Wird KI-überarbeiteter Text als KI markiert? Was eine Studie von 2026 gemessen hat

Bei den beiden in dieser Studie getesteten kommerziellen Detektoren geschieht das häufig. Die Forschenden ließen ein KI-Modell 642 veröffentlichte Abstracts umschreiben, "to sound better and more human-like" (damit sie besser und menschlicher klingen). Pangram stufte 64 bis 80 % der überarbeiteten Fassungen als KI ein, GPTZero 38 bis 49 %. Bei den ursprünglichen, zwischen 2013 und 2015 verfassten Abstracts schlug keiner der beiden Detektoren an. Turnitin wurde nicht getestet. Das Fazit der Autoren lautet: "detector scores should not serve as standalone misconduct evidence." (Detektorwerte sollten nicht als alleiniger Beweis für Fehlverhalten dienen.)

Die Studie trägt den Titel "Why AI Detection Fails for Academic Integrity" (Warum KI-Erkennung bei akademischer Integrität versagt). Sie stammt von vier Forschenden der University of Notre Dame, wurde am 6. August 2026 auf arXiv veröffentlicht und für den ACM AI Leadership Summit (AILS '26) verfasst.

Es ist nicht die erste Arbeit, die sich dieser Frage widmet. Bereits eine 2025 in den Findings of ACL veröffentlichte Studie von Saha und Feizi von der University of Maryland zeigte, dass nach "only extremely minor edits" (nur extrem geringfügigen Bearbeitungen) durch ein KI-Modell 42.56 % der von Menschen verfassten Proben von Pangram und 64.71 % von GPTZero als KI eingestuft wurden – jeweils anhand der für die Detektoren definierten Schwellenwerte. Da beide Studien unterschiedliche Modelle, Schwellenwerte und Textkorpora verwendeten, lassen sich die Zahlen nicht zusammenrechnen, sondern müssen nebeneinander betrachtet werden. Sie weisen jedoch in dieselbe Richtung.

Sie wählten 642 englischsprachige Abstracts veröffentlichter Facharbeiten aus vier Fachgebieten aus: Chemie, Informatik, Politikwissenschaft und Theologie. 306 davon stammten aus den Jahren 2013 bis 2015 – einer Zeit vor der Entstehung von Tools wie ChatGPT – und 336 aus den Jahren 2023 bis 2025.

Jedes Abstract wurde anschließend von Gemini 3 Flash umgeschrieben. Die hier entscheidende Variante bezeichneten die Autoren als "refine" (Überarbeitung), die sie als "a proxy for guideline-compliant AI assistance" (einen Näherungswert für richtlinienkonforme KI-Unterstützung) betrachten. Die Anweisung, die das Modell erhielt, begann wie folgt:

"You are an expert scientist who excels in writing papers. Your task is to rewrite a given paper abstract to sound better and more human-like." (Sie sind ein erfahrener Wissenschaftler, der sich durch das Verfassen von Fachaufsätzen auszeichnet. Ihre Aufgabe ist es, die Zusammenfassung einer wissenschaftlichen Arbeit so umzuschreiben, dass sie besser und menschlicher klingt.)

Die Autoren machen deutlich, welche Art von Bearbeitung dadurch entsteht: "Our refine prompt is closer to light generative rewriting than to grammar-only editing; assisted-writing flag rates should be read accordingly." (Unser Refine-Prompt liegt näher an leichtem generativem Umschreiben als an reiner Grammatikkorrektur; die Markierungsraten für KI-gestütztes Schreiben sollten entsprechend interpretiert werden.) Behalten Sie diesen Unterschied im Hinterkopf, bevor Sie diese Werte mit Ihrer eigenen Vorgehensweise vergleichen.

Sowohl die Originale als auch sämtliche Neufassungen wurden anschließend von Pangram 3.2 und GPTZero bewertet. Laut dem von den Autoren veröffentlichten Code entspricht der für GPTZero herangezogene Wert der Wahrscheinlichkeit in dessen Kategorie "AI"; jeder Wert ab 0.50 galt als markiert.

Zwei wichtige Einschränkungen formulieren die Autoren selbst. Die Originalfassungen aus den Jahren 2023–2025 könnten bereits nicht dokumentierte KI-Hilfe enthalten haben, weshalb diese Anschläge "not confirmed false positives" (keine bestätigten Falsch-Positiven) darstellen. Zudem unterscheiden sich die überarbeiteten Versionen von rein menschlichen Texten: Laut der Studie darf deren Markierungsrate "must not be abbreviated as FPR" (darf nicht als FPR abgekürzt werden), weshalb wir sie hier ebenfalls nicht als Falsch-Positiv-Rate bezeichnen. Gemessen wird vielmehr, wie häufig ein von Menschen verfasstes Abstract markiert wird, nachdem eine KI es sprachlich überarbeitet hat.

Eine Verschiebung des Schwellenwerts änderte an diesem Bild kaum etwas. Im Bereich zwischen 0.4 und 0.6 markierte Pangram 80 bis 85 % der überarbeiteten Versionen von 2023–2025 und GPTZero 48 bis 49 %.

Bei den Abstracts aus den Jahren 2023–2025 hingen die Raten stark von der jeweiligen Disziplin ab:

Bei den unbearbeiteten Originaltexten war die Diskrepanz zwischen den MINT-Fächern (Chemie und Informatik) und den anderen Fächern (Politikwissenschaft und Theologie) statistisch signifikant. Die Autoren untersuchten zudem, welche Textmerkmale mit höheren Werten einhergingen. Die beiden stärksten Faktoren waren der Anteil langer Wörter sowie der Anteil von Wörtern aus der Academic Word List – einer standardisierten Liste im akademischen Schreiben gebräuchlicher Vokabeln – mit Korrelationen von etwa 0.30 bis 0.35. Ein höherer Anteil an Zahlen und anderen nicht-alphabetischen Zeichen ging hingegen mit niedrigeren Werten einher. Die Autoren betonen, dass diese "associations are correlational and do not establish causal mechanisms." (Zusammenhänge rein korrelativ sind und keine Kausalmechanismen begründen.)

Diese Messungen beziehen sich auf Pangram und GPTZero, nicht auf Turnitin. In den drei Hilfeseiten von Turnitin zur KI-Erkennung, die wir für unseren Beitrag warum KI-Detektoren gut geschriebene Essays markieren ausgewertet haben, fanden sich keinerlei Hinweise darauf, dass die sprachliche Qualität eines Textes bewertet wird. Die beiden Befunde beziehen sich auf grundlegend unterschiedliche Werkzeuge und widersprechen einander nicht.

Die Autoren benennen ihre methodischen Grenzen selbst – und diese sind entscheidend, wenn Sie die Ergebnisse auf Ihre eigene Situation beziehen:

• Veröffentlichte Abstracts, keine studentischen Arbeiten. Die Autoren schreiben wörtlich: "We analyze English published abstracts, not student essays; detector behavior on classroom genres may differ." (Wir analysieren veröffentlichte englischsprachige Abstracts, keine studentischen Arbeiten; das Verhalten von Detektoren bei Textgattungen aus dem Unterrichtskontext kann abweichen.)
• Zwei kommerzielle Detektoren, nicht Turnitin. Bei den kommerziellen Detektoren handelte es sich um Pangram 3.2 und GPTZero, ergänzt durch eine zusätzliche KI-Modell-Baseline. Turnitin wird in der Arbeit nicht erwähnt. Da Pangram seither neuere Versionen veröffentlicht hat, basiert ein heutiges Pangram-Ergebnis möglicherweise nicht mehr auf demselben Modell.
• Ein einziges Modell, eine einzige Art der Überarbeitung. Alle Neufassungen wurden von Gemini 3 Flash mit der oben zitierten Anweisung erstellt. Eine reine Rechtschreib- und Grammatikprüfung wurde nicht gesondert untersucht.
• Vier Fachbereiche, ausschließlich Englisch. Eine niedrige Markierungsrate in der Chemie bedeutet keineswegs, dass Studierende der Chemie bei anderen Detektoren oder anderen Textarten auf der sicheren Seite sind.
• Pangram stellte den API-Zugang bereit, wie aus der Danksagung der Studie hervorgeht.

Die Studie schickte die KI-Neufassungen zudem durch ein kommerzielles Humanizer-Tool; danach wurden von beiden Detektoren weniger als 4 % weiterhin markiert. Im Vergleich zu den 38 bis 80 % Markierungsrate bei ehrlicher sprachlicher Überarbeitung bildet dies die zweite Säule der Argumentation der Autoren, warum Detektorwerte nicht für sich allein stehen können. Ihr Fazit: "Integrity programs therefore need transparent AI-use norms and process evidence, not standalone detector scores." (Programme zur akademischen Integrität benötigen daher transparente Regeln für die KI-Nutzung und Nachweise über den Entstehungsprozess, nicht isolierte Detektorwerte.)

1. Finden Sie heraus, welches Tool den Wert ermittelt hat. Falls es Turnitin war, beziehen sich die genannten Zahlen nicht darauf. Prüfen Sie im Bericht Ihrer Dozenten genau, welche Passagen tatsächlich hervorgehoben wurden.
2. Prüfen Sie die geltenden Richtlinien. Viele Verlage unterscheiden klar zwischen sprachlichem Lektorat und generativer Inhaltserstellung, wobei manche eine formelle Erklärung verlangen; unsere Übersicht zu KI-Offenlegungsrichtlinien von Verlagen stellt diese gegenüber. Bei Studienleistungen sind die jeweilige Aufgabenstellung und die Richtlinien Ihrer Hochschule maßgebend.
3. Bewahren Sie die Fassung vor der Überarbeitung auf. Der praxisnahe Ratschlag der Studie lautet: "Any flag must be paired with drafting history" (Jede Markierung muss mit dem Entstehungsprozess verknüpft werden). Ein in Ihren eigenen Worten verfasster Entwurf samt Versionsverlauf stellt genau diesen Nachweis dar.
4. Achten Sie darauf, welche Abschnitte markiert wurden, nicht nur auf den Gesamtwert. Genau diese Passagen sollten Sie erklären können: wie Sie sie ursprünglich formuliert haben und was die KI daran verändert hat.

Wenn Sie einen Turnitin- oder iThenticate-Bericht vorliegen haben und die markierten Abschnitte überarbeitet werden müssen, ist genau das die Funktion der Humanize-Option von HumanPen. Importieren Sie den Turnitin- oder iThenticate-Bericht und überarbeiten Sie nur die darin markierten Passagen. Sie erhalten eine bearbeitbare Datei im selben Format zurück. Gleichen Sie den Text zuvor mit den Richtlinien Ihres Kurses zur KI-Unterstützung ab und lesen Sie das Ergebnis sorgfältig durch, bevor Sie es einreichen.

Gilt die Nutzung von Grammarly in dieser Studie als KI-Überarbeitung? Nicht unmittelbar. Die Überarbeitung in der Studie bestand in einem Umschreiben durch Gemini 3 Flash, was die Autoren als "closer to light generative rewriting than to grammar-only editing" (näher an leichtem generativem Umschreiben als an reiner Grammatikkorrektur) beschreiben. Eine reine Rechtschreib- und Grammatikprüfung wurde nicht getestet. Turnitin hat zudem an anderer Stelle erklärt, dass Korrekturen von Rechtschreibung, Grammatik und Zeichensetzung durch Grammarly nicht gezielt erfasst werden; siehe dazu ob Turnitin Grammarly erkennt.

Kann ich mich auf diese Studie berufen, wenn mir KI-Nutzung vorgeworfen wird? Sie stützt ein grundlegendes Argument: dass diese Detektoren einen erheblichen Teil menschlicher Texte markieren, die mit KI überarbeitet wurden, und dass die Autoren selbst fordern, Detektorwerte "should not serve as standalone misconduct evidence" (sollten nicht als alleiniger Beweis für wissenschaftliches Fehlverhalten dienen). Die Studie bezieht sich jedoch weder auf Turnitin noch auf studentische Arbeiten und kann nicht belegen, wie Ihr konkreter Text entstanden ist. Diesen Nachweis erbringen Ihre Entwürfe und Ihr Versionsverlauf.

Warum erzielten unbearbeitete Abstracts von 2013–2015 einen Wert von 0 %, solche von 2023–2025 jedoch höhere Werte? Die Studie kann die genaue Ursache nicht bestimmen. Den Autoren zufolge kann der Zeitraum 2023–2025 "cannot separate model vintage from unobserved real-world AI use on original abstracts" (den Modelljahrgang nicht von unbemerkter realer KI-Nutzung in den ursprünglichen Abstracts trennen). Aus diesem Grund werden diese Werte als Markierungsraten und nicht als Falsch-Positive ausgewiesen.

Kennzeichnet GPTZero überarbeitete Texte anders? GPTZero führt unter seinem Mixed-Ergebnis die Kennzeichnung "AI Polished" (KI-überarbeitet); was das genau bedeutet, haben wir in unserem Beitrag über die Kennzeichnungen „Mixed“ und „AI Polished“ von GPTZero erläutert. Laut dem Code der Autoren verwendete diese Studie die Wahrscheinlichkeit in der GPTZero-Klasse "AI"; ein von GPTZero als Mixed eingestufter Text – einschließlich AI Polished – galt somit nur dann als markiert, wenn seine Wahrscheinlichkeit in der KI-Klasse dennoch mindestens 0.50 erreichte.

• Jonathan A. Karr Jr., Grigorii Khvatskii, Ting Hua und Nitesh V. Chawla, Why AI Detection Fails for Academic Integrity, arXiv:2608.11256 (v1 6. August 2026, v2 20. August 2026), AILS '26; abgerufen am 27. September 2026 (Tabellen 1–6, Anhänge A, B und D), zusammen mit dem veröffentlichten Code der Autoren.
• Shoumik Saha und Soheil Feizi, Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing, Findings of ACL 2025 (arXiv:2502.15666); abgerufen am 27. September 2026.