Overleaf, LaTeX und Turnitin: Was ein kompiliertes PDF verändern kann

Turnitin akzeptiert PDF – das verrät aber nicht, was der hauseigene Extraktor sieht. In unserem reproduzierbaren Testaufbau lieferten mutool und PyMuPDF aus ein und derselben zweispaltigen pdfTeX-Datei jeweils 694 durch Leerzeichen getrennte Wörter; pypdf lieferte 692. Sowohl der Kompiliervorgang als auch der Extraktor haben den Textstrom geformt. Das ist messbar. Eine Wirkung auf die Eingabe oder den Wert bei Turnitin ist es nicht.

Diese Grenze ist der ganze Artikel. Der Quellcode, drei PDFs, neun rohe Extraktionsströme und das Messskript sind im Beweispaket aufbewahrt; die Fünf-Minuten-Prüfung gegen Ende ist die Version, die Sie auf Ihrer eigenen Arbeit laufen lassen sollten.

Eine einzige `.tex`-Datei: die Standardklasse `article`, `twocolumn`, 10pt. Sie enthält ein Abstract, vier nummerierte Abschnitte, Mathematik im Text und als eigener Block, eine `itemize`-Liste, eine `algorithm`-Umgebung mit nummerierten Pseudocode-Zeilen, ein `table`-Gleitobjekt, ein `figure`-Gleitobjekt mit einer als ganzer Satz formulierten Überschrift, eine Fußnote, die lang genug zum Umbrechen ist, und zwei `\cite`-Aufrufe, die in einem nummerierten Literaturverzeichnis aufgehen. Die zweispaltigen Builds ergeben zwei Seiten; die einspaltige Kontrolldatei ergibt drei.

Kompiliert mit pdfTeX 3.141592653-2.6-1.40.26, TeX Live 2024. Gelesen mit drei unabhängigen Extraktoren: mutool 1.25.6, PyMuPDF 1.26.0 und pypdf 6.4.0.

Nachdem jede Folge von Leerzeichen auf ein einziges reduziert war, lieferten mutool und PyMuPDF aus dem zweispaltigen pdfTeX-PDF jeweils 694 Wörter. Pypdf lieferte 692. Die drei Ströme bewahren dieselbe grobe Reihenfolge der Abschnitte, aber die Lücke von zwei Wörtern genügt, um die bequeme Behauptung zu verwerfen, unabhängige Extraktoren sähen ein identisches Objekt.

Die am häufigsten wiederholte Warnung zum Einreichen eines zweispaltigen PDF lautet, der Extraktor lese quer über beide Spalten hinweg und verwandle Ihre Arbeit in verschachtelten Unsinn. Hier ist das nicht passiert. Der letzte Satz des Abstracts am Fuß der ersten Spalte landet unmittelbar vor dem ersten Satz der Einleitung am Kopf der zweiten Spalte. Die Reihenfolge ist im gesamten Dokument intakt.

Ein Layout, eine Klasse, drei Extraktoren, ein Rechner. So groß ist die Aussage. Die eigene `.cls` einer Zeitschrift mit ungewöhnlicher Platzierung von Gleitobjekten oder einer Randspalte könnte sich anders verhalten – genau deshalb lohnt sich die Prüfung am Ende dieses Artikels fünf Minuten lang auf Ihrer echten Datei statt auf unserer.

Stattdessen ist etwas anderes kaputtgegangen, und darüber wird viel weniger gesprochen.

Hier ein wörtlicher Auszug aus dem PyMuPDF-Strom, mit normalisierten Leerzeichen und ohne dass zwischen den zitierten Endpunkten etwas entfernt wurde:

"…justification for treating a visually correct page as a reliable 1This footnote is deliberately long enough to wrap onto a second line so that its position in the extracted stream can be observed and compared with nearby prose. 1 Table 1: Primary outcome by condition. Condition Mean SD Control 12.4 3.1 Intervention 18.9 2.7 Figure 1: The framed area is a fixture rather than a reported empirical result. text stream…" (…Rechtfertigung dafür, eine visuell korrekte Seite als verlässlichen 1Diese Fußnote ist absichtlich lang genug, um auf eine zweite Zeile umzubrechen, damit ihre Position im extrahierten Strom beobachtet und mit der umgebenden Prosa verglichen werden kann. 1 Tabelle 1: Primäres Ergebnis nach Bedingung. Bedingung Mittelwert SD Kontrolle 12.4 3.1 Intervention 18.9 2.7 Abbildung 1: Der umrahmte Bereich ist ein Testobjekt und kein berichtetes empirisches Ergebnis. Textstrom…)

Im Quelltext ist `reliable text stream` ein einziger Ausdruck. In dieser Extraktion landen die Fußnote, eine nackte Seitenzahl, die Tabellenüberschrift samt Zellen und die Abbildungsüberschrift allesamt zwischen `reliable` und `text stream`. Die Fußnotenziffer hängt sich an anderer Stelle auch an das vorangehende Satzzeichen an, als `follows:1`.

Die nackte `1` in diesem Zitat ist die Seitenzahl. Setzt man die Seitenströme zusammen, sitzt sie zwischen der Fußnote und der Tabelle – obwohl kein Leser sie als Teil der einen oder der anderen Passage wahrnimmt.

Nichts davon ist ein sichtbarer Schaden am PDF. Es ist das, was dieser namentlich genannte lokale Extraktor zurückgegeben hat, und es zeigt, warum „der Satz davor" und „der Satz danach" keine stabilen Begriffe sind, solange das Extraktionsverfahren nicht bekannt ist.

LaTeX kann an Zeilenumbrüchen trennen, und eine schmale Spalte schafft mehr Gelegenheiten dafür. PyMuPDF fand in unserem zweispaltigen pdfTeX-Build 22 getrennte Tokens. Hier sind sechs davon:

Zum Beispiel: ex- poses · differ- ences · specifica- tions · observa- tions · justifica- tion · partici- pants

Dann haben wir denselben Quelltext einspaltig kompiliert und nur die Klassenoption geändert. PyMuPDF lieferte 678 normalisierte Wörter und fünf getrennte Tokens statt 22: `or- dinary`, `extrac- tion`, `jus- tification`, `partici- pants`, `par- ticular`.

Gleicher Quelltext, ein Umschalten des Layouts, und schon eine andere Menge an Trennungen. Das ist ein einzelner Testaufbau und keine Regel für jede Klassendatei, aber es reicht, um zu begründen, warum Sie die kompilierte Datei prüfen statt anzunehmen, die Tokenisierung des Quelltexts habe überlebt.

Wir haben denselben Quelltext ein drittes Mal mit XeLaTeX kompiliert, gleiches zweispaltiges Layout, gleiche Wörter auf der Seite.

Im pdfLaTeX-Build haben alle drei Werkzeuge null Tokens gemeldet, die die Ligatur-Codepoints `ff`, `fi`, `fl`, `ffi` or `ffl` enthalten. In the XeLaTeX build, PyMuPDF and pypdf each exposed six: `affiliated`, `affiliation`, `difficult`, `efficiency`, `insufficient`, `office` (im XeLaTeX-Build haben PyMuPDF und pypdf jeweils sechs ausgegeben). Mutool meldete null, weil es diese Glyphen wieder zu gewöhnlichen Buchstaben normalisierte. Eine naive Suche nach `efficiency` trifft daher in einem Strom und verfehlt im anderen.

Die Gleichung veränderte sich in die andere Richtung. In der pdfTeX-Datei lieferte mutool für das Summenzeichen ein Unicode-Ersatzzeichen, während PyMuPDF und pypdf ein großes `X` lieferten. In the XeLaTeX file, all three exposed the actual `∑` (in der XeLaTeX-Datei gaben alle drei das tatsächliche Zeichen aus). Sowohl der Compiler als auch der Extraktor spielten eine Rolle.

Die hier zitierten Turnitin-Seiten benennen ihren Extraktor nicht und beschreiben diese Umwandlungen nicht, und wir behaupten nicht, dass irgendetwas davon einen Wert verschiebt. Wir behaupten etwas Engeres und Nachprüfbares: Die Textebene ist ein Produkt des Kompilierens, und verschiedene Extraktoren können aus demselben PDF verschiedene Zeichen zutage fördern.

Vier Stellen aus der eigenen Dokumentation des Anbieters betreffen eine so geformte Arbeit unmittelbar. Auf diesen Seiten steht mehr; dies sind die vier, die eine LaTeX-Einreichung berühren.

Das Format wird akzeptiert. In den Dateianforderungen von Turnitin für einen AI Writing Report sind `.docx, .pdf, .txt, .rtf` aufgeführt. Das beweist, dass ein PDF verarbeitet werden kann; darüber, welche Extraktionskette verwendet wird, sagt es nichts. Erkennt Turnitin KI in einem PDF arbeitet den dokumentierten Teil dieser Frage durch.

Nur Prosa zählt. Die FAQ definiert, was als qualifizierender Text analysiert wird:

„This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures." (Der qualifizierende Text umfasst nur Prosasätze, das heißt: Wir analysieren ausschließlich Textblöcke, die in standardsprachlichen grammatikalischen Sätzen verfasst sind und keine anderen Schreibformen wie Listen, Aufzählungszeichen (kurze Nicht-Satz-Strukturen) oder andere Nicht-Satz-Strukturen enthalten.)

Der nächste Satz ist der, den Sie mitnehmen sollten: „This percentage is not necessarily the percentage of the entire submission." (Dieser Prozentsatz ist nicht notwendigerweise der Prozentsatz der gesamten Einreichung.) Ihre `itemize`-Aufzählungen und Ihre `algorithm`-Zeilen sind keine Sätze. Ebenso wenig eine Zeile aus Tabellenzellen. Wie Turnitin mit mathematischen Gleichungen und Nicht-Prosa-Inhalten umgeht erklärt, was das für eine Arbeit bedeutet, die überwiegend aus Formeln besteht. Beachten Sie aber, was sehr wohl zählt: eine mit `\caption` geschriebene Überschrift, die als vollständiger grammatikalischer Satz formuliert ist – und so schreiben die meisten Menschen Bildunterschriften –, kommt im Datenstrom genau wie Fließtext an.

Literaturverzeichnisse sind ausgenommen. Ein Release-Hinweis vom 9. August 2023 meldet, ein Fehler sei behoben worden, der KI-Text innerhalb von Literaturangaben markierte, und „Bibliographies are now excluded when processing the AI writing report" (Literaturverzeichnisse werden bei der Verarbeitung des KI-Schreibberichts nun ausgeschlossen), wobei derselbe Hinweis ergänzt, dass bereits eingereichte Arbeiten erneut eingereicht werden müssen, bevor das für sie gilt. Was der Anbieter nicht veröffentlicht, ist die Frage, wie ein Literaturverzeichnis in einem eingeebneten Textstrom überhaupt erkannt wird – und unsere Extraktion gibt ebenfalls keinen Hinweis: `References` kommt als gewöhnliches Wort an, gefolgt von `[1] J. Smith, "A study of things," Journal of Testing, vol. 4, no. 2, pp. 100–110, 2019.`, ohne dass irgendetwas die Grenze markiert. Bauen Sie Ihren Plan auf keine der beiden Lesarten. Was die Ausschlüsse bei Literaturangaben tatsächlich abdecken legt dar, was dokumentiert ist und was nicht.

Kurze Arbeiten verhalten sich anders. Sobald ein Dokument auf wenige hundert Wörter zusammenschrumpft, lautet die Formulierung des Anbieters selbst, die Vorhersage werde „mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap" (größtenteils „alles oder nichts", weil wir auf einem einzigen Segment vorhersagen, ohne die Möglichkeit zur Überlappung), und der nächste Satz ergänzt, gemischte Inhalte könnten dort als vollständig KI-generiert markiert werden. Ein sechsseitiger Konferenzbeitrag, der zur Hälfte aus Gleichungen besteht, enthält womöglich überhaupt nicht viel qualifizierenden Text. Kurze Dokumente und das Alles-oder-Nichts-Problem erklärt den Mechanismus.

`\cite{smith2019,jones2020}` kam in der Extraktion als die vier Zeichen `[1, 2]` an. `\ref{sec:method}` kam als `2` an. `\label` hat überhaupt nichts hinterlassen. Abschnittsüberschriften kamen als getrennte Nummer und Titel an, sodass `2 Method` im Datenstrom direkt nach dem vorherigen Satz steht und der frühere Querverweis `Section 2 describes the method.` sich wie Prosa mit einer verirrten Ziffer liest.

Das heißt: Jeder Plan, der auf der Formatierung von Zitaten aufbaut, wirkt auf etwas, das es nicht gibt. Im extrahierten Text gibt es kein Zitatobjekt, nur Klammern und Ziffern, und die veröffentlichte Beschreibung der Berechnung durch Turnitin nennt an keiner Stelle ein Zitat. Warum hat Turnitin meine Literaturangaben markiert listet die konkreten Änderungen auf, die sich daraus ergeben – und warum jede von ihnen nichts hat, worauf sie wirken könnte.

Sie brauchen keines der Werkzeuge, die wir benutzt haben. Öffnen Sie Ihr kompiliertes PDF in einem beliebigen Betrachter, wählen Sie alles aus und fügen Sie es in einen einfachen Texteditor ein. Das ist ein weiterer Extraktionsweg, kein Stellvertreter für Turnitin – aber er kann Probleme in der Textebene sichtbar machen, die Sie tatsächlich einreichen.

Lesen Sie ihn daraufhin, in dieser Reihenfolge:

1. Getrennte Wörter. Suchen Sie nach einem Bindestrich, auf den ein Zeilenumbruch folgt. Jeder Treffer ist ein Wort, das aufgehört hat, ein Wort zu sein.
2. Wo Ihre Gleitobjekte gelandet sind. Suchen Sie eine Tabellenüberschrift und lesen Sie die zwei Sätze darum herum. Wenn Überschrift und Zellen mitten in einem Absatz gelandet sind, dann ist das jetzt die Lesereihenfolge dieses Absatzes.
3. Ihre Bildunterschriften. Wenn eine Überschrift ein vollständiger grammatikalischer Satz ist, sieht sie aus wie Prosa – denn sie ist Prosa.
4. Die Mathematik. Lesen Sie eine abgesetzte Gleichung im eingefügten Text. Was Sie sehen, ist das, was ein Extraktor bekommen hat. Fehlen Zeichen oder sind sie falsch, ist das eine Tatsache über die Einbettung Ihrer Schriftarten, nicht über Ihre Algebra.
5. Der Anfang des Literaturverzeichnisses. Prüfen Sie, ob im Klartext irgendetwas markiert, wo die Literaturliste beginnt. Bei uns tat das nichts.
6. Ihr Name und Ihre Zugehörigkeit. Auch sie stehen in der Textebene, was zählt, wenn Sie irgendwo einreichen, wo Anonymität erwartet wird.

Wenn Sie Ihre `.tex`-Datei unter Git oder in Overleaf führen, machen Sie das einmal pro größerer Revision statt einmal am Ende. Und zu der davon getrennten Frage, ob der Schreibverlauf in Overleaf als Nachweis etwas taugt: wo der Versionsverlauf in Word, Google Docs und Overleaf liegt behandelt die Aufbewahrungsregeln des Gratisfarifs und was Sie dagegen tun können – sie sind konkreter, als die meisten erwarten.

Für eine LaTeX-Arbeit ist die Antwort langweilig und richtig: Ändern Sie den Quelltext, kompilieren Sie neu, und bearbeiten Sie niemals das PDF. Der Satz lebt in der `.tex`-Datei. Alles andere ist eine Darstellung davon.

Die Kette wird unbequem, wenn sie nicht bei einem PDF endet. Eine Betreuerin will vielleicht Änderungen nachverfolgen, eine Zeitschrift verlangt womöglich ein Word-Manuskript, oder jemand schickt einen KI-Schreibbericht zurück, der auf dem kompilierten PDF beruht, und fragt, welche Passagen sich ändern werden. Sie haben dieselbe Arbeit jetzt in zwei Formaten.

Für eine englische DOCX-Version kann Das Tool HumanPen eine Umschreibung auf die Passagen beschränken, die Sie auswählen, oder auf Passagen, die aus einem Turnitin- oder iThenticate-Bericht zugeordnet wurden. Humanize ist derzeit nur für Englisch verfügbar; es akzeptiert weder `.tex` noch ein kompiliertes PDF als bearbeitbare Quelle. Bestätigen Sie den Umfang auf Absatzebene, behalten Sie den LaTeX-Quelltext als Master und prüfen Sie das konvertierte Dokument nach dem Download erneut. Passagen, die die Voraussetzungen erfüllen, können kostenlos erneut durchlaufen werden.

Sollte ich die `.tex`-Datei statt des PDF einreichen? Reichen Sie ein, was die Aufgabe oder die Zeitschrift verlangt. Eine `.tex`-Datei ist Klartext mit Auszeichnung darin, und jeder Befehl darin käme als buchstäbliche Zeichen an; sie ist also für keinen Leser – menschlich oder sonstwie – eine sauberere Version Ihrer Arbeit.

Erhöhen meine Gleichungen meinen KI-Wert? Sie sind keine Prosasätze, also liegen sie nach der Definition des Anbieters selbst außerhalb des qualifizierenden Texts. Die erklärenden Sätze darum herum liegen innerhalb. Bei einer Arbeit, die überwiegend aus Gleichungen besteht, bedeutet das: Die Zahl wird über einen kleinen Ausschnitt der Seiten berechnet.

Verursacht das zweispaltige Format selbst Probleme? Die grobe Reihenfolge der Abschnitte blieb in diesem Testaufbau erhalten. Unter PyMuPDF hatte der zweispaltige Build 22 Trennungen am Zeilenumbruch und der einspaltige 5. Das ist ein gemessener Unterschied für diese Klassendatei, keine Regel für jedes Zeitschriften-Template.

Meine Institution will eine Word-Datei, und ich schreibe in LaTeX. Dann haben Sie einen Konvertierungsschritt, und genau dort brechen Nummerierung, Querverweise und Zitatfelder am ehesten. Konvertieren Sie einmal, spät, und prüfen Sie die Objekttypen, statt die ersten zwei Seiten zu lesen.

Kann ich den Verlauf von Overleaf nutzen, um zu zeigen, wie die Arbeit entstanden ist? Er ist ein Protokoll, kein Urteil, und im Gratisfarif verschwindet das meiste davon nach einem Tag, sofern Sie Versionen nicht beschriften. Der oben verlinkte Artikel behandelt die genaue Regel und die Beschriftungsgewohnheit, die das behebt.