Bagaimana Canvas Mendeteksi AI? Mekanika Sebenarnya di Balik Skor

Bagaimana Canvas Mendeteksi AI dalam Pengiriman, Langkah demi Langkah?

Bagaimana Canvas mendeteksi AI dalam pengiriman? Prosesnya dimulai saat siswa mengklik kirim, bukan saat instruktur membuka tugas. Jika tugas dibuat dengan integrasi Turnitin atau LTI serupa, Canvas mengirimkan pengiriman ke alat yang terhubung melalui LTI 1.3, versi standar Learning Tools Interoperability saat ini yang memungkinkan aplikasi eksternal beroperasi di dalam LMS seolah-olah mereka adalah fitur asli. Transmisi itu membawa konten teks pengiriman, ID tugas, dan metadata yang cukup untuk mengarahkan hasil kembali ke siswa yang benar dan kolom nilai — tetapi tidak ada tentang cara siswa menulisnya. Alat eksternal mengekstrak teks yang dapat dibaca dari format file apa pun yang dikirimkan, menempatkan teks yang diekstrak dalam antrian untuk analisis, dan menjalankannya melalui model klasifikasi terlatih. Setelah penilaian selesai, alat mengirimkan hasil kembali ke Canvas melalui koneksi LTI yang sama menggunakan panggilan layanan hasil, dan skor muncul di tampilan SpeedGrader instruktur di sebelah laporan kesamaan plagiat, biasanya dalam hitungan menit untuk pengiriman pendek dan hingga satu jam selama periode lalu lintas tinggi seperti minggu ujian akhir. Canvas tidak menyimpan salinan logika analisis, tidak melakukan bagian apa pun dari penilaian itu sendiri, dan tidak memiliki visibilitas tentang bagaimana model eksternal mencapai kesimpulannya — ini adalah kurir untuk teks keluar dan skor masuk.

1. Siswa mengirimkan file atau teks yang ditempel melalui halaman tugas Canvas
2. Canvas meluncurkan koneksi LTI 1.3 ke alat deteksi yang terhubung (biasanya Turnitin)
3. Alat eksternal mengekstrak teks yang dapat dibaca dari file yang dikirimkan
4. Teks yang diekstrak diantrekan dan dijalankan melalui model klasifikasi alat
5. Skor yang dihasilkan dikirimkan kembali ke Canvas melalui panggilan layanan hasil LTI
6. Skor muncul di SpeedGrader bersama laporan kesamaan plagiat

Apa yang Benar-benar Terjadi Selama Pemindaian: Tokenisasi, Penilaian, dan Agregasi Teks

Langkah pemindaian itu sendiri bukan pencarian kata kunci atau pencocokan gaya plagiat terhadap basis data — tidak ada teks tetap untuk dibandingkan karena tulisannya mungkin sepenuhnya asli. Sebaliknya, model klasifikasi memecah teks yang diekstrak menjadi segmen yang tumpang tindih, sering kali beberapa ratus kata masing-masing, dan mengevaluasi setiap segmen untuk pola statistik yang terkait dengan output model bahasa. Dua properti mendorong sebagian besar pengklasifikasi ini: perpleksitas, yang mengukur seberapa dapat diprediksi setiap pilihan kata mengingat kata-kata sebelumnya, dan ledakan, yang mengukur seberapa banyak panjang dan struktur kalimat bervariasi di seluruh bagian. Model bahasa besar cenderung menghasilkan teks dengan perpleksitas lebih rendah karena mereka dilatih untuk memilih kata-kata dengan probabilitas tinggi, dan dengan ledakan lebih rendah karena ritme kalimat mereka tetap relatif merata. Model memberikan setiap segmen skor probabilitas, kemudian mengagregasi skor tingkat segmen tersebut menjadi persentase tunggal yang muncul di laporan, bersama dengan sorotan tingkat kalimat yang menandai bagian spesifik yang mendorong angka keseluruhan. Ini adalah pengklasifikasi terlatih yang membuat penilaian probabilistik, bukan pencarian — yang persis mengapa mekanika yang mendasari yang menangkap teks yang dihasilkan AI juga menangkap tulisan manusia yang kebetulan berbagi sifat statistik tersebut, seperti prosa akademis formal atau draf yang berat diedit.

"Model tidak mencocokkan kalimat Anda dengan basis data output ChatGPT — ia bertanya seberapa statistik yang mengejutkan pilihan kata Anda dibandingkan dengan variasi manusia yang khas." — Peneliti NLP menggambarkan deteksi AI berbasis pengklasifikasi, 2025

Jenis Pengiriman Canvas Apa yang Benar-benar Dapat Dianalisis Saluran?

Apakah saluran deteksi dapat menganalisis pengiriman Canvas sama sekali tergantung sepenuhnya pada apakah alat dapat mengekstrak teks yang dapat digunakan darinya. Ini adalah jawaban praktis untuk bagaimana Canvas mendeteksi AI di tingkat jenis file — tergantung pada apa yang dapat dibaca pengklasifikasi, bukan pada apa yang benar-benar ditulis siswa. Entri teks yang diketik, teks yang ditempel, dan unggahan dokumen standar — file Word, file teks, dan PDF dengan lapisan teks asli — mengekstrak dengan bersih dan bergerak melalui saluran tanpa masalah. PDF yang dipindai dan halaman yang ditulis tangan difoto adalah cerita yang berbeda: jika file pada dasarnya adalah gambar tanpa lapisan teks yang tertanam, alat deteksi tidak memiliki apa pun untuk tokenisasi, dan pengiriman melewati tanpa analisis AI apa pun kecuali institusi juga menjalankan pengenalan karakter optik terlebih dahulu, yang tidak dilakukan sebagian besar integrasi Canvas-Turnitin standar secara otomatis. Kuis Canvas yang dibangun dari pertanyaan pilihan ganda, benar/salah, atau pencocokan tidak menghasilkan prosa yang dapat dianalisis sama sekali — tidak ada teks tingkat kalimat untuk evaluasi pengklasifikasi, itulah mengapa tipe pertanyaan ini berada sepenuhnya di luar deteksi teks AI terlepas dari alat apa yang terhubung sekolah. Pertanyaan jawaban singkat dan gaya esai dapat dianalisis jika institusi telah mengonfigurasi integrasi tersebut, meskipun ini kurang umum daripada deteksi tingkat tugas. Pengiriman kode melalui sebagian besar saluran deteksi tidak dapat diandalkan, karena pengklasifikasi dilatih pada pola bahasa alami dan kode mengikuti aturan statistik yang sepenuhnya berbeda. Pengiriman grup diskor sebagai dokumen tunggal, yang berarti saluran tidak memiliki cara untuk mengatakan porsi mana yang berasal dari kontributor mana.

1. Entri teks yang diketik atau ditempel — dapat dianalisis dengan andal
2. Dokumen Word dan PDF berbasis teks — dapat dianalisis dengan andal
3. Halaman yang dipindai atau difoto tanpa lapisan teks — umumnya dilewati
4. Pertanyaan pilihan ganda, benar/salah, dan pencocokan — tidak dapat dianalisis
5. Respon kuis jawaban singkat atau esai — dianalisis hanya jika dikonfigurasi secara terpisah
6. Pengiriman kode — dilewatkan melalui saluran tetapi diklasifikasikan tidak dapat diandalkan
7. Pengiriman grup — diskor sebagai dokumen tunggal tanpa atribusi per-penulis

Bagaimana Canvas Mendeteksi AI dengan Andal — dan Di Mana Itu Gagal?

Bahkan ketika pengiriman sepenuhnya berbasis teks dan bergerak dengan lancar melalui saluran, beberapa batasan struktural membentuk seberapa banyak skor yang dihasilkan dapat benar-benar memberitahu instruktur. Sebagian besar alat deteksi memerlukan jumlah kata minimum — biasanya sekitar 300 — sebelum mereka akan menghasilkan skor sama sekali, karena bagian yang lebih pendek tidak memberikan sampel statistik yang cukup untuk model mencapai estimasi probabilitas yang stabil; pengiriman di bawah ambang itu biasanya mengembalikan pemberitahuan 'teks tidak cukup' daripada persentase. Keandalan juga turun untuk pengiriman non-Inggris, karena sebagian besar pengklasifikasi dilatih terutama pada pasangan teks berbahasa Inggris, dan untuk konten yang mencampur beberapa bahasa dalam satu dokumen. Canvas itu sendiri tidak melacak secara asli riwayat tingkat keystroke atau data revisi dengan cap waktu untuk sebagian besar jenis tugas, jadi alat deteksi tidak memiliki garis waktu draf untuk dibandingkan dengan pengiriman akhir — ia hanya pernah melihat teks selesai, tanpa cara untuk memverifikasi apakah teks itu diketik selama tiga jam atau ditempel dalam satu gerakan, kecuali jika perpanjangan pengawasan terpisah disusun di atas. Pengklasifikasi juga spesifik versi: model yang dilatih untuk mengenali pola dari satu generasi alat penulisan AI dapat tertinggal di belakang model yang lebih baru yang menghasilkan output yang lebih bervariasi secara alami, yang merupakan bagian dari alasan mengapa akurasi deteksi bergeser seiring waktu karena alat penulisan AI dan pengklasifikasi deteksi terus diperbarui. Tidak ada batasan ini berarti skor tidak bermakna, tetapi mereka berarti itu adalah estimasi probabilitas yang dibangun atas informasi yang tidak lengkap, bukan catatan terverifikasi tentang cara dokumen ditulis.

Mengapa Saluran yang Sama Menghasilkan Skor Berbeda untuk Teks Serupa?

Siswa terkadang memperhatikan bahwa dua bagian yang membaca sama formalnya atau mirip AI untuk mata kembali dengan skor yang sangat berbeda, dan mekanika menjelaskan mengapa. Pengklasifikasi mencetak pola statistik di tingkat segmen, jadi dokumen dengan beberapa paragraf yang dipengaruhi AI yang dicampur dengan bagian yang ditulis manusia dapat menghasilkan skor campuran yang moderat daripada skor yang seragam tinggi — langkah agregasi rata-rata di seluruh segmen, yang berarti pengeditan berat hanya dari bagian yang ditandai dapat menggeser angka keseluruhan secara substansial bahkan jika sebagian besar dokumen tetap tidak tersentuh. Ini adalah bagian dari mengapa pertanyaan tentang bagaimana Canvas mendeteksi AI tidak memiliki satu jawaban tetap — saluran yang sama dapat mengembalikan angka berbeda untuk teks serupa tergantung pada waktu, konfigurasi, dan bagian mana yang terjadi jatuh ke segmen yang ditandai. Alat parafrase memperumit ini lebih lanjut: parafrase ringan yang hanya menukar sinonim cenderung mempertahankan tanda tangan perpleksitas rendah, ledakan rendah yang memicu bendera asli, sementara parafrase yang reestruktur urutan kalimat dan memvariasikan panjang lebih berarti dapat menurunkan skor tanpa harus mengubah makna mendasar. Konfigurasi institusional menambah lapisan lain dari variasi — beberapa sekolah menetapkan integrasi mereka untuk menampilkan persentase mentah, sementara yang lain menerapkan ambang yang hanya permukaan bendera di atas cutoff tertentu, jadi skor yang sama mendasar dapat terlihat berbeda tergantung pada cara instans Canvas instruktur dikonfigurasi. Dan karena pengklasifikasi itu sendiri dilatih ulang dan dikalibrasi ulang secara berkala, teks yang sama persis dikirimkan berbulan-bulan kemudian melalui saluran institusi yang sama dapat mengembalikan skor yang terukur berbeda, hanya karena model yang melakukan penilaian telah berubah.

Apa yang Terjadi pada Skor Setelah Pemindaian Selesai?

Setelah skor mendarat di SpeedGrader, pekerjaan saluran selesai — semuanya setelah itu adalah keputusan manusia, bukan mekanis. Canvas tidak secara otomatis menandai, secara otomatis gagal, atau secara otomatis melaporkan apa pun berdasarkan angka; itu hanya menampilkan apa pun yang dikembalikan alat yang terhubung, dengan cara yang sama seperti menampilkan persentase kesamaan plagiat. Beberapa institusi telah menetapkan kebijakan ambang di mana skor di atas cutoff yang ditentukan memicu pemberitahuan otomatis ke kantor integritas akademik, tetapi kebijakan itu hidup di tingkat institusional atau departemen, dikonfigurasi terpisah dari alat deteksi itu sendiri. Dengan tidak ada kebijakan ambang, interpretasi dibiarkan sepenuhnya kepada instruktur, yang biasanya menimbang skor di samping konteks lain: sampel tulisan siswa sebelumnya, sifat tugas, dan apakah bagian yang ditandai cocok dengan pola yang sudah dikaitkan instruktur dengan suara siswa itu. Karena mekanika yang mendasari menghasilkan probabilitas daripada putusan, sebagian besar panduan institusional — termasuk kerangka kerja yang diterbitkan oleh kantor integritas akademik sejak 2024 — memperlakukan skor sebagai titik awal untuk percakapan dengan siswa daripada bukti mandiri kesalahan.

Bagaimana Anda Dapat Memeriksa Penulisan Anda Terhadap Mekanika yang Sama yang Digunakan Canvas?

Karena saluran deteksi mencetak pola statistik daripada mencari 'tanda' spesifik, hal paling berguna yang dapat dilakukan siswa sebelum mengirim adalah melihat bagaimana draf mereka sendiri berkinerja terhadap jenis analisis serupa. Menjalankan draf melalui alat deteksi yang mencetak perpleksitas dan ledakan di tingkat kalimat menunjukkan bagian spesifik mana yang dibaca sebagai statistik seragam — bagian yang sama yang alat terintegrasi Canvas kemungkinan akan ditandai — sementara masih ada waktu untuk merevisi sebelum tenggat waktu. Detektor teks NotGPT menerapkan analisis tingkat kalimat semacam ini dan menyoroti bagian mana yang benar-benar mendorong skor probabilitas keseluruhan, yang lebih berguna daripada persentase campuran tunggal karena menunjukkan di mana harus fokus. Jika bagian yang ditandai benar-benar mencerminkan gaya penulisan formal Anda sendiri daripada bantuan AI, fitur Humanize dapat menyesuaikan ritme kalimat dan frasa pada intensitas Ringan, Sedang, atau Kuat untuk mengurangi keseragaman statistik yang memicu alarm palsu, tanpa mengubah substansi dari apa yang Anda katakan. Tujuannya bukan untuk mengakali skor — itu untuk memahami, sebelum instruktur melakukannya, bagian mana dari pengiriman yang berbagi sidik jari statistik yang dibangun oleh pengklasifikasi ini untuk ditangkap.

1. Selesaikan draf Anda dengan cukup waktu untuk meninjau sebelum tenggat waktu Canvas
2. Jalankan teks lengkap melalui alat deteksi AI tingkat kalimat
3. Catat bagian spesifik mana yang skornya tertinggi daripada hanya persentase keseluruhan
4. Periksa apakah bagian yang ditandai berat diedit, sangat formal, atau tidak biasanya seragam dalam panjang kalimat
5. Revisi bagian yang ditandai untuk variasi alami, atau gunakan alat humanisasi jika gaya yang ditandai benar-benar milik Anda
6. Periksa ulang draf yang direvisi sebelum mengirim melalui Canvas