Nur die von einem Turnitin-Bericht markierten Absätze überarbeiten

Ich entwickle HumanPen, das genau das tut, was ich gleich beschreiben werde. Daher ist dies keine neutrale Übersicht. Der Mechanismus lohnt sich trotzdem zu beschreiben – auch wenn du es lieber von Hand machst.

Ein Alles-überarbeiten-Tool ist günstig in der Ausführung, aber teuer in der Überprüfung.

Die Kosten, die tatsächlich bei dir landen, sind Verifikationskosten. Und die Verifikation skaliert mit dem, was sich geändert hat – nicht mit dem, was falsch war. Überall, wo eine Überarbeitung gelandet ist, musst du nun prüfen: Sind die Zahlen noch korrekt? Ist die Terminologie konsistent mit dem vorangehenden Abschnitt? Hängt die Quellenangabe im Text noch an der Behauptung, die sie stützt? Verweist "siehe Tabelle 2" noch auf Tabelle 2? Und wurde aus einer vorsichtigen Formulierung keine Behauptung? Genau das ist der Fall, der mir Angst macht: Aus "Assoziation" wird "Kausalität" – und der Satz liest sich auf der Seite immer noch völlig in Ordnung.

Bei einem Absatz, den niemand angerührt hat, musst du nichts prüfen.

Nehmen wir das Beispiel, das wir in unserer Vergleichsausarbeitung verwenden: Eine 10.000-Wörter-Arbeit, bei der 2.800 Wörter markiert wurden. Überarbeitest du alles, liest du 10.000 Wörter für dieselbe grundlegende Korrektur neu. Die anderen 7.200 sind die, an denen du keinen Grund hattest zu zweifeln.

Eine zweite Kostenart zeigt sich später. Sobald ein Alles-überarbeiten-Durchlauf die bereits sauberen Absätze verändert hat, ist der nächste Bericht mit dem ersten nicht mehr vergleichbar. Wenn etwas Neues markiert wird, kannst du nicht sagen, ob es vorher auch markiert war – denn der Text darunter ist nicht mehr derselbe, den der erste Bericht gelesen hat. Selektives Überarbeiten behält den unmarkierten Text als Kontrolle.

Turnitins Dokumentation ist hier eindeutig: Der KI-Schreibindikator und der Ähnlichkeitswert sind voneinander unabhängig, und KI-Schreibmarkierungen erscheinen überhaupt nicht im Similarity Report (Using the AI Writing Report). Ein Similarity Report markiert Überschneidungen mit bestehenden Quellen. Fütterst du damit einen berichtgesteuerten Workflow, bearbeitest du Passagen, die niemand als KI-geschrieben eingestuft hat. HumanPen liest keinen Similarity Report als AI Writing Report.

Zwei weitere Dinge, die beeinflussen, wie du den Bericht liest:

• Unter 20 % gibt es keine Zahl. Turnitin zeigt für Werte im Bereich von 1 bis 19 ein Sternchen anstelle eines Prozentsatzes und führt das auf eine höhere False-Positive-Rate in diesem Bereich zurück. Der Prozentsatz ist also nicht immer verfügbar. Die Markierungen sind es.
• Der Prozentsatz ist kein Anteil am Gesamtdokument. Turnitin analysiert nur sogenannten qualifizierenden Text – also Fließtext in standardmäßigen grammatikalischen Sätzen. Listen, Aufzählungspunkte und andere Nicht-Satz-Strukturen liegen außerhalb der Analyse. Turnitins eigene Formulierung dazu lautet: "a document containing several different writing types would result in a disparity between the percentage and the highlights". Die Markierungen und der Prozentsatz stimmen also nicht immer überein. Wie weit sie auseinanderdriften, hängt davon ab, wie viel deines Dokuments kein Fließtext ist.

Die markierten Passagen – nicht die Zahl – sind der Teil des Berichts, auf den du reagieren kannst.

Das Überarbeiten ist der einfache Teil.

1. Die Markierungen aus einem Dokument extrahieren, das nie zum Parsen gedacht war. In Turnitin sehen nur Dozierende und Administrator:innen die KI-Schreibindikatoren. Dozierende können ein PDF des Berichts herunterladen, um es mit der studierenden Person zu teilen. Was also bei dir als Autor:in ankommt, ist typischerweise ein PDF – kein Datenfeed. Und ein PDF-Bericht ist eine gerenderte Ausgabe. Seine Textebene besteht aus positionierten Glyphen-Läufen, die in Zeilen angeordnet sind. Die Markierung ist eine farbige Form, die über dieses Layout gezeichnet wurde. Nirgendwo in der Datei steht "these characters are flagged". Das Wiederherstellen bedeutet, die Geometrie der Markierungen mit der Geometrie der Textebene zu schneiden und abzulesen, welche Glyphen darin liegen.
2. Das Ergebnis normalisieren – denn es ist nicht der Text, den du geschrieben hast. Wörter brechen zeilenweise mit Bindestrichen, die nie im Quelltext standen. Ligaturen kommen als einzelne Glyphe zurück, wo du zwei Buchstaben getippt hast. Gerade Apostrophe kommen geschweift zurück. Laufzeilen, Seitenzahlen und Fußzeilen sind in den extrahierten Stream verwoben, sodass ein Absatz mit dem Zeitschriftennamen darin ankommen kann. Jedes dieser Details schlägt exaktes String-Matching fehl. Das einzige Symptom ist ein Matcher, der leise nichts zurückgibt.
3. Mit derselben Normalisierung auf beiden Seiten zurück zur Quelldatei matchen. Du vergleichst einen verlustbehafteten Render eines Absatzes mit dem Absatz selbst. Das ist per Konstruktion ein Fuzzy-Match. Und ein Fuzzy-Match ist einer, den du jemandem zeigen musst.
4. Den Match auf den gesamten Absatz erweitern. Markierungen müssen sich nicht an Absätze halten. Der entscheidende Fall für das Design ist genau der, wo sie es nicht tun: Die Spanne beginnt irgendwo mitten im Absatz und stoppt mitten im Satzglied. Würdest du exakt die markierten Zeichen überarbeiten, käme die Hälfte des Absatzes in einer anderen Stimmung zurück als die andere Hälfte. Sätze blieben zurückgelehnt auf Pronomen und definierte Begriffe, die im unangetasteten Teil eingeführt wurden. Deshalb ist der Absatz die kleinste Überarbeitungseinheit. Eine Teilmarkierung wird zum vollständigen Absatz erweitert. Und genau diese erweiterte Liste wird dir zur Bestätigung gezeigt.
5. Im Datei-Kontext überarbeiten. Nicht extrahieren, überarbeiten, zurückfügen. Jeder überarbeitete Absatz kommt dorthin zurück, wo er herkam. Ein geschützter Satz bleibt auf dem Weg durch unberührt: Zitationsmarker, Literatureinträge, Formeln, Code, Bildunterschriften, Abbildungsnummern, Fußnoten, Tabellenzellen, Querverweisfelder und das Inhaltsverzeichnis.

Schritt 3 ist heuristisch. Und Heuristiken liegen manchmal falsch.

Ein markierter Satz, der zweimal im Dokument vorkommt – wie bei Methods-Boilerplate –, kann der falschen Instanz zugeordnet werden. Ein Absatz, den du nach Generierung des Berichts bearbeitet hast, matcht vielleicht gar nicht. Eine Bildunterschrift oder Tabellenzelle kann wie Fließtext aussehen. Wenn das Tool stillschweigend auf einen schlechten Match reagiert, überarbeitet es einen Absatz, den der Bericht nie markiert hat. Und du erfährst nie davon. Genau das ist es, was dieser Ansatz vermeiden will.

Deshalb werden die gematchten Absätze vor Start des Jobs angezeigt. Du kannst zur Liste hinzufügen, daraus streichen. Alles, was du nicht bestätigt hast, bleibt außerhalb des Umfangs. Umfang ist auch Preis – denn die Abrechnung folgt den tatsächlich überarbeiteten Wörtern. Dieser Bildschirm ist also auch die Kostenschätzung.

Berichtgesteuert ergibt nur Sinn, wenn du tatsächlich einen Bericht hast. Ohne einen ist die ehrliche Antwort: Gesamtdokument verarbeiten oder die Passagen selbst auswählen. Unseres kann beides auch.

Die Ausgabe braucht eine menschliche Prüfung. Automatisiertes Überarbeiten produziert Details, die korrigiert werden müssen. Sich zu weigern, absichtliche Grammatik- oder Rechtschreibfehler einzubauen, macht das Ergebnis nicht allein einreichungsfertig.

Der Match läuft gegen die Datei, die du hochlädst. Wenn du also seit Generierung des Berichts stark bearbeitet hast, erwarte weniger Matches und einen kürzeren vorgeschlagenen Umfang. Wenn dir der gezeigte Umfang dünner erscheint als die Markierung in deinem Bericht, ist das meist der Grund.

Es gibt nirgendwo in diesem Stück einen Detektions-Score-Vergleich. Absichtlich. Turnitin sagt klar, dass es die Namen der Paraphrasierungs- und Umgehungstools, die sein Detektor abdeckt, nicht veröffentlichen wird – denn eine öffentliche Liste würde helfen, sie zu umgehen (AI writing detection FAQs). Das bedeutet: Niemand außerhalb von Turnitin kann eine Behauptung "wir schlagen Detektor X" prüfen. Also mache ich keine. Turnitin sagt auch, sein Indikator sollte nicht die einzige Grundlage für Maßnahmen gegen eine studierende Person sein. Das lohnt sich festzuhalten, wenn eine Zahl höher zurückkommt als erwartet.

Wenn ein neuer Bericht immer noch Passagen markiert, können berechtigte Ergebnisse KI weiterhin kostenlos senken. Das ist Support – kein Versprechen darüber, wo die Zahl landet.

Gibt es ein Tool, das nur die in einem Turnitin-Bericht markierten Absätze überarbeitet? Ja. HumanPen importiert einen AI Writing Report von Turnitin oder iThenticate, matcht die markierten Passagen zurück zu deinem Quelldokument, zeigt dir die gematchten Absätze und überarbeitet nur die, die du bestätigst. Die Datei kommt in dem Format zurück, in dem sie hineinging.

Kann ich das einfach von Hand machen? Ja. Bei fünf oder sechs markierten Absätzen ist das völlig vernünftig. Öffne den Bericht neben dem Dokument, finde jede Markierung, überarbeite diesen Absatz selbst, lass den Rest in Ruhe. Du bekommst denselben Umfangsvorteil. Was ein Tool dir bringt, ist das Matching über ein langes PDF hinweg – und dass du die Datei danach nicht wieder zusammensetzen musst.

Funktioniert das mit iThenticate genauso wie mit Turnitin? Ja. Beide produzieren einen AI Writing Report und beide werden unterstützt. Nicht austauschbar ist der Similarity Report. Der misst etwas völlig anderes.

Wie würde ich testen, ob ein Tool das wirklich so macht? Suche in deinem Bericht eine Markierung, die mitten im Satz beginnt. Füttere den Bericht mit dem Tool und sieh dir den vorgeschlagenen Umfang an. Er sollte diesen gesamten Absatz enthalten – und nicht den davor oder danach, es sei denn, die waren auch markiert. Ein Tool, das exakt das markierte Fragment vorschlägt, wird dir einen Absatz von zwei Personen liefern. Und ein Tool, das den ganzen Abschnitt vorschlägt, arbeitet nicht wirklich mit dem Bericht.