Warum selbst verfasste chinesische Arbeiten als KI eingestuft werden: Die Wahrheit über Aufzählungen, Parallelismen und „Zusammenfassend“

Nummerierte Listen, parallele Satzstrukturen und standardisierte zusammenfassende Überleitungen lösen bei KI-Erkennungssoftware häufig Warnungen aus, da ihre ausgeprägte Regelmäßigkeit und formelhafte Struktur den Mustern ähneln, die trainierte neuronale Klassifikatoren erlernt haben. Dennoch gibt es keinerlei empirische Belege dafür, dass irgendeine einzelne chinesische Formulierung auf eine maschinelle Generierung hinweist. Bei einem Fehlalarm schadet das wahllose Streichen von Übergängen lediglich der wissenschaftlichen Klarheit. Das Vorlegen einer nachprüfbaren Entwurfshistorie und die Einleitung offizieller Prüfverfahren der Institution sind der einzig tragfähige Weg.

HumanPen-Team

· 9 Min. Lesezeit

Warum lösen Aufzählungen, Parallelismen und „Zusammenfassend“ bei selbst verfassten chinesischen Arbeiten KI-Warnungen aus?

KI-Textklassifikatoren bewerten nicht den inhaltlichen Gehalt Ihrer Forschung; es handelt sich um trainierte Modelle des maschinellen Lernens, die statistische Muster und strukturelle Regelmäßigkeiten über Token-Sequenzen hinweg analysieren. Strukturierte Aufzählungen (wie „erstens, zweitens, drittens“), symmetrische parallele Teilsätze und formelhafte wissenschaftliche Überleitungen (wie „zusammenfassend“ / 综上所述 oder „daraus wird ersichtlich“ / 由此可见) stellen im formellen Chinesisch hochgradig standardisierte, einheitliche Ausdrucksweisen dar. Da trainierte Klassifikatoren gelernt haben, diese ausgeprägte syntaktische Symmetrie und formelhafte Vorhersehbarkeit mit den Verteilungen generativer KI-Trainingsdaten zu verknüpfen, kann sorgfältig strukturierte, von Menschen verfasste wissenschaftliche Prosa erhöhte Verdachtswerte auslösen.

Dieses Dilemma – bei dem sorgfältige wissenschaftliche Präzision zu einer automatisierten Warnung führen kann – hat breite öffentliche Aufmerksamkeit erregt. In einem Recherchebericht von BeiQing ShenYiDu (Beijing Youth Daily) mit dem Titel "Graduation Theses Trapped in the 'AI Rate': Methodically Structured Bullet Points and Frequent Parallel Sentences Judged as Not 'Human'" („Abschlussarbeiten gefangen in der ‚KI-Quote‘: Methodisch strukturierte Aufzählungspunkte und häufige Parallelsätze als nicht ‚menschlich‘ bewertet“) schilderte eine Studentin, wie sie wegen methodischer Aufzählungen und ausgewogener Parallelsätze beanstandet wurde, und fragte: "Just because I like to use methodical bullet points and parallel sentences, does that mean I cannot be 'human'?" (Heißt das etwa, nur weil ich gerne methodische Aufzählungspunkte und Parallelsätze verwende, kann ich kein „Mensch“ sein?). Diese Verunsicherung hat viele Studierende zu der Frage veranlasst, ob inländische Erkennungssysteme eine interne schwarze Liste verbotener Übergangsformulierungen führen.

Die zugrunde liegende technische Realität ist eindeutig: Kein Anbieter von Erkennungssoftware und keine veröffentlichte Studie zum maschinellen Lernen hat jemals nachgewiesen, dass eine einzelne chinesische Formulierung oder grammatikalische Konstruktion ein eindeutiges Merkmal künstlicher Intelligenz darstellt. Klassifikatoren reagieren auf Verteilungsmuster – syntaktische Vorhersehbarkeit, die Gleichmäßigkeit von Wortübergängen auf Token-Ebene und einen mechanischen Rhythmus über eine Textpassage hinweg –, nicht auf spezifische Vokabeln.

Die Evidenzgrenze: Detektoren sind trainierte Klassifikatoren, keine Wortfilter

Um zu verstehen, warum methodisch gegliederte wissenschaftliche Texte beanstandet werden, muss man betrachten, wie moderne KI-Erkennungstechnologie tatsächlich funktioniert. Ein weit verbreiteter Irrglaube in Studierendenforen besagt, dass Detektoren die mathematische „Perplexität“ (wie überrascht ein Modell vom nächsten Wort ist) und „Burstiness“ (die Variation von Satzstruktur und Satzlänge) in Echtzeit berechnen, um eingereichte Arbeiten zu bewerten. Wie in unserer Analyse darüber dargelegt, wie Perplexität und Burstiness mit der KI-Erkennung zusammenhängen, beschreiben diese Metriken vor allem frühe Demonstrationswerkzeuge der ersten Generation. Kommerzielle Detektoranbieter haben sich weitgehend davon verabschiedet: GPTZero hat erklärt, seit Herbst 2023 weder Perplexität noch Burstiness zu verwenden, während Turnitin klargestellt hat, dass sein Modell "is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity'." (nicht explizit darauf programmiert ist, spezifische Signale wie „Burstiness“ oder „Perplexität“ zu bewerten).

Heutige praxistaugliche Detektoren – darunter führende akademische Prüfplattformen und neuronale Textklassifikatoren – arbeiten als feinabgestimmte Klassifikatoren des maschinellen Lernens. Diese Deep-Learning-Modelle werden anhand riesiger Datensätze aus paarweise gegenübergestellten, von Menschen verfassten und maschinell generierten Texten trainiert, um komplexe, hochdimensionale linguistische Merkmale zu identifizieren.

Allerdings fördert die reguläre akademische Schreibausbildung an chinesischen Universitäten gezielt strukturelle Gewohnheiten, die sich stark mit den statistischen Mustern überschneiden, nach denen Klassifikatoren suchen:

  • Nummerierte Aufzählungen: Das Gliedern von Maßnahmen nach dem Muster "First, establish mechanisms; second, improve procedures; third, strengthen supervision" („Erstens Mechanismen etablieren; zweitens Abläufe verbessern; drittens Aufsicht stärken“) erzeugt eine starre strukturelle Symmetrie;
  • Parallelismen und syntaktische Ausgewogenheit: Das Angleichen grammatikalischer Strukturen über Satzgefüge hinweg führt zu einheitlichen Satzlängen und sich wiederholenden syntaktischen Mustern;
  • Formelhafte Übergänge: Ausdrücke wie „zusammenfassend“ (综上所述), „auf Grundlage der obigen Analyse“ (基于上述分析) und „daraus wird ersichtlich“ (由此可知) dienen als standardisierte logische Brücken, deren textuelle Umgebung hochgradig vorhersehbar ist.

Wenn Studierende sich strikt an formale wissenschaftliche Normen halten und Argumente in stark gegliederten, symmetrischen Absätzen anordnen, wird das sprachliche Profil ihres Textes außergewöhnlich gleichförmig. Für einen trainierten neuronalen Klassifikator spiegelt diese strukturelle Regelmäßigkeit exakt die Verteilung synthetischer Texte wider, die während des Modelltrainings erlernt wurden.

Hier verläuft die entscheidende Evidenzgrenze: Automatisierte Detektoren reagieren empfindlich auf starre Strukturvorlagen, mechanische Symmetrie und extreme formale Gleichförmigkeit; dennoch stuft keine veröffentlichte technische Quelle das bloße Vorkommen von „zusammenfassend“ oder Aufzählungslisten als schlüssigen Beweis für eine KI-Autorschaft ein. Ein erhöhter Prozentwert stellt eine probabilistische Klassifizierung auf Basis gelernter Merkmalsmuster dar, keine verifizierte Tatsachenfeststellung eines wissenschaftlichen Fehlverhaltens.

Der Trugschluss der Content-Farmen: Warum Ratschläge zum „Löschen dieser Ausdrücke“ haltlos sind

In Suchmaschinenergebnissen und Social-Media-Foren wimmelt es von kommerziellen Marketingbeiträgen, die behaupten: "deleting these 20 phrases will instantly reduce your AI rate below 5%." (Wenn Sie diese 20 Ausdrücke löschen, sinkt Ihre KI-Quote sofort unter 5 %). Solche Content-Farmen stellen willkürliche Listen angeblicher „Tabuwörter“ zusammen und raten Studierenden, gängige wissenschaftliche Formulierungen wie „zusammenfassend“, „es ist offensichtlich“, „eingehende Untersuchung“, „aus der Perspektive von“ oder "on one hand... on the other hand." („einerseits … andererseits“) zu streichen.

Kommerzielle Plattformen preisen solche Anleitungen zum Löschen von Phrasen an, weil sich simples Ersetzen von Wörtern über automatisierte Umschreibewerkzeuge und kostenpflichtige Umformulierungsdienste leicht monetarisieren lässt. Analytisch wie methodisch ist dieser Ratschlag jedoch grundlegend fehlerhaft:

  1. Klassifikatoren analysieren Kontextfenster, keine statischen Schlagwort-Sperrlisten: Das mechanische Ersetzen von „zusammenfassend“ (综上所述) durch ein umgangssprachliches Synonym wie „im Großen und Ganzen“ (总的来看) lässt die grundlegende Satzarchitektur, die kontextuellen Embeddings und die strukturelle Wahrscheinlichkeitsverteilung praktisch unverändert.
  2. Willkürliches Streichen schwächt den wissenschaftlichen Zusammenhalt und die Präzision: Wissenschaftliche Argumentationen sind auf klare gedankliche Übergänge angewiesen, um logische Verknüpfungen zu verdeutlichen. Wenn Studierende dazu gedrängt werden, strukturierte Aufzählungen in zusammenhanglose, umgangssprachliche Fragmente aufzulösen oder präzise Fachbegriffe durch vage Alltagssprache zu ersetzen, mindert dies die Qualität der Abschlussarbeit unmittelbar und führt bei der Begutachtung zu berechtigten Beanstandungen.
  3. Hochschulrichtlinien bestimmen den Werkzeugeinsatz, keine pauschalen Verbote oder Versprechen von Vermittlern: In Anfragen von Studierenden geht es häufig darum, ob der Einsatz von Paraphrasier- oder Humanizer-Software grundsätzlich verboten ist. Was zulässig ist, unterliegt keiner pauschalen Regel; die Erlaubnis hängt vollständig von den konkreten Richtlinien der jeweiligen Universität, des Fachbereichs und der Aufgabenstellung ab. Manche Fakultäten gestatten generative oder unterstützende Werkzeuge zur sprachlichen Überarbeitung, sofern deren Einsatz offengelegt wird, während andere jegliches automatisierte Umschreiben untersagen. Sie sollten die Richtlinien zur wissenschaftlichen Redlichkeit Ihrer Institution prüfen und das Gespräch mit Ihrer Betreuungsperson suchen. Vor allem sollten Sie sich vor kommerziellen Vermittlern hüten, die mit „garantierten Bestehensquoten“ werben oder „100 % menschliche Einstufungen“ versprechen. Berichte der Nachrichtenagentur Xinhua haben die weite Verbreitung kostenpflichtiger Dienste zur „KI-Reduzierung“ offengelegt, und China National Radio (Voice of China) untersuchte Missstände auf diesem Markt: Dabei wurden Honorare von einigen Dutzend bis zu über tausend Yuan festgestellt, Anbieter, die Texte schlicht per KI und Prompts umschreiben („mit KI die KI-Quote senken“ / 用AI降AI率), sowie Fälle, in denen Studierenden bei Streitigkeiten gedroht wurde, ihre Arbeiten im Internet zu veröffentlichen oder bei ihrer Universität anzuzeigen. Da Erkennungsmodelle auf statistischen Wahrscheinlichkeiten basieren, kann kein kommerzielles Tool seriös konkrete Erkennungsergebnisse garantieren.

Fachspezifische Schreibkonventionen: Methodische Struktur steht für wissenschaftliche Präzision, nicht für maschinelle Generierung

Eine methodische Struktur und stilistische Überleitungen sind grundlegende Konventionen wissenschaftlicher Disziplinen und spiegeln fachliche Standards wider, keine generativen Abkürzungen:

  • Ingenieur- und Informatikwissenschaften: Technische Methodiken, algorithmische Pipelines, Prüfparameter und Systemarchitekturen werden üblicherweise in nummerierten Listen, separaten Phasen und reproduzierbaren Abläufen dargestellt, um technische Präzision zu gewährleisten;
  • Rechts-, Betriebs- und Verwaltungswissenschaften: Gesetzesauslegungen, institutionelle Analysen und Verwaltungsempfehlungen stützen sich stark auf parallele Satzkonstruktionen und standardisierte Zusammenfassungen, um eine eindeutige juristische und verfahrensbezogene Auslegung zu sichern;
  • Medizin und Biowissenschaften: Empirische Berichte folgen standardisierten Berichtsformaten (wie Beschreibungen klinischer Studien und Kennzahlen von Kontrollgruppen), bei denen standardisierte Formulierungen Interpretationsspielräume minimieren.

Wie Professorin E Haihong im Bericht von Xinhua betonte: "Different disciplines should not apply a one-size-fits-all approach to AIGC rates; final determinations should be made by subject-matter experts or faculty advisors." (Für verschiedene Disziplinen sollte kein pauschaler Ansatz für AIGC-Quoten gelten; die endgültige Entscheidung sollten Fachgutachter oder betreuende Dozenten treffen.) Statistische Klassifikationswerkzeuge können nicht unterscheiden, ob ein Autor sich strikt an fachwissenschaftliche Konventionen hält oder ein Algorithmus statistische Token vervollständigt.

Letztlich liegt die verbindliche Beurteilung der wissenschaftlichen Originalität bei menschlichen Wissenschaftlern: Betreuern, Gutachtern und universitären Prüfungsausschüssen. Hochschulrichtlinien zur wissenschaftlichen Integrität konzentrieren sich auf Plagiate, Fälschungen und den unbefugten Einsatz generativer Werkzeuge; eine klare Gliederung, ausgewogene Syntax und präzise Argumentation stellen für sich genommen kein wissenschaftliches Fehlverhalten dar. Wissenschaftliche Integrität sollte nicht geopfert werden, um ein statistisches Werkzeug zufriedenzustellen.

Souveräner Umgang mit einem KI-Verdacht: Ein vierstufiges Überprüfungs- und Beschwerdeprotokoll

Wenn eine eigenständig verfasste chinesische Abschlussarbeit aufgrund einer methodischen Struktur, paralleler Satzmuster oder standardisierter wissenschaftlicher Übergänge einen erhöhten KI-Erkennungswert erhält, sollten Sie als Prüfungskandidat nicht in Panik geraten und den Angeboten kommerzieller Umschreibedienste widerstehen, die garantierte Werte versprechen. Welche Formen der Überarbeitung oder Unterstützung zulässig sind, hängt von den spezifischen Richtlinien Ihrer Institution ab; das Einreichen ungeprüfter kommerzieller Umschreibungen birgt jedoch die Gefahr, Ihre gesamte Arbeit zu entwerten. Halten Sie sich stattdessen an dieses vierstufige offizielle Prüfprotokoll:

  1. Lückenlose Entwurfshistorie sichern und archivieren (Draft Trail): Die stichhaltigste Verteidigung gegen einen automatisierten Verdacht ist ein unveränderlicher chronologischer Nachweis des Schreibprozesses; Exportieren und archivieren Sie Dokumentversionen mit Zeitstempel: Word-Dateien mit nachverfolgten Änderungen und automatischen lokalen Sicherungskopien, Cloud-Versionsverläufe aus WPS oder Tencent Docs oder Commit-Logs aus Overleaf- und Git-Repositories; Stellen Sie ergänzende Belege aus der Entstehungsphase zusammen: mit Anmerkungen versehene Fachliteratur, handschriftliche Laborjournale, Rohdaten aus Umfragen, Original-Tonaufnahmen von Interviews und offizielle Zwischenberichte aus den Meilensteinen der Abschlussarbeit.
  2. Den detaillierten Prüfbericht anfordern und genau abgleichen: Fordern Sie den vollständigen, ungekürzten PDF- oder HTML-Bericht der von Ihrer Hochschule genutzten Erkennungsplattform an und prüfen Sie ihn gründlich, statt sich nur auf den zusammenfassenden Prozentwert zu verlassen; Identifizieren Sie exakt, welche Abschnitte, Absätze oder Textblöcke markiert wurden, und prüfen Sie, ob die Software sie als Muster generativer KI oder als traditionelle Literaturübereinstimmungen eingestuft hat; Kontrollieren Sie, ob strukturelle Ausschlüsse korrekt konfiguriert waren, damit Literaturverzeichnis, Danksagung, Anhänge, mathematische Formeln und Blockzitate nicht fälschlicherweise in die gewertete Wortzahl eingeflossen sind.
  3. Fachliche Konventionen und methodische Logik gegenüber der Betreuungsperson darlegen: Vereinbaren Sie ein persönliches Gespräch mit Ihrer Betreuungsperson und legen Sie sowohl den Prüfbericht als auch die zugrunde liegenden Entwürfe vor; Erläutern Sie nachvollziehbar die fachliche Notwendigkeit der beanstandeten Strukturen: "Section 3 uses a three-part comparative list in accordance with standard engineering benchmarking conventions, and the concluding transitional sentence reflects the direct deduction from the preceding empirical dataset" (Abschnitt 3 verwendet eine dreiteilige Vergleichsliste gemäß den gängigen Benchmarking-Konventionen der Ingenieurwissenschaften, und der abschließende Übergangssatz ergibt sich direkt als logische Schlussfolgerung aus dem vorangehenden empirischen Datensatz); Vertrauen Sie auf die fachliche Expertise Ihrer Betreuungsperson, um zu bestätigen, dass die markierten Passagen einer angemessenen wissenschaftlichen Ausdrucksweise entsprechen und nicht maschinell generiert wurden.
  4. Grenzwerte und Beschwerdeverfahren der Institution erfragen: Ziehen Sie die offiziellen Richtlinien Ihres Fachbereichs über das Prüfungsamt (教务处) oder das Graduiertenkolleg (研究生院) zurate, um festzustellen, ob der AIGC-Wert lediglich als hinweisende Vorwarnung oder als strikte Ausschlussgrenze dient; Informieren Sie sich über die offiziellen Beschwerdeverfahren und die erforderlichen Formulare Ihrer Universität. Im chinesischen Akademischen Gradegesetz (Academic Degrees Law) sind gesetzliche Bestimmungen für die Überprüfung von Abschlüssen verankert: Artikel 39 regelt die Möglichkeit zur Stellungnahme und Verteidigung (陈述和申辩) vor einer Entscheidung über die Nichtverleihung oder den Entzug eines Grades, Artikel 40 sieht eine akademische Neubewertung (学术复核) wissenschaftlicher Gutachten vor, und Artikel 41 regelt die Überprüfung (复核) von Beschlüssen über die Nichtzulassung, Nichtverleihung oder Aberkennung eines Grades. Da ein anfänglicher AIGC-Prüfwert für sich genommen noch keine rechtlich bindende Disziplinarmaßnahme darstellt, sollten betroffene Studierende das vorgesehene Beschwerdeverfahren ihrer Institution durchlaufen und ihre Entwurfshistorie sowie den Schreibverlauf zur Begutachtung durch Dozenten vorlegen.

Literaturhinweise und öffentliche Quellen

  1. BeiQing ShenYiDu (Beijing Youth Daily) (北青深一度 / 北京青年报): "Graduation Theses Trapped in the 'AI Rate': Methodically Structured Bullet Points and Frequent Parallel Sentences Judged as Not 'Human'" (《困在“AI率”中的毕业论文:有条理地分点叙述,常用排比句,被判定为不是“人”》; „Abschlussarbeiten gefangen in der ‚KI-Quote‘: Methodisch strukturierte Aufzählungspunkte und häufige Parallelsätze als nicht ‚menschlich‘ bewertet“), veröffentlicht am 8. August 2025. URL: `https://news.qq.com/rain/a/20250808A03F3K00`
  2. Nachrichtenagentur Xinhua (新华社): "Thesis AIGC Rate: Are Detection Standards Scientific?" (《论文AIGC率,检测标准科学吗?》; „AIGC-Quote bei Abschlussarbeiten: Sind die Prüfstandards wissenschaftlich fundiert?“), veröffentlicht am 23. Mai 2026 über Xinhua WeChat (zuerst veröffentlicht von Science and Technology Daily / CCTV News am 22. Mai 2026), über universitäre Prüfstandards und kostenpflichtige Dienste zur KI-Reduzierung. URL: `https://m.thepaper.cn/newsDetail_forward_33210288`
  3. China National Radio (央广网): "Investigation into Abuses in Thesis AI-Reduction Services" (《代降论文AI率服务乱象调查》; „Untersuchung von Missständen bei Diensten zur KI-Reduzierung bei Abschlussarbeiten“), veröffentlicht am 14. Juli 2025 (zuerst veröffentlicht von Legal Daily), Bericht über kostenpflichtige Dienste, die Texte per KI-Prompts umschreiben, Honorare von einigen Dutzend bis über tausend Yuan sowie Drohungen bei Streitigkeiten. URL: `https://news.cnr.cn/native/gd/20250714/t20250714_527260647.shtml`
  4. Guangming Daily Online (光明网): "My Self-Written Thesis Was Diagnosed as AI" (《“自己写的毕业论文,被确诊AI”》; „Meine selbst verfasste Abschlussarbeit wurde als KI diagnostiziert“, 22. Juli 2024, Wiederveröffentlichung von The Paper) und "Thesis 'AI-Reduction' Has Become a Business: AI Detection Must Not Become Formalism" (《论文“降AI率”已成生意,AI检测不能沦为形式主义》; „‚KI-Reduzierung‘ bei Abschlussarbeiten ist zum Geschäft geworden: KI-Erkennung darf nicht zur reinen Formsache verkommen“, 11. Juni 2026, Kommentar mit Bezug auf den Bericht der National Business Daily vom 10. Juni 2026 《高校严查论文AI率,帮学生“降写”成了火爆生意》). URL: `https://m.gmw.cn/2024-07/22/content_1303798841.htm` / `https://guancha.gmw.cn/2026-06/11/content_38823723.htm`
  5. Beijing Daily Client (北京日报客户端): "Thesis AI Detection Is Driving This Year's College Graduates Crazy" (《论文AI检测,正在“逼疯”这届大学生》; „Die KI-Erkennung bei Abschlussarbeiten treibt die diesjährigen Hochschulabsolventen in den Wahnsinn“), veröffentlicht am 19. Juli 2026. URL: `https://xinwen.bjd.com.cn/content/s6a5ccb7de4b03fa51a81b89b.html`
  6. Ständiger Ausschuss des 14. Nationalen Volkskongresses: Gesetz über akademische Grade der Volksrepublik China (《中华人民共和国学位法》), verabschiedet am 26. April 2024 auf der 9. Tagung des Ständigen Ausschusses des 14. NVK, in Kraft getreten am 1. Januar 2025. URL: `https://www.12371.cn/2024/04/28/ARTI1714265542656277.shtml`

WEITERLESEN