Universitäten, die auf KI-Erkennung verzichten

Universitäten schaffen die KI-Erkennung nicht im Sinne einer Abkehr von der Technologie ab. Was sie aufgeben, ist die Praxis, einen KI-Wert als alleinige Grundlage für den Vorwurf wissenschaftlichen Fehlverhaltens zu behandeln. Die Verschiebung geht von der Haltung „der Wert ist der Beweis" hin zu „der Wert ist ein Beweisstück, das man sich noch genauer ansehen muss". Diese Verschiebung ist keine Absage an Turnitin. Sie ist eine Angleichung an das, was in der Dokumentation von Turnitin selbst steht.

Die Dokumentation zum AI Writing Report formuliert die Position unmissverständlich. Der Wert „should not be used as the sole basis for adverse actions against a student." (sollte nicht als alleinige Grundlage für nachteilige Maßnahmen gegen einen Studierenden dienen). Universitäten, die vor dem Handeln zusätzliche Beweise verlangen, folgen damit den Vorgaben des Anbieters selbst.

Der wichtigste Satz, um diesen Trend zu verstehen, steht in der Dokumentation zum AI Writing Report. Turnitin schreibt:

„Our AI writing detection model may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student." (Unser Modell zur Erkennung von KI-Texten trifft womöglich nicht immer das Richtige, denn es kann von Menschen verfasste, KI-generierte und KI-umformulierte Texte falsch einordnen; deshalb sollte es nicht als alleinige Grundlage für nachteilige Maßnahmen gegen einen Studierenden dienen.)

Der nächste Satz ist Pflichtlektüre:

„It takes further scrutiny and human judgment in conjunction with an organization's application of its specific academic policies to determine whether academic misconduct has occurred." (Es braucht eine genauere Prüfung und menschliches Urteilsvermögen, zusammen mit der Anwendung der jeweils geltenden akademischen Richtlinien der Institution, um festzustellen, ob überhaupt ein akademisches Fehlverhalten vorliegt.)

Diese beiden Sätze beschreiben zusammen genau das Richtlinienmuster, das Universitäten derzeit übernehmen. Der Wert setzt eine Prüfung in Gang. Er beendet sie nicht. Ein Studierender wird nicht wegen einer Zahl beschuldigt. Ein Studierender wird wegen einer Zahl überprüft, und die Prüfung wendet menschliches Urteilsvermögen und die Richtlinien der Institution an, bevor irgendetwas festgestellt wird.

Die gesonderte Ratgeberseite von Turnitin, Wie sollte ich den AI Writing Report auswerten?, bekräftigt dieselbe Sichtweise:

„It is not meant to provide definitive answers in isolation. More important than any tool is the educator who sees the score and makes decisions balancing this information with their personal knowledge of their students, their work, and institutional policy." (Er ist nicht dazu gedacht, für sich allein genommen endgültige Antworten zu liefern. Wichtiger als jedes Werkzeug ist die Lehrperson, die den Wert sieht und Entscheidungen trifft, indem sie diese Information gegen ihre persönliche Kenntnis der Studierenden, ihrer Arbeiten und der institutionellen Richtlinien abwägt.)

Der nächste Satz auf dieser Seite macht die vorgesehene Nutzung ausdrücklich klar:

„When educators look at the AI writing score and utilize it as a single data point rather than a definitive response, then it is being used as intended." (Wenn Lehrende den KI-Schreibwert betrachten und ihn als einzelnen Datenpunkt statt als endgültige Antwort verwenden, dann wird er so eingesetzt, wie er gedacht ist.)

„A single data point rather than a definitive response." (Ein einzelner Datenpunkt statt einer endgültigen Antwort.) Das ist die entscheidende Formulierung. Universitäten, die diese Sichtweise übernehmen, widersetzen sich Turnitin nicht. Sie tun genau das, wofür das Werkzeug nach Angaben des Anbieters gedacht ist.

Turnitin beziffert die Rate falsch positiver Ergebnisse mit unter 1 %, aber auf die Einzelheiten kommt es an. In den FAQ heißt es:

„We strive to maximize the effectiveness of our detector while keeping our false positive rate - incorrectly identifying fully human-written text as AI-generated - under 1% for documents with over 20% of AI writing." (Wir sind bestrebt, die Wirksamkeit unseres Detektors zu maximieren und dabei unsere Rate falsch positiver Ergebnisse – also das fälschliche Einstufen von vollständig menschlich verfasstem Text als KI-generiert – unter 1 % zu halten, und zwar bei Dokumenten mit mehr als 20 % KI-Text.)

Der nächste Satz nennt die Zahl noch einmal:

„In other words, we might flag a human-written document as AI-written for one out of every 100 fully-human written documents." (Anders gesagt: Von 100 vollständig von Menschen verfassten Dokumenten stufen wir womöglich eines fälschlich als KI-verfasst ein.)

Die Einschränkung „for documents with over 20% of AI writing" (bei Dokumenten mit mehr als 20 % KI-Text) ist wichtig. Das Ziel von unter 1 % gilt für Dokumente, die eine nennenswerte Menge KI-Text enthalten. Der Satz, der die Zahl noch einmal nennt, lässt diese Einschränkung weg – die ursprüngliche Aussage tut das nicht.

Selbst bei 1 zu 100 wird die Rechnung im großen Maßstab unangenehm. Eine Universität, die 10.000 Arbeiten pro Semester bearbeitet, käme auf rund 100 vollständig von Menschen verfasste Dokumente, die als KI-generiert markiert werden. Bei 75.000 Arbeiten wären es 750. Das sind keine abstrakten Zahlen. Jede davon ist ein Mensch, der sich mit dem Vorwurf wissenschaftlichen Fehlverhaltens konfrontiert sieht – gestützt auf ein Werkzeug, das nach Aussage von Turnitin selbst nicht die alleinige Grundlage sein sollte.

(Die Entscheidung der Vanderbilt University, den KI-Detektor abzuschalten, wird in was eine Fehlerrate von 1 % bedeutet, wenn eine Universität 75.000 Arbeiten einreicht behandelt. Hier geht es um das größere Muster, nicht um eine einzelne Institution.)

Von den bekannten Grenzen des Detektors erklären zwei, warum Universitäten Schutzmechanismen ergänzen, statt sie wegzunehmen.

Erstens: kurze Dokumente sind für das Modell schwierig. In den FAQ heißt es:

„In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap." (Bei kürzeren Dokumenten mit nur wenigen hundert Wörtern fällt die Vorhersage meist als „ganz oder gar nicht" aus, weil wir auf Basis eines einzigen Abschnitts prognostizieren und keine Möglichkeit zum Überlappen haben.)

Der nächste Satz:

„This means that some text that is a mix of AI-generated and original content could be flagged as entirely AI-generated." (Das bedeutet, dass mancher Text, der eine Mischung aus KI-generiertem und eigenem Inhalt ist, als vollständig KI-generiert markiert werden könnte.)

Für einen Kurs, der um kurze Antwortpapiere herum aufgebaut ist, ist das ein echtes Problem. Eine Reflexion von 300 Wörtern, die teilweise mit KI-Unterstützung entstanden ist, könnte als zu 100 % KI-generiert markiert werden.

Zweitens räumt der Anbieter ein, dass er Trefferquote gegen Treffsicherheit eintauscht. In den FAQ heißt es:

„In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing." (Um diese niedrige Rate von 1 % bei falsch positiven Ergebnissen zu halten, kann es sein, dass wir in einem Dokument etwas KI-verfassten Text übersehen. Damit können wir leben, denn wir wollen von Menschen verfassten Text nicht fälschlich als KI-verfasst markieren. Wenn wir zum Beispiel feststellen, dass 50 % eines Dokuments wahrscheinlich von einem KI-Werkzeug stammen, könnte der tatsächliche KI-Anteil bei bis zu 65 % liegen.)

Das heißt: Der Detektor ist von Grund auf vorsichtig angelegt. Er nimmt eher in Kauf, KI-Text zu übersehen, als einen Menschen fälschlich zu beschuldigen. Universitäten, die sich um falsche Beschuldigungen sorgen, können aus dieser Designentscheidung einigen Trost ziehen. Die Kehrseite: Ein sauberer Wert ist kein Beweis dafür, dass keine KI im Spiel war. Er bedeutet nur, dass das Werkzeug nichts oberhalb seines Schwellenwerts markiert hat.

Eine Tatsache, die der Erzählung von „Universitäten, die auf KI-Erkennung verzichten" den Boden entzieht: Der Anbieter selbst gibt das Werkzeug nicht auf. In den FAQ heißt es:

„In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model. This update improves and simplifies the AI writing report, maintaining a less than 1% false positive rate." (Im Juli 2026 haben wir unsere Modellarchitektur aktualisiert und ein Ensemble aus mehreren Modellen zu einem einzigen Modell zusammengeführt. Dieses Update verbessert und vereinfacht den AI writing report und hält die Rate falsch positiver Ergebnisse weiterhin unter 1 %.)

Das Modell wird aktiv weiterentwickelt. Die Zusammenführung im Juli 2026 hat die Architektur vereinfacht und das Ziel bei falsch positiven Ergebnissen gehalten. Universitäten passen ihre Richtlinien an ein Werkzeug an, in das der Anbieter weiter investiert. Die Technologie verschwindet nicht. Die institutionelle Reaktion darauf wird erwachsener.

Was sich über alle Institutionen hinweg beobachten lässt, ist keine binäre Wahl zwischen „Erkennung einsetzen" und „Erkennung nicht einsetzen". Das Muster ist genauer. Universitäten durchlaufen im Großen und Ganzen drei Stufen.

Stufe eins: Der Wert gilt als ausreichender Beweis für die Feststellung eines Fehlverhaltens. Das ist der Ansatz der „alleinigen Grundlage". Die eigene Dokumentation von Turnitin sagt, dass das nicht die vorgesehene Nutzung des Werkzeugs ist.

Stufe zwei: Der Wert löst ein Prüfverfahren aus, das zusätzliche Beweise verlangt. Zu der Prüfung können ein Gespräch mit dem Studierenden, ein Abgleich mit früheren Arbeiten oder eine Kontrolle des Entwurfsverlaufs gehören. Das ist der Ansatz des „ergänzenden Beweises". Er entspricht der Aussage in den FAQ, dass der Wert „should not be used as the sole basis" (nicht als alleinige Grundlage dienen sollte) und dass „it takes further scrutiny and human judgment." (es einer genaueren Prüfung und menschlichen Urteilsvermögens bedarf).

Stufe drei: Die Institution schaltet den KI-Detektor vollständig ab. Das kommt selten vor. Die Entscheidung von Vanderbilt ist das am häufigsten zitierte Beispiel, aber die meisten Institutionen, die ihre Richtlinien überdacht haben, sind bei Stufe zwei stehen geblieben, nicht bei Stufe drei.

Der Trend geht zu Stufe zwei. Universitäten behalten das Werkzeug und ergänzen Verfahrensregeln – ob an Ihrer eigenen Institution der KI-Indikator überhaupt eingeschaltet ist, hängt davon ab, was sie eingekauft haben. Sie geben die Erkennung nicht auf. Sie verlangen, dass ein Wert als das behandelt wird, was Turnitin nach eigener Aussage darin sieht: ein einzelner Datenpunkt, keine endgültige Antwort.

Wenn Sie studieren, lautet die praktische Konsequenz so: Ein hoher KI-Wert auf Ihrer Arbeit bedeutet nicht automatisch einen Vorwurf. An immer mehr Institutionen ist der Wert der Anfang eines Gesprächs, kein Urteil – und was Ihre Lehrperson tun soll, wenn Ihr KI-Anteil hoch ist, steht beim Anbieter schriftlich. Bewahren Sie Ihre Entwürfe auf, bewahren Sie den Versionsverlauf auf, und seien Sie darauf vorbereitet, Ihren Schreibprozess zu erklären, falls Sie danach gefragt werden.

Wenn Sie lehren, lautet die Konsequenz: Die Dokumentation von Turnitin selbst stützt diesen Kurswechsel bereits. In den FAQ heißt es, der Wert „should not be used as the sole basis for adverse actions." (sollte nicht als alleinige Grundlage für nachteilige Maßnahmen dienen). Auf der Ratgeberseite zur Auswertung heißt es, er sei „a single data point rather than a definitive response." (ein einzelner Datenpunkt statt einer endgültigen Antwort). Sie müssen eine Richtlinie des ergänzenden Beweises nicht als Abweichung von den Vorgaben des Anbieters verteidigen. Sie ist die Vorgabe.

Wenn Sie eine Arbeit haben, die markiert wurde, und sie vor dem Einreichen überarbeiten möchten, können Sie den Turnitin-Bericht importieren und ausschließlich an den Stellen arbeiten, die er hervorgehoben hat.