Wie Sie einen Turnitin AI Writing Report richtig lesen

Das ist die Zahl im Bericht, die am häufigsten falsch verstanden wird. Turnitin definiert sie als den Anteil am qualifying text – also dem Text, der für die Auswertung überhaupt infrage kommt. Und qualifying text bedeutet Prosasätze in einem langen Fließtextformat: Sätze innerhalb von Absätzen, in einem Text, der angelegt ist wie ein Essay, eine Dissertation oder ein Fachartikel.

Alles Übrige bleibt aus der Berechnung heraus. Nach Angabe von Turnitin erkennt das Modell KI-Text außerhalb von Prosa nicht zuverlässig; genannt werden Lyrik, Drehbücher und Code sowie kurze oder unkonventionelle Formen: Aufzählungspunkte, Tabellen, kommentierte Literaturverzeichnisse.

Ein Wert von 30 % bei einer Arbeit, die zur Hälfte aus Tabellen und Listen besteht, bedeutet nicht „30 % Ihrer Arbeit". Gemeint sind 30 % der Prosa, die Turnitin überhaupt bewerten wollte – und das kann ein Drittel dessen sein, was Sie eingereicht haben.

Es gibt außerdem eine Untergrenze. Bevor überhaupt ein Bericht entsteht, braucht eine Einreichung mindestens 300 Wörter Prosa im Langtextformat. Darunter gibt es keinen Prozentwert – nicht einen niedrigen, sondern gar keinen. Und es gibt auch eine Obergrenze: Der KI-Bericht endet bei 30.000 Wörtern, eine umfangreiche Abschlussarbeit bekommt also keinen einzigen Bericht, der sie vollständig abdeckt.

Die aktuellen Dateianforderungen setzen weitere Grenzen: Die Datei muss kleiner als 100 MB sein, ein unterstütztes DOCX, PDF, TXT oder RTF sein und in einer der unterstützten Sprachen verfasst sein. Turnitin hat Modern Standard Arabic am 18. August 2026 aufgenommen, womit die Liste vier Sprachen umfasst; zwei eigene englische Seiten nennen weiterhin drei – eine Seite, auf der Sie landen, kann also noch nicht nachgezogen haben. Ein erfolgreicher Similarity Report bedeutet nicht automatisch, dass die Einreichung für einen AI Writing Report infrage kommt; die beiden Systeme haben unterschiedliche Zwecke und Anforderungen.

Ein Rechenbeispiel macht den Unterschied greifbar. Nehmen wir einen Laborbericht mit 4.000 Wörtern, von denen 1.600 in Tabellen, Aufzählungen, Code und Literaturangaben stecken – es bleiben 2.400 Wörter qualifying text. Ein angezeigter Wert von 25 % bezieht sich auf etwa ein Viertel dieser 2.400 Wörter in der Einstufung durch das Modell, nicht auf ein Viertel aller 4.000 Wörter. Der Bericht zeigt nicht genug Informationen, um eine exakte Wortzahl mit bloßem Auge nachzurechnen; verstehen Sie diese Rechnung deshalb als Erklärung des Nenners, nicht als zurückgerechnete Gesamtzahl.

Bevor Sie den Prozentwert deuten, stellen Sie zwei Fragen: Hat die Datei die Voraussetzungen erfüllt, und welcher Teil davon galt als qualifying text?

Lesende bemerken regelmäßig, dass die markierten Stellen sich nicht zum angegebenen Prozentwert aufaddieren, und folgern daraus, etwas sei kaputt. Nichts ist kaputt. Turnitin sagt es unmittelbar selbst: Ein Dokument mit mehreren verschiedenen Textarten wird eine Abweichung zwischen Prozentwert und Markierungen erzeugen.

Der Prozentwert wird über den qualifying text berechnet. Die Markierungen sitzen in einem Dokument, das auch solchen Text enthält, der nicht qualifying ist. Die Nenner unterscheiden sich; folglich lassen die beiden Werte sich nicht mit dem Auge zur Deckung bringen, und zu prüfen, ob der eine zum anderen passt, ist vergebene Mühe.

Wofür die Markierungen taugen, ist die Verteilung. Wo eine Markierung sitzt, sagt Ihnen mehr als die Frage, wie viel es davon gibt.

Lesen Sie den Bericht in drei Durchgängen. Erstens: Ermitteln Sie den Zustand der Anzeige. Turnitin dokumentiert sieben solcher Zustände, und nur zwei davon bringen einen Prozentwert auf den Schirm: 0 % und eine Zahl ab 20 aufwärts. Ein Sternchen, ein noch ladender Bericht, ein Verarbeitungsfehler, eine Datei, die die Anforderungen nicht erfüllte, und eine Erkennung, die bei der Einreichung abgeschaltet war – all das liefert Ihnen etwas anderes als einen Zahlenwert. Zweitens: Lesen Sie die Aufschlüsselung der Einreichung. Bis zum 4. August 2026 trennte sie KI-generierten Text von KI-generiertem Text, der paraphrasiert worden war; Turnitin hat beide inzwischen zu einer einzigen blauen Kategorie zusammengelegt, Berichte von vor und nach diesem Datum haben also nicht dieselbe Legende. Drittens: Sehen Sie sich die markierten Stellen im Zusammenhang an, samt den nicht markierten Sätzen davor und danach. Wer direkt auf einen grell leuchtenden Absatz springt, nimmt sich den Zusammenhang, den eine Bewertung braucht.

• Eine Häufung im Methodenteil oder in Standardformulierungen kann stark konventionalisierte Sprache widerspiegeln und verdient den Abgleich mit vorgeschriebenen Vorlagen oder Protokollen.
• Eine Grenze zwischen unterschiedlich verfassten Abschnitten verdient die Prüfung der umstehenden Sätze, weil die Einstufung am Rand nicht zwingend präzise ist.
• Ein weit gestreutes Muster sollte dennoch gegen Versionsverlauf und Quellen geprüft werden; optische Streuung ist kein Ersatz für Herkunftsnachweise.
• Keine Markierungen zusammen mit einem Sternchen ist das erwartete Verhalten für den verborgenen unteren Bereich, kein Beleg dafür, dass die Oberfläche nicht geladen hat.

Zählen Sie nicht die markierten Zeilen und teilen Sie sie nicht durch die Seitenlänge. Seitenlayout, Schriftgröße, Literaturverzeichnis und ausgeschlossene Textarten machen diese Rechnung ohne jeden Bezug zu Turnitins Nenner aus qualifying text. Nutzen Sie die Markierungen, um prüfenswerte Stellen zu finden – nicht, um den Prozentwert nachzurechnen, als handele es sich um eine Flächenmessung auf der Seite.

Bis zum 4. August 2026 teilte die Aufschlüsselung der Abgabe den Prozentwert in zwei Teile: KI-generierter Text und KI-generierter Text, der danach KI-paraphrasiert wurde. Turnitin hat beide zusammengelegt, ein heute erzeugter Bericht trägt also eine einzige Kategorie für KI-generierten Text, blau hervorgehoben. Was diese Änderung bedeutet und was nicht, steht in Turnitin hat die violette Markierung für KI-Paraphrasen entfernt.

• Text, der wahrscheinlich von einem großen Sprachmodell stammt – der Fall, für den der Detektor gebaut wurde.
• Derselbe Text nach einem Umschreibdurchgang – laut Leitfaden erkennt diese eine Kategorie auch wahrscheinlich KI-generierten Text, der möglicherweise „further modified by an AI bypasser, AI-paraphrasing tool or AI word spinner, such as Quillbot" (danach von einem Umgehungswerkzeug, einem KI-Paraphrasierungswerkzeug oder einem KI-Wortspinner wie Quillbot verändert) wurde – geprüft am 18. September 2026.

Die zweite Zeile ist die, bei der es sich zu verweilen lohnt. Der Umschreibschritt ist für das Modell nicht unsichtbar: KI-Text durch einen Paraphrasierer laufen zu lassen, ist genau das Muster, das der Detektor als solches erkennen soll, und kein Weg daran vorbei. Wenn Sie sich gefragt haben, warum Paraphrasieren den Wert nicht gesenkt hat: Das ist der dokumentierte Grund, und das Zusammenlegen der beiden Bezeichnungen hat ihn nicht abgeschwächt – diese Erkennung sitzt jetzt innerhalb der blauen Kategorie statt daneben.

Das erklärt auch eine häufige Enttäuschung. Das Modell liest das Satzgerüst; eine Änderung, die dieses Gerüst unangetastet lässt, lässt folglich auch das unangetastet, was gelesen wird – ein Punkt, der sich gut zusammen mit was Detektoren tatsächlich messen lesen lässt.

Die Hervorhebung beschreibt die Einstufung des Modells, keine geprüfte Herkunftskette. Blau benennt weder Modell noch Prompt noch Person und beweist nicht, dass ein bestimmter Umschreibdienst benutzt wurde. Turnitin sagt selbst, dass sein Modell von Menschen geschriebenen, KI-generierten und KI-paraphrasierten Text verwechseln kann. Die Kategorie hilft Lehrenden, die Durchsicht zu ordnen; sie macht aus einer Wahrscheinlichkeitsaussage keine forensische Herkunft.

Es gibt außerdem eine Sprachgrenze, die leicht zu übersehen ist: Laut dem Leitfaden von Turnitin sind die Erkennung von KI-Paraphrasierung und von Umgehungswerkzeugen nur im englischen Detektor enthalten, und die spanischen und japanischen Detektoren haben diese Fähigkeiten nicht (geprüft am 18. September 2026). Ein Screenshot der Aufschlüsselung braucht also seinen Sprachkontext, bevor er mit einem anderen Bericht vergleichbar ist.

Seit dem 8. Juli 2024 gilt: Stuft das Modell ein Ergebnis im Bereich von 1–19 % ein, zeigt der Bericht ein Sternchen und weist weder einen numerischen Prozentwert noch Markierungen aus. Ein Ergebnis ohne qualifying text ist ein anderer Zustand, und ein Verarbeitungsfehler ist ebenfalls ein anderer.

Turnitin nennt als Begründung, Tests hätten eine höhere Häufigkeit falsch positiver Ergebnisse bei niedrigen Prozentwerten gezeigt und das Verbergen der konkreten Zahl verringere die Gefahr von Missdeutung. Das Sternchen bedeutet deshalb „ein Ergebnis über null unterhalb der Meldeschwelle, mit verringerter Verlässlichkeit", nicht „0 %", „unbedenklich" oder „Fehlverhalten".

Diese Regel betrifft, was die Oberfläche anzeigt; sie ist keine Schwelle, ab der eine Institution Fehlverhalten annimmt. Ein Zahlenwert von 19 % in einem Bericht, der vor dem 8. Juli 2024 erzeugt wurde, und ein Sternchen in einem neueren Bericht können denselben Wertebereich unter verschiedenen Anzeigeregeln darstellen. Halten Sie das Datum des Berichts fest, bevor Sie beide vergleichen.

Ein sichtbares 0 % ist ebenfalls kein Beweis dafür, dass kein KI-gestützter Ablauf stattgefunden hat. Es bedeutet, dass das Modell in dieser Version und dieser Konfiguration keinen qualifying text als wahrscheinlich zu seinen Erkennungskategorien gehörig eingestuft hat. Die Erkennung kennt falsch negative wie falsch positive Ergebnisse, und nicht unterstützte oder ausgeschlossene Inhalte liegen ganz außerhalb des Prozentwerts.

Turnitin erklärt, dass sein Modell von Menschen geschriebenen, KI-generierten und KI-paraphrasierten Text falsch zuordnen kann und nicht als alleinige Grundlage für eine nachteilige Maßnahme gegen eine Studentin oder einen Studenten herangezogen werden sollte. Es liefert Daten, die Lehrpersonen neben der institutionellen Richtlinie und weiteren Belegen auswerten sollen. Die Zahl ist eine Eingabe in menschliches Urteil, und das sagt das Unternehmen selbst im Leitfaden zum Bericht.

Das ist das Nützlichste, was Sie wissen können, wenn so ein Bericht bei Ihnen aufschlägt. Die Frage lautet nicht „wie bekomme ich diese Zahl nach unten", sondern „wofür wird diese Zahl verwendet, und was bedeutet sie laut der Richtlinie meiner Institution".

• Es ist nicht der Similarity Score. Text, der mit bereits vorhandenen Quellen übereinstimmt, und Text, der als KI eingeordnet wird, sind zwei getrennte Analysen; die eine erklärt die andere nicht.
• Es ist kein Plagiatsbefund. Urheberschaft, Zuschreibung und erlaubte Hilfsmittel sind Fragen der Prüfungsordnung und der Belege.
• Es ist keine Wort-für-Wort-Wahrscheinlichkeitskarte. Markierungen benennen Abschnitte, die einer Kategorie zugeordnet wurden; sie geben jedem einzelnen Wort keinen eigenen Konfidenzwert.
• Es ist nicht über alle Versionen hinweg stabil. Teilnahmevoraussetzungen, Modellverhalten und Anzeigeregeln können sich ändern; bewahren Sie also den ursprünglichen Bericht auf, statt ihn später neu zu erzeugen und Gleichwertigkeit anzunehmen.

Wenn Sie über einen Bericht sprechen müssen, bringen Sie die ursprüngliche Einreichung mit, den vollständigen Bericht, die KI-Regeln der Aufgabenstellung und Belege zum Arbeitsprozess wie Entwürfe oder Notizen. Dieses Bündel beantwortet vier getrennte Fragen: Was wurde eingereicht? Was hat das Werkzeug markiert? Welche Hilfsmittel waren erlaubt? Und wie ist das Dokument entstanden? Der Prozentwert allein beantwortet nur die zweite – und auch die nur innerhalb der Grenzen des Detektors.