Compilatio Plagiat- und KI-Detektor: Was Sie überprüfen sollten, bevor Sie einem Score vertrauen

Was ist Compilatio und wie funktioniert es?

Compilatio begann als Plagiaterkennungsdienst für den französischen Bildungsmarkt und ist seitdem zu einem der am weitesten verbreiteten Ähnlichkeitsprüfwerkzeuge in französischsprachigen weiterführenden Schulen und Universitäten geworden, mit Adoptionen, die sich auch auf andere europäische Institutionen erstrecken. Seine Kernfunktion vergleicht ein eingereichte Dokument mit einem großen Index von Webseiten, veröffentlichter akademischer Arbeit und zuvor eingereichten Studentenarbeiten und gibt dann einen Ähnlichkeitsbericht zurück, der zeigt, welche Abschnitte mit vorhandenen Quellen übereinstimmen und wie eng. Dieser Ähnlichkeitsprozentsatz ist die Zahl, auf die sich Lehrer und Administratoren jahrelang verlassen haben, wenn sie Studenteneinreichungen auf mögliches Plagiat überprüften. In den letzten Produktzyklen hat die Plattform eine zweite Ebene zu ihren Berichten hinzugefügt: eine Schätzung, wie wahrscheinlich es ist, dass ein Abschnitt von einem KI-Schreibwerkzeug generiert wurde, präsentiert als eigene Score neben der Ähnlichkeitszahl, anstatt sie zu ersetzen. Wie die meisten kommerziellen Erkennungsanbieter hat es nicht die vollständigen technischen Details hinter dieser KI-Erkennungsbewertung veröffentlicht – die genauen Signale, die es gewichtet, und wie es trainiert wurde, sind keine öffentlichen Informationen. Die Verfügbarkeit des KI-Erkennungsmoduls, das genaue Report-Layout und wie prominent es angezeigt wird, können je nach Institution und Abonnementbereich variieren. Was ein Schüler oder Lehrer in einem Compilatio-Report sieht, ist nicht garantiert, dass es mit dem übereinstimmt, was jemand an einer anderen Schule sieht. Wenn Sie versuchen zu verstehen, was Ihr eigener Report Ihnen zeigt, ist die Überprüfung mit dem Administrator Ihrer Institution oder der eigenen Dokumentation des Anbieters zuverlässiger als die Annahme, dass jede Bereitstellung identisch funktioniert.

Wie unterscheidet sich Plagiatserkennung von KI-Erkennung?

Plagiatserkennung und KI-Schreiberkennung lösen zwei wirklich unterschiedliche Probleme, auch wenn ein einzelner Report beide Scores nebeneinander darstellt. Eine Ähnlichkeitsprüfung funktioniert durch den Abgleich von Text mit einem Index vorhandener Quellen – Webseiten, Fachzeitschriftnartikel, zuvor eingereichte Arbeiten – und die Kennzeichnung von Abschnitten, die eng genug übereinstimmen, um auf Kopien ohne Nennung hinzudeuten. Es ist grundsätzlich ein Such- und Vergleichsprozess: Das Tool bewertet nicht, wer den Satz geschrieben hat, sondern nur, ob dieser genaue Satz (oder etwas sehr Ähnliches) bereits irgendwo anders existiert. KI-Schreiberkennung funktioniert nach einem völlig anderen Prinzip. Anstatt Text mit einem Quellindex zu vergleichen, betrachtet es statistische Eigenschaften des Schreibens selbst, am häufigsten Perplexität (wie vorhersehbar jede Wortentscheidung angesichts des umgebenden Kontextes ist) und Ausbruch (wie sehr sich Satzlänge und -struktur in einem Dokument unterscheiden). Sprachmodelle produzieren tendenziell Text, der glatter und statistisch gleichmäßiger ist als typisches menschliches Schreiben, und Detektoren werden gebaut, um dieses Muster zu erkennen. Ein Abschnitt kann niedrig bei Ähnlichkeit und hoch bei KI-Wahrscheinlichkeit bewerten oder umgekehrt, weil die beiden Überprüfungen nach völlig unterschiedlichen Signalen suchen. Beide Nummern auf ein Dashboard zu setzen ist eine Bequemlichkeit, kein Zeichen dafür, dass sie dasselbe messen, und die Behandlung eines niedrigen Ähnlichkeitsscore als Beweis dafür, dass ein Abschnitt nicht von KI geschrieben wurde (oder die Behandlung eines hohen KI-Score als Beweis für Plagiat) missversteht, was jede Zahl dir wirklich sagt.

Wie genau ist die KI-Erkennungsfunktion von Compilatio?

Compilatio hat keine unabhängig überprüften Genauigkeitszahlen für seine KI-Erkennungsfunktion veröffentlicht, was es in die gleiche Position wie die meisten kommerziellen Detektoren auf dem Markt bringt – Anbieter beschreiben ihre Tools im Allgemeinen als wirksame Überprüfungshilfen eher als fehlerfreie Verdikt, und die Materialien des Anbieters selbst stellen den KI-Score als eines von mehreren Signalen anstatt einer eigenständigen Bestimmung dar. Durch Fachkollegen überprüfte Forschung zu KI-Detektoren allgemeiner, die Tools abdeckt, die auf ähnlichen Perplexitäts- und Ausbruchansätzen basieren, hat wiederholt bedeutende Falschpositivquoten bei bestimmten Schreibkategorien sowie reduzierte Genauigkeit auf Text gefunden, der paraphrasiert oder leicht bearbeitet wurde, nachdem er mit einem KI-Tool entworfen wurde. Es gibt keinen öffentlichen Grund, davon auszugehen, dass dieses KI-Erkennungsmodul immun gegen die gleichen Fehler ist, die vergleichbare Tools beeinflussen, und es gibt derzeit keinen unabhängigen Drittanbieter-Benchmark, mit dem Sie genau überprüfen können, wo seine Genauigkeit im Vergleich zu Konkurrenten liegt. Das ist eine vernünftige Grundlage für Vorsicht anstatt Ablehnung: Der Score kann eine nützliche Flagge sein, die einen genaueren Blick veranlasst, aber er ist allein nicht stark genug als Beweis für eine riskante Entscheidung wie eine Notenstrafe oder ein Befund der akademischen Integrität.

"Ein Erkennungsscore ist ein Grund, einen Text genauer anzuschauen, nicht ein Verdikt allein – das gilt, ob das Tool Compilatio, Turnitin oder etwas anderes auf dem Markt ist."

Was sollten Sie überprüfen, bevor Sie einem Compilatio-Score vertrauen?

Da die Reports von Compilatio und die Feature-Verfügbarkeit je nach Institution, Abonnementbereich und sogar bei den Aufgabeneinstellungen, die ein Lehrer konfiguriert, unterschiedlich sein können, lohnt es sich, einige Details zu bestätigen, bevor Sie einen Score als zuverlässig behandeln. Preisgestaltung, genaue Integrationen und welche Erkennungsmodule aktiviert sind, sind auch die Art von Details, die sich im Laufe der Zeit ändern. Daher ist die direkte Überprüfung bei Ihrer Institution oder bei Compilatio zuverlässiger als die Abhängigkeit von Drittbeschreibungen, einschließlich dieser.

1. Bestätigen Sie, ob das KI-Erkennungsmodul tatsächlich für Ihren Kurs oder Ihre Institution aktiviert ist – Ähnlichkeitsprüfung und KI-Erkennung werden in vielen Bereitstellungen separat konfiguriert
2. Fragen Sie, welchen Schwellenwert Ihr Lehrer oder Ihre Institution als bemerkenswert einstuft, da Compilatio selbst keinen universellen Pass/Fail-Cutoff festlegt
3. Überprüfen Sie, welche Sprachen die KI-Erkennungsfunktion derzeit gut unterstützt, da Genauigkeit und Abdeckung über Sprachen hinweg variieren können
4. Finden Sie heraus, ob der Report, den Sie ansehen, die neueste Version Ihres Dokuments oder einen früheren Entwurf widerspiegelt, der zuvor eingereicht wurde
5. Fragen Sie Ihre Institution, was prozedural nach einer Flagge geschieht – ob ein menschlicher Prüfer die Datei ansieht, bevor irgendwelche Konsequenzen folgen
6. Wenn Sie unsicher über eine bestimmte Funktion, Preisgestaltung oder Integrationsdetails sind, überprüfen Sie die eigene Dokumentation von Compilatio oder die Anleitung Ihrer Institution, anstatt anzunehmen, dass sie mit dem übereinstimmt, was Sie woanders gelesen haben

Falschpositive Risiken und andere Einschränkungen, die Sie kennen sollten

Die Schreibkategorien, die am ehesten falsche Positive auf KI-Detektoren auslösen, sind allgemein dokumentiert, und es gibt keinen starken Grund, davon auszugehen, dass diese Funktion außerhalb dieses Musters liegt. Nicht-Muttersprachler, die in einer zweiten Sprache schreiben, produzieren oft eine Prosa, die grammatisch regelmäßiger und idiomatisch weniger variiert ist als Schreiben von Muttersprachlern, was statistisch "glatt" lesbar sein kann, auf eine Weise, die damit überlappt, wie KI-generierter Text tendenziell bewertet wird. Stark bearbeitete Schreiben – ein Entwurf, der mehrere Überarbeitungsrunden mit einem Tutor, einem Schreibzentrum oder einem Grammatikprüfwerkzeug durchlaufen hat – kann einige der Unregelmäßigkeiten verlieren, die Detektoren als Signal menschlichen Ursprungs verwenden, obwohl jedes Wort vom Schüler geschrieben und überarbeitet wurde. Formale oder technische Schreiben, einschließlich Laborberichte, rechtsähnliche Analyse und hochstrukturierte Geschäftsschreiben, tendieren zu niedrig-Perplexität, auch wenn sie vollständig von einer Person geschrieben werden, einfach weil das Genre selbst konventionelle Phrasing belohnt. Nichts davon bedeutet, dass die Scores des Tools über Bord unzuverlässig sind; es bedeutet, dass die gleichen Vorbehalte, die für jeden kommerziellen KI-Detektor gelten – menschliche Überprüfung vor irgendwelchen Konsequenzen, unterstützende Beweise über einen einzelnen Score hinaus und zusätzliche Sorgfalt bei ESL und stark bearbeiteten Schreiben – auch hier gelten.

Wie Compilatio in den akademischen Integritäts-Workflow einer Institution passt

In den meisten Bereitstellungen ist ein Compilatio-Report – ob es der Ähnlichkeitsscore, der KI-Erkennungsscore oder beides ist – so konzipiert, dass er vor einem menschlichen Prüfer sitzt, anstatt ein automatisches Ergebnis auszulösen. Ein Lehrer oder Beamter der akademischen Integrität schaut sich typischerweise die gekennzeichneten Passagen direkt an, überprüft, ob der hervorgehobene Text ordnungsgemäß zitiert ist oder wirklich ähnlich wie die anderen Arbeiten des Schülers erscheint, und entscheidet, ob die Datei ein Gespräch mit dem Schüler wert ist, bevor irgendein formales Verfahren beginnt. Institutionen unterscheiden sich erheblich in der Konfiguration und Handhabung von Compilatio-Ergebnissen: Einige legen konservative Schwellenwerte fest und reservieren das Tool für Stichprobenkontrollen, andere überprüfen jede Einreichung als Selbstverständlichkeit, und spezifische Eskalationsmechanismen werden auf institutioneller Ebene anstatt durch Compilatio selbst festgelegt. Wenn Sie ein Schüler oder Lehrer sind, der versucht zu verstehen, was eine Flagge tatsächlich für eine bestimmte Aufgabe bedeutet, ist die akademische Integritätspolitik Ihrer eigenen Institution – nicht allgemeine Informationen darüber, wie das Tool funktioniert – die maßgebliche Quelle dafür, was als nächstes passiert.

Verwendung von NotGPT als Vorprüfung oder zweite Meinung

Das Durchführen Ihrer eigenen Schreiben durch einen separaten Detektor vor der Einreichung ist eine vernünftige Möglichkeit, um einen potenziellen Falschpositiv früh zu erkennen, und es gibt Ihnen auch eine unabhängige zweite Lesung, anstatt sich auf die Ausgabe eines einzelnen Tools zu verlassen. Die KI-Text-Erkennung von NotGPT gibt eine Bewertung auf Satzebene mit hervorgehobenen Passagen, die speziell für KI-Schreiberkennung anstatt als Add-On für ein Plagiat-Matching-Produkt gebaut ist, was es zu einem nützlichen unabhängigen Vergleichspunkt neben einem Compilatio-Report macht. Wenn Ihre eigenes Schreiben unerwartet von beiden Tools gekennzeichnet wird, ist die Überprüfung mit einem zweiten, anders gebautem Detektor eine der praktischeren Möglichkeiten, um zu erkennen, ob die Flagge wahrscheinlich ein Falschpositiv ist, das an Ihren Schreibstil gebunden ist, oder ein Abschnitt, der vor dem Einreichen wirklich überprüft werden sollte. Für Schüler speziell ist das Ziel einer Vorprüfung nicht, einen Detektor zu manipulieren, sondern Stilmuster zu erkennen – übermäßig einheitliche Satzstruktur, einen ungewöhnlich generischen Abschnitt – die unerwünschte Aufmerksamkeit auf sich ziehen könnten, und sie zu überarbeiten, damit die endgültige Einreichung deutlich als Ihre Arbeit gelesen wird.

1. Fügen Sie Ihren Entwurf in die KI-Text-Erkennung von NotGPT ein, bevor Sie ihn irgendwo einreichen, wo eine Compilatio-Überprüfung stattfinden könnte
2. Vergleichen Sie, welche spezifischen Sätze gekennzeichnet werden, da die Überlappung zwischen zwei unabhängig gebautem Tools ein stärkeres Signal ist als der einzelne Score
3. Wenn ein Abschnitt gekennzeichnet ist und er wirklich Ihr eigenes Schreiben ist, überarbeiten Sie ihn auf natürliche Variation in der Satzlänge und fügen Sie spezifisches, konkretes Detail hinzu, anstatt von vorne zu revidieren
4. Behalten Sie Entwürfe und Revisionshistorie für alles, was Sie einreichen, da Dokumentation das überzeugendste Beweismittel ist, wenn eine Flagge jemals formal überprüft wird
5. Behandeln Sie jeden einzelnen Score – von Compilatio, NotGPT oder einem anderen Tool – als einen Input in eine menschliche Entscheidung, nicht als einen Abschluss allein

"Überprüfung mit einem unabhängigen Detektor geht nicht darum, um einen Score zu bestreiten – es geht darum, einem menschlichen Prüfer mehr Informationen zu geben, bevor etwas entschieden wird."