Kurz gesagt
Eine Stanford-Untersuchung fand bei sieben gängigen KI-Detektoren eine durchschnittliche Falsch-Positiv-Rate von 61 % für Texte von Nicht-Muttersprachler:innen - bei muttersprachlichen Texten lag sie unter 10 %. Der Grund: Detektoren messen Vorhersehbarkeit (Perplexität), und einfachere, formelhaftere Sprache - typisch für Fremdsprachenlerner:innen - erzeugt genau dieses Signal, unabhängig von KI-Nutzung.
Der Mechanismus dahinter
Frühere KI-Detektoren nutzen vor allem zwei Signale: Perplexität (wie überraschend die Wortwahl ist) und Burstiness (wie stark die Satzlänge schwankt). Menschen, die in einer Fremdsprache schreiben, greifen tendenziell auf häufigere Wörter, einfachere Satzstrukturen und stärker formelhafte Wendungen zurück - aus gutem Grund, das ist normales Fremdsprachenlernen. Statistisch sieht das aber genauso aus wie das, was ein Sprachmodell produziert.
Was das für deine Praxis bedeutet
- Nicht einfach auf den KI-Detektor bei Nicht-Muttersprachler:innen verzichten. Sondern: den Score als schwächeres Signal behandeln, nie als alleinige Grundlage. Eine Tiefenanalyse mehrerer Texte derselben Person kann helfen, auffällige Ausreißer zu identifizieren.
- Niemals ein rein statistisches Tool als KI-Detektor verwenden. Nur ein speziell trainiertes KI-Modell kann hier zuverlässige Aussagen treffen - auch in unseren Tests fielen rein statistische Detektoren reihenweise durch.
Die Konsequenz für die Bewertung: Ein hoher Score bei einem sprachlich einfachen, aber inhaltlich korrekten DaF-Text ist eher ein Hinweis auf Spracherwerbsstand als auf KI-Nutzung. Wäge das bei der Einordnung ausdrücklich mit ein, bevor du in den 5-Schritte-Ablauf einsteigst.
Häufige Fragen
Nein, aber es bedeutet, dass du den Score mit deutlich mehr Vorsicht lesen solltest als bei einem muttersprachlichen Text - und eine Zweitprüfung mit Passagen-Begründung einholen solltest, statt der Zahl allein zu vertrauen.
Der Mechanismus ist sprachunabhängig - er greift überall dort, wo Perplexität als Signal genutzt wird. Für DaF-Texte gilt dieselbe strukturelle Vorsicht wie für die im Original untersuchten TOEFL-Texte.
Die Tiefenanalyse nutzt ein statistisches Tool und ein neuronales Netzwerk, um den Text zu analysieren. Alle Werte zeigen eine Art „Fingerabdruck“ als einzigartige Signatur. So können mehrere Texte der gleichen Person einfach erkannt werden.
Von Simon Schmidlin
Jetzt kostenlos prüfen
Ohne Anmeldung, ohne Speicherung — Ergebnis in unter einer Minute.