Glossar zur Erkennung von KI-Text

Detektor für KI-Text: Ein Werkzeug, das schätzt, ob ein Text von einem Menschen oder von einem Sprachmodell stammt. Es überprüft nicht den Autor, sondern misst, wie sehr der Text dem ähnelt, was es als maschinelles Schreiben kennt, und keines ist hundertprozentig genau.
Score eines Detektors: Eine Zahl, meist von 0 bis 100, mit der ein Detektor ausdrückt, wie sehr ein Text seiner Vorstellung von maschinellem Schreiben entspricht. Jedes Werkzeug berechnet ihn anders, sechzig bei einem bedeutet also nicht dasselbe wie sechzig bei einem anderen.
Sprachmodell: Ein an großen Textmengen trainiertes Programm, das schreibt, indem es nacheinander wahrscheinliche nächste Wörter wählt. Dazu gehören ChatGPT, Claude oder Gemini, und ihre Texte sind das, wonach Detektoren suchen.
Perplexität: Ein Maß dafür, wie vorhersehbar jedes nächste Wort eines Textes für ein Sprachmodell ist. Niedrige Perplexität heißt, dass das Modell den Text fast genauso geschrieben hätte — typisch für KI, aber auch für schablonenhafte menschliche Texte.
Burstiness: Ein Maß dafür, wie stark sich kurze und lange Sätze in einem Text abwechseln. Menschliches Schreiben ist meist unregelmäßig, KI-Text gleichmäßiger; bei uns misst diese Eigenschaft der Detektor Maschineller Eindruck.
Stilometrie: Die Messung des Autorenstils anhand von Eigenschaften, die man bewusst kaum verändert — Satz- und Wortlänge, Zeichensetzung oder die Häufigkeit der gängigsten Wörter. Sie dient der Bestimmung von Autorschaft, und bei uns beruht der Detektor Stilabweichung darauf.
Persönliche Stilbasis: Ein aus Ihren früheren Texten berechnetes Profil Ihres Schreibens, mit dem jeder neue Text verglichen wird. Bei uns entsteht es aus bis zu fünfzig letzten Prüfungen und hochgeladenen Mustern und greift ab sechs Texten.
KI-typische Floskeln: Wendungen, die Sprachmodelle deutlich häufiger verwenden als Menschen, etwa „es ist wichtig zu beachten“ oder „in der heutigen schnelllebigen Zeit“. Eine einzelne beweist nichts, weil auch Menschen sie benutzen; es kommt auf ihre Dichte an.
Falsch positives Ergebnis: Ein Fall, in dem ein Detektor einen von einem Menschen geschriebenen Text als KI markiert. Bei der Erkennung von KI-Text ist das der schwerwiegendste Fehler, weil er zu einem ungerechtfertigten Vorwurf führen kann.
Falsch negatives Ergebnis: Ein Fall, in dem ein Detektor einen KI-Text übersieht und als menschlich einstuft. Das passiert typischerweise bei Texten, die jemand nach der KI von Hand umgeschrieben oder humanisiert hat.
Humanisierung: Das Umschreiben eines Textes, damit er weniger maschinell wirkt — mit unregelmäßigerem Satzrhythmus und ohne KI-typische Wendungen. Unsere Humanisierung behält Fakten, Zahlen und Ton bei und zeigt, wie sich der maschinelle Eindruck verändert hat.
Wasserzeichen (Watermark): Eine versteckte Markierung, die der Generator selbst in einen Text einbaut, damit er später als KI-Text erkennbar ist. Im Text ist sie empfindlich: Umschreiben oder Übersetzen entfernt sie meist, deshalb kann sich die Erkennung nicht allein darauf verlassen.
Versteckte Zeichen: Unsichtbare Unicode-Zeichen wie Nullbreite-Leerzeichen, Richtungszeichen oder ungewöhnliche Leerzeichen, die beim Kopieren mitwandern. In menschlichem Schreiben sind sie selten, deshalb zählen wir sie in einem eigenen Detektor.
C2PA: Ein offener Standard für einen signierten Herkunftsnachweis von Inhalten, der direkt in die Datei eingebettet wird. Wenn ein solcher Nachweis mit gültiger Signatur angibt, dass der Inhalt von KI erstellt wurde, zeigt der Detektor Versteckte Zeichen 100.

Probieren Sie es an Ihrem eigenen Text

Text einfügen oder Datei hochladen und den Score sowie die konkreten Sätze ansehen, die verdächtig ausgefallen sind.

Erkennung starten