Cat de precise sunt detectoarele AI in 2026? Acuratete testata si falsuri pozitive

O doctorandă din rețeaua noastră a avut introducerea tezei marcată ca fiind generată 67% de AI de sistemul de detecție al universității sale. Ea a scris fiecare cuvânt singură, timp de patru luni. Nicio unealtă AI, nici verificatoare gramaticale, nici măcar corector ortografic.

A petrecut două săptămâni rescriind secțiuni pentru a scădea scorul. A funcționat, dar versiunea rescrisă era mai slabă decât originalul.

Am decis să aflăm cât de fiabile sunt, de fapt, aceste instrumente. Așa că am testat cinci dintre ele.

Răspunsul pe scurt

Detectoarele AI din 2026 sunt suficient de precise pentru a identifica majoritatea textelor needitate, generate integral de AI, și suficient de imprecise încât niciun scor nu ar trebui tratat ca dovadă. Trei concluzii se repetă la fiecare detector pe care l-am evaluat. Ieșirea brută din ChatGPT, Claude sau Gemini este semnalată în mod fiabil. Scrierea academică umană este uneori semnalată ca fiind AI, lucru pe care chiar furnizorii de detectoare îl recunosc. Iar textul editat sau umanizat trece mult mai des decât presupun universitățile: în cel mai recent benchmark al nostru, realizat pe 2.000 de documente academice, textul umanizat a trecut de detectarea AI din Turnitin în până la 92.33% dintre documente.

Metodologia noastră de testare: 50 de eșantioane în 5 detectoare

Am alcătuit 50 de eșantioane de text, fiecare având între 500 și 800 de cuvinte. Eșantioanele s-au încadrat în cinci categorii:

• 10 texte academice scrise integral de oameni - articole publicate în reviste între 2018–2022, redactate înainte ca LLM să fie disponibile pe scară largă
• 10 texte generate integral de AI - produse de GPT-4o cu prompturi academice, fără editare
• 10 texte generate de AI cu editare manuală ușoară - schițe AI cu corecturi umane pentru acuratețe și stil
• 10 texte generate de AI prelucrate prin text humanizer - proces complet de umanizare, plus revizuire manuală
• 10 texte scrise de oameni, dar de vorbitori non-nativi de engleză - lucrări publicate de cercetători care scriu în a doua sau a treia lor limbă

Am rulat fiecare eșantion prin modulul de detectare AI al Turnitin, GPTZero, Copyleaks, ZeroGPT și Originality.ai. Fiecare instrument a returnat un scor de probabilitate AI. Am înregistrat fiecare scor și am calculat metrici de acuratețe.

Rezultatele ne-au surprins. Nu pentru că instrumentele au eșuat complet, ci pentru că tiparele de eșec au fost atât de inconsistente.

Detecția AI a Turnitin: rezultatele acurateței

Turnitin a identificat corect 9 din 10 texte generate exclusiv de AI, atribuindu-le scoruri de peste 80%. Este o performanță solidă pentru conținutul AI evident.

Unde a întâmpinat dificultăți: falsurile pozitive. Trei dintre cele 10 texte academice scrise de oameni au obținut peste 20% pe indicatorul AI al Turnitin. Unul, o recenzie formală a literaturii dintr-un jurnal de chimie, a obținut 38%.

Pe textul umanizat, performanța Turnitin a scăzut semnificativ. Doar 3 din 10 mostre umanizate au obținut peste pragul de 20%. Celelalte 7 au obținut între 2% și 17%.

Scrierea în engleză de către vorbitori non-nativi a fost cea mai slabă categorie. Patru din 10 mostre non-native au fost marcate peste 20%. Una a obținut 52%. Acestea au fost lucrări publicate reale, scrise de cercetători umani reali.

Acuratețea generală a Turnitin în testul nostru: 72%. Acest lucru sună acceptabil până când îți dai seama că o rată de eroare de 28% înseamnă că aproximativ 1 din 4 evaluări ar putea fi greșită.

GPTZero vs Copyleaks vs ZeroGPT: confruntare directă

Am testat cele trei cele mai populare detectoare AI independente împotriva întregului nostru set de eșantioane.

GPTZero a fost cel mai agresiv detector. A identificat 10 din 10 texte AI brute - rechemare perfectă. Dar a marcat, de asemenea, 4 texte scrise de oameni și 5 texte în engleză ale vorbitorilor non-nativi ca fiind predominant generate de AI. Rata sa de fals pozitive a fost cea mai ridicată din testul nostru, la 12%.

Copyleaks a adoptat o abordare mai conservatoare. A identificat corect 8 din 10 texte AI, dar a marcat greșit doar 1 eșantion scris de un om. La textele umanizate, a detectat 4 din 10, ceea ce îl face performerul cel mai bun împotriva umanizării, dar totuși ratând mai mult de jumătate.

ZeroGPT a fost cel mai puțin fiabil. A marcat corect 7 din 10 texte AI, dar a marcat greșit și 3 texte scrise de oameni. Mai grav, scorurile sale au fluctuat, am rulat același eșantion de două ori și am obținut rezultate diferite în 30% din cazuri. Consecvența contează într-un instrument de detecție, iar ZeroGPT nu a oferit-o.

Originality.ai a performat bine pe text AI brut (9/10 detectate) și a avut o rată scăzută de fals pozitive pe textul uman (1/10 marcat greșit). La textele umanizate, a detectat 5 din 10, adică la mijlocul clasamentului.

Iată rezumatul incomod: niciun detector nu a depășit 80% acuratețe generală în toate categoriile de eșantioane.

Benchmarkul nostru de 2.000 de documente: cât de des ratarea detecției textul editat

Acuratețea detecției este, de obicei, raportată în raport cu output-ul AI brut, ceea ce supraevaluează performanța detectorilor pe textul care a fost revizuit. Pentru a măsura diferența, umanizăm documente academice cu umanizatorul academic ProofreaderPro și le trimitem fiecărui detector prin interfața sa standard. Un document trece atunci când probabilitatea AI returnată se situează sub pragul de semnalare al detectorului.

Aderența semantică la textul-sursă a rămas peste 94% la fiecare rulare. Corpusul acoperă 2.000 de documente academice din STEM, științele sociale și științele umaniste, iar cifrele sunt actualizate cu fiecare rulare a benchmarkului. Metodologia completă este în comparația noastră de humanizatoare AI.

Implicația pentru afirmațiile privind acuratețea este directă, un detector care identifică în mod fiabil output-ul brut al modelului poate totuși să rateze marea majoritate a textului editat. Scorurile de detecție descriu statistici de suprafață, iar revizuirea modifică aceste statistici.

Ce spun furnizorii de detecție despre propria lor acuratețe

Documentația furnizorilor este mai prudentă decât practica universitară. Ghidul publicat de Turnitin afirmă că indicatorul său de redactare AI poate produce fals pozitive, în special în jurul pragului său inferior de raportare, iar compania descrie indicatorul ca punct de plecare pentru o discuție cu cadrul didactic, nu ca dovadă de abatere. GPTZero publică propriile sale cifre de acuratețe și recomandă verificarea umană a fiecărui document semnalat. OpenAI a retras în 2023 clasificatorul său oficial de text AI, după ce a concluzionat că acuratețea sa era prea scăzută pentru a fi utilă. Când companiile care construiesc aceste sisteme le spun utilizatorilor să verifice manual semnalele, tratarea unui procent ca dovadă depășește ceea ce instrumentele pretind despre ele însele.

Problema falselor pozitive despre care nimeni nu vorbește

Falsele pozitive sunt criza tăcută din detectarea AI. Când un detector etichetează incorect un text scris de om ca fiind generat de AI, mută povara probei asupra autorului. "Dovedește că nu ai folosit AI" este o cerință aproape imposibilă.

Testele noastre au identificat tipare constante în care textele scrise de oameni au fost etichetate în mod fals:

Scriere formală, foarte structurată. Cu cât proza este mai organizată și mai finisată, cu atât este mai probabil ca un detector să o marcheze. Fraze clare de deschidere a temei, progresie logică a paragrafelor, terminologie consecventă, toate acestea sunt tipare comune atât scrierii umane de calitate, cât și rezultatelor AI.

Secțiuni formulare. Secțiunile de metodologie, descrierile procedurale și recenziile de literatură urmează șabloane specifice disciplinei. Fiecare cercetător scrie "data were collected using semi-structured interviews" în același fel. Detectoarele nu pot distinge convenția de generare.

Vocabular cu entropie scăzută. Unele domenii, precum dreptul, medicina, ingineria, folosesc vocabular specializat cu opțiuni limitate de sinonime. Când trebuie să utilizați în mod repetat termeni specifici, textul dumneavoastră pare mai "previzibil" pentru un detector bazat pe perplexitate.

Engleză ca limbă non-nativă. Revenim mereu la acest aspect pentru că este cea mai îngrijorătoare constatare. Cercetătorii care scriu în a doua lor limbă produc texte cu diversitate lexicală mai redusă și structuri mai formulare, exact tiparele pe care detectoarele le asociază cu AI. Acest lucru creează un rezultat discriminatoriu cu care majoritatea instituțiilor nu s-au confruntat.

Ce înseamnă asta pentru cercetătorii care folosesc instrumente AI

Dacă folosiți AI ca asistent de scriere - pentru redactare, restructurare, finisare - peisajul detecției creează o problemă reală. Chiar și textul pe care l-ați scris integral de mână ar putea fi semnalat. Textul asistat de AI va fi aproape sigur semnalat, cu excepția cazului în care luați măsuri pentru a-l umaniza.

Recomandările noastre pe baza acestui test:

Nu aveți încredere în verdictul unui singur detector. Am observat exemple care au obținut 5% într-un instrument și 68% în altul. Dacă instituția dumneavoastră folosește un singur detector, acela este cel care contează pentru conformitate - dar un singur scor nu este dovadă de utilizare a AI.

Umanizați strategic. Outputul brut al AI este detectabil. Textul bine umanizat, în mare parte, nu este. Dacă ați folosit asistență AI, treceți schița printr-un quality humanization tool și adăugați propria voce personală. Testele noastre au arătat că această combinație a redus scorurile de detecție la sub 15% în toate cele cinci instrumente.

Păstrați-vă schițele. Salvați versiunile intermediare ale lucrării. Istoricul browserului, jurnalele conversațiilor ChatGPT, PDF-urile adnotate, notițele scrise de mână - toate acestea oferă dovezi ale procesului dumneavoastră de scriere, dacă vreodată vi se cere socoteală.

Susțineți politici instituționale mai bune. Instrumentele de detecție AI nu sunt suficient de fiabile pentru a servi drept singura dovadă a abaterii academice. Dacă universitatea dumneavoastră tratează un scor Turnitin AI drept dovadă, contestați acest lucru - cu date. Distribuiți studii precum acesta.

Pentru pași practici privind gestionarea textului semnalat, consultați ghidul nostru despre how researchers are bypassing AI detection without cheating.

Cursa înarmării în detecția AI nu încetinește. Detectoarele se vor îmbunătăți. Dar la fel se vor îmbunătăți și instrumentele de scriere asistată de AI. Soluția pe termen lung nu este o detecție mai bună - este o politică mai bună, care recunoaște modul în care scrierea se desfășoară de fapt acum.

Munca dumneavoastră este reală. Ideile dumneavoastră sunt reale. Un algoritm defectuos nu ar trebui să fie arbitrul acestui lucru.

Întrebări frecvente

Q: Care este cel mai precis detector AI?

În testarea noastră, Turnitin și Originality.ai au fost la egalitate pentru cea mai mare acuratețe generală, cu 72% și 74% respectiv, în toate categoriile de eșantioane. Totuși, acuratețea a variat semnificativ în funcție de tipul de text. Turnitin a fost cel mai bun la identificarea ieșirii brute AI, dar a avut mai multe rezultate fals pozitive pe textul în engleză al vorbitorilor non-nativi. Originality.ai a fost mai echilibrat, dar mai puțin eficient pe textul umanizat. Niciun detector nu a obținut peste 80% acuratețe în toate categoriile, ceea ce reprezintă o limitare semnificativă pentru instrumentele folosite pentru a lua decizii privind integritatea academică.

Q: Funcționează detectorii AI pe scrierea academică?

Ei funcționează mai bine pe unele tipuri de scriere academică decât pe altele. Ieșirea brută, needitată, generată de AI în stil academic este, de obicei, detectată, ratele de detecție au variat între 70% și 100% în testul nostru. Dar textul academic formal, scris de oameni, declanșează rezultate fals pozitive la rate îngrijorătoare, până la 12% în testarea noastră. Domeniile tehnice cu vocabular specializat și autorii care nu sunt vorbitori nativi de engleză sunt afectați în mod disproporționat. Răspunsul scurt este: detectorii AI funcționează pe scrierea academică, dar nu suficient de fiabil pentru a servi drept dovadă de sine stătătoare.

Q: Cât de des marchează detectorii AI textul scris de oameni?

În testul nostru pe 20 de eșantioane scrise de oameni, 10 în engleză nativă și 10 non-native, 9 eșantioane, 45%, au primit un scor AI peste 20% la cel puțin un detector. Trei texte scrise de oameni au obținut peste 50% la cel puțin un instrument. Rata de rezultate fals pozitive per detector a variat între 4% și 12%. Dacă sunteți vorbitor non-nativ de engleză și scrieți proză academică formală, șansele unui rezultat fals pozitiv sunt și mai mari. De aceea recomandăm să păstrați schițele și dovezile privind procesul, indiferent dacă ați folosit sau nu instrumente AI.

Q: Funcționează detectorii AI pe text umanizat sau editat?

Mult mai puțin fiabil decât pe ieșirea brută. În benchmark-ul nostru de 2,000 de documente, textul procesat de un humanizer academic a trecut de detecția AI a Turnitin în până la 92.33% dintre documente, la cea mai puternică setare. Detecția depinde de tipare statistice, iar revizuirea substanțială le elimină.

Q: Poate fi folosit un scor de detecție AI drept dovadă de abatere?

Chiar furnizorii spun că nu. Turnitin își prezintă indicatorul ca pe un semnal pentru o analiză ulterioară, iar rezultatele fals pozitive în cazul scrierii autentice, realizate de oameni, sunt documentate la fiecare detector major. Un scor este un motiv să priviți mai atent, și nimic mai mult.

AI Proofreader for Research Papers

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