Πόσο ακριβείς είναι οι ανιχνευτές AI το 2026; Δοκιμασμένη ακρίβεια και ψευδώς θετικά

Μια διδακτορική φοιτήτρια στο δίκτυό μας είδε την εισαγωγή της διατριβής της να επισημαίνεται ως 67% παραγόμενη από AI από το σύστημα ανίχνευσης του πανεπιστημίου της. Έγραψε η ίδια κάθε λέξη σε διάστημα τεσσάρων μηνών. Χωρίς εργαλεία AI, χωρίς ελεγκτές γραμματικής, ούτε καν ορθογραφικό έλεγχο.

Πέρασε δύο εβδομάδες ξαναγράφοντας ενότητες για να μειώσει το σκορ. Λειτούργησε, αλλά η ξαναγραμμένη εκδοχή ήταν χειρότερη από την αρχική.

Αποφασίσαμε να μάθουμε ακριβώς πόσο αξιόπιστα είναι στην πραγματικότητα αυτά τα εργαλεία. Έτσι, δοκιμάσαμε πέντε από αυτά.

Η σύντομη απάντηση

Οι ανιχνευτές AI το 2026 είναι αρκετά ακριβείς ώστε να εντοπίζουν το μεγαλύτερο μέρος του αμοντάριστου, πλήρως παραγόμενου από AI κειμένου, και αρκετά ανακριβείς ώστε κανένας δείκτης να μην πρέπει να θεωρείται απόδειξη. Τρία ευρήματα επαναλαμβάνονται σε κάθε ανιχνευτή που έχουμε μετρήσει. Το ακατέργαστο αποτέλεσμα από ChatGPT, Claude ή Gemini επισημαίνεται αξιόπιστα. Η ανθρώπινη ακαδημαϊκή γραφή μερικές φορές επισημαίνεται ως AI, κάτι που αναγνωρίζουν οι ίδιοι οι προμηθευτές των ανιχνευτών. Και το επιμελημένο ή εξανθρωπισμένο κείμενο περνά πολύ συχνότερα απ' ό,τι υποθέτουν τα πανεπιστήμια: στο πιο πρόσφατο benchmark μας σε 2,000 ακαδημαϊκά έγγραφα, το εξανθρωπισμένο κείμενο πέρασε τον εντοπισμό AI του Turnitin σε έως και 92.33% των εγγράφων.

Η μεθοδολογία δοκιμής μας: 50 δείγματα σε 5 ανιχνευτές

Συγκεντρώσαμε 50 δείγματα κειμένου, καθένα μεταξύ 500 και 800 λέξεων. Τα δείγματα εντάσσονταν σε πέντε κατηγορίες:

• 10 αμιγώς γραμμένα από ανθρώπους ακαδημαϊκά κείμενα - δημοσιευμένα άρθρα σε περιοδικά από το 2018–2022, γραμμένα πριν από τη ευρεία διαθεσιμότητα των LLM
• 10 αμιγώς κείμενα παραγόμενα από AI - δημιουργημένα από το GPT-4o με ακαδημαϊκές προτροπές, χωρίς επεξεργασία
• 10 κείμενα παραγόμενα από AI με ελαφριά χειροκίνητη επιμέλεια - προσχέδια AI με ανθρώπινες διορθώσεις για ακρίβεια και ύφος
• 10 κείμενα παραγόμενα από AI που πέρασαν από το text humanizer μας - πλήρης διαδικασία εξανθρωπισμού και στη συνέχεια χειροκίνητος έλεγχος
• 10 αμιγώς γραμμένα από ανθρώπους κείμενα από μη φυσικούς ομιλητές της αγγλικής - δημοσιευμένες εργασίες από ερευνητές που γράφουν στη δεύτερη ή τρίτη τους γλώσσα

Εκτελέσαμε κάθε δείγμα μέσω του Turnitin's AI detection module, του GPTZero, του Copyleaks, του ZeroGPT και του Originality.ai. Κάθε εργαλείο επέστρεψε μια βαθμολογία πιθανότητας AI. Καταγράψαμε κάθε βαθμολογία και υπολογίσαμε μετρικές ακρίβειας.

Τα αποτελέσματα μας εξέπληξαν. Όχι επειδή τα εργαλεία απέτυχαν πλήρως, αλλά επειδή τα μοτίβα αποτυχίας ήταν τόσο ασυνεπή.

Ανίχνευση AI του Turnitin: αποτελέσματα ακρίβειας

Το Turnitin αναγνώρισε σωστά 9 από τα 10 καθαρά κείμενα που είχαν παραχθεί από AI, βαθμολογώντας τα πάνω από 80%. Αυτή είναι ισχυρή επίδοση σε προφανές περιεχόμενο AI.

Εκεί όπου δυσκολεύτηκε: ψευδώς θετικά. Τρία από τα 10 ακαδημαϊκά κείμενα που είχαν γραφτεί από ανθρώπους βαθμολογήθηκαν πάνω από 20% στον δείκτη AI του Turnitin. Ένα, μια τυπική βιβλιογραφική ανασκόπηση από περιοδικό χημείας, βαθμολογήθηκε με 38%.

Στο εξανθρωπισμένο κείμενο, η επίδοση του Turnitin μειώθηκε σημαντικά. Μόνο 3 από τα 10 δείγματα εξανθρωπισμένου κειμένου βαθμολογήθηκαν πάνω από το όριο του 20%. Τα υπόλοιπα 7 βαθμολογήθηκαν μεταξύ 2% και 17%.

Η γραφή από μη φυσικούς ομιλητές της αγγλικής ήταν η χειρότερη κατηγορία. Τέσσερα από τα 10 δείγματα μη φυσικών ομιλητών σημειώθηκαν πάνω από 20%. Ένα βαθμολογήθηκε με 52%. Αυτά ήταν πραγματικές δημοσιευμένες εργασίες από πραγματικούς ανθρώπους ερευνητές.

Η συνολική ακρίβεια του Turnitin στη δοκιμή μας: 72%. Αυτό ακούγεται αποδεκτό, μέχρι να συνειδητοποιήσετε ότι ένα ποσοστό σφάλματος 28% σημαίνει πως περίπου 1 στις 4 κρίσεις θα μπορούσε να είναι λανθασμένη.

GPTZero vs Copyleaks vs ZeroGPT: head-to-head

Δοκιμάσαμε τους τρεις πιο δημοφιλείς αυτόνομους ανιχνευτές AI σε ολόκληρο το σύνολο δειγμάτων μας.

GPTZero ήταν ο πιο επιθετικός ανιχνευτής. Εντόπισε 10 στα 10 ακατέργαστα κείμενα AI, τέλεια ανάκληση. Όμως, επίσης επισήμανε 4 κείμενα γραμμένα από ανθρώπους και 5 κείμενα μη φυσικών ομιλητών της αγγλικής ως κατά κύριο λόγο παραγόμενα από AI. Το ποσοστό ψευδώς θετικών του ήταν το υψηλότερο στη δοκιμή μας, στο 12%.

Copyleaks υιοθέτησε μια πιο συντηρητική προσέγγιση. Προσδιόρισε σωστά 8 στα 10 κείμενα AI, αλλά επισήμανε λανθασμένα μόνο 1 δείγμα γραμμένο από άνθρωπο. Στο εξανθρωπισμένο κείμενο, εντόπισε 4 στα 10, καθιστώντας το τον καλύτερο επιδότο στην αντιμετώπιση του humanization, αλλά εξακολουθώντας να χάνει περισσότερα από τα μισά.

ZeroGPT ήταν το λιγότερο αξιόπιστο. Επισήμανε σωστά 7 στα 10 κείμενα AI, αλλά επίσης επισήμανε λανθασμένα 3 κείμενα γραμμένα από ανθρώπους. Ακόμη χειρότερα, οι βαθμολογίες του παρουσίαζαν διακυμάνσεις, εκτελέσαμε το ίδιο δείγμα δύο φορές και λάβαμε διαφορετικά αποτελέσματα στο 30% των περιπτώσεων. Η συνέπεια έχει σημασία σε ένα εργαλείο ανίχνευσης, και το ZeroGPT δεν την παρείχε.

Originality.ai είχε καλή επίδοση στο ακατέργαστο κείμενο AI (9/10 detected) και χαμηλό ποσοστό ψευδώς θετικών στο ανθρώπινο κείμενο (1/10 incorrectly flagged). Στο εξανθρωπισμένο κείμενο, εντόπισε 5 στα 10, δηλαδή στη μεσαία κατηγορία.

Ορίστε η άβολη σύνοψη: κανένας ανιχνευτής δεν πέτυχε πάνω από 80% συνολική ακρίβεια σε όλες τις κατηγορίες δειγμάτων.

Το benchmark μας των 2,000 εγγράφων: πόσο συχνά η ανίχνευση αποτυγχάνει να εντοπίσει επεξεργασμένο κείμενο

Η ακρίβεια της ανίχνευσης συνήθως αναφέρεται σε σχέση με ακατέργαστη έξοδο AI, κάτι που υπερεκτιμά το πόσο καλά αποδίδουν οι ανιχνευτές σε κείμενο που έχει αναθεωρηθεί. Για να μετρήσουμε το χάσμα, ανθρωποποιούμε ακαδημαϊκά έγγραφα με το academic humanizer του ProofreaderPro και τα υποβάλλουμε σε κάθε ανιχνευτή μέσω της τυπικής του διεπαφής. Ένα έγγραφο περνά όταν η επιστρεφόμενη πιθανότητα AI βρίσκεται κάτω από το δικό του κατώφλι επισήμανσης.

Η σημασιολογική πιστότητα προς το κείμενο-πηγή παρέμεινε πάνω από 94% σε κάθε εκτέλεση. Το corpus καλύπτει 2,000 ακαδημαϊκά έγγραφα σε STEM, τις κοινωνικές επιστήμες και τις ανθρωπιστικές επιστήμες, και ενημερώνουμε τα στοιχεία με κάθε εκτέλεση του benchmark. Η πλήρης μεθοδολογία βρίσκεται στη σύγκριση AI humanizer.

Η συνέπεια για τους ισχυρισμούς ακρίβειας είναι άμεση: ένας ανιχνευτής που εντοπίζει αξιόπιστα την ακατέργαστη έξοδο ενός μοντέλου μπορεί παρ' όλα αυτά να χάνει τη μεγάλη πλειονότητα του επεξεργασμένου κειμένου. Οι βαθμολογίες ανίχνευσης περιγράφουν στατιστικά επιφάνειας, και η αναθεώρηση αλλάζει αυτά τα στατιστικά.

Τι λένε οι προμηθευτές ανίχνευσης για τη δική τους ακρίβεια

Η τεκμηρίωση των προμηθευτών είναι πιο επιφυλακτική από την πανεπιστημιακή πρακτική. Οι δημοσιευμένες οδηγίες της Turnitin αναφέρουν ότι ο δείκτης γραφής AI της μπορεί να παράγει ψευδώς θετικά αποτελέσματα, ιδιαίτερα γύρω από το χαμηλότερο όριο αναφοράς του, και η εταιρεία περιγράφει τον δείκτη ως αφετηρία για συζήτηση με τον διδάσκοντα, και όχι ως αποδεικτικό στοιχείο παραπτώματος. Η GPTZero δημοσιεύει τα δικά της στοιχεία ακρίβειας και συνιστά ανθρώπινη αξιολόγηση κάθε εγγράφου που επισημαίνεται. Η OpenAI απέσυρε το επίσημο AI text classifier της το 2023, αφού κατέληξε ότι η ακρίβειά του ήταν υπερβολικά χαμηλή για να είναι χρήσιμη. Όταν οι εταιρείες που κατασκευάζουν αυτά τα συστήματα λένε στους χρήστες να επαληθεύουν χειροκίνητα τις επισημάνσεις, η αντιμετώπιση ενός ποσοστού ως απόδειξης υπερβαίνει όσα οι ίδιες οι εργαλειοθήκες ισχυρίζονται για τον εαυτό τους.

Το πρόβλημα των ψευδώς θετικών για το οποίο κανείς δεν μιλάει

Τα ψευδώς θετικά αποτελούν τη σιωπηλή κρίση στην ανίχνευση AI. Όταν ένας ανιχνευτής χαρακτηρίζει εσφαλμένα ένα κείμενο γραμμένο από άνθρωπο ως παραγόμενο από AI, μεταθέτει το βάρος της απόδειξης στον συγγραφέα. "Prove you didn't use AI" είναι μια σχεδόν αδύνατη απαίτηση.

Οι δοκιμές μας εντόπισαν σταθερά μοτίβα στα οποία ανθρώπινα κείμενα χαρακτηρίστηκαν λανθασμένα ως ψευδώς θετικά:

Υψηλά δομημένη επίσημη γραφή. Όσο πιο οργανωμένος και επιμελημένος είναι ο λόγος σας, τόσο πιο πιθανό είναι να τον επισημάνει ένας ανιχνευτής. Σαφείς θεματικές προτάσεις, λογική εξέλιξη των παραγράφων, συνεπής ορολογία, όλα αυτά είναι μοτίβα που μοιράζονται η καλή ανθρώπινη γραφή και η έξοδος AI.

Τυποποιημένες ενότητες. Οι ενότητες μεθόδων, οι περιγραφές διαδικασιών και οι βιβλιογραφικές ανασκοπήσεις ακολουθούν πρότυπα ειδικά για κάθε επιστημονικό πεδίο. Κάθε ερευνητής γράφει "data were collected using semi-structured interviews" με τον ίδιο τρόπο. Οι ανιχνευτές δεν μπορούν να διακρίνουν τη συμβατικότητα από τη δημιουργία.

Λεξιλόγιο χαμηλής εντροπίας. Ορισμένα πεδία, η νομική, η ιατρική, η μηχανική, χρησιμοποιούν εξειδικευμένο λεξιλόγιο με περιορισμένες επιλογές συνωνύμων. Όταν πρέπει να χρησιμοποιείτε επανειλημμένα συγκεκριμένους όρους, το κείμενό σας φαίνεται πιο "predictable" σε έναν ανιχνευτή που βασίζεται στο perplexity.

Αγγλικά από μη φυσικούς ομιλητές. Επανερχόμαστε σε αυτό, επειδή είναι το πιο ανησυχητικό εύρημα. Ερευνητές που γράφουν στη δεύτερη γλώσσα τους παράγουν κείμενο με χαμηλότερη λεξιλογική ποικιλία και πιο τυποποιημένες δομές, ακριβώς τα μοτίβα που οι ανιχνευτές συνδέουν με την AI. Αυτό δημιουργεί ένα διακριτικό αποτέλεσμα με το οποίο τα περισσότερα ιδρύματα δεν έχουν ακόμη αναμετρηθεί.

Τι σημαίνει αυτό για τους ερευνητές που χρησιμοποιούν εργαλεία AI

Αν χρησιμοποιείτε AI ως βοηθό συγγραφής, για προσχέδια, αναδιάρθρωση, επιμέλεια, το τοπίο της ανίχνευσης δημιουργεί ένα πραγματικό πρόβλημα. Ακόμη και κείμενο που γράψατε εξ ολοκλήρου με το χέρι μπορεί να χαρακτηριστεί. Κείμενο με υποβοήθηση AI σχεδόν σίγουρα θα χαρακτηριστεί, εκτός αν λάβετε μέτρα για να το εξανθρωπίσετε.

Οι συστάσεις μας, με βάση αυτή τη δοκιμή:

Μην εμπιστεύεστε την κρίση κανενός μεμονωμένου ανιχνευτή. Είδαμε δείγματα που βαθμολογήθηκαν με 5% σε ένα εργαλείο και με 68% σε ένα άλλο. Αν το ίδρυμά σας χρησιμοποιεί έναν ανιχνευτή, αυτός είναι που έχει σημασία για τη συμμόρφωση, αλλά μια μεμονωμένη βαθμολογία δεν αποτελεί απόδειξη χρήσης AI.

Εξανθρωπίστε στρατηγικά. Η ακατέργαστη έξοδος AI ανιχνεύεται. Το καλά εξανθρωπισμένο κείμενο ως επί το πλείστον όχι. Αν χρησιμοποιήσατε βοήθεια AI, περάστε το προσχέδιό σας από ένα quality humanization tool και προσθέστε τη δική σας προσωπική φωνή. Η δοκιμή μας έδειξε ότι αυτός ο συνδυασμός μείωσε τις βαθμολογίες ανίχνευσης κάτω από 15% σε όλα τα πέντε εργαλεία.

Κρατήστε τα προσχέδιά σας. Αποθηκεύστε ενδιάμεσες εκδοχές της εργασίας σας. Ιστορικό προγράμματος περιήγησης, αρχεία καταγραφής συνομιλιών ChatGPT, σχολιασμένα PDFs, χειρόγραφες σημειώσεις, όλα αυτά παρέχουν αποδεικτικά στοιχεία της διαδικασίας συγγραφής σας, αν ποτέ τεθεί ζήτημα.

Υποστηρίξτε καλύτερες θεσμικές πολιτικές. Τα εργαλεία ανίχνευσης AI δεν είναι αρκετά αξιόπιστα ώστε να αποτελούν τη μοναδική απόδειξη ακαδημαϊκής ανεντιμότητας. Αν το πανεπιστήμιό σας αντιμετωπίζει μια βαθμολογία AI του Turnitin ως απόδειξη, αντιδράστε, με δεδομένα. Μοιραστείτε μελέτες όπως αυτή.

Για πρακτικά βήματα σχετικά με το πώς να χειριστείτε κείμενο που έχει επισημανθεί, δείτε τον οδηγό μας για το how researchers are bypassing AI detection without cheating.

Η κούρσα εξοπλισμών της ανίχνευσης AI δεν επιβραδύνεται. Οι ανιχνευτές θα βελτιωθούν. Όμως το ίδιο θα συμβεί και με τα εργαλεία συγγραφής με υποβοήθηση AI. Η μακροπρόθεσμη λύση δεν είναι καλύτερη ανίχνευση, είναι καλύτερη πολιτική που αναγνωρίζει πώς συμβαίνει στην πραγματικότητα η συγγραφή σήμερα.

Η εργασία σας είναι πραγματική. Οι ιδέες σας είναι πραγματικές. Ένας ελαττωματικός αλγόριθμος δεν θα έπρεπε να είναι ο κριτής αυτού.

Συχνές ερωτήσεις

Ε: Ποιος ανιχνευτής AI είναι ο πιο ακριβής;

Στις δοκιμές μας, οι Turnitin και Originality.ai ισοβάθμησαν για τη συνολική υψηλότερη ακρίβεια, με 72% και 74% αντίστοιχα, σε όλες τις κατηγορίες δειγμάτων. Ωστόσο, η ακρίβεια διέφερε σημαντικά ανάλογα με τον τύπο κειμένου. Ο Turnitin ήταν ο καλύτερος στον εντοπισμό ακατέργαστου αποτελέσματος AI, αλλά είχε περισσότερα ψευδώς θετικά σε κείμενο αγγλικών από μη φυσικούς ομιλητές. Ο Originality.ai ήταν πιο ισορροπημένος, αλλά λιγότερο αποτελεσματικός σε εξανθρωπισμένο κείμενο. Κανένας μεμονωμένος ανιχνευτής δεν πέτυχε ακρίβεια άνω του 80% σε όλες τις κατηγορίες, κάτι που αποτελεί σημαντικό περιορισμό για εργαλεία που χρησιμοποιούνται για τη λήψη αποφάσεων σχετικά με την ακαδημαϊκή ακεραιότητα.

Ε: Λειτουργούν οι ανιχνευτές AI στην ακαδημαϊκή γραφή;

Λειτουργούν καλύτερα σε ορισμένους τύπους ακαδημαϊκής γραφής από ό,τι σε άλλους. Το ακατέργαστο, αδιόρθωτο αποτέλεσμα AI σε ακαδημαϊκό ύφος συνήθως εντοπίζεται, τα ποσοστά ανίχνευσης κυμάνθηκαν από 70% έως 100% στη δοκιμή μας. Όμως το επίσημο ακαδημαϊκό κείμενο γραμμένο από ανθρώπους προκαλεί ψευδώς θετικά σε ανησυχητικά ποσοστά, έως και 12% στις δοκιμές μας. Τα τεχνικά πεδία με εξειδικευμένη ορολογία και οι συγγραφείς που γράφουν στα αγγλικά ως μη μητρική γλώσσα επηρεάζονται δυσανάλογα. Η σύντομη απάντηση είναι: οι ανιχνευτές AI λειτουργούν στην ακαδημαϊκή γραφή, αλλά όχι αρκετά αξιόπιστα ώστε να χρησιμεύουν ως αυτοτελή απόδειξη.

Ε: Πόσο συχνά οι ανιχνευτές AI επισημαίνουν ανθρώπινη γραφή;

Στη δοκιμή μας σε 20 δείγματα γραμμένα από ανθρώπους, 10 από φυσικούς ομιλητές αγγλικών, 10 από μη φυσικούς, 9 δείγματα, 45%, έλαβαν βαθμολογία AI άνω του 20% σε τουλάχιστον έναν ανιχνευτή. Τρία κείμενα γραμμένα από ανθρώπους έλαβαν βαθμολογία άνω του 50% σε τουλάχιστον ένα εργαλείο. Το ποσοστό ψευδώς θετικών ανά ανιχνευτή κυμάνθηκε από 4% έως 12%. Αν είστε ομιλητής αγγλικών ως μη μητρικής γλώσσας και γράφετε επίσημο ακαδημαϊκό κείμενο, οι πιθανότητες ψευδώς θετικού είναι ακόμη υψηλότερες. Γι' αυτό συνιστούμε να διατηρείτε προσχέδια και τεκμήρια της διαδικασίας, ανεξάρτητα από το αν χρησιμοποιήσατε εργαλεία AI.

Ε: Λειτουργούν οι ανιχνευτές AI σε εξανθρωπισμένο ή επεξεργασμένο κείμενο;

Πολύ λιγότερο αξιόπιστα από ό,τι στο ακατέργαστο αποτέλεσμα. Στο benchmark μας με 2,000 έγγραφα, το κείμενο που υποβλήθηκε σε επεξεργασία από έναν ακαδημαϊκό humanizer πέρασε την ανίχνευση AI του Turnitin σε έως και 92.33% των εγγράφων στη ισχυρότερη ρύθμιση. Η ανίχνευση εξαρτάται από στατιστικά μοτίβα, και η ουσιαστική αναθεώρηση τα αφαιρεί.

Ε: Μπορεί μια βαθμολογία ανίχνευσης AI να χρησιμοποιηθεί ως απόδειξη παραπτώματος;

Οι ίδιοι οι προμηθευτές λένε όχι. Ο Turnitin παρουσιάζει τον δείκτη του ως σήμα για περαιτέρω εξέταση, και τα ψευδώς θετικά σε γνήσια ανθρώπινη γραφή έχουν τεκμηριωθεί σε κάθε μεγάλο ανιχνευτή. Μια βαθμολογία είναι λόγος για πιο προσεκτικό έλεγχο, και τίποτε περισσότερο.

AI Proofreader for Research Papers

Proofread and polish your manuscript with tracked changes. Built for academic writing.