So beweisen Sie, dass Ihre Arbeit originell ist, wenn ein KI-Detektor ein falsches Positiv liefert

Kein Tool kann beweisen, dass Sie der ursprüngliche Autor eines Textes sind. Was Sie tun können, ist eine Beweiskette aufzubauen: Versionshistorie, die zeigt, wie das Dokument im Laufe der Zeit bearbeitet wurde, Quellenmaterial wie Notizen und Gliederungen und annotierte Quellen, Aufzeichnungen des Schreibprozesses von Betreuer-E-Mails bis zu Besuchen im Schreibzentrum, und eine Erklärung dafür, warum Ihr Text so aussieht, wie er aussieht. Keiner dieser Punkte allein widerlegt die Nutzung von KI. Zusammen geben sie der Person, die den Score überprüft, etwas anderes zu betrachten als den Score selbst. Und die Firma, die das Tool hergestellt hat, hat in drei separaten Hilfedokumenten gesagt, dass der Score nicht als alleinige Grundlage für Maßnahmen gegen einen Studierenden verwendet werden sollte. Das ist nicht Ihr Argument. Es ist ihres.

Der Rest dieses Artikels legt die vier Ebenen der Beweise dar, was jede zeigt und was nicht, und wie Sie sie zum Gespräch bringen, ohne zu viel zu behaupten. Es gibt auch einen Abschnitt darüber, was Turnitin selbst über seinen eigenen Score gesagt hat, weil diese Aussagen in den Raum gehören und es nicht Ihre sind, sie zu machen.

Der Unterschied zwischen diesem Vorgehen und einer Leugnung ist der Unterschied zwischen „Ich habe keine KI verwendet“ und „so ist dieses Dokument entstanden.“ Das erste ist eine Behauptung. Das zweite ist ein Beweis. Nur das zweite gibt der überprüfenden Person etwas, mit dem sie arbeiten kann.

KI-Schreibdetektoren klassifizieren Text. Sie nehmen ein Dokument, segmentieren es, weisen jedem Segment eine Wahrscheinlichkeit zu und fassen diese zu einer Zahl zusammen. Diese Zahl beschreibt eine statistische Eigenschaft des Textes. Sie beschreibt nicht, wer ihn geschrieben hat, wie er produziert wurde oder was geschah, bevor die Datei eingereicht wurde.

Es lohnt sich, das klar auszusprechen, weil die Frage „how do I prove my work is original“ (wie weise ich nach, dass meine Arbeit von mir selbst stammt) oft so beantwortet wird, als gäbe es ein symmetrisches Tool zu Turnitin, etwas, das Ihren Entwurf nimmt und „ja, Sie haben das geschrieben“ ausgibt. Ein solches Tool gibt es nicht. Es gibt keinen Klassifikator für Originalität. Originalität ist eine Behauptung über Prozess und Herkunft, und Prozess und Herkunft sind Dinge, die Sie mit Aufzeichnungen belegen, nicht mit einem weiteren Score.

Die Arbeit besteht also nicht darin, eine Gegen-Erkennung zu finden. Die Arbeit besteht darin, das Material zusammenzustellen, das den Schreibprozess sichtbar macht, und es mit den Aussagen zu paaren, die Turnitin selbst darüber gemacht hat, was sein Score klärt und was nicht. Wir haben die allgemeine Version dessen, was zuerst zu tun ist, in als markiert, aber selbst geschrieben durchgegangen. Dieser Artikel ist der breitere Rahmen.

Die Versionshistorie ist das mit Zeitstempeln versehene Protokoll, wie sich ein Dokument im Laufe der Zeit verändert hat. Word führt eines durch OneDrive-Autos-Save und Änderungen nachverfolgen. Google Docs führt eines nativ und es ist standardmäßig aktiviert. Overleaf führt eine Git-artige Seitenhistorie. Alle drei zeichnen auf, wann Bearbeitungen stattfanden und wie groß jede Revision ungefähr war.

Was die Versionshistorie zeigen kann:

• Das Dokument wurde über mehrere Sitzungen an verschiedenen Daten bearbeitet.
• Einige Revisionen waren klein (ein Absatz, ein Satz) und einige waren größer.
• Die Datei existierte in früheren Zuständen, manchmal Wochen vor der Einreichung.
• Bearbeitungen häufen sich um Feedback-Ereignisse, Betreuer-Kommentare oder Ihre eigenen Überarbeitungsdurchgänge.

Was sie nicht zeigen kann:

• Dass jeder Satz von einer Person geschrieben wurde.
• Dass in keiner Phase ein KI-Tool verwendet wurde.
• Dass der endgültige Text Zeile für Zeile mit den Zwischenentwürfen übereinstimmt.

Der Wert der Versionshistorie liegt nicht darin, dass sie die Nutzung von KI widerlegt. Das tut sie nicht. Der Wert liegt darin, dass sie zeigt, dass das Dokument eine Historie hat, die damit vereinbar ist, über einen Zeitraum geschrieben worden zu sein. Ein eingefügter Block hat keine Historie. Eine geschriebene Arbeit hat eine. Diese Unterscheidung kann der KI-Score nicht treffen, weil der Score nur den endgültigen Text betrachtet.

Wenn Sie in Word oder Google Docs geschrieben haben, exportieren Sie die Versionshistorie vor dem Gespräch. Wenn Sie in Overleaf geschrieben haben, dient die Seitenhistorie demselben Zweck. Machen Sie einen Screenshot der Revisionsliste mit sichtbaren Daten, wählen Sie drei oder vier Versionen entlang der Zeitlinie aus und notieren Sie, was sich in jeder geändert hat, und wenn Sie Änderungen nachverfolgen verwendet haben, bewahren Sie eine Kopie mit noch sichtbaren Markierungen auf. Die markierte Version ist diejenige, die den Bearbeitungsprozess inline zeigt.

Bevor der Entwurf existierte, gab es andere Dinge. Notizen aus den Lektüren. Eine Gliederung. Annotierte PDFs. Ein Literaturverzeichnis mit Ihren eigenen Markierungen darauf. Suchverläufe in der Bibliotheksdatenbank. Dies sind die Rückstände von Recherche, nicht von Generierung. Ihre Daten zeichnen einen Pfad, der nicht wie ein einzelner Text-Output aussieht.

Was Sie mitbringen sollten:

• Der früheste Entwurf, den Sie noch haben, auch wenn er grob war. Ein grober Entwurf ist ein Beweis für einen Schreibprozess. Sein Datum ist ein Beweis, dass das Dokument vor der endgültigen Version existierte.
• Notizen, Gliederungen oder annotierte PDFs, die Sie während der Arbeit erstellt haben. Wenn Sie Passagen in Quellen markiert und Randnotizen geschrieben haben, sind diese Markierungen ein Beweis, dass Sie sich mit dem Material befasst haben, bevor Sie darüber schrieben.
• Ihr Literaturverzeichnis im Arbeitszustand, bevor es formatiert wurde. Ein Literaturverzeichnis, das über Wochen wuchs, während Sie Quellen fanden, sieht anders aus als eines, das in einem Durchgang generiert wurde.

Nichts davon ist ein Detektor-Ergebnis. Nichts davon produziert eine Zahl. Was es tut, ist das Schreiben in einen Kontext zu stellen, der eine Zeitlinie hat, und diese Zeitlinie verläuft in einer Richtung, die vor dem Dokument beginnt und danach endet. Eine generierte Arbeit hat kein Davor.

Die dritte Ebene sind Aufzeichnungen des Schreibprozesses, die außerhalb des Dokuments selbst existieren.

• E-Mail-Threads mit Ihrem Betreuer oder jedem, der Feedback gab. Wenn Sie an einem bestimmten Datum einen Entwurf sendeten und Kommentare zurückerhielten, verankert dieser Austausch einen Punkt auf der Zeitlinie. Er zeigt auch, dass das Dokument während seiner Entstehung von einer anderen Person überprüft wurde.
• Peer-Review-Aufzeichnungen oder Besuche im Schreibzentrum. Wenn Sie einen Entwurf zu einem Schreib-Tutor brachten oder Entwürfe mit einem Kommilitonen austauschten, haben diese Sitzungen Daten und manchmal Notizen. Sie sind ein Beweis, dass das Schreiben einen sozialen Prozess durchlief, was die Art ist, wie die meiste akademische Arbeit tatsächlich entsteht.
• Jede frühere Aufgabe, die auf diese hinarbeitete. Wenn diese Arbeit aus einem Exposé, einer annotierten Bibliografie oder einem Methodenabschnitt entstand, den Sie separat einreichten, sind diese früheren Einreichungen Teil derselben Schreibtrajektorie.

Was diese Ebene tut, ist das Dokument mit anderen Personen und anderen Daten zu verbinden. Ein Dokument, das allein steht, ohne Verbindung zu einer früheren Interaktion, ist leichter zu hinterfragen. Ein Dokument, das in einer Kette von E-Mails, Tutorien und früheren Einreichungen steht, ist schwerer von der Person zu trennen, die es hervorbrachte.

Die vierte Ebene ist Ihre Fähigkeit zu erklären, warum Ihr Text so aussieht, wie er aussieht. Hier wird Turnitins eigene Anleitung zu falschen Positiven relevant.

Die FAQs zur KI-Schreiberkennung beschreiben Merkmale von Text, der dazu neigt, falsche Positive zu erzeugen:

„Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas.“ (Fehlalarme — also von Menschen geschriebener Text, der fälschlich als KI-generiert markiert wird — treten mitunter bei Texten auf, die wenig strukturelle Abwechslung haben, sich wörtlich wiederholen oder umformuliert wurden, ohne neue Gedanken zu entwickeln.)

Der nächste Satz ist derjenige, der in Ihrem Kontext zählt:

„If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated.“ (Wenn unser Indikator bei solchen Texten einen höheren KI-Anteil anzeigt, sollten Sie das bei der Beurteilung des angezeigten Prozentwerts berücksichtigen.)

Lesen Sie, was das abdeckt. Inhalt ohne viel strukturelle Variation. Text, der sich wörtlich wiederholt. Text, der umformuliert wurde, ohne neue Ideen zu entwickeln. Diese beschreiben einen großen Teil akademischen Schreibens. Literaturübersichten fassen zusammen und synthetisieren, was von Natur aus Umformulieren ist. Methodik-Abschnitte beschreiben Standardverfahren in einer Sprache, die repetitiv sein soll, weil das Verfahren dasselbe ist. Einleitungen und Schlussfolgerungen sind oft absichtlich generisch, weil sie Arbeit einrahmen, die in der Mitte spezifisch ist.

Wenn Ihre markierten Abschnitte in diesem Gebiet liegen, teilt die Firma, die das Werkzeug herstellte, der Person, die den Score liest, mit, ihn genau aus diesem Grund abzuwerten. Nicht Sie. Die Firma. Ihre Aufgabe ist es, zu identifizieren, welche Ihrer markierten Abschnitte auf diese Merkmale zutreffen, und das zu sagen. „Der Methodik-Abschnitt beschreibt ein Standardprotokoll, und die Sprache ist repetitiv, weil das Protokoll repetitiv ist.“ Das ist keine Ausrede. Es ist eine direkte Übereinstimmung mit den Merkmalen, die Turnitin selbst auflistete.

Es gibt einen zweiten Satz von Aussagen, der in den Raum gehört, und keine davon ist Ihre.

Der AI Writing Report-Leitfaden besagt:

„Our AI writing detection model may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student.“ (Unser Modell zur Erkennung von KI-Text ist nicht immer zuverlässig (es kann von Menschen geschriebene, KI-generierte und mit KI umformulierte Texte verwechseln); es sollte deshalb nicht die alleinige Grundlage für nachteilige Maßnahmen gegen eine studierende Person sein.)

Der Satz unmittelbar danach ist derjenige, der jedes Mal weggelassen wird, wenn dieses Zitat verwendet wird:

„It takes further scrutiny and human judgment in conjunction with an organization's application of its specific academic policies to determine whether academic misconduct has occurred.“ (Ob ein wissenschaftliches Fehlverhalten vorliegt, lässt sich erst durch weitere Prüfung und menschliches Urteil klären, zusammen mit den konkreten Richtlinien der jeweiligen Einrichtung.)

Lesen Sie beide zusammen. Die erste besagt, verwenden Sie diese Zahl nicht allein. Die zweite besagt, was stattdessen geschehen sollte: weitere Prüfung, menschliches Urteil, die eigenen Richtlinien der Institution. Das ist der Hersteller, der der Person, die die Zahl hält, sagt, mehr Arbeit zu leisten, bevor sie eine Schlussfolgerung zieht.

Eine separate Seite mit dem Titel Wie sollte ich den AI Writing Report überprüfen? stellt es anders dar:

„It is not meant to provide definitive answers in isolation. More important than any tool is the educator who sees the score and makes decisions balancing this information with their personal knowledge of their students, their work, and institutional policy.“ (Er ist nicht dafür gedacht, für sich allein endgültige Antworten zu liefern. Wichtiger als jedes Tool ist die Lehrkraft, die den Wert sieht und ihn mit dem abwägt, was sie über ihre Studierenden, deren Arbeiten und die Richtlinien der Einrichtung weiß.)

Der nächste Satz vervollständigt es:

„When educators look at the AI writing score and utilize it as a single data point rather than a definitive response, then it is being used as intended.“ (Wenn Lehrende den KI-Wert als einen Datenpunkt unter mehreren betrachten und nicht als endgültige Antwort, dann wird er so genutzt, wie er gedacht ist.)

Das ist der Hersteller, der seinen eigenen Score einen einzelnen Datenpunkt nennt. Kein Urteil. Keine endgültige Antwort. Die Beweiskette, die Sie aufbauen, ist es, die diesen einzelnen Datenpunkt in mehrere Datenpunkte verwandelt, was die Verwendung ist, die der Hersteller als korrekt bezeichnet.

Diese Aussagen erscheinen in drei separaten Turnitin-Hilfedokumenten. Sie sind keine Verteidigung eines Studierenden. Sie sind die eigene Grenze des Werkzeugherstellers dazu, was seine Zahl bedeutet.

Turnitins FAQ nennt sein Genauigkeitsziel:

„We strive to maximize the effectiveness of our detector while keeping our false positive rate - incorrectly identifying fully human-written text as AI-generated - under 1% for documents with over 20% of AI writing.“ (Wir wollen unseren Detektor so wirksam wie möglich machen und dabei die Fehlalarmquote — von Menschen geschriebener Text, der fälschlich als KI-generiert eingestuft wird — bei Dokumenten mit über 20 % KI-Text unter 1 % halten.)

Der nächste Satz formuliert es neu:

„In other words, we might flag a human-written document as AI-written for one out of every 100 fully-human written documents.“ (Anders gesagt: Von je 100 vollständig menschlich geschriebenen Dokumenten markieren wir womöglich eines als KI-geschrieben.)

Beachten Sie die Einschränkung. Das Unter-1%-Ziel gilt für Dokumente mit über 20 % KI-Schreiben. Das ist das Band, in dem der Indikator eine reale Zahl und Hervorhebungen zeigt. Unter 20 % ersetzt die aktuelle Anzeigeregel die Zahl durch ein Sternchen. Die falsch-positive Garantie deckt also das Band ab, in dem das Werkzeug sich auf eine Zahl festlegt, und erstreckt sich nicht auf das Sternchen-Band.

Dieselbe Seite erklärt den Kompromiss:

„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. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. 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.“ (Um diese niedrige Fehlalarmquote von 1 % zu halten, kann es passieren, dass uns KI-Text in einem Dokument entgeht. Damit können wir leben, denn wir wollen von Menschen geschriebenen Text nicht fälschlich als KI-Text markieren. Wenn wir etwa feststellen, dass 50 % eines Dokuments wahrscheinlich von einem KI-Tool stammen, können es tatsächlich bis zu 65 % sein.)

Lesen Sie die Richtung davon. Das Modell ist darauf abgestimmt, falsche Positive zu vermeiden, und die Kosten dieser Abstimmung sind Untererfassung. Ein hoher Score ist das Modell, das sich trotz einer Abstimmung, die es zur Vorsicht neigt, auf eine Behauptung einlässt. Ein niedriger Score ist vereinbar mit sowohl „nichts passierte“ als auch „etwas passierte, das das Modell nicht erfasste.“ Keine der Richtungen klärt die Frage, wer das Dokument schrieb. Wir gingen durch, was 20 % bedeutet und wo die Schwelle in ist 20 % KI zu hoch liegt.

Bevor Sie irgendetwas über den Score erklären können, müssen Sie den Bericht sehen. Turnitins FAQ besagt:

„Please note, only instructors and administrators are able to see the indicator.“ (Bitte beachten Sie: Nur Lehrende und Verwaltungspersonal können den Indikator sehen.)

Dieselbe Seite besagt auch:

„The AI writing detection indicator and report are not visible to students.“ (Der Indikator und der Bericht zur KI-Erkennung sind für Studierende nicht sichtbar.)

Das klingt absolut. Der nächste Satz verändert es:

„However, with the PDF download feature, instructors can download and share the AI report with students.“ (Über die PDF-Download-Funktion können Lehrende den AI Report aber herunterladen und mit den Studierenden teilen.)

Wenn also niemand Ihnen den Bericht gegeben hat, fordern Sie das PDF an. Keinen Screenshot der Prozentzahl. Den vollständigen Bericht. Weil der vollständige Bericht Ihnen zeigt, wo die Hervorhebungen sitzen, wie viele Wörter analysiert wurden, ob der Score eine reale Zahl oder ein Sternchen ist, und wann der Bericht erzeugt wurde. All das ist Information, die Sie brauchen, bevor Sie irgendetwas erklären können.

Ein Screenshot einer Zahl sagt Ihnen eine Sache. Ein PDF des Berichts sagt Ihnen, ob die Zahl überhaupt eine Zahl ist. Turnitins Using the AI Writing Report-Seite listet sieben Zustände auf, in denen sich der Indikator befinden kann, und nur zwei davon zeigen einen Prozentsatz auf dem Bildschirm: 0 % und alles von 20 bis 100. Die anderen fünf sind ein Sternchen, ein Bericht, der noch lädt, ein Verarbeitungsfehler, eine Datei, die die Anforderungen verfehlte, und Erkennung, die beim Einreichen ausgeschaltet war. Keine davon ist eine Zahl, mit der Sie argumentieren können. Wir gingen durch, wie man diese Zustände in wie man einen Turnitin-KI-Schreibbericht liest liest.

Sie brauchen keine Folienpräsentation. Sie brauchen eine Seite mit einer Zeitlinie darauf und eine kurze Liste, die jeden markierten Abschnitt mit einer Erklärung paarweise verbindet.

1. Zeichnen Sie eine horizontale Linie. Markieren Sie das Datum des frühesten Entwurfs links, das Einreichungsdatum rechts.
2. Setzen Sie die Versionsverlaufs-Daten auf die Linie. Nicht jede Version. Fünf oder sechs. Diejenigen, bei denen sich etwas veränderte.
3. Setzen Sie die Betreuer-E-Mails, Peer-Review-Sitzungen und Schreibzentrum-Besuche auf dieselbe Linie. Diese verankern den Versionsverlauf bei Ereignissen, die außerhalb der Datei stattfanden.
4. Setzen Sie das Turnitin-Berichtserzeugungsdatum auf die Linie. Das ist das Datum, an dem der Score erzeugt wurde, nicht das Datum, an dem Sie einreichten. Sie sind manchmal unterschiedlich.
5. Unter der Linie listen Sie jeden hervorgehobenen Abschnitt aus dem KI-Bericht und Ihre Erklärung auf. „Methodik-Abschnitt, Standardprotokoll, repetitiv per Design.“ „Literaturübersicht, synthetisiert drei Quellen, strukturelle Variation ist niedrig, weil das ist, wie Synthese aussieht.“ Diese ordnen sich direkt den Merkmalen zu, die Turnitin selbst unter Neigungen zu falschen Positiven auflistete.
6. Bringen Sie die drei Turnitin-Zitate. Gedruckt, jedes mit der Seite, auf der es steht. Die Alleinige-Basis-Aussage und ihr nächster Satz stehen auf Using the AI Writing Report, guides.turnitin.com/hc/en-us/articles/22774058814093-Using-the-AI-Writing-Report. Die Einzelner-Datenpunkt-Aussage und ihr nächster Satz stehen auf How should I review the AI Writing report?, guides.turnitin.com/hc/en-us/articles/27139000787853-How-should-I-review-the-AI-Writing-report. Die falsch-positiven Merkmale und ihr nächster Satz stehen auf Turnitin's AI writing detection capabilities FAQs, guides.turnitin.com/hc/en-us/articles/28477544839821-Turnitin-s-AI-writing-detection-capabilities-FAQs. Das sind nicht Ihre Worte. Es sind die des Werkzeugherstellers.

Diese Seite tut zwei Dinge. Sie gibt dem Prüfer etwas zum Ansehen außer dem Score, und sie zeigt, dass Sie kamen, um an einer Prüfung teilzunehmen, nicht um eine Ableugnung zu machen.

Behaupten Sie nicht, die Beweiskette widerlege KI-Nutzung. Tut sie nicht. Versionsverlauf zeigt, dass das Dokument über die Zeit bearbeitet wurde. Quellenmaterial zeigt, dass Recherche stattfand. Prozessaufzeichnungen zeigen, dass andere Personen einbezogen waren. Keines davon ist ein Gegen-Erkennungsergebnis. Mehr zu behaupten, als sie zeigen, reicht der anderen Seite eine leichte Widerlegung und schwächt alles andere, was Sie vorbrachten.

Bringen Sie nicht den Score eines Werkzeugs als Ihre Verteidigung. Ihr Papier durch einen anderen KI-Detektor laufen zu lassen und „0 % KI“ zu erhalten, beweist nichts, und die Firma, die Turnitin herstellte, hat ausdrücklich gesagt, dass kein Score die alleinige Basis sein sollte. Einen anderen Score mitzubringen, um einen Score zu bekämpfen, verwendet dieselbe Logik, die der Hersteller dem Prüfer sagte, nicht zu verwenden.

Übertreiben Sie nicht, was die Turnitin-Zitate bedeuten. Die Alleinige-Basis-Aussage besagt, dass der Score nicht die einzige Basis sein sollte. Sie sagt nicht, dass der Score falsch ist. Die Einzelner-Datenpunkt-Aussage besagt, dass der Score ein Eingang ist. Sie sagt nicht, dass der Score bedeutungslos ist. Präsentieren Sie sie als das, was sie sind: die eigene Grenze des Herstellers darüber, wie seine Zahl verwendet werden sollte. Lassen Sie den Prüfer die Schlussfolgerung ziehen.

Das Tool HumanPen ist ein Dokument-Umschreiber. Wir werden Ihnen nicht sagen, dass das Durchlaufen Ihres Papiers durch einen Umschreiber einen KI-Score verschwinden lässt, weil wir keine Behauptungen über zukünftige Scores aufstellen. Was wir sagen können, ist, was das Werkzeug tut: Sie laden das Dokument mit seinem KI-Schreibbericht hoch, und nur die Passagen, die der Bericht markierte, werden umgeschrieben. Der Rest des Dokuments bleibt wörtlich. Sie überprüfen das Ergebnis, bevor es etwas Endgültiges wird.

Wenn Sie mit dem Originaldokument in das Treffen gehen und die Beweiskette sprechen lassen wollen, das ist ein Weg. Wenn Sie die markierten Abschnitte vorher überarbeiten wollen, das ist ein anderer. Beide sind legitim. Das Treffen kommt zuerst.

Kann ich beweisen, dass ich keine KI verwendete? Nein. Kein Werkzeug kann eine Negation über Ihren Schreibprozess beweisen. Was Sie tun können, ist eine Beweiskette zusammenzustellen, die „Ich schrieb dies“ zur einfacheren Erklärung macht. Versionsverlauf, Quellenmaterial, Prozessaufzeichnungen und eine Erklärung dafür, warum Ihr Text so aussieht, wie er aussieht. Zusammen geben sie dem Prüfer etwas zum Ansehen außer dem Score.

Was, wenn ich keinen Versionsverlauf habe? Sie verlieren das stärkste einzelne Stück Zeitlinien-Beweis, aber Sie verlieren nicht alles. Dateimodifikationsdaten an früheren Entwürfen, E-Mail-Anhänge, die an Ihren Betreuer gesendet wurden, und Cloud-synchronisierte Backup-Ordner tragen alle Zeitstempel. Sie sind nicht so sauber wie ein Versionsverlauf-Fenster, aber sie erzählen dieselbe Geschichte.

Mein Professor schickte mir nur einen Screenshot der Prozentzahl. Was fordere ich an? Den vollständigen KI-Schreibbericht als PDF. Turnitins FAQ besagt, dass Studierende den Indikator nicht sehen können, aber auch, dass Dozenten den Bericht über die PDF-Download-Funktion herunterladen und teilen können. Fordern Sie das PDF an, nicht den Screenshot. Der Bericht zeigt Ihnen, wo die Hervorhebungen sitzen, wie viele Wörter analysiert wurden, und ob der Score eine reale Zahl oder ein Sternchen ist.

Die markierten Abschnitte sind alle in meiner Literaturübersicht. Ist das relevant? Ja. Turnitins FAQ listet „content without a lot of structural variation“ (Text mit wenig struktureller Abwechslung) und „text that has been paraphrased without developing new ideas“ (Text, der umformuliert wurde, ohne neue Gedanken zu entwickeln) als Merkmale auf, die mit falschen Positiven verbunden sind. Literaturübersichten synthetisieren und fassen zusammen, was auf beides zutrifft. Der nächste Satz in der FAQ besagt: „If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated.“ (Wenn unser Indikator bei solchen Texten einen höheren KI-Anteil anzeigt, sollten Sie das bei der Beurteilung des angezeigten Prozentwerts berücksichtigen.) Das ist die Firma, die dem Prüfer sagt, den Score genau aus diesem Grund abzuwerten.

Kann ich Zitate von Turnitins eigenen Hilfeseiten zum Treffen mitbringen? Ja. Die Aussagen darüber, dass der Score nicht die alleinige Basis ist, dass er ein einzelner Datenpunkt ist, und über falsch-positive Merkmale sind in Turnitins Hilfedokumenten veröffentlicht. Es sind die Worte des Werkzeugherstellers, nicht Ihre. Sie gedruckt mit URLs mitzubringen ist wirksamer als Umformulieren.