोई उसके पीछे की प्रक्रिया को देखने न लगे। यह संख्या पूरे दस्तावेज़ को देखकर नहीं निकाली जाती और यह एक अनुमान भी नहीं है। यह एक विशिष्ट, प्रलेखित पाइपलाइन का अंतिम परिणाम है, जो हर सबमिशन पर उसी तरह चलती है।

तो Turnitin AI का पता कैसे लगाता है? सबमिशन को भागों में बाँटकर, उन्हें अलग-अलग इस आधार पर अंक देकर कि वे AI generated होने की संभावना रखते हैं या AI generated होकर फिर paraphrased किए गए हैं, और उन अंकों का औसत लेकर रिपोर्ट पर दिखाए गए समग्र प्रतिशत स्कोर को निर्धारित करके। उस पाइपलाइन का हर चरण Turnitin के अपने दस्तावेज़ीकरण में वर्णित है, बाहर से reverse-engineered नहीं किया गया है।

यह विशेष रूप से Turnitin की AI writing detection सुविधा के बारे में है, जो पुराने similarity या plagiarism check से अलग एक प्रणाली है, जो किसी सबमिशन की तुलना अन्य दस्तावेज़ों से करती है। नीचे दी गई यांत्रिकी व्यापक प्रश्न AI detectors वास्तव में कैसे काम करते हैं के भीतर आती है, और Turnitin एक उपयोगी worked example है, ठीक इसलिए क्योंकि यह अपनी विधि का अधिक भाग प्रकाशित करता है जितना अधिकांश vendors करते हैं। आगे पहले पाइपलाइन है, फिर यह कि व्यवहार में यह क्या चिह्नित करती है, स्वतंत्र परीक्षणों ने क्या पाया कि यह क्या चूकती है, और किसी संस्था के भीतर वास्तव में किसे परिणाम दिखाया जाता है।

Turnitin AI का पता कैसे लगाता है? संक्षेप में पाइपलाइन

Turnitin का AI लेखन डिटेक्टर चार चरणों में, एक निश्चित क्रम में चलता है। पहले, यह जाँचता है कि क्या किसी दस्तावेज़ में स्कोर करने के लिए पर्याप्त योग्य गद्य पाठ है। दूसरे, यह उस पाठ को कुछ सौ शब्दों के खंडों में विभाजित करता है। तीसरे, एक मॉडल प्रत्येक खंड को अलग से स्कोर करता है। चौथे, खंडों के स्कोर का औसत निकालकर एकल दस्तावेज़-स्तरीय प्रतिशत बनाया जाता है, जिसे पाठक वास्तव में देखता है।

AI लेखन रिपोर्ट समानता रिपोर्ट नहीं है

Turnitin की AI लेखन रिपोर्ट, समानता रिपोर्ट से अलग एक उत्पाद है, जो साहित्यिक चोरी की जाँच करती है। ये अलग-अलग मॉडलों पर चलते हैं और एक ही इंटरफ़ेस में अलग-अलग टैब पर प्रदर्शित होते हैं। समानता स्कोर किसी प्रस्तुति की तुलना पहले से प्रकाशित स्रोतों और अन्य छात्र-पत्रों के डेटाबेस से करता है, और जो प्रतिशत मेल खाता है उसे लौटाता है। AI स्कोर कुछ और ही करता है, एक वर्गीकार गद्य को पढ़ता है, प्रत्येक स्कोर किए गए खंड को AI-जनित होने की एक संभावना देता है, और उन स्कोरों को एकल दस्तावेज़ प्रतिशत में समेकित करता है। क्योंकि वे अलग-अलग चीज़ों को मापते हैं, किसी प्रस्तुति का समानता स्कोर 2 प्रतिशत और AI स्कोर 60 प्रतिशत हो सकता है, या इसका उलटा भी।

AI प्रतिशत भी उतना व्यापक नहीं है जितना सुनाई देता है। यह योग्य गद्य के उस अनुपात का वर्णन करता है जिसे मॉडल AI द्वारा लिखा हुआ अनुमानित करता है, पूरे दस्तावेज़ का नहीं, क्योंकि कोड ब्लॉक, बुलेट बिंदु, शीर्षक और संक्षिप्त-रूप लेखन को स्कोर की गणना से पहले हटा दिया जाता है। इस लेखन के समय तक डिटेक्टर केवल अंग्रेज़ी, स्पेनिश और जापानी पाठ पर चलता है।

चरण एक: दस्तावेज़ को खंडों में विभाजित करना

किसी भी चीज़ को स्कोर करने से पहले, Turnitin का मॉडल प्रस्तुति को कुछ सौ शब्दों के खंडों में विभाजित करता है, लगभग प्रति खंड पाँच से दस वाक्य। विभाजन पहले होता है क्योंकि मॉडल को इसी आकार के खंड को स्कोर करने के लिए बनाया गया था, न कि एकल वाक्य को और न ही एक पूरी शोध-प्रबंध को एक ही बार में।

केवल गद्य पाठ ही एक chunk में गिना जाता है। मॉडल को लंबी-रूप लेखन पढ़ने के लिए डिज़ाइन किया गया था। ऐसा दस्तावेज़ जिसमें गद्य और तालिकाएँ या कोड दोनों हों, उसे कुछ प्रतिशत गद्य पाठ वाला माना जाएगा, लेकिन वह दस्तावेज़ के सभी गद्य पाठ का वर्णन नहीं भी कर सकता। इसका कारण यह है कि detector ऐसे डेटा-समूह का score कर रहा है जिसमें code blocks, bullet points, या short-form text शामिल नहीं हैं। इसी वजह से दस्तावेज़ ऐसा percentage लौटा सकता है जो केवल प्रस्तुत किए गए सामग्री के एक हिस्से का वर्णन करता है।

Chunk-level scoring का एक अधिक शांत परिणाम भी है, जिसे नाम देना उचित है। कुछ सौ शब्दों के ऐसे chunk के भीतर, जो अन्यथा मानव-लिखित हो, यदि एक AI-drafted वाक्य रखा हो, तो वह उस chunk के बाकी सभी तत्वों के साथ औसत में शामिल हो जाता है, इसलिए उस chunk के अपने score पर उसका प्रभाव उतना ही कम हो जाता है जितना आसपास का मानव-लिखित पाठ उसी chunk में साझा करता है। एक छोटा AI-drafted अंतःक्षेप फिर भी model तक पहुँचता है। बस उसका भार उस chunk की तुलना में कम होता है जो अपने पहले शब्द से लेकर अंतिम शब्द तक AI-drafted हो।

चरण दो: प्रत्येक खंड का स्कोरिंग

प्रत्येक chunk का score अलग से, दस्तावेज़ के हर अन्य chunk से स्वतंत्र रूप से, किया जाता है। model यह अनुमान लगाता है कि पाठ का वह विशिष्ट भाग मानव-लिखित है, AI-generated है, या AI-generated होकर फिर paraphrase किया गया है, जो एक सरल हाँ या नहीं के बजाय तीन-तरफ़ा भेद है।

यह एक अलग श्रेणी है और केवल AI-generated का विस्तार नहीं है, यह संकेत देता है कि paraphrasing detection को कमजोर कर सकती है, यह एक वास्तविक समस्या है। इसकी पुष्टि 2023 के एक अध्ययन से होती है, जिसमें पाया गया कि AI-generated पाठ को एक समर्पित paraphrasing model से गुज़ारने पर शोध detector DetectGPT की accuracy 70.3% से घटकर 4.6% रह गई, जबकि false-positive rate 1% स्थिर रही। ऐसा प्रतीत नहीं होता कि Turnitin ने इस बारे में कुछ प्रकाशित किया है कि उनका अपना three-way classifier इसी तकनीक के प्रति कितना प्रतिरोधी है। यह श्रेणी एक प्रलेखित कारण से मौजूद है।

खंड स्तर पर, पूरे दस्तावेज़ स्तर के बजाय, स्कोर करना एक जानबूझकर किया गया डिज़ाइन विकल्प है। नब्बे पृष्ठों की एक थीसिस जिसमें AI द्वारा तैयार किए गए दो अनुच्छेद हों और पाँच पृष्ठों का एक निबंध जो पूरी तरह AI द्वारा तैयार किया गया हो, अलग समस्याएँ हैं, और खंडों के बीच औसत निकालना ही वह तरीका है जिससे एक दस्तावेज़-स्तरीय संख्या उस अंतर को प्रतिबिंबित कर पाती है, बजाय इसके कि उसे समतल कर दे।

Turnitin ने अपने पाइपलाइन चरणों जितने विस्तार से उस प्रति-खंड मॉडल की आंतरिक संरचना प्रकाशित नहीं की है। यह एक पर्यवेक्षित वर्गीकारक है जिसे लेबल किए गए उदाहरणों पर प्रशिक्षित किया गया है, न कि TextPulse की AI पहचान में perplexity वास्तव में क्या मापता है संबंधी मार्गदर्शिका में वर्णित कच्चे अगले-टोकन स्कोर पर आधारित कोई साधारण सीमा, यद्यपि वही अंतर्निहित विचार, असामान्य रूप से पूर्वानुमेय पाठ, लगभग निश्चित रूप से उस चीज़ का हिस्सा है जिसे ऐसा वर्गीकारक पहचानना सीखता है।

चरण तीन: दस्तावेज़-स्तरीय प्रतिशत में औसत निकालना

खंड स्कोरों का औसत निकालकर रिपोर्ट में प्रदर्शित होने वाला एकल प्रतिशत बनाया जाता है। वह प्रतिशत योग्य गद्य पाठ, केवल दीर्घ-रूप लेखन, के उस अनुपात का प्रतिनिधित्व करता है जिसे मॉडल AI-जनित या AI-जनित होकर फिर से paraphrase किया गया मानता है। यह स्कोर किए गए खंडों का अनुपात है, यह दावा नहीं कि दस्तावेज़ के शब्दों का कोई सटीक हिस्सा सचमुच किसी मशीन द्वारा टाइप किया गया था।

रिपोर्ट पर दिया गया प्रतिशत औसत है। यही कारण है कि दो दस्तावेज़ जो दोनों चालीस प्रतिशत लौटाते हैं, निकट से देखने पर अलग दिख सकते हैं। एक में उसके चालीस प्रतिशत खंड पूरी तरह AI-जनित के रूप में स्कोर किए गए हो सकते हैं। दूसरे में हर खंड आंशिक रूप से संभावित के रूप में स्कोर किया गया हो सकता है, और औसत निकलकर वही शीर्षक संख्या बनती है। यह नहीं दिखाता कि कौन-सा पैटर्न इसका कारण बना।

क्या Turnitin ChatGPT, Claude या Gemini का पता लगा सकता है?

आमतौर पर हाँ, जब किसी दस्तावेज़ में पर्याप्त AI लेखन होता है, और वर्गीकार को इस बात से कोई फर्क नहीं पड़ता कि उसे किस विक्रेता ने बनाया है। Turnitin कहता है कि उसका मॉडल किसी ब्रांड नाम के बजाय लेखन-प्रतिरूप को देखता है, और 2023 में मूल GPT-3.5 और GPT-4 लॉन्च के बाद से इसकी कवरेज बार-बार बढ़ाई गई है। वर्तमान मार्गदर्शन में GPT-5 श्रृंखला, Gemini और Claude को उन प्रणालियों में नामित किया गया है जिनके विरुद्ध इसे प्रशिक्षित किया गया है, और नए मॉडल रिलीज़ लगातार जोड़े जा रहे हैं। यदि किसी छात्र ने इसके बजाय Gemini, Claude या DeepSeek का उपयोग किया, तो वह केवल अलग कंपनी चुनकर डिटेक्टर को दरकिनार नहीं कर रहा है।

इससे प्रभावित होने वाली प्रस्तुतियों का अनुपात बढ़ा है। Turnitin द्वारा अक्टूबर 2025 और फ़रवरी 2026 के बीच स्कैन किए गए लगभग 15 प्रतिशत निबंधों में 80 प्रतिशत या उससे अधिक AI-जनित लेखन पाया गया, जो अप्रैल 2023 में उपकरण के लॉन्च के समय लगभग 3 प्रतिशत था।

पैराफ़्रेज़ किए गए AI पाठ को बिना किसी रोक के पास नहीं किया जाता, बल्कि उसकी अपनी श्रेणी होती है, जो ऊपर वर्णित तीन-स्तरीय वर्गीकरण है। Turnitin का दस्तावेज़ीकरण केवल AI-जनित माने गए पाठ को उस पाठ से अलग करता है जिसे AI-जनित माना गया और फिर AI-पैराफ़्रेज़ किया गया, और अगस्त 2025 में उसने विशेष रूप से AI बाइपासर उपकरणों को लक्षित करने वाली पहचान जोड़ी, जो मशीन आउटपुट को पुनर्लेखित करके डिटेक्टर से बचाने के लिए बनाए गए हैं। इसका यह अर्थ नहीं है कि पैराफ़्रेज़ करना निरर्थक है या हर पुनर्लिखित अंश पकड़ा जाता है। इसका अर्थ यह है कि यह मान लेना कि डिफ़ॉल्ट रूप से पैराफ़्रेज़िंग Turnitin के लिए अदृश्य है, कुछ समय से पुराना हो चुका है। उपकरण विशेष रूप से पैराफ़्रेज़ किए गए पाठ और DeepSeek आउटपुट के साथ क्या करता है, इसे अलग से कवर किया गया है।

न्यूनतम शब्द आवश्यकता और तारांकन सीमा

Turnitin का AI डिटेक्टर कोई स्कोर उत्पन्न करने से पहले किसी प्रस्तुति में कम से कम 300 शब्दों का योग्य गद्य पाठ होना चाहिए, जिसे पहले की 150-शब्द न्यूनतम सीमा से बढ़ाया गया है। इससे कम लंबाई पर, खंडन और औसत प्रक्रिया के लिए पर्याप्त पाठ ही नहीं होता।

300-शब्दों की न्यूनतम सीमा पहले वर्णित एकल स्कोरिंग खंड के आकार के अनुरूप है, यानी कुछ सौ शब्द, पाँच से दस वाक्य। न्यूनतम पर स्थित कोई दस्तावेज़ वास्तव में पाइपलाइन को औसत निकालने के लिए केवल लगभग एक खंड के योग्य पाठ ही देता है, कई खंड नहीं, और यही कारणों में से एक है कि उस न्यूनतम सीमा के पास स्थित रिपोर्ट के अगले सीमा-स्तर द्वारा चिह्नित किए जाने योग्य कम विश्वसनीय दायरे में आने की संभावना अधिक होती है।

Turnitin 20% की सीमा से नीचे कोई प्रतिशत भी प्रदर्शित नहीं करेगा। जुलाई 2024 से, रिपोर्ट संख्या के बजाय प्रतिशत चिह्न के साथ एक तारांकन चिह्न दिखाती है। रिपोर्ट के व्यवहार का यह एकल पहलू पाइपलाइन के किसी भी अन्य भाग की तुलना में अधिक भ्रम पैदा करता है, इसलिए नीचे इसके लिए अलग अनुभाग दिया गया है।

स्थिति	रिपोर्ट क्या दिखाती है	क्यों
300 शब्दों से कम योग्य गद्य	कोई AI स्कोर नहीं	खंडित करने और औसत निकालने वाली पाइपलाइन के विश्वसनीय रूप से चलने के लिए पर्याप्त पाठ नहीं
स्कोर 20% से नीचे गिरता	संख्या नहीं, बल्कि प्रतिशत चिह्न के साथ एक तारांकन चिह्न	Turnitin के अपने दस्तावेज़ीकरण में उस दायरे में मापनीय रूप से अधिक false-positive दर दर्ज है
20% या अधिक का स्कोर	एक विशिष्ट प्रतिशत	Turnitin द्वारा संख्या के रूप में प्रदर्शित करने के लिए पर्याप्त विश्वसनीय माना गया

Turnitin पर तारांकन चिह्न वाला स्कोर क्या अर्थ रखता है?

Turnitin AI writing report पर तारांकन चिह्न का अर्थ है कि मॉडल ने कुछ AI लेखन का पता लगाया, लेकिन दस्तावेज़ के 20 प्रतिशत से कम, और Turnitin उस दायरे में कोई संख्या प्रकाशित नहीं करता। जहाँ सामान्यतः प्रतिशत होता, वहाँ रिपोर्ट प्रतिशत चिह्न के साथ एक तारांकन चिह्न दिखाती है। Turnitin के अपने उत्पाद दस्तावेज़ीकरण में इसे सीधे कहा गया है: "When AI is detected below the 20% threshold in the report, it is now indicated with an asterisk (*%) and no percentage is attributed."

इसलिए एक तारांकन चिह्न कोई त्रुटि नहीं है, कोई अनुपस्थित स्कोर नहीं है, और यह इस बात का संकेत भी नहीं है कि अपलोड में कुछ गलत हुआ। यह विक्रेता का एक जानबूझकर लिया गया निर्णय है, जिसमें उसने एक ऐसा आंकड़ा रोक रखा है जिसे वह मुद्रित करने के लिए पर्याप्त विश्वसनीय नहीं मानता।

Turnitin 20 प्रतिशत से नीचे की संख्या क्यों छिपाता है

क्योंकि वही दायरा वह है जहाँ उपकरण के गलत होने की सबसे अधिक संभावना होती है, और Turnitin की अपनी सटीकता की प्रतिज्ञा उसी को बाहर रखने के लिए सीमित है। कंपनी यह प्रतिबद्धता करती है कि वह अपनी false positive दर को "20% से अधिक AI writing वाले दस्तावेज़ों के लिए 1% से कम" रखेगी। दायरे को ध्यान से पढ़ें: इस प्रतिबद्धता में एक न्यूनतम सीमा अंतर्निहित है, और वह न्यूनतम सीमा वही 20 प्रतिशत है। उस रेखा से नीचे कंपनी समान विश्वसनीयता का दावा नहीं करती, इसलिए एक छोटा सा अंक छापने के बजाय, जिसे पाठक अनिवार्य रूप से सटीक मान लेगा, वह बिल्कुल कुछ नहीं छापती। तारांकन चिह्न false positives से बचने के लिए है, अर्थात यह इसलिए है ताकि शिक्षक को ऐसा आंकड़ा न दिया जाए जो मानव-लिखित दस्तावेज़ का गलत प्रतिनिधित्व करे।

इस तर्क का संबंध पहले वर्णित यांत्रिकी से है। दस्तावेज़-स्तर का स्कोर कुछ सौ शब्दों के खंडों का औसत होता है। जब उन खंडों का केवल एक छोटा हिस्सा AI के रूप में स्कोर करता है, तो परिणामी औसत बहुत कम संकेत पर आधारित होता है, और पाइपलाइन एक वास्तविक 8 प्रतिशत को एक झूठे 8 प्रतिशत से विश्वसनीय रूप से अलग नहीं कर सकती। संख्या को दबा देना इसका ईमानदार उत्तर है, और यही 300-शब्द न्यूनतम के पीछे की वही प्रवृत्ति है।

विश्वविद्यालय में व्यवहार में तारांकन चिह्न का क्या अर्थ है

व्यवहार में, अधिकांश संस्थान तारांकन चिह्न को ऐसी चीज़ मानते हैं जिस पर कार्रवाई करने की आवश्यकता नहीं है, और इसे मानव-लिखित कार्य के अनुरूप एक निम्न स्कोर के रूप में पढ़ते हैं। तर्क सीधा है। यदि डिटेक्टर बनाने वाला विक्रेता उस सीमा में किसी आंकड़े का समर्थन नहीं करेगा, तो शिक्षक के पास छात्र के साथ उठाने के लिए कोई ठोस बात नहीं है, misconduct panel में ले जाने के लिए तो और भी नहीं। अधिकांश academic integrity प्रक्रियाओं के लिए, तारांकन चिह्न वाला रिपोर्ट व्यावहारिक रूप से एक साफ़ रिपोर्ट के बराबर है।

यह इस बात का वर्णन है कि परिणाम का उपयोग कैसे किया जाता है, और यदि आप किसी ऐसे परिणाम को देख रहे हैं तो यह जानना उपयोगी है। यह इस बात के निष्कर्ष के समान नहीं है कि दस्तावेज़ वास्तव में क्या है, और यह भेद दोनों दिशाओं में महत्वपूर्ण है।

एक तारांकन चिह्न का क्या अर्थ नहीं है

• यह मानवीय लेखन-स्वामित्व का प्रमाणपत्र नहीं है। Turnitin दस्तावेज़ को आत्मविश्वास के साथ अंक देने से बच रहा है, जो लेखक के बारे में नहीं बल्कि डिटेक्टर के बारे में एक कथन है।
• यह शून्य के समान नहीं है। बिना किसी AI लेखन वाले दस्तावेज़ और एक AI-सहायता प्राप्त अनुच्छेद वाले दस्तावेज़, दोनों एक ही तारांकन चिह्न उत्पन्न कर सकते हैं, और यही कारण है कि संख्या रोकी जाती है।
• यह प्रस्तुतियों के बीच तुलनीय नहीं है। दो तारांकन चिह्न आपको बताते हैं कि दोनों दस्तावेज़ एक ही सीमा से नीचे आए, और उनके आपसी तुलनात्मक संबंध के बारे में कुछ नहीं बताते।
• यह समानता स्कोर नहीं है। साहित्यिक चोरी मिलान एक अलग टैब पर एक अलग रिपोर्ट है, और यह AI संकेतक के व्यवहार से स्वतंत्र अपना प्रतिशत दिखाती है।

व्यावहारिक परिणाम, जिसे ध्यान में रखना चाहिए, यह है कि हल्का AI-सहायता प्राप्त संपादन, जिसमें एक अनुच्छेद सहायता से पुनर्लिखित किया गया हो और शेष बिना सहायता के लिखा गया हो, अक्सर छोटे प्रतिशत के बजाय एक तारांकन चिह्न उत्पन्न करेगा। न तो संख्या की उपस्थिति और न ही अनुपस्थिति अपने आप प्रश्न का समाधान करती है, और नीचे दिए गए सटीकता आँकड़े भी दूसरी दिशा से उसी निष्कर्ष पर पहुँचते हैं।

Turnitin सटीकता के बारे में क्या दावा करता है, और ये संख्याएँ किसकी हैं

Turnitin अपने स्वयं के सटीकता आँकड़े प्रकाशित करता है, और उन्हें ठीक उसी रूप में पढ़ना चाहिए, विक्रेता के अपने सत्यापन आँकड़े, न कि एक स्वतंत्र ऑडिट। इसकी प्रकाशित सामग्री में उन दस्तावेज़ों के लिए 1% से कम false-positive दर बताई गई है जिन्हें मॉडल 20% AI लेखन से ऊपर अंक देता है, एक सीमा जो ऊपर वर्णित तारांकन चिह्न कटऑफ के अनुरूप है। डिटेक्टर पक्षपात पर शोध के प्रत्युत्तर में बाद में उसी कार्यक्रम का विस्तार English Language Learner लेखन नमूनों तक किया गया।

Turnitin का कहना है कि उसने उस आंकड़े को ChatGPT के अस्तित्व में आने से पहले जमा किए गए मानव-लिखित पत्रों के एक बड़े आधार-समूह के विरुद्ध सत्यापित किया। Turnitin की सामग्री उस आधार-समूह के सटीक आकार के बारे में असंगत है, FAQ पृष्ठ 700,000 पत्रों का उल्लेख करता है, जबकि Turnitin के Chief Product Officer की एक ब्लॉग पोस्ट 800,000 का उल्लेख करती है, और दोनों के साथ 1% से कम का वही दावा जुड़ा हुआ है। Turnitin की सामग्री, कंपनी के अपने विवरण के अनुसार, एक समझौता भी बताती है, AI-जनित सामग्री को अधिक आक्रामक ढंग से पकड़ने का अर्थ है उसका लगभग 15% चूक जाना।

कंपनी ने सार्वजनिक रूप से अपने दावों में भी संशोधन किया है। 2023 में, लॉन्च के तुरंत बाद, Turnitin के chief product officer ने स्वीकार किया कि प्रयोगशाला परीक्षण यह अनुमान नहीं लगा पाए थे कि वास्तविक उपयोग में कितने false positives दिखाई देंगे, विशेष रूप से छोटे सबमिशनों पर, और उन्होंने लगभग 4 प्रतिशत की वाक्य-स्तरीय false-positive दर की सूचना दी। न्यूनतम scoreable लंबाई को 150 से 300 शब्दों तक बढ़ाना उस अंतर के प्रति प्रतिक्रिया थी।

एक साथ पढ़ने पर, ये आंकड़े एक एकल सटीकता संख्या के बजाय एक विशिष्ट समझौते का वर्णन करते हैं। 1% से कम की false-positive दर लगभग नगण्य लगती है, जब तक कि इसे प्रणाली से गुजरने वाले सबमिशनों की संख्या के विरुद्ध नहीं मापा जाता, और 15% की miss rate का अर्थ है कि AI-जनित सामग्री का एक महत्वपूर्ण हिस्सा डिज़ाइन के अनुसार मानव के रूप में स्कोर किया जाता है, न कि किसी खराबी के कारण। Turnitin की अपनी सामग्री इन दोनों संख्याओं को प्रणाली के अभिप्रेत संतुलन के रूप में प्रस्तुत करती है, न कि इस प्रमाण के रूप में कि उपकरण बस सही है या बस गलत।

स्वतंत्र परीक्षण ने क्या पाया

स्वतंत्र परीक्षण विक्रेता के आंकड़ों में वह विवरण जोड़ता है जो वे नहीं देते, उसी भावना में जैसे AI detectors का व्यापक स्वतंत्र परीक्षण जो प्रयोगशाला स्थितियों और वास्तविक सबमिशनों के बीच अंतराल को बार-बार उजागर करता है। Temple University's Center for the Advancement of Teaching ने उपलब्ध अधिक सावधानीपूर्ण परीक्षणों में से एक किया। शोधकर्ताओं ने 120 लेखन नमूने प्रस्तुत किए, जिन्हें समान रूप से पूरी तरह मानव लेखन, पूरी तरह AI-जनित लेखन, paraphrasing tool से गुज़ारे गए AI-जनित लेखन, और मानव तथा AI योगदानों को मिलाने वाले मिश्रित पाठों में विभाजित किया गया, और प्रत्येक के लिए Turnitin ने क्या लौटाया, इसे दर्ज किया।

इस उपकरण ने विशुद्ध मानव नमूनों में से 93 प्रतिशत और विशुद्ध AI-जनित नमूनों में से 77 प्रतिशत को सही ढंग से पहचाना। अधिक कठिन प्रश्नों पर, सटीकता और घट गई। Turnitin ने पैराफ़्रेज़ किए गए AI नमूनों में से केवल 63 प्रतिशत को AI-जनित के रूप में, और संकर नमूनों में से केवल 43 प्रतिशत को न पूरी तरह मानव और न पूरी तरह AI के रूप में सही ढंग से पहचाना। ये वे श्रेणियाँ हैं जो इस बात के सबसे निकट हैं कि AI-सहायता प्राप्त लेखन वास्तव में कैसे तैयार होता है, और शोधकर्ताओं ने विशेष रूप से संकर पाठ को इस रूप में चिह्नित किया कि अधिक पाठ्यक्रमों द्वारा ऐसे कार्य दिए जाने के साथ, जिनमें कार्य के एक भाग के लिए AI का उपयोग होता है, यह वास्तविक प्रस्तुतियों के बड़े और बढ़ते हिस्से का प्रतिनिधित्व कर सकता है।

क्या परीक्षण किया गया	Turnitin का परिणाम
100% मानव-लिखित नमूने	93% को सही ढंग से मानव के रूप में पहचाना गया
100% AI-जनित नमूने	77% को सही ढंग से AI के रूप में पहचाना गया
पैराफ़्रेज़िंग उपकरण से गुज़ारा गया AI पाठ	63% को सही ढंग से AI के रूप में पहचाना गया
संकर नमूने, आंशिक रूप से मानव और आंशिक रूप से AI	43% को सही ढंग से न 0% न 100% के रूप में पहचाना गया
20% से अधिक चिह्नित दस्तावेज़, (Turnitin का अपना आंकड़ा)	1% से कम false positive दर

इनमें से कोई भी Turnitin की ओर से स्वतंत्र निष्कर्ष नहीं है। कंपनी के बाहर के शोधकर्ता, जिनका उल्लेख Turnitin के अपने पक्षपात अध्ययनों की कवरेज में किया गया है, एक और अधिक जटिल चित्र प्रस्तुत करते हैं, विशेष रूप से गैर-देशी अंग्रेज़ी लेखकों और भारी संपादन किए गए मसौदों के लिए।

वाक्य-स्तर की प्रमुखताओं के विफल होने के स्थान

दस्तावेज़-स्तर का स्कोर ही वह एकमात्र दृश्य नहीं है जिसे कोई प्रशिक्षक खोल सकता है, और दूसरा दृश्य कम विश्वसनीय है। कुछ इंटरफेस एक फ़्लैग रिपोर्ट दिखाते हैं, जो विशिष्ट वाक्यों को संभावित रूप से AI-लिखित के रूप में उजागर करती है। Temple के शोधकर्ताओं ने उन हाइलाइट्स की तुलना अपने मिश्रित नमूनों में उन वाक्यों से की जो वास्तव में AI-लिखित थे, और दोनों के बीच कोई संबंध नहीं पाया। यह तब महत्वपूर्ण है जब कोई प्रशिक्षक सारांश प्रतिशत के बजाय हाइलाइट किए गए अनुच्छेद का स्क्रीनशॉट आगे भेजता है, दस्तावेज़ का समग्र स्कोर वाक्य-स्तर की हाइलाइट्स की तुलना में काफी बेहतर प्रदर्शन करता था।

स्कोर वास्तव में कौन देखता है

AI स्कोर डिफ़ॉल्ट रूप से छात्र-उन्मुख रिपोर्ट का हिस्सा नहीं होता। यह अपने अलग टैब पर रहता है, जो प्रशिक्षकों और प्रशासकों को दिखाई देता है, और छात्र इसे केवल तभी देखते हैं जब प्रशिक्षक रिपोर्ट साझा करने या उसे सीधे दिखाने का विकल्प चुनता है। यह समानता स्कोर से एक वास्तविक संरचनात्मक अंतर है, जिसे छात्र आमतौर पर उसी प्रणाली के भीतर स्वयं देख सकते हैं, एक बार सबमिशन संसाधित हो जाने पर।

यही बात इस पर भी लागू होती है कि किसी विशेष पाठ्यक्रम के लिए यह सुविधा बिल्कुल मौजूद है या नहीं, जो प्रशिक्षक से ऊपर एक संस्थागत निर्णय है। खाता-स्तर के प्रशासक पूरे संस्थान के लिए Turnitin की AI पहचान को चालू या बंद कर सकते हैं। यदि किसी विश्वविद्यालय ने इसे बंद कर दिया है, तो एक व्याख्याता इसे चालू नहीं कर सकता, और इसका उलटा भी संभव है। अलग-अलग विश्वविद्यालयों के दो छात्र तुलनीय कार्य जमा कर सकते हैं और इस उपकरण के साथ उनके अनुभव बहुत भिन्न हो सकते हैं, ऐसे कारणों से जिनका उन दोनों में से किसी ने क्या लिखा, उससे कोई संबंध नहीं है।

कुछ विश्वविद्यालयों ने इसे क्यों बंद किया है

University of Waterloo ने सितंबर 2025 में Turnitin की AI पहचान सुविधा बंद कर दी, और उसके प्रकाशित कारण असामान्य रूप से सीधे हैं। विश्वविद्यालय ने इस उपकरण की दस्तावेज़ित अविश्वसनीयता, उन छात्रों के विरुद्ध इसके पक्षपात का उल्लेख किया जिनकी पहली भाषा English नहीं है, और अपने आंतरिक परीक्षण का हवाला दिया, जिसमें कम से कम एक मामला ऐसा था जहाँ पूरी तरह मानव-लिखित पाठ को 100 percent AI-generated के रूप में अंकित किया गया था। उपकरण के खर्च के मुकाबले तौलने पर, विश्वविद्यालय ने निष्कर्ष निकाला कि लागतें लाभों से अधिक थीं और इसके बजाय प्रयास को मूल्यांकन पुनर्रचना और AI साक्षरता प्रशिक्षण की ओर मोड़ दिया।

Waterloo व्यापक विभाजन का एक स्पष्ट उदाहरण है, कोई अपवाद नहीं। जिन विश्वविद्यालयों ने इस सुविधा को चालू रखा है, उन्होंने सामान्यतः इसे अपने आप में एक निर्णय मानने के बजाय सुरक्षा-उपाय जोड़े हैं, वे औपचारिक प्रक्रिया शुरू होने से पहले छात्र के साथ बातचीत की मांग करते हैं, और संख्या को बातचीत शुरू करने का कारण मानते हैं, उसे समाप्त करने का नहीं। विश्वविद्यालय AI नीति को कैसे संभाल रहे हैं इस पर अधिक व्यापक रूप से पढ़ने से यह पैटर्न अधिक स्पष्ट हो जाता है: कोई स्कोर आपको मिलता भी है या नहीं, यह उस निर्णय पर निर्भर करता है जो आपके सेमिनार कक्ष से बहुत ऊपर लिया गया है, न कि स्वयं तकनीक के किसी स्थिर गुण पर।

उच्च स्कोर क्या सिद्ध करता है, और क्या नहीं

उच्च AI स्कोर प्रमाण है, निर्णय नहीं। Turnitin स्वयं इस प्रतिशत को कदाचार के निष्कर्ष के बजाय प्रशिक्षक के निर्णय के लिए एक डेटा बिंदु के रूप में प्रस्तुत करता है, और ऊपर दिए गए सटीकता के आंकड़े बताते हैं कि यह प्रस्तुति क्यों महत्वपूर्ण है: दस्तावेज़-स्तर का स्कोर, जो अपेक्षाकृत अच्छी तरह काम करता है, भी भारी संपादित, पुनर्परिभाषित या मिश्रित लेखन के एक महत्वपूर्ण हिस्से को गलत पढ़ता है, और वाक्य-स्तर के हाइलाइट्स सारांश संख्या की तुलना में स्पष्ट रूप से कम विश्वसनीय हैं। इनमें से कोई भी बात यह सुनिश्चित नहीं करती कि कोई व्यक्तिगत स्कोर गलत है। इसका अर्थ यह है कि एक प्रतिशत प्रश्न पूछने का कारण है, न कि ऐसा निष्कर्ष जिसे देखकर ही स्वीकार कर लिया जाए।

दस्तावेज़-स्तर का एकल प्रतिशत चार अलग-अलग चरणों को एक संख्या में संकुचित कर देता है, और इन चरणों में से कोई भी अर्थ नहीं पढ़ता या यह जाँच नहीं करता कि तर्क सुसंगत है या नहीं। किसी रिपोर्ट को समझने का अधिक प्रत्यक्ष तरीका यह देखना है कि इस तरह की पाइपलाइन जिन अंतर्निहित सांख्यिकीय संकेतों से बनी है, उन पर कोई छोटा अंश कैसे स्कोर करता है, बजाय इसके कि प्रतिशत को निर्णय मान लिया जाए। TextPulse का मुफ्त perplexity checker आपके अपने मसौदे पर, किसी भी संस्थागत पाइपलाइन से बाहर, शब्द-स्तर की ऐसी स्कोरिंग का एक सरलीकृत संस्करण चलाता है, और इसका मुफ्त burstiness checker उसी मापन के वाक्य-लय वाले आधे हिस्से को कवर करता है। दोनों आपको आपके अपने लेखन पर एक रीडिंग देते हैं, न कि इस बात की भविष्यवाणी कि Turnitin उसके बारे में क्या कहेगा। कोई भी उपकरण उस प्रणाली के बारे में, जिस पर उसका नियंत्रण नहीं है, ऐसा वादा जिम्मेदारी से नहीं कर सकता।

Turnitin दो संख्याएँ रिपोर्ट करता है और वे असंबद्ध चीज़ों को मापती हैं। कौन-सी कौन-सी है, यह अलग से बताया गया है, साथ ही वास्तव में अच्छा Turnitin स्कोर किसे माना जाता है, जब आप जान लेते हैं कि वह प्रतिशत किसका संदर्भ देता है। कई संबंधित प्रश्नों के लिए अलग पृष्ठ हैं: क्या कोई प्रोफेसर बिना किसी detector के भी यह बता सकता है कि आपने ChatGPT का उपयोग किया था, इसका अधिक सीधा रूप, क्या मैं पकड़ा जाऊँगा, और विशेष संदर्भों के लिए, नर्सिंग कार्यक्रमों में AI detection तथा क्या कॉलेज प्रवेश कार्यालय ये जाँचें करते हैं। व्यापक रूपरेखा academic integrity और AI पर एक अलग लेख में है।

इनमें से कोई भी बात संभवतः अंतिम संस्करण नहीं है। 2023 के बाद से Turnitin ने अपनी सीमाएँ, अपनी दृश्यता संबंधी नियमावली और अपने model coverage को एक से अधिक बार पुनर्लिखित किया है, और August 2026 भी अंतिम शब्द नहीं होगा। यह TextPulse के शेष free tools collection के साथ स्थित है, उन सभी के लिए जो किसी एक संस्था के प्रतिशत को अंतिम शब्द मानने से पहले एक दूसरा संकेत चाहते हैं।

हमारे अपने शोध ने क्या पाया

TextPulse Research के डिटेक्टर सहमति अध्ययन में नौ व्यावसायिक AI डिटेक्टरों ने वही 90 अकादमिक टेक्स्ट परखे। इनमें से एक 455 शब्दों का हाइब्रिड टेक्स्ट था: शुरुआत और अंत इंसान के लिखे हुए, बीच में 168 शब्दों का AI-लिखा हिस्सा। Turnitin ने इस टेक्स्ट को 26.8% AI स्कोर दिया, जबकि उन्हीं शब्दों पर बाकी टूल्स के फैसले 0% से 95.7% AI तक फैले थे। पूरा शोधपत्र, कॉर्पस और हर टूल की स्कोर मैट्रिक्स TextPulse Research पर खुले रूप से उपलब्ध है।