Як Turnitin виявляє AI, крок за кроком

Звіт Turnitin може повертати одне число, скажімо сорок два відсотки, і майже нічого більше не говорити про те, як він його отримав, якщо хтось не почне шукати механізм, що стоїть за ним. Це число не зчитується з документа як цілого і не є здогадкою. Воно є кінцем конкретного, задокументованого конвеєра, який працює однаково для кожного подання.

Отже, як Turnitin виявляє AI? Розбиваючи подання на частини, оцінюючи їх окремо залежно від того, чи вони, ймовірно, згенеровані AI, чи згенеровані AI і потім перефразовані, а потім усереднюючи ці оцінки, щоб визначити загальний відсотковий показник, показаний у звіті. Кожен етап цього конвеєра описано у власній документації Turnitin, а не відновлено шляхом зворотного інженерування ззовні.

Йдеться саме про функцію виявлення AI writing у Turnitin, окрему систему від старішої перевірки на схожість або плагіат, яка порівнює подання з іншими документами. Механіка нижче міститься в ширшому питанні як AI detectors насправді працюють, а Turnitin є корисним практичним прикладом саме тому, що публікує більше власного методу, ніж більшість постачальників. Далі спочатку подано конвеєр, потім те, що він позначає на практиці, що показали незалежні тести щодо того, що він пропускає, і хто саме в межах установи фактично бачить результат.

Як Turnitin виявляє AI? Конвеєр у стислому викладі

Детектор AI writing від Turnitin виконує чотири кроки у фіксованому порядку. Спочатку він перевіряє, чи має документ достатньо придатного прозового тексту, щоб узагалі отримати оцінку. Далі він ділить цей текст на сегменти по кілька сотень слів кожен. Потім модель окремо оцінює кожен сегмент. Нарешті, оцінки сегментів усереднюються в один відсоток на рівні документа, який фактично бачить читач.

Звіт про AI Writing не є звітом про подібність

Звіт про AI writing від Turnitin є окремим продуктом від звіту про подібність, який перевіряє на плагіат. Вони працюють на різних моделях і відображаються на різних вкладках в одному інтерфейсі. Оцінка подібності порівнює подання з базою даних раніше опублікованих джерел та інших студентських робіт і повертає відсоток збігів. Оцінка AI робить зовсім інше: класифікатор читає прозу, присвоює кожному оціненому сегменту ймовірність того, що його згенеровано AI, і підсумовує ці оцінки в один відсоток для всього документа. Оскільки вони вимірюють різні речі, подання може мати оцінку подібності 2 percent і оцінку AI 60 percent, або навпаки.

Відсоток AI також вужчий, ніж може здаватися. Він описує частку придатної прози, яку модель прогнозує як написану AI, а не весь документ, оскільки блоки коду, марковані списки, заголовки та короткі форми письма вилучаються перед обчисленням оцінки. На момент написання цей детектор працює лише з англійським, іспанським та японським текстом.

Крок перший: поділ документа на фрагменти

Перш ніж будь-що оцінюється, модель Turnitin ділить подання на фрагменти по кілька сотень слів кожен, приблизно по п'ять до десяти речень на фрагмент. Сегментація відбувається першою, тому що модель була створена для оцінювання фрагмента саме такого розміру, а не одного речення і не всієї дисертації за один прохід.

Лише прозовий текст враховується як частина фрагмента. Модель була розроблена для читання розлогих текстів. Документ, що містить і прозовий текст, і таблиці або код, буде оцінено як такий, що має певний відсоток прозового тексту, але може не описувати весь прозовий текст у документі. Це тому, що детектор оцінює пул даних, який не включає блоки коду, марковані пункти або короткі тексти. Саме тому документ може повертати відсоток, який описує лише частину того, що було подано.

Оцінювання на рівні фрагмента має менш помітний наслідок, який варто назвати. Одне згенероване AI речення, що міститься всередині іншого фрагмента обсягом у кілька сотень слів, написаного людиною, усереднюється разом з усім іншим у цьому фрагменті, тож його вплив на власний бал цього фрагмента зменшується настільки, наскільки навколишній людський текст ділить той самий фрагмент. Коротке вставлення, згенероване AI, усе одно досягає моделі. Воно просто має меншу вагу, ніж фрагмент, згенерований AI від першого слова до останнього.

Крок другий: оцінювання кожного сегмента

Кожен фрагмент оцінюється окремо, незалежно від будь-якого іншого фрагмента в документі. Модель прогнозує, чи є саме цей відрізок тексту написаним людиною, згенерованим AI, або згенерованим AI і потім перефразованим, тобто це тристороннє розрізнення, а не просте так або ні.

Це окрема категорія, а не просто продовження згенерованого AI, що вказує на реальну проблему, коли перефразування послаблює виявлення. Це підтверджується дослідженням 2023 року, яке показало, що пропуск згенерованого AI тексту через спеціальну модель перефразування знизив точність дослідницького детектора під назвою DetectGPT з 70.3% до 4.6% за сталої частоти хибнопозитивних результатів 1%. Не видається, що Turnitin опублікував щось про те, наскільки стійкий їхній власний тристоронній класифікатор до тієї самої техніки. Ця категорія існує з документованої причини.

Оцінювання на рівні фрагментів, а не на рівні всього документа, є свідомим дизайнерським рішенням. Дисертація на дев'яносто сторінок із двома абзацами, створеними за допомогою AI, і есе на п'ять сторінок, яке повністю створене за допомогою AI, є різними проблемами, і усереднення за фрагментами дає змогу одному числу на рівні документа відобразити цю різницю, а не звести її до одного рівня.

Turnitin не оприлюднює внутрішню архітектуру цієї моделі на рівні фрагментів із такою самою деталізацією, як кроки свого конвеєра. Це класифікатор із навчанням під наглядом, натренований на розмічених прикладах, а не простий поріг на кшталт сирого показника наступного токена, про який ідеться в посібнику TextPulse щодо того, що насправді вимірює perplexity в AI detection, хоча та сама базова ідея, надзвичайно передбачуваний текст, майже напевно є частиною того, що такий класифікатор навчається помічати.

Крок третій: усереднення до відсотка на рівні документа

Оцінки фрагментів усереднюються в один відсоток, який відображається у звіті. Цей відсоток репрезентує частку придатного для оцінювання прозового тексту, лише довгоформатного письма, яку модель прогнозує як створену за допомогою AI або створену за допомогою AI і потім перефразовану. Це частка оцінених сегментів, а не твердження, що точна частка слів документа була буквально набрана машиною.

Відсоток у звіті є середнім значенням. Саме тому два документи, які обидва показують сорок відсотків, можуть виглядати по-різному при детальному розгляді. В одному може бути сорок відсотків фрагментів, оцінених як повністю створені за допомогою AI. В іншому кожен фрагмент може бути оцінений як частково ймовірний, що в середньому дає той самий підсумковий показник. Це не показує, який саме шаблон його спричинив.

Чи може Turnitin виявити ChatGPT, Claude або Gemini?

Зазвичай так, коли документ містить значний обсяг тексту, згенерованого ШІ, і класифікатору байдуже, який саме постачальник його створив. Turnitin зазначає, що його модель шукає не назву бренду, а характерний шаблон письма, і її охоплення неодноразово розширювалося від часу початкового запуску GPT-3.5 і GPT-4 у 2023 році. У поточних рекомендаціях серед систем, проти яких її навчено, названо серію GPT-5, Gemini і Claude, а нові випуски моделей додаються на постійній основі. Студент, який натомість використав Gemini, Claude або DeepSeek, не обходить детектор лише завдяки вибору іншої компанії.

Частка подань, на які це впливає, зросла. Близько 15 відсотків есе, які Turnitin сканував між жовтнем 2025 року і лютим 2026 року, показали 80 відсотків або більше тексту, згенерованого ШІ, порівняно з приблизно 3 відсотками, коли інструмент було запущено у квітні 2023 року.

Перефразований текст ШІ отримує власну категорію, а не автоматичне схвалення, що і є описаною вище тристоронньою класифікацією. Документація Turnitin розрізняє текст, який вона вважає лише згенерованим ШІ, і текст, який вона вважає згенерованим ШІ, а потім перефразованим ШІ, а в серпні 2025 року вона додала виявлення, спрямоване саме на інструменти обходу ШІ, створені для переписування машинного виводу так, щоб він проходив повз детектор. Це не означає, що перефразування є марним або що кожен переписаний фрагмент буде виявлено. Це означає, що припущення про невидимість перефразування для Turnitin за замовчуванням уже певний час не відповідає дійсності. Те, що інструмент робить із перефразованим текстом зокрема, і з виводом DeepSeek, розглянуто окремо.

Мінімальна вимога до кількості слів і порогове значення зірочки

Подання має містити щонайменше 300 слів придатного прозового тексту, перш ніж AI detector Turnitin взагалі згенерує оцінку, тоді як раніше мінімум становив 150 слів. За меншої довжини просто недостатньо тексту, щоб спрацював процес сегментації та усереднення.

Поріг у 300 слів узгоджується з розміром одного блоку оцінювання, описаного раніше, кілька сотень слів, п’ять до десяти речень. Документ, який перебуває точно на мінімумі, фактично передає конвеєру для усереднення лише приблизно один блок придатного тексту, а не кілька, і саме тому звіт, що знаходиться близько до цього порога, з більшою ймовірністю потрапляє до менш надійного діапазону, який наступний поріг і покликаний позначати.

Turnitin також не відображатиме відсоток нижче порога 20%. Від липня 2024 року звіт показує зірочку поруч із знаком відсотка замість числа. Саме ця особливість поведінки звіту спричиняє більше плутанини, ніж будь-яка інша частина конвеєра, тому нижче їй присвячено окремий розділ.

Умова	Що показує звіт	Чому
Менше ніж 300 слів придатної прози	Взагалі немає AI score	Недостатньо тексту, щоб конвеєр сегментації та усереднення міг надійно працювати
Оцінка була б нижчою за 20%	Зірочка поруч із знаком відсотка, а не число	Власна документація Turnitin повідомляє про вимірно вищий рівень хибнопозитивних результатів у цьому діапазоні
Оцінка 20% або вища	Конкретний відсоток	Turnitin вважає це достатньо надійним, щоб відображати як число

Що означає оцінка із зірочкою в Turnitin?

Зірочка у звіті Turnitin AI writing означає, що модель виявила певний обсяг AI writing, але менше ніж 20 відсотків документа, і Turnitin відмовляється публікувати число в цьому діапазоні. Там, де зазвичай стояв би відсоток, звіт натомість показує зірочку поруч із знаком відсотка. Власна продуктова документація Turnitin прямо це стверджує: "When AI is detected below the 20% threshold in the report, it is now indicated with an asterisk (*%) and no percentage is attributed."

Отже, зірочка не є помилкою, не є відсутнім показником і не є ознакою того, що під час завантаження щось пішло не так. Це свідоме рішення постачальника не вказувати значення, яке він не вважає достатньо надійним для відображення.

Чому Turnitin приховує число нижче 20 percent

Тому що саме в цьому діапазоні інструмент найімовірніше помиляється, а власна обіцянка точності Turnitin не поширюється на нього. Компанія зобов'язується тримати рівень хибнопозитивних результатів "under 1% for documents with over 20% of AI writing". Уважно прочитайте межі цієї обіцянки: у ній закладено нижню межу, і ця нижня межа, це ті самі 20 percent. Нижче цієї позначки компанія не заявляє про таку саму надійність, тож замість того, щоб виводити мале число, яке читач неминуче сприйняв би як точне, вона не виводить нічого. Зірочка існує, щоб уникати хибнопозитивних результатів, тобто щоб не надавати викладачеві показник, який би хибно репрезентував текст, написаний людиною.

Логіка цього відповідає описаному раніше механізму. Показник на рівні документа є середнім значенням для фрагментів по кілька сотень слів. Коли лише невелика частка цих фрагментів отримує оцінку як AI, отримане середнє спирається на дуже слабкий сигнал, і конвеєр не може надійно відрізнити справжні 8 percent від хибних. Приховування числа є чесною відповіддю на це, і це той самий принцип, що стоїть за мінімумом у 300 слів.

Що означає зірочка на практиці в університеті

На практиці більшість закладів розглядають зірочку як щось, на що не потрібно реагувати, і читають її як низький показник, сумісний із текстом, написаним людиною. Логіка тут проста. Якщо постачальник, який створив детектор, не готовий підтверджувати число в цьому діапазоні, викладач не має нічого суттєвого, що можна було б висунути студенту, не кажучи вже про щось, що можна було б передати на розгляд комісії з питань порушення академічної доброчесності. Для більшості процесів забезпечення академічної доброчесності звіт із зірочкою функціонально еквівалентний чистому звіту.

Це опис того, як використовується результат, і це варто знати, якщо ви дивитеся на нього. Це не те саме, що висновок про те, чим документ насправді є, і ця відмінність має значення в обох напрямах.

Що не означає зірочка

• Це не є сертифікатом людського авторства. Turnitin відмовляється впевнено оцінювати документ, і це твердження стосується самого детектора, а не автора.
• Це не те саме, що нуль. Документ без жодного AI writing і документ з одним абзацом, створеним за допомогою AI, можуть дати ідентичну зірочку, саме тому число не показується.
• Це не можна порівнювати між поданнями. Дві зірочки лише означають, що обидва документи опинилися нижче одного й того самого порога, і не говорять нічого про те, як вони співвідносяться між собою.
• Це не є показником схожості. Порівняння на плагіат є окремим звітом на окремій вкладці, і воно показує власний відсоток незалежно від того, що робить індикатор AI.

Практичний висновок, який варто запам'ятати, полягає в тому, що незначне редагування за допомогою AI, коли один абзац переписано з допомогою, а решта написана без сторонньої допомоги, часто дає зірочку, а не невеликий відсоток. Наявність або відсутність числа сама по собі не вирішує питання, і це той самий висновок, до якого нижче доходять показники точності, але з іншого боку.

Що Turnitin стверджує про точність, і чиї це числа

Turnitin публікує власні показники точності, і їх варто читати саме так, як вони є: власні валідаційні числа постачальника, а не незалежний аудит. Його опубліковані матеріали стверджують про рівень хибнопозитивних результатів нижче 1% для документів, які модель оцінює як такі, що містять понад 20% AI writing, тобто на порозі, який збігається з описаним вище порогом для зірочки. Пізніше цю саму програму було поширено на зразки письма English Language Learner у відповідь на дослідження упередженості детектора.

Turnitin стверджує, що воно верифікувало цю цифру на великій базовій вибірці робіт, написаних людьми і поданих до того, як існував ChatGPT. Матеріали Turnitin суперечливі щодо точного розміру цієї базової вибірки, сторінка FAQ наводить 700,000 робіт, тоді як у дописі в блозі від Chief Product Officer Turnitin наведено 800,000, і до обох показників додано ту саму заяву про менше ніж 1%. Матеріали Turnitin також описують компроміс, за власним формулюванням компанії, більш агресивне виявлення контенту, згенерованого AI, означає пропуск приблизно 15% такого контенту.

Компанія також публічно переглядала власні заяви. У 2023 році, невдовзі після запуску, chief product officer Turnitin визнав, що лабораторне тестування не передбачило, скільки хибнопозитивних результатів з'явиться в реальному використанні, особливо щодо коротких подань, і повідомив про рівень хибнопозитивних результатів на рівні речення близько 4 percent. Підвищення мінімальної довжини, придатної для оцінювання, з 150 до 300 слів було відповіддю на цю різницю.

Якщо розглядати ці цифри разом, вони описують конкретний компроміс, а не одне число точності. Рівень хибнопозитивних результатів нижче 1% звучить майже як незначний, доки його не масштабувати відповідно до того, скільки подань проходить через систему, а рівень пропуску 15% означає, що істотна частка контенту, згенерованого AI, за задумом оцінюється як людський, а не через збій. Власні матеріали Turnitin подають обидва числа як запланований баланс системи, а не як доказ того, що інструмент просто правильний або просто неправильний.

Що показало незалежне тестування

Незалежне тестування додає деталі, яких немає у показниках постачальника, у тому самому дусі, що й ширше незалежне тестування AI детекторів, яке знову і знову виявляє розриви між лабораторними умовами та реальними поданнями. Center for the Advancement of Teaching Temple University провів одне з найретельніших доступних досліджень. Дослідники подали 120 зразків письма, порівну розподілених між повністю людським письмом, повністю згенерованим AI письмом, згенерованим AI письмом, пропущеним через інструмент для парафразування, та гібридними текстами, що поєднували людський внесок і внесок AI, і зафіксували, що Turnitin повертав для кожного з них.

Інструмент правильно ідентифікував 93 percent суто людських зразків і 77 percent суто згенерованих AI зразків. На складніших запитаннях точність ще більше знизилася. Turnitin точно ідентифікував лише 63 percent перефразованих AI зразків як згенеровані AI, і лише 43 percent гібридних зразків як такі, що не є повністю людськими і не є повністю AI. Це ті категорії, які найближче відповідають тому, як насправді створюється текст за допомогою AI, і дослідники особливо позначили гібридний текст як такий, що, ймовірно, становитиме велику і зростаючу частку реальних подань, оскільки дедалі більше курсів задають роботи, у яких AI використовується для частини завдання.

Що було протестовано	Результат Turnitin
100% зразків, написаних людиною	93% правильно ідентифіковано як людські
100% зразків, згенерованих AI	77% правильно ідентифіковано як AI
Текст AI, пропущений через інструмент перефразування	63% правильно ідентифіковано як AI
Гібридні зразки, частково людські і частково AI	43% правильно ідентифіковано як такі, що не є ні 0% ні 100%
Документи, у яких позначено понад 20% (власна цифра Turnitin)	Менше 1% хибнопозитивних спрацьовувань

Жодне з цього не є незалежними висновками з боку Turnitin. Дослідники поза компанією, яких цитують у висвітленні власних досліджень упередженості Turnitin, описують ще складнішу картину, особливо для авторів, для яких англійська не є рідною мовою, і для чернеток із значним редагуванням.

Де розпадаються позначки на рівні речень

Оцінка на рівні документа не є єдиним поданням, яке може відкрити викладач, і інше є менш надійним. Деякі інтерфейси показують звіт із позначками, який виділяє окремі речення як імовірно написані AI. Дослідники Temple перевірили ці виділення, зіставивши їх із тим, які речення в їхніх гібридних зразках насправді були написані AI, і не виявили жодного зв’язку між ними. Це має значення, якщо викладач пересилає знімок екрана з виділеним абзацом, а не підсумковий відсоток: загальна оцінка документа працювала значно краще, ніж виділення на рівні речень.

Хто насправді бачить оцінку

Оцінка AI за замовчуванням не входить до звіту, який бачить студент. Вона розміщена на окремій вкладці, видимій для викладачів і адміністраторів, а студент бачить її лише тоді, коли викладач вирішує поділитися звітом або показати його безпосередньо. Це є реальною структурною відмінністю від оцінки подібності, яку студенти зазвичай можуть переглядати самостійно в тій самій системі після обробки подання.

Те саме стосується й того, чи існує ця функція взагалі для певного курсу, адже це інституційне рішення, що виходить за межі повноважень викладача. Адміністратори на рівні облікового запису можуть увімкнути або вимкнути виявлення AI в Turnitin для всієї установи. Один викладач може не мати змоги увімкнути його, якщо його університет вимкнув цю функцію, і навпаки. Двоє студентів у різних університетах можуть подати зіставні роботи й мати дуже різний досвід використання цього інструмента з причин, які не мають нічого спільного з тим, що написав кожен із них.

Чому деякі університети вимкнули його

University of Waterloo припинив використання функції виявлення AI в Turnitin у вересні 2025 року, і наведене ним обґрунтування є незвично прямим. Університет послався на задокументовану ненадійність інструмента, його упередженість проти студентів, для яких англійська не є першою мовою, а також на власне внутрішнє тестування, яке включало принаймні один випадок повністю написаного людиною тексту, оціненого як на 100 percent згенерований AI. З огляду на витрати на інструмент університет дійшов висновку, що витрати переважають переваги, і натомість спрямував зусилля на переосмислення оцінювання та навчання AI-грамотності.

Ватерлоо є одним помітним прикладом ширшого розриву, а не винятком. Університети, які залишають цю функцію увімкненою, зазвичай додають запобіжні механізми, а не розглядають показник як самодостатній вердикт, вимагаючи розмови зі студентом до початку будь-яких формальних дій і сприймаючи число як підставу для початку цієї розмови, а не для її завершення. Ознайомлення з тим, як університети загалом підходять до політики щодо AI, робить цю закономірність зрозумілішою: чи взагалі доходить до вас показник, залежить від рішення, ухваленого значно вище за рівень вашого семінарського класу, а не від сталої властивості самої технології.

Що доводить, а що не доводить високий показник

Високий AI score є доказом, а не вердиктом. Сам Turnitin подає цей відсоток як один із даних для судження викладача, а не як встановлений факт порушення, і наведені вище показники точності пояснюють, чому таке подання має значення: навіть показник на рівні документа, який працює досить добре, неправильно інтерпретує істотну частку сильно відредагованого, перефразованого або гібридного письма, а виділення на рівні речень є помітно менш надійними, ніж підсумкове число. Усе це не гарантує, що будь-який окремий показник є хибним. Це означає, що один відсоток є підставою ставити запитання, а не висновком, який слід приймати на перший погляд.

Один відсоток на рівні документа стискає чотири окремі етапи в одне число, і жоден із цих етапів не зчитує зміст і не перевіряє, чи є аргумент обґрунтованим. Більш прямий спосіб зрозуміти звіт, ніж сприймати відсоток як вердикт, полягає в тому, щоб побачити, як коротший фрагмент оцінюється за тими статистичними сигналами, з яких побудовано такий конвеєр. Безкоштовний free perplexity checker від TextPulse запускає спрощену версію такого оцінювання на рівні слів щодо вашого власного чернеткового тексту, поза будь-яким інституційним конвеєром, а його free burstiness checker охоплює половину того самого вимірювання, пов'язану з ритмом речень. Обидва інструменти дають вам оцінку вашого власного письма, а не прогноз того, що скаже про нього Turnitin. Жоден інструмент не може відповідально обіцяти цього щодо системи, яку він не контролює.

Turnitin повідомляє два числа, і вони вимірюють не пов’язані між собою речі. Що є чим, викладено окремо, разом із тим, що насправді вважається хорошим показником Turnitin, якщо ви вже знаєте, до чого саме належить цей відсоток. Кілька пов’язаних питань мають власні сторінки: чи може викладач визначити, що ви використали ChatGPT без будь-якого детектора взагалі, більш прямолінійний варіант цього, чи мене спіймають, а для окремих контекстів, виявлення AI у програмах з медсестринства і чи проводять такі перевірки приймальні комісії коледжів. Ширше окреслення подано в окремому матеріалі про академічну доброчесність і AI.

Малоймовірно, що все це є остаточною версією. Turnitin неодноразово переписував свої пороги, правила видимості та охоплення моделей від 2023 року, і серпень 2026 року теж не буде останнім словом. Це розміщено поруч з рештою колекції безкоштовних інструментів TextPulse, для всіх, хто хоче отримати другий сигнал, перш ніж вважати відсоток одного закладу остаточним висновком.

Що показало наше власне дослідження

У дослідженні узгодженості детекторів TextPulse Research дев'ять комерційних ШІ-детекторів оцінили ті самі 90 академічних текстів. Один із них був гібридним текстом на 455 слів: написані людиною вступ і завершення навколо згенерованої ШІ середньої частини на 168 слів. Turnitin оцінив цей текст у 26.8% ШІ, тоді як вердикти інших інструментів щодо тих самих слів розійшлися від 0% до 95.7% ШІ. Повна стаття, корпус і матриця оцінок кожного інструмента відкрито доступні на TextPulse Research.