Erkennt Turnitin GPT-5 und andere neue KI-Modelle?

Die Turnitin-FAQ veröffentlicht eine Liste von KI-Schreibmodellen, aus denen Inhalte erkannt werden können. Auf der Liste stehen unter anderem GPT-Modelle, Gemini, Claude, LLaMA, Mistral, Deepseek, Nova, Grok und o1-mini. Das offizielle Verb lautet „can detect content from." (Inhalte aus diesen Modellen erkennen kann). Die Liste endet mit: „and tools based on these LLMs as well." (auch Werkzeuge, die auf diesen LLMs basieren). Weiter heißt es in der FAQ: „We will continue to expand our detection capabilities to other models in the future." (Wir werden unsere Erkennungsfähigkeiten künftig auf weitere Modelle ausweiten.) Die FAQ räumt ein, dass die Erkennungsfähigkeiten nicht unveränderlich sind: „As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage." (Da wir unser Modell weiterentwickeln, um neuere LLMs besser zu erkennen, werden sich unsere Erkennungsfähigkeiten voraussichtlich ebenfalls verändern – und das wirkt sich auf den KI-Anteil aus.) Ob ein bestimmtes Modell wie GPT-5 auf der Liste steht, hängt davon ab, wann die FAQ zuletzt aktualisiert wurde. Die FAQ verspricht keine lückenlose Echtzeit-Abdeckung jedes neuen Modells, wohl aber eine fortlaufende Ausweitung.

Die FAQ nennt eine Liste von Modellen, aus denen Inhalte erkannt werden können. Im einleitenden Satz steht das Verb „can detect content from." (Inhalte erkennen kann), gefolgt von einer kommaseparierten Liste von Modellen. Auf der Liste stehen GPT, Gemini, Claude-Varianten, LLaMA, Mistral, Deepseek, Nova, Grok und o1-mini. Die Liste schließt mit:

„and tools based on these LLMs as well." (auch Werkzeuge, die auf diesen LLMs basieren).

Im nächsten Satz: „We will continue to expand our detection capabilities to other models in the future." (Wir werden unsere Erkennungsfähigkeiten künftig auf weitere Modelle ausweiten.)

Das heißt: Die Liste ist nicht abschließend. Auch Werkzeuge, die auf den gelisteten Modellen aufbauen, sollen erkannt werden. Das Versprechen, die Erkennung auszuweiten, bedeutet, dass neue Modelle hinzukommen können, sobald das Erkennungsmodell aktualisiert wird. Erkennt Turnitin Claude, Copilot oder Gemini? geht die namentlich genannten Einträge dieser Liste durch.

Die FAQ räumt ausdrücklich ein, dass die Erkennung kein unveränderliches Ziel ist:

„As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage." (Da wir unser Modell weiterentwickeln, um neuere LLMs besser zu erkennen, werden sich unsere Erkennungsfähigkeiten voraussichtlich ebenfalls verändern, und das wirkt sich auf den KI-Anteil aus.)

Im nächsten Satz: „However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed." (Bei einem bereits eingereichten Dokument verändert sich der KI-Anteil jedoch nur dann, wenn es erneut eingereicht und verarbeitet wird.)

Daraus folgen zwei Dinge. Erstens wird das Erkennungsmodell fortlaufend aktualisiert, um neuere LLMs zu erfassen. Zweitens werden bereits bewertete Dokumente nicht automatisch neu bewertet, wenn sich das Modell ändert. Wurde Ihre Arbeit vor einer Modellaktualisierung bewertet, spiegelt der Wert die Erkennungsfähigkeiten jenes Zeitpunkts wider, nicht die heutigen – deshalb spricht weiterhin nach einer erneuten Turnitin-Prüfung markiert dafür, Berichte zu vergleichen statt einzelne Werte.

Das Erkennungsmodell verarbeitet Texte, indem es sie in überlappende Abschnitte zerlegt und jedem Abschnitt einen Wahrscheinlichkeitswert zuordnet:

„When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated." (Wenn eine Arbeit bei Turnitin eingereicht wird, werden die Sätze der Einreichung extrahiert und für die Vorhersageanalyse in überlappende Abschnitte unterteilt. Jeder Abschnitt wird vom KI-Erkennungsmodell klassifiziert und erhält einen Wert zwischen 0 und 1, der angibt, wie wahrscheinlich der Text von einem Menschen oder von einer KI stammt.)

Das Modell stützt sich nicht auf oberflächliche Kennzahlen wie Burstiness oder Perplexity. In der FAQ heißt es: „Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions." (Unser Modell ist nicht ausdrücklich darauf programmiert, einzelne Signale wie Burstiness oder Perplexity oder andere Messwerte zu bewerten, die in öffentlichen Diskussionen manchmal genannt werden.) Im nächsten Satz: „Instead, it learns statistical patterns from our training data." (Stattdessen lernt es statistische Muster aus unseren Trainingsdaten.)

Dieselbe FAQ sagt außerdem: „Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (Unsere Klassifikatoren sind darauf trainiert, diese Unterschiede in der Wortwahrscheinlichkeit zu erkennen, und sind mit den typischen Wortwahrscheinlichkeitsfolgen menschlicher Schreibender vertraut.) Das Modell berechnet Burstiness oder Perplexity also nicht als benannte Kennzahl, klassifiziert Texte aber sehr wohl anhand von Wortwahrscheinlichkeitsmustern, die es aus Trainingsdaten gelernt hat.

Die FAQ räumt einen Zielkonflikt zwischen Fehlalarmen und übersehenen Treffern ein:

„In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document." (Um diese niedrige Fehlalarmrate von 1 % aufrechtzuerhalten, besteht die Möglichkeit, dass wir in einem Dokument KI-geschriebenen Text übersehen.)

Die FAQ führt aus: „For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing." (Wenn wir etwa feststellen, dass 50 % eines Dokuments wahrscheinlich von einem KI-Werkzeug stammen, könnte der tatsächliche KI-Anteil bei bis zu 65 % liegen.)

Das heißt: Der Detektor ist darauf ausgelegt, Fehlalarme zu vermeiden, selbst wenn dafür mancher KI-Text durchrutscht. Ein neues Modell, dessen Texte den Wortwahrscheinlichkeitsmustern von Menschen näherkommen, wäre schwerer zu erkennen – zumindest so lange, bis das Erkennungsmodell entsprechend aktualisiert ist. Das Versprechen der FAQ, „continue to expand our detection capabilities" (unsere Erkennungsfähigkeiten weiter auszubauen), wirkt dem entgegen, aber zwischen dem Erscheinen eines neuen Modells und seiner Erkennung liegt von Natur aus eine Verzögerung. Dieselbe Frage nach der Verzögerung stellt sich bei Umschreibewerkzeugen: Erkennt Turnitin KI-Humanizer?

Zusammenfassend:

• Turnitin veröffentlicht eine Liste von KI-Schreibmodellen, aus denen Inhalte erkannt werden können, darunter GPT, Gemini, Claude und weitere.
• Der offizielle Wortlaut lautet „can detect content from." (Inhalte erkennen kann), und die Liste umfasst auch Werkzeuge, die auf diesen LLMs basieren.
• Die FAQ verspricht, die Erkennung künftig auf weitere Modelle auszuweiten.
• Die Erkennungsfähigkeiten verändern sich mit der Zeit, wenn das Modell aktualisiert wird, um neuere LLMs zu erfassen.
• Bereits bewertete Dokumente werden nicht automatisch neu bewertet, wenn sich das Modell ändert.
• Der Detektor nimmt übersehene KI-Texte in Kauf, um die Fehlalarmrate niedrig zu halten.

Wenn Sie einen KI-Bericht von Turnitin erhalten haben und die markierten Passagen bearbeiten möchten, importieren Sie den Bericht und arbeiten Sie daran. Berechtigte Passagen können kostenlos erneut bearbeitet werden.