Wie oft wird eine Masterarbeit als KI markiert? Eine Studie aus dem Jahr 2026 an 1.163 Arbeiten

Bei den Masterarbeiten einer Fakultät aus dem Studienjahr 2024–2025 stufte Pangram 529 von 1.163 Arbeiten – also 45,5 % – als KI-Verdachtsfall ein. Bei den markierten Arbeiten lag der geschätzte KI-Anteil im Median bei 30 %, und lediglich bei 1,9 % wurde ein Wert von über 80 % ermittelt. Wie die Arbeiten tatsächlich verfasst wurden, konnten die Forschenden nicht überprüfen. In einem separaten Kontrolltest mit bekannter Autorschaft bewerteten Turnitin, Pangram, GPTZero und Copyleaks jede von Menschen geschriebene Arbeit mit Werten zwischen 0 und 20 %.

Die Studie trägt den Titel „Who wrote this? Evaluating the reliability of AI detection tools in higher education" (Wer hat das verfasst? Zur Zuverlässigkeit von KI-Erkennungswerkzeugen in der Hochschulbildung) und stammt von Marijke Van Vlasselaer, Filip Van Droogenbroeck und Bram Spruyt von der Vrije Universiteit Brussel. Sie wurde am 29. Juni 2026 als Open-Access-Publikation im International Journal for Educational Integrity veröffentlicht. Die Autoren erklären, dass keinerlei finanzielle oder institutionelle Verbindungen zu den getesteten Tools bestehen.

Die Forschenden stellten vier Gruppen mit jeweils 40 englischsprachigen wissenschaftlichen Arbeiten zusammen, die alle mindestens 4.000 Wörter umfassten:

• Von Menschen verfasst. Masterarbeiten von Studierenden, deren Muttersprache nicht Englisch ist, eingereicht zwischen 2017 und 2019 und aus einem institutionellen Archiv entnommen.
• Vollständig von KI generiert. Komplette Arbeiten, die von einem ChatGPT-Modell erstellt wurden.
• Hybrid. Die von Menschen verfassten Arbeiten, bei denen Literaturübersicht und Fazit durch KI-generierten Text ersetzt wurden.
• Überarbeitete Hybridtexte. Die Hybridarbeiten, nachdem die KI-Passagen mit einem einzigen ChatGPT-Prompt überarbeitet wurden, der Text forderte, der „sounds more like it was written by a real person" (mehr danach klingt, als wäre er von einem echten Menschen geschrieben worden).

Anschließend verglichen sie die Bewertung jedes Detektors mit dem tatsächlichen, bekannten Anteil an KI-Text in der jeweiligen Arbeit.

Bei den von Menschen verfassten Arbeiten stuften alle vier Detektoren jede einzelne Arbeit zwischen 0 und 20 % ein. Pangram und Copyleaks gaben durchweg 0 % aus. Turnitin zeigte bei drei Arbeiten ein Sternchen statt einer Zahl an; laut Turnitins eigener Dokumentation steht das Sternchen für Werte zwischen 1 % und 19 %, was wir in unserem Leitfaden dazu erläutern, was das Sternchen bei der Turnitin-KI-Bewertung bedeutet. GPTZero vergab bei einigen Arbeiten einen niedrigen Wert. Die Autoren stellen dies einer Studie aus dem Jahr 2023 über nicht-muttersprachliche Autoren gegenüber: „Unlike Liang et al. (2023), who reported substantial false-positive bias against non-native writers using seven early-generation GPT detectors, we found no false positives for Pangram, Copyleaks, and Turnitin" (Anders als Liang et al. (2023), die bei sieben GPT-Detektoren der frühen Generation eine erhebliche Verzerrung durch falsch-positive Befunde bei nicht-muttersprachlichen Autoren feststellten, fanden wir bei Pangram, Copyleaks und Turnitin keine falsch-positiven Ergebnisse). Diese frühere Untersuchung behandeln wir im Artikel darüber, warum Nicht-Muttersprachler im Englischen häufiger als KI markiert werden. Die Autoren schreiben, dass falsch-positive Ergebnisse „almost absent" (nahezu nicht vorhanden) gewesen seien, was sie vor dem Hintergrund früherer Studien überraschte, und fügen eine eigene Warnung hinzu: „some tools may use conservative thresholds to avoid falsely labelling human-written text as AI-generated, which may increase the number of false negatives." (Einige Tools verwenden möglicherweise konservative Schwellenwerte, um eine fälschliche Einstufung menschlicher Texte als KI-generiert zu vermeiden, was die Zahl falsch-negativer Befunde erhöhen kann.)

Bei den Arbeiten, die tatsächlich KI-Text enthielten, wichen die Ergebnisse der Detektoren drastisch voneinander ab. Die Schätzungen von Pangram kamen dem tatsächlichen Anteil in allen drei KI-Kategorien am nächsten. Die anderen drei Tools, darunter auch Turnitin, unterschätzten die vollständig KI-generierten Arbeiten massiv, die allesamt aus dem für diese Gruppe genutzten Modell stammten; die Autoren führen diese Diskrepanz darauf zurück, dass es sich um das damals neueste verfügbare Modell handelte. Bei den hybriden Arbeiten ordnete Pangram 37 von 40 Arbeiten in den korrekten Bereich ein, Turnitin 24, Copyleaks 12 und GPTZero keine einzige.

Ein Detail zu Turnitin ist für das Verständnis dieser Zahlen wichtig: Die Forschenden ordneten Arbeiten mit einem Turnitin-Sternchen der niedrigsten Kategorie zu. Unser Vergleich zwischen Pangram und Turnitin geht ebenfalls auf diese Studie ein.

Da Pangram den bekannten KI-Anteil am genauesten erfasst hatte, nutzten die Forschenden dieses Tool, um alle 1.163 Masterarbeiten zu prüfen, die im Studienjahr 2024–2025 in den Studiengängen ihrer Fakultät für Sozial- und Wirtschaftswissenschaften eingereicht wurden.

Die Autoren interpretieren die Verteilung so: „the majority showed low-to-moderate AI usage, with very high AI usage (> 80%) being rare." (Die Mehrheit wies eine geringe bis moderate KI-Nutzung auf, während eine sehr hohe KI-Nutzung (> 80 %) selten war.)

Die Autoren benennen die Grenzen der Aussagekraft sehr deutlich:

• Keine gesicherte Grundwahrheit. Niemand wusste, wie die 1.163 Arbeiten tatsächlich verfasst wurden, weshalb „the flagging percentages cannot be interpreted as confirmed prevalence rates of AI use." (die Prozentsätze der Markierungen nicht als bestätigte Häufigkeitsraten der KI-Nutzung interpretiert werden können). Die Autoren bezeichnen die Analyse dennoch als „a valuable first indication" (einen wertvollen ersten Anhaltspunkt), doch die Werte bleiben Schätzungen von Pangram und stellen keine bestätigten Nutzungsraten dar.
• Eine Fakultät, ein einziges Tool. Die Arbeiten stammten aus den Sozial- und Wirtschaftswissenschaften einer einzigen Universität, und es wurde ausschließlich Pangram eingesetzt.
• Nur eine Momentaufnahme. Die KI-Texte im Test wurden im Mai 2025 generiert, und die Autoren betonen, dass ihre Ergebnisse „are valid only for a specific snapshot in time." (nur für eine bestimmte Momentaufnahme Gültigkeit besitzen).
• Nur eine Umschreibemethode. Bei der Gruppe der „überarbeiteten Hybridarbeiten" kam lediglich ein einziger Prompt in ChatGPT zum Einsatz. Die Autoren weisen darauf hin, dass Studierende in der Praxis meist verschiedene Vorgehensweisen kombinieren, weshalb sich die Resultate dieser Gruppe nicht ohne Weiteres übertragen lassen.

Auch die von Menschen geschriebenen Arbeiten bildeten eine spezifische Stichprobe: Es handelte sich um Masterarbeiten einer einzigen Fakultät, die zwischen 2017 und 2019 eingereicht wurden. Dass diese Arbeiten unbeanstandet blieben, ist ein positives Signal, aber keine Garantie für jede andere Abschlussarbeit.

1. Klären Sie, von welchem Detektor das Ergebnis stammt. Die Studie zeigte deutliche Unterschiede zwischen verschiedenen Tools bei identischen Texten. Eine Schätzung von Pangram, ein Prozentwert von Turnitin und ein Score von GPTZero lassen sich nicht einfach gleichsetzen.
2. Prüfen Sie, ob das Tool Ihre gesamte Arbeit überhaupt verarbeiten kann. Turnitin erstellt beispielsweise für Einreichungen mit mehr als 30.000 Wörtern keinen AI Writing Report; Details dazu finden Sie in unserem Beitrag darüber, ob Turnitin eine vollständige Abschlussarbeit prüfen kann.
3. Sehen Sie genau nach, welche Abschnitte markiert wurden. Die im Bericht farblich hervorgehobenen Passagen sind diejenigen, die Sie anhand Ihrer Entwürfe und Ihres Versionsverlaufs schlüssig erklären können müssen.
4. Erkundigen Sie sich, wie das Ergebnis verwendet wird. Die Autoren selbst vertreten den Standpunkt, dass ein KI-Verdacht „should trigger a more thorough review of the student's paper content, rather than relying on an AI detection tool to draw a final conclusion." (zu einer gründlicheren inhaltlichen Überprüfung der Arbeit des Studierenden führen sollte, anstatt sich bei der endgültigen Schlussfolgerung auf ein KI-Erkennungstool zu verlassen).

Zu einer weiteren Studie aus dem Jahr 2026, die untersucht hat, wie oft von KI überarbeitete menschliche Texte markiert werden, lesen Sie unseren Artikel darüber, ob KI-Lektorat menschlicher Texte zu Markierungen führt.

Wenn in einer Abschlussarbeit einzelne Passagen markiert wurden, die Sie gezielt überarbeiten müssen, ist die Humanize-Funktion von HumanPen genau dafür ausgelegt. Importieren Sie den Turnitin- oder iThenticate-Bericht und überarbeiten Sie nur die darin markierten Passagen. Sie erhalten eine bearbeitbare Datei im selben Format zurück. Die Richtlinien Ihrer Universität zum Einsatz von KI-Hilfen stehen dabei immer an erster Stelle, und jedes zurückgegebene Kapitel sollte vor der endgültigen Einreichung noch einmal gründlich gelesen werden.

Wurden von Menschen geschriebene Arbeiten von einem der Detektoren fälschlicherweise als KI markiert? Nicht mit Werten über 20 %. Alle vier Tools bewerteten jede rein menschliche Arbeit mit Werten zwischen 0 und 20 %. Turnitin zeigte bei drei Arbeiten ein Sternchen an, und GPTZero vergab bei einigen wenige Punkte; Pangram und Copyleaks ermittelten bei allen Arbeiten 0 %. Die Autoren mahnen jedoch, dass konservative Schwellenwerte falsch-positive Ergebnisse zwar reduzieren, dies jedoch auf Kosten einer höheren Fehlquote bei tatsächlichem KI-Text geschieht.

Bedeuten 45,5 %, dass fast die Hälfte aller Masterstudierenden KI genutzt hat? Nicht als gesicherte Zahl. Es bedeutet lediglich, dass Pangram bei 45,5 % der Arbeiten zumindest einen gewissen Anteil an KI-generiertem Text vermutet hat. Die Autoren werten dies als „a valuable first indication" (einen wertvollen ersten Anhaltspunkt) dafür, dass KI-gestütztes Schreiben bereits weit verbreitet ist. Da jedoch keine gesicherte Grundwahrheit vorliegt, betonen sie, dass die Prozentsätze „cannot be interpreted as confirmed prevalence rates of AI use." (nicht als bestätigte Häufigkeitsraten der KI-Nutzung interpretiert werden können).

Welcher Detektor lieferte die genauesten Ergebnisse? In diesem Test kamen die Schätzungen von Pangram dem tatsächlichen KI-Anteil am nächsten. Es handelt sich hierbei jedoch um eine einzelne Studie mit Texten, die im Mai 2025 generiert wurden; seither haben sich sowohl die Detektoren als auch die KI-Modelle weiterentwickelt.

Wurde Turnitin an den echten Masterarbeiten getestet? Nein. Die 1.163 Arbeiten wurden ausschließlich mit Pangram geprüft.

• Marijke Van Vlasselaer, Filip Van Droogenbroeck und Bram Spruyt, Who wrote this? Evaluating the reliability of AI detection tools in higher education, International Journal for Educational Integrity 22, Artikel 16, veröffentlicht am 29. Juni 2026; abgerufen am 27. September 2026.