Hoe Detecteert Canvas AI? De Echte Mechanica Achter de Score

Hoe Detecteert Canvas AI in een Inzending, Stap voor Stap?

Hoe detecteert Canvas AI in een inzending? Het proces begint op het moment dat een student op verzenden klikt, niet wanneer een instructeur de opdracht opent. Als de opdracht is gemaakt met een Turnitin-gekoppelde of vergelijkbare LTI-integratie, stuurt Canvas de inzending naar het aangesloten programma via LTI 1.3, de huidige versie van de Learning Tools Interoperability-standaard waarmee externe toepassingen in een LMS kunnen werken alsof ze ingebouwde functies zijn. Die overdracht bevat de tekstinhoud van de inzending, de opdracht-ID en voldoende metagegevens om het resultaat terug te leiden naar de juiste student en beoordelingskolom — maar niets over hoe de student het schreef. Het externe programma haalt leesbare tekst uit welk bestandsformaat ook is ingediend, plaatst de geëxtraheerde tekst in de wachtrij voor analyse en voert deze uit via een getraind classificatiemodel. Zodra de scoring klaar is, stuurt het programma het resultaat terug naar Canvas via dezelfde LTI-verbinding met behulp van een uitkomstenserviceaanroep, en de score verschijnt in de SpeedGrader-weergave van de instructeur naast het plagiaatvergelijkingsrapport, meestal binnen enkele minuten voor korte inzendingen en tot een uur tijdens drukke perioden zoals de eindejaarsexamenweek. Canvas slaat geen kopie op van de analyselogica, voert geen deel van de scoring zelf uit en heeft geen inzicht in hoe het externe model tot zijn conclusie is gekomen — het is een koerier voor tekst die naar buiten gaat en een score die terukomt.

1. Student stuurt een bestand of geplakte tekst in via de Canvas-opdracht pagina
2. Canvas initieert een LTI 1.3-verbinding naar het gekoppelde detectieprogramma (meestal Turnitin)
3. Het externe programma haalt leesbare tekst uit het ingediende bestand
4. Geëxtraheerde tekst wordt in de wachtrij geplaatst en via het classificatiemodel van het programma verwerkt
5. De resulterende score wordt via een LTI-uitkomstenserviceaanroep naar Canvas teruggestuurd
6. De score verschijnt in SpeedGrader naast het plagiaatvergelijkingsrapport

Wat Gebeurt er Eigenlijk Tijdens de Scan: Tokenisering, Scoring en Tekstverwerking

De scanstap is geen trefwoordzoeking of plagiaatstijlvergelijking met een database — er is geen vaste tekst om mee te vergelijken omdat het schrijven volledig origineel zou kunnen zijn. In plaats daarvan breekt het classificatiemodel de geëxtraheerde tekst in overlappende segmenten, vaak enkele honderden woorden elk, en evalueert elk segment op statistische patronen die gepaard gaan met taalmodeluitvoer. Twee eigenschappen bepalen de meeste van deze classificatoren: perplexiteit, die meet hoe voorspelbaar elke woordkeuze is gegeven de woorden ervoor, en burstiness, die meet hoe sterk de zinlengte en structuur variëren over een passage. Grote taalmodellen hebben de neiging om tekst met lagere perplexiteit te genereren omdat ze zijn getraind om woorden met hoge waarschijnlijkheid te selecteren, en met lagere burstiness omdat hun zinsritme relatief gelijk blijft. Het model wijst elk segment een waarschijnlijkheidsscore toe, dan voegt het segmentscores samen tot het enkele percentage dat op het rapport verschijnt, samen met markering op zinniveau die de specifieke passages markeert die het totaalaantal bepalen. Dit is een getrainde classificator die een probabilistische beoordeling maakt, geen opzoeken — wat precies verklaart waarom dezelfde onderliggende mechanica die AI-gegenereerde tekst vangt ook menselijk schrijven vangt dat deze statistische eigenschappen toevallig deelt, zoals formele academische proza of zwaar geredigeerde concepten.

"Het model vergelijkt uw zin niet met een database met ChatGPT-uitvoer — het vraagt zich af hoe statistisch onverrast uw woordkeuzes zijn vergeleken met typische menselijke variatie." — NLP-onderzoeker die AI-detectie op basis van classificator beschrijft, 2025

Welke Canvas-inzendingstypen Kan de Pijplijn Werkelijk Analyseren?

Of de detectiepijplijn een Canvas-inzending al kan analyseren hangt volledig af van of het programma bruikbare tekst eruit kan halen. Dit is het praktische antwoord op hoe Canvas AI op bestandstypniveau detecteert — het hangt af van wat de classificator kan lezen, niet van wat een student daadwerkelijk schreef. Getypte tekstinvoer, geplakte tekst en standaard documentuploads — Word-bestanden, tekstbestanden en PDF's met een echte tekstlaag — extraheren schoon en gaan zonder problemen door de pijplijn. Gescande PDF's en gefotografeerde handgeschreven pagina's zijn een ander verhaal: als het bestand in wezen een afbeelding zonder ingesloten tekstlaag is, heeft het detectieprogramma niets om te tokeniseren, en de inzending gaat door zonder AI-analyse tenzij de instelling eerst ook optische tekenherkenning uitvoert, wat de meeste standaard Canvas-Turnitin-integraties niet automatisch doen. Canvas-quizzen gebouwd uit meerkeuzevragen, waar/onwaar of matchingvragen produceren helemaal geen analyseerbare proza — er is geen zinniveau tekst voor een classificator om te evalueren, daarom vallen deze vraagtypen helemaal buiten AI-tekstdetectie ongeacht welk programma een school heeft aangesloten. Korte antwoord- en essaystijlquizvragen kunnen worden geanalyseerd als de instelling die integratie heeft geconfigureerd, hoewel dit minder algemeen is dan detectie op toewijzingsniveau. Codeinzendingen gaan onbetrouwbaar door de meeste detectiepijplijnen omdat classificators op patronen in natuurlijke taal zijn getraind en code volgt volledig andere statistische regels. Groepsinzendingen worden als één document gescoord, wat betekent dat de pijplijn geen manier heeft om toe te schrijven welke delen van welke medewerker afkomstig zijn.

1. Getypte of geplakte tekstinvoer — betrouwbaar geanalyseerd
2. Word-documenten en tekstgebaseerde PDF's — betrouwbaar geanalyseerd
3. Gescande of gefotografeerde pagina's zonder tekstlaag — meestal overgeslagen
4. Meerkeuze-, waar/onwaar- en matchingquizvragen — niet analyseerbaar
5. Korte antwoord- of essaystijlquizantwoorden — alleen geanalyseerd als afzonderlijk geconfigureerd
6. Codeinzendingen — via de pijplijn geleid maar onbetrouwbaar geclassificeerd
7. Groepsinzendingen — als één document gescoord zonder toewijzing per auteur

Hoe Detecteert Canvas AI Betrouwbaar — en Waar Tekort?

Zelfs wanneer een inzending volledig op tekst gebaseerd is en schoon door de pijplijn gaat, bepalen verschillende structurele beperkingen hoeveel de resulterende score een instructeur werkelijk kan vertellen. De meeste detectieprogramma's vereisen een minimumaantal woorden — meestal ongeveer 300 woorden — voordat ze überhaupt een score genereren, omdat kortere passages niet genoeg statistische steekproef bieden voor het model om tot een stabiele waarschijnlijkheidsschatting te komen; inzendingen onder die drempel retourneren meestal een bericht "onvoldoende tekst" in plaats van een percentage. De betrouwbaarheid daalt ook voor niet-Engelstalige inzendingen, omdat de meeste classificators voornamelijk op Engelstalige tekstparen zijn getraind, en voor inhoud die meerdere talen binnen één document mengt. Canvas zelf volgt niet automatisch de geschiedkundige gegevens op toetsenbordniveau of tijdgestempelde herzieningsgegevens voor de meeste toewijzingstypen, dus het detectieprogramma heeft geen concepttijdlijn om met de uiteindelijke inzending te vergelijken — het ziet alleen de voltooide tekst, zonder manier om te verifiëren of die tekst over drie uur is getypt of in één beweging is geplakt, tenzij een aparte proctoring-extensie erboven wordt gelegd. De classificators zijn ook versiespecifiek: een model dat is getraind om patronen van AI-schrijfprogramma's van één generatie te herkennen, kan achter blijven bij nieuwere modellen die natuurlijker variërende uitvoer produceren, wat deels verklaart waarom de nauwkeurigheid van detectie in de loop van de tijd verschuift naarmate zowel AI-schrijfprogramma's als detectieclassificators blijven bijwerken. Geen van deze beperkingen betekent dat de score betekenisloos is, maar ze betekenen wel dat het een waarschijnlijkheidsschatting is op basis van onvolledige informatie, niet een geverifieerde registratie van hoe een document is geschreven.

Waarom Produceert Dezelfde Pijplijn Verschillende Scores voor Vergelijkbare Tekst?

Studenten merken soms op dat twee passages die voor het oog even formeel of AI-achtig lezen, heel verschillende scores teruggeven, en de mechanica verklaart waarom. De classificator score statische patronen op segmentniveau, dus een document met enkele AI-beïnvloede paragrafen gemengd in anders door mensen geschreven secties kan een matige gemengde score opleveren in plaats van uniform hoog — de aggregatiestap maakt gemiddelden op segmenten, wat betekent dat zware bewerking van alleen de gemarkeerde delen het totaal aantal aanzienlijk kan verschuiven zelfs als het meeste van het document ongewijzigd blijft. Dit is deel van waarom de vraag hoe Canvas AI detecteert geen enkel vast antwoord heeft — dezelfde pijplijn kan verschillende nummers retourneren voor vergelijkbare tekst afhankelijk van timing, configuratie en welke delen toevallig in een gemarkeerd segment vallen. Parafraseprogramma's bemoeilijken dit verder: licht parafraseren dat alleen synoniemen vervangt, heeft de neiging om de lage perplexiteit, lage burstiness-handtekening te behouden die de originele vlag veroorzaakte, terwijl parafraseren dat de zinsorde herstructureert en lengte betekenisvoller varieert, de score kan verlagen zonder noodzakelijk de onderliggende betekenis te veranderen. Institutionele configuratie voegt nog een ander niveau van variatie toe — sommige scholen stellen hun integratie in om een ruw percentage weer te geven, terwijl anderen een drempel toepassen die alleen een vlag oppikt boven een bepaalde cutoff, dus dezelfde onderliggende score kan er anders uitzien afhankelijk van hoe de Canvas-instantie van een instructeur is ingesteld. En omdat de classificators zelf periodiek opnieuw worden getraind en gekalibreerd, kan dezelfde exacte tekst maanden later via dezelfde pijplijn van dezelfde instelling een meetbaar ander score opleveren, gewoon omdat het model dat de scoring doet is veranderd.

Wat Gebeurt er Met de Score Nadat de Scan Klaar is?

Zodra de score in SpeedGrader terechtkomt, is het werk van de pijplijn klaar — alles wat daarna gebeurt is een menselijk besluit, geen mechanisch. Canvas markeert niet automatisch, faalt niet automatisch of rapporteert automatisch iets op basis van het getal; het geeft eenvoudig terug wat het verbonden programma heeft geretourneerd, op dezelfde manier als het een plagiaatvergelijkingspercentage weergeeft. Sommige instellingen hebben drempelbeleid ingesteld waarbij scores boven een bepaalde cutoff automatisch een melding naar een kantoor voor academische integriteit activeren, maar dat beleid behoort tot het niveau van instelling of afdeling, afzonderlijk van het detectieprogramma zelf geconfigureerd. Bij afwezigheid van drempelbeleid blijft interpretatie volledig aan de instructeur, die de score doorgaans afweegt met andere context: eerdere schrijfsamples van de student, de aard van de toewijzing en of de gemarkeerde passages overeenkomen met patronen die de instructeur al associeert met de stem van die student. Omdat de onderliggende mechanica eerder een waarschijnlijkheid dan een uitspraak oplevert, behandelt de meeste institutionele begeleiding — inclusief kaders die sinds 2024 door kantoren voor academische integriteit zijn gepubliceerd — de score als startpunt voor een gesprek met de student in plaats van zelfstandig bewijs van wangedrag.

Hoe Kun je je Schrijven Testen Tegen dezelfde Mechanica die Canvas Gebruikt?

Omdat de detectiepijplijn statistische patronen scoort in plaats van naar een specifieke "hint" te zoeken, is het nuttigste wat een student voor inzending kan doen, zien hoe hun eigen concept tegen een soortgelijke analyse presteert. Het doorsturen van een concept via een detectieprogramma dat perplexiteit en burstiness op zinniveau scoort, toont welke specifieke passages als statistisch uniform lezen — dezelfde passages die een Canvas-geïntegreerd programma waarschijnlijk zou markeren — terwijl er nog tijd is om voor de deadline te herzien. De tekstdetector van NotGPT past dit soort zinniveauanalyse toe en markeert precies welke delen het totale waarschijnlijkheidspercentage bepalen, wat nuttiger is dan een enkel gemengd percentage omdat het laat zien waar je moet focussen. Als een gemarkeerde passage werkelijk uw persoonlijke formele schrijfstijl weerspiegelt in plaats van AI-hulp, kan de Humanize-functie zinsritme en formulering aanpassen met Lichte, Gemiddelde of Sterke intensiteit om de statistische uniformiteit die valse vlaggen triggert te verminderen, zonder de essentie van wat u zegt te veranderen. Het doel is niet om een score te slim af te zijn — het is om te begrijpen, voordat een instructeur dat doet, welke delen van een inzending de statistische vingerafdruk delen waarop deze classificators zijn gebouwd.

1. Maak je concept klaar met voldoende tijd om het vóór de Canvas-deadline te controleren
2. Voer de volledige tekst door een AI-detectieprogramma op zinniveau
3. Let op welke specifieke passages het hoogste scoren in plaats van alleen het totale percentage
4. Controleer of gemarkeerde passages zwaar zijn geredigeerd, sterk formeel of ongewoon uniform in zinslengte
5. Herzien gemarkeerde secties voor natuurlijke variatie, of gebruik een humaniseringsprogramma als de gemarkeerde stijl werkelijk van jou is
6. Controleer het herziene concept opnieuw voordat u het via Canvas indient