KI-Detektoren

KI-Detektoren konzentrieren sich bei ihrer Analyse vor allem auf die Textanalyse und die Identifikation neuronaler Sprachmuster.

• Textanalyse: Da Maschinen Texte nicht auf dieselbe Weise wie Menschen verstehen, stützen sich ihre Analysen auf statistische Methoden. Dabei wird unter anderem die Häufigkeit bestimmter Wörter, ihre Grundformen (Lemmata), inhaltlich verwandte Begriffe sowie sogenannte N-Gramme – also Wortfolgen – berücksichtigt. Ergänzend fließen Kennzahlen wie der Lesbarkeitsindex und der Gunning-Fog-Index in die Bewertung ein. Letzterer gibt an, wie viele Jahre formaler Schulbildung nötig sind, um einen Text bereits beim ersten Lesen vollständig zu erfassen.

Identifikation neuronaler Sprachmuster: Zusätzlich zur Textanalyse sind KI-Detektoren in der Lage, Texte anhand ihrer zugrunde liegenden Sprachmodelle zu identifizieren. Wird ein Text mithilfe künstlicher Intelligenz erzeugt, folgt er typischerweise bestimmten Mustern – etwa in Satzbau, Wortwahl oder Rhythmus –, die das zugrunde liegende neuronale Sprachmodell beim Training erlernt hat. Genau diese typischen Strukturen können als Erkennungsmerkmal dienen, wenn es darum geht, KI-generierte Texte von Menschen verfassten zu abzugrenzen.

(vgl. Lehrerinsel 2023)

Es gibt eine Vielzahl von KI-Detektoren – zu den bekanntesten zählen etwa ZeroGPT und QuillBot. Diese Werkzeuge arbeiten jedoch nicht mit absoluter Sicherheit, sondern liefern lediglich Wahrscheinlichkeitsaussagen darüber, ob ein Text von einer KI oder einem Menschen verfasst wurde. Dabei sind sowohl falsch-positive Ergebnisse möglich – also Fälle, in denen von Menschen geschriebene Texte fälschlicherweise als KI-generiert eingestuft werden – als auch falsch-negative Einschätzungen, bei denen KI-generierte Inhalte als von einem Menschen verfasst durchgehen.