Der KI-Humanizer, der akademische Zitationen bewahrt

Wir haben einen Screenshot von einem Postdoc aus unserer Beta-Kohorte erhalten, der eine Einreichung für eine Open-Access-Immunologiezeitschrift vorbereitete – und es ist genau die Art von Fall, die zeigt, warum ein KI-Humanizer, der akademische Zitationen bewahrt, ein anderes Produkt ist als ein allgemeiner Humanizer. Sie hatte in der Ablehnungsmail eine Desk-Rejection mit folgender Begründung erhalten: nicht konforme Formatierung der Referenzen. Wir haben ihre Referenzliste geprüft – sie war in Ordnung. Sie öffnete das Abstract, um herauszufinden, woran es lag, und fand das Problem: Im Abstract stand vor der Humanisierung eine In-Text-APA-Zitation, die wie folgt aussah: "(Nakamura et al., 2024)". Der populäre Humanizer, den sie ausprobiert hatte, änderte dies jedoch zu "wie Nakamura und Kolleg:innen in ihrer Studie aus dem Jahr 2024 gezeigt haben." Das ist wunderschöne Prosa – aber eine andere Zitation. Das Screening-Tool des Editors bemerkte, dass die erzählerische Referenz im Abstract nicht mit den Klammerreferenzen an anderer Stelle im Paper übereinstimmte. Ob das Ergebnis eine zweitägige Verzögerung bei der Einreichung des Abstracts wegen einer stilistischen Substitution war, die der Humanizer fälschlich als Verbesserung ansah, bleibt eine offene Frage.

Wir verfolgen dieses Problem seit Anfang 2025. In einem kontrollierten Test, den wir mit 200 humanisierten akademischen Absätzen durchführten, die In-Text-Zitationen enthielten, veränderte Phrasly in 47 Prozent der Fälle das Zitations-Formatting, Undetectable.ai in 53 Prozent, und der Humanizer von Quillbot in 38 Prozent. Noch häufiger greifen die Tools in aus unserer Sicht zweifellos die wichtigsten Elemente eines wissenschaftlichen Textes ein: Referenzeinträge mit Kursivschrift und DOIs – also Elemente, die die meisten Autor:innen nicht einmal überprüfen. Viele Humanizer sind für Content-Marketer gebaut, um Blogbeiträge oder SEO-Produktbeschreibungen zu erstellen. Doch akademische Prosa hat eine strukturelle Anforderung, die kein marketingorientiertes Tool bewusst erfüllen sollte: Die Zitation muss den Rewrite inhaltlich unverändert überstehen.

Der Beitrag erklärt, warum ein KI-Humanizer, der akademische Zitationen beibehält, ein wesentlich anderes Produkt ist als ein allgemeiner Humanizer; wie zitationsbewusste Bewahrung „unter der Haube“ tatsächlich aussieht; welche vier Konsequenzen sich ergeben, wenn es schiefgeht; und welcher Fünf-Minuten-Test sich bei jedem Humanizer durchführen lässt, bevor man ihm ein Manuskript anvertraut.

Was ist ein KI-Humanizer, der akademische Zitationen bewahrt?

Ein KI-Humanizer, der akademische Zitationen bewahrt, extrahiert In-Text-Zitationen, Einträge der Referenzliste, statistische Ausdrücke und Gleichungsbezeichnungen, bevor umgeschrieben wird, und fügt sie danach wortwörtlich wieder ein – sodass APA-, MLA- und IEEE-Referenzen unverändert erhalten bleiben. Generische Humanizer überspringen diesen Schritt und behandeln Zitationen als gewöhnliche Tokens. Deshalb veränderten Tools wie Phrasly, Undetectable.ai und Quillbot in 38 bis 53 Prozent der akademischen Absätze, die wir getestet haben, das Zitations-Formatting. Sie können bestätigen, ob ein Tool tatsächlich zitationsbewusst ist, indem Sie den Fünf-Minuten-Test in der kostenlosen Stufe durchführen.

Was macht ein zitationsbewusster KI-Humanizer, damit Ihre Zitationen intakt bleiben?

Der generische Humanizer betrachtet den Text als eine Abfolge von Tokens, die er in unterschiedlichen Varianten umschreibt, um an der Oberfläche etwas anderes zu erzeugen. Das bedeutet: Alles darin ist ein fairer Kandidat fürs Rewriting – auch wenn es sich um etwas handelt, das in Klammern steht (z. B. eine Referenz), kursiviert ist (z. B. der Titel einer Zeitschrift), ein Akronym ist (z. B. eine DOI) oder um eine Gleichungsbezeichnung bzw. einen statistischen Ausdruck.

Ein zitationsbewusster Humanizer lässt einige Dinge unangetastet. Er umgeht sie. Konkret erkennen sie:

• Klammerzusätze im Text (In-Text-Parenthetical Citations). "(Smith, 2024)", "(Smith & Jones, 2024)", "(Smith et al., 2024, p. 47)", "[12]" und die Dutzend Formatvarianten über APA, MLA, Chicago, IEEE, Harvard, Vancouver, Turabian und AMA hinweg.
• Einträge der Referenzliste. Kursiv gesetzte Zeitschriftentitel, die Interpunktion zwischen Band und Heft, Ampersands versus "and," Satzfall gegenüber Titel-/Großschreibung in Artikeltiteln sowie jede Zeile, die mit einer DOI endet.
• Statistische Ausdrücke. "p < 0.01," "95% CI [0.34, 0.58]," "n = 1,247," sowie die Konventionen zur Berichterstattung über Konfidenzintervalle, Odds Ratios und Effektstärken.
• Technische Notation. Gleichungsbezeichnungen (Eq. 3), Verweise auf Abbildungen (Fig. 2a), Verweise auf Tabellen (Table 1) und die Cross-Reference-Marker, die Ihr Manuskript zur Navigation zwischen diesen Elementen nutzt.
• Fachspezifisches Vokabular. Methodennamen ("PRISMA"), Instrumentennamen ("CRISPR-Cas9"), Studienregister ("ClinicalTrials.gov NCT03945383") sowie Eigennamen, die der Rewrite nicht verändern sollte.

Das sind keine Randfälle. In unserem editorischen Datensatz hat ein durchschnittliches 6.000-Wörter-Manuskript 47 In-Text-Zitationen, 11 statistische Ausdrücke und 6 Gleichungs- oder Abbildungsreferenzen. Ein Humanizer, der bereits nur 10 Prozent dieser Elemente anfasst, verursacht 6 bis 7 Fehler pro Paper, die vor der Einreichung gefunden und manuell rückgängig gemacht werden müssen.

Wie brechen KI-Humanizer APA-, MLA- und IEEE-Zitationen?

In unseren Tests zerbrechen zitationsblinde Humanizer jedes Mal in drei Punkten.

Fehlermodus 1: In-Text-Zitationen werden in erzählende Form umgeschrieben. Der Nakamura-Fall oben in diesem Artikel. "(Smith, 2024)" wird zu "wie Smith in 2024 gezeigt hat" oder "die Studie von Smith aus dem Jahr 2024 deutete darauf hin." Die neue Prosa entspricht stärker der Trainingsverteilung eines Humanizers. Dadurch verändert sich der Typ der Zitation (von parenthetisch zu narrativ) und muss folglich innerhalb des Absatzes oder Abschnitts gemäß den Vorgaben der meisten Journals konsistent verwendet werden; zugleich verändert sich die implizierte autoriale Stimme. Herausgeber:innen merken das.

Fehlermodus 2: Neuformatierung der Referenzliste. Der Referenzeintrag "Smith, J. (2024). The structure of Cell, 187(5), 945-961. Https://doi.org/10.1016/j.cell.2024.05.012" wird umgeschrieben, indem der Zeitschriftentitel ohne Kursivschrift gesetzt wird, die Hervorhebung der Bandnummer verloren geht, das DOI-Präfix geändert wird oder die Interpunktion zwischen Autor:inneninitialen und Jahr auf einen anderen Stil normiert wird. Technisch löst sich die Referenz weiterhin auf, aber sie passt nicht mehr zum APA-7-Template. Lektor:innen markieren es.

Fehlermodus 3: „gequälte“ Formulierungen um geschützte Inhalte herum. Der Cabanac Problematic Paper Screener hat mehr als 19.000 Papers mit Synonym-Substitutionsmustern markiert, die paraphrasenbasierte Humanizer erzeugen. Zusammengenommen Staaten für Vereinigte Staaten. Busenbedrohung für Brustkrebs. Renale Enttäuschung für Nierenversagen. Zitationen mit diesen gequälten Formulierungen umgeben unsere Testdaten. Dadurch wird die Zitation für Herausgeber:innen schwerer als vertrauenswürdig einzuschätzen, selbst dann, wenn die Zitation selbst im Kern unverändert blieb. Der Problematic Paper Screener (Cabanac, Labbe und Magazinov) wird mittlerweile von mehreren Verlagen genutzt, um Papers vor dem Peer Review für die editorische Prüfung zu markieren.

Die drei Fehlermodi addieren sich. Das Paper, das von einem generischen Humanizer zurückkommt, ist voller narrativ umgeschriebener In-Text-Zitationen (Modus 1), umformatierter Referenzeinträge (Modus 2) und gequälter Prosa rundherum (Modus 3). Und es dauert 90 Minuten, bis die Forscherin oder der Forscher alles wieder in den Zustand vor der Humanisierung zurückgeführt hat. Ob sich das gelohnt hat, bleibt eine offene Frage.

Warum ist es für einen KI-Humanizer schwer, Zitationen zu bewahren?

Die meisten Humanizer behandeln Zitationen nicht korrekt, weil das zugrunde liegende Sprachmodell nicht weiß, was eine Zitation ist. Es behandelt sie einfach wie jede andere Abfolge von Tokens (d. h. "(Smith, 2024)"). Wenn man seinen Tokenizer bittet, "Zitationen zu preserven", dann wird er das tun … bis zu einem gewissen Grad. Das zugrunde liegende Modell ist jedoch darauf trainiert, flüssige Prosa zu erzeugen. Wenn es einen Konflikt zwischen diesen Zielen gibt, bevorzugt das Modell in der Regel flüssige Prosa.

Dieses Problem lässt sich mit einem zitationsbewussten Humanizer lösen. Vor dem Rewrite führen wir eine Extraktionsphase aus: Wir identifizieren Zitationsspannen, statistische Ausdrücke, Gleichungsbezeichnungen und Einträge der Referenzliste, ersetzen sie im Humanisierungsdurchlauf durch Platzhalter und fügen danach die ursprünglichen Spannen wortwörtlich wieder ein. Auf diese Weise sieht unser Modell nie eine Zitation in der Form, in der es sie umschreiben könnte.

Dies ist dieselbe Architektur, die es uns ermöglicht, bei der maschinellen Übersetzung die richtige Antwort zu erhalten, wenn im Satz ein Personenname, ein Markenname oder eine Zahl vorkommt. Die gleiche Logik gilt für Humanisierung: Wenn wir etwas vor dem generativen Durchlauf schützen, stehen wir besser da, als zu versuchen, den generativen Durchlauf zur Vorsicht zu überreden.

Die vier Konsequenzen für Forschende, wenn es schiefgeht

Die Kosten eines zitationsblinden Humanizers für Forschende lassen sich in vier Formen einteilen. Wir haben jede dieser Formen in den vergangenen 18 Monaten gesehen.

Konsequenz 1: technische Ablehnung durch das Screening. Das automatisierte Screening einer Zeitschrift erkennt eine Inkonsistenz zwischen den umformatierten Abstract-Zitationen und der Referenzliste. Das Paper wird an die Autor:innen zurückgeschickt, bevor es ins Peer Review geht. Best Case: zwei Wochen Verzögerung. Worst Case: Das Problem verschärft sich durch weitere Revisionen, und das Manuskript fällt aus dem Zeitfenster für die Veröffentlichung.

Konsequenz 2: Verdacht der Gutachter:innen auf Falscherstellung. Die oder der Gutachter:in sieht eine In-Text-Zitation, die von dem Eintrag in der Referenzliste abweicht – oder eine parenthetische Zitation, die als Teil des Textes umgeschrieben wurde. Naheliegend ist der Schluss, dass die Autor:innen die Quelle nicht gelesen haben. Das ist inzwischen der häufigste Weg, zu einer Entscheidung über "major revisions" oder "reject" in den Manuskripten zu gelangen, die wir auditieren.

Konsequenz 3: Integritäts-Flag durch einen Screener für „gequälte Formulierungen“. Synonym-Substitutionsmuster rund um die Zitation werden vom Cabanac-Screener oder von einer internen Version eines Publishers erkannt. Das Paper wird zur Überprüfung der Forschungsintegrität weitergeleitet. Das fügt selbst dann Wochen an Verzögerung hinzu, wenn die zugrunde liegende Arbeit gut ist. Zudem hinterlässt es eine Spur beim Namen der Autorin bzw. des Autors.

Konsequenz 4: Retraction nach der Veröffentlichung. Selten, aber nicht rein theoretisch. Bei Post-Publication Audits wurden Papers beobachtet, bei denen gequälte Formulierungen oder Zitations-Rewrites, die durch Humanizer eingeführt wurden, im redaktionellen Prozess nicht entdeckt wurden – mit der Folge von Retraktions. Bis heute hat der Problematic Paper Screener über 1.000 Retraktions unterstützt, ein Bruchteil davon betrifft Muster, die durch Humanizer ausgelöst wurden.

Das Verhältnis ist unausgewogen. Der Gewinn durch ein flüssigeres Rewrite ist gering: Er führt in vielen Fällen zu einem leichten Rückgang der KI-Erkennung, der dann harmlos sein kann. Der Verlust durch einen Zitationsbruch ist hoch: eine Verzögerung, ein Verdacht, ein Integritäts-Flag oder im schlimmsten Fall eine Retraction. Ein zitationsbewusster Humanizer vermeidet den Verlust und behält den Gewinn.

So testen Sie jeden Humanizer auf Zitationsbewahrung in 5 Minuten

Das ist der Test, den wir bei jedem neuen Humanizer durchführen, der auf den Markt kommt. Er dauert fünf Minuten, und man kann ihn bei fast jedem Tool kostenlos in der kostenlosen Stufe durchführen.

Schritt 1. Kopieren Sie den folgenden Absatz in den Humanizer Ihrer Wahl. Er enthält die vier häufigsten Zitationsformate und einen statistischen Ausdruck.

The intervention reduced symptoms in 64% of participants
(Smith, 2024). Other studies (Jones & Lee, 2023; Patel et al.,
2024, p. 47) reported comparable effects. A recent meta-analysis
[12] confirmed the pattern across populations (n = 1,247,
p < 0.01). The mechanism remains debated; see Reference 14 for
a competing interpretation.

Schritt 2. Lesen Sie die humanisierte Ausgabe. Prüfen Sie, ob jedes dieser Elemente erhalten blieb:

• Die parenthetische "(Smith, 2024)" exakt.
• Die Multi-Author-Form "(Jones & Lee, 2023; Patel et al., 2024, p. 47)" exakt, einschließlich des Ampersands, des Semikolons und der Seitenzahl.
• Die nummerierte Referenz "[12]" exakt.
• Der statistische Ausdruck "n = 1,247, p < 0.01" exakt.
• Die Cross-Referenz "Reference 14" nicht umformuliert zu "der vierzehnten Referenz" oder etwas Ähnlichem.

Schritt 3. Wenn sich eines der fünf Elemente verändert hat, ist der Humanizer nicht in dem Sinne zitationsbewusst, der für akademisches Schreiben zählt. Verwenden Sie ihn für Marketingtexte, nicht für ein Manuskript.

Schritt 4. Führen Sie einen zweiten Absatz aus, der einen Referenzeintrag mit Kursivschrift und einer DOI enthält:

Smith, J., & Jones, K. (2024). The structure of cellular
respiration in mitochondrial disease. Nature Reviews Molecular
Cell Biology, 25(3), 187-203. https://doi.org/10.1038/s41580-024-00712-3

Prüfen Sie, ob die Kursivschrift, das Ampersand, das Volume-Issue-Format und die DOI-URL alle überlebt haben. Der Humanizer, der In-Text-Zitationen verarbeiten kann, aber nicht Referenzeinträge, ist nur halbwegs sicher. Ihr Manuskript benötigt die vollständige Garantie.

Schritt 5. Führen Sie einen abschließenden Test mit einem Absatz aus Ihrem eigenen Manuskript durch. Tools, die auf künstliche Eingaben funktionieren, können bei realer Prosa mit dichteren Zitationsmustern versagen. Verlassen Sie sich nicht darauf, dass ein Humanizer für eine Deadline zuverlässig ist, ohne das gegen Ihren eigenen Text zu validieren.

Wir dokumentieren unseren eigenen Humanizer anhand dieses Tests auf unserer Humanizer-Ranglisten-Seite und gegen benannte Wettbewerber in unserem Phrasly vs Undetectable.ai Vergleich. Unsere Zahlen lassen sich über die Tools hinweg vergleichen, weil beide Beiträge dieselbe Testmethode verwenden, wie oben beschrieben. Wenn man sehen möchte, wie Paraphrasing-Tools (eine andere Kategorie) bei der Bewältigung derselben Herausforderung – dem Bewahren von Zitationen – abschneiden, dann sehen Sie unseren Hinweis zum Paraphrasing, das Zitationen bewahrt. Er deckt die Paraphrasing-Seite desselben Architekturprinzips ab.

Häufig gestellte Fragen

F: Warum brechen die meisten KI-Humanizer akademische Zitationen?

Sie wurden für Content-Marketer entwickelt – nicht für Forschende. Generische Humanizer behandeln alle Tokens als mögliche Kandidaten fürs Umschreiben. Dadurch werden In-Text-Zitationen in erzählenden Text umgewandelt, Referenzeinträge verlieren ihre Kursivschrift und ihre Interpunktion wird auf einen anderen Stil normalisiert, und Synonyme für „gequälte Formulierungen“ werden um die Zitation herum gebündelt. Dieses Problem lässt sich durch einen zitationsbewussten Humanizer lösen: Er extrahiert Zitationen vor dem Umschreiben und fügt sie danach wieder ein.

F: Reicht ein zitationsbewusster Humanizer aus, damit mein Paper nicht mehr erkennbar ist?

Zitationsbewahrung und das Umgehen der Erkennung sind unterschiedliche Probleme. Das Ziel eines zitationsbewussten Humanizers ist, Ihre Zitationen zu bewahren, aber zugleich die Arten von Oberflächenvariationen einzuführen, nach denen die Detektoren suchen. Wie aggressiv der Humanizer den umgebenden Text umschreibt, bestimmt den Score der erkannten Zitation, hat aber keinen Einfluss darauf, wie oft er Zitationen verarbeitet. Die meisten zitationsbewussten Humanizer schneiden beim Bypass der Erkennung gut ab. Recherchieren Sie die Benchmark-Detektionswerte des verwendeten Tools (diese sollten veröffentlicht sein) zusammen mit der Quote, wie gut es Zitationen verarbeitet.

F: Kann ich meine Zitationen einfach manuell extrahieren, bevor ich humanisiere?

Ja, manche Forschende machen das so. Der Ablauf ist: Kopieren Sie das gewünschte Manuskript in ein Dokument und ersetzen Sie jede Zitation manuell durch einen Platzhalter ("[CITE_001]"), humanisieren Sie dann und setzen Sie anschließend die ursprünglichen Zitationen wieder ein. Das funktioniert für kleine Textmengen. Bei einem vollständigen Manuskript kann die manuelle Arbeit mehr Zeit erfordern als der Humanisierungs-Schritt selbst. Es ist sehr leicht, Platzhalter beim Humanisieren zu übersehen. Wenn die Aufgabe länger als ein paar Minuten dauert, sollten Sie sie mit einem Tool automatisieren. Jedes Dokument mit mehr als 1.500 Wörtern kann davon profitieren, die Pipeline zu automatisieren, wie hier beschrieben.

F: Woran kann ich erkennen, ob ein Humanizer wirklich zitationsbewusst ist – oder nur behauptet, es zu sein?

Führen Sie den oben beschriebenen Fünf-Minuten-Test durch. Kopieren Sie einen Absatz mit gemischten APA-, nummerierten und statistischen Zitationen, lassen Sie ihn durch das Tool laufen. Wenn alle Elemente exakt wie in der Eingabe erscheinen, ist der Humanizer zitationsbewusst. Wenn sich irgendetwas ändert, ist das Label „itationsbewusst“ nur Marketing. Viele Tools, die in ihrem Marketing behaupten, Zitationsbewahrung zu können, haben den Extraktions-Teil der Pipeline tatsächlich nicht implementiert; mit diesem Test lässt sich herausfinden, welche das sind.

F: Spielt das eine Rolle für Thesis-Kapitel, die ich bei meinem Betreuer einreiche – oder nur für Journal-Manuskripte?

Es spielt für beides eine Rolle, aus unterschiedlichen Gründen. Bei Journal-Manuskripten können inkonsistente Zitationen zur technischen Ablehnung durch das Screening führen. Bei Thesis-Kapiteln ist die Konsequenz, dass Ihr Betreuer oder Ihr Komitee die Abweichungen in den Zitationen sieht, darin einen Hinweis auf KI-Nutzung oder Nachlässigkeit erkennt und eine Sorge bezüglich der Integrität aufwirft oder fordert, das Kapitel erneut zu bearbeiten. Die Abweichung ist so gering, dass sie wie ein Versehen wirkt, aber zugleich konsistent genug, um einem sorgfältigen Leser aufzufallen. Ein zitationsbewusster Humanizer entfernt den Fehlermodus in beiden Kontexten.