Turnitin AI 检测
Turnitin AI 检测器是一个旨在提供文本可能由 AI 生成的线索的工具。对于学生和教师来说，理解该服务所表达的内容以及其结果的可靠性很重要。Turnitin 本身强调，检测结果不是证据，也不能成为采取措施的唯一依据。行业示例和研究还表明，AI 检测在本质上具有一定的挑战性。
Quelle: 自定义呈现
Turnitin AI 检测器：概览
Turnitin AI 检测器是 Turnitin 的相似性报告（Similarity Report）中的一个功能。它估算“合格的”文本片段中，可能来自一个大型语言模型（LLM）的比例。它在“仅 AI 生成”与“AI 生成并经改写/绕过工具修改过”之间进行区分。技术上，Turnitin 将文本分割为重叠段落，对句子在 0（人工）到 1（AI）之间进行评分，并将这些评分汇总为文档百分比。其基础包括对词序的可预测性等因素，如 Turnitin 的 FAQs 所述。要生成报告，文本至少需要 300 个英文单词的散文。可接受的文件格式包括 .docx、.pdf、.txt 和 .rtf。支持的语言为英语、西班牙语和日语，其中改写/绕过目前仅支持英语。这些 文件要求 是 Turnitin 所规定的。
Quelle: imagetou.com
Turnitin 界面示例，突出显示 KI 检测指标为 75% 的情况。
当前状态与发展
Turnitin 于 2023 年推出了 AI 检测，并在随后发现低阈值下易产生假阳性。自 2024 年 7 月起，分数低于 20% 将不再以数值显示；改为用星号表示，表示分数的可靠性较低。这一点来自 Turnitin 的发布说明。2025 年，推出了一个包含两类（“仅 AI 生成” 与 “AI 生成且 AI 改写”）的增强报告，并通过页面侧边柱形图进行视觉分布，详见 AI writing detection model 的描述。Turnitin 强调，该显示独立于传统的相似度分数，仅作为评估的起点。这在经典报告视图中有说明。根据 Turnitin 的数据，Wired 在 2024 年 4 月报道，超过 200 百万份检查作业中，11% 至少包含 20% 的 AI 语言；其中 3% 的文本 AI 比例达到 ≥80%。文档级假阳性比例在 >20% AI 成分的情况下低于 1%。
分析与背景
高校需要给出方向，因为文本生成工具变得日常化。像 Turnitin 这样的提供商将自己定位为诚信基础设施。机构在教学、公平与证据之间寻求平衡，如 Turnitin 指南中所述。与此同时，一些大学例如 Vanderbilt、Montclair State 等出于对偏见与误警的担忧，临时停止了 AI 检测，或以规范性调整为目的。Vanderbilt 解除 Turnitin AI Detector 的使用。Wired 也有相关报道。Parallel 将 Turnitin 的焦点部分转向过程透明度（如 Writing/Clarity 功能），以便查看产生路径，而不仅仅是最终文本，如 Axios 报道。
Quelle: YouTube
Turnitin 自身简要概览有助于将报告中的术语定位到具体含义（百分比、类别）。
证据及主张的核查
有证据表明，Turnitin 提供了一个关于“极可能来自 AI 的文本所占比例”的百分比估算。分为两类：“仅 AI 生成”与 “AI + 改写”，详见 Turnitin 指南。还证明了散文中至少 300 字的要求、文件类型 .docx/.pdf/.txt/.rtf，以及英语/西班牙语/日语的支持（改写/绕过目前仅英语可用）。这些 文件要求 也有详细说明。分数低于 20% 时不会显示数值（星号），因为此时误报概率较高。这些信息来自 Turnitin 的 发布说明 和关于 经典报告视图 的说明。Turnitin 指出，在文档层面的假阳性比例低于 1%（对于 >20% 的 AI 成分情况），并在模型更新等方面进行了测试。相关信息在 AI 检测能力 FAQ 中提供。
Quelle: bestaito.com
Turnitin 官方宣布其 AI 文字检测的可用性。
尚不清楚这些数值是否在不同学科、语言水平和任务形式中具有鲁棒性——包括“人类化”或改写的 AI 文本等情况。Turnitin 限制性地发布了细粒度指标，而独立的综述研究显示，不同检测工具在不同场景中存在显著的变动，见 EdIntegrity。单一断言说“AI 检测器能证明作弊”并不成立。甚至 Turnitin 自身 2023 年也因准确性不足而停止使用其文本分类器，OpenAI 也在同年表示了相关考虑。链接见 Turnitin Guides、OpenAI 新闻等。
反应与反对意见
高校如 Vanderbilt 曾因透明度与风险而暂停相关功能，参阅其在 Guidance by Vanderbilt 的说明。媒体报道记录了 AI 的真实使用情况与误导性认知的案例，呼吁制定明确规则，而非仅凭技术手段。Turnitin 自身 强调公平性目标、偏见测试与保守阈值以减少误报。这些在 Turnitin 博客与 AI 检测能力 FAQ 中有所描述。与此同时，同行评审研究也显示，不同检测器对非母语者的误判率可能偏高，因此在实践中需要谨慎使用。相关研究见 Cell Patterns。
影响与建议
对教师而言：把 AI 的分数作为对话的起点，而非定论。应在评估时关注“合格文本”特征、潜在缺口（清单、表格等）以及报告中的两类信息，确立课程策略并记录评估过程。可参考 Turnitin Guides 中关于如何审查 AI 报告的建议，以及在高分时应采取的措施。对学生而言：保留草稿、笔记和来源，便于在分数提出问题时进行澄清。墨尔本大学的建议也强调透明使用 KI 的必要性。若使用 KI，需明确允许的用途并进行透明记录，因为“真正的”抄袭仍可能在相似性报告中以其他方式显示。
Quelle: YouTube
对 Turnitin 关于假阳性的简要解释，有助于在与学生沟通时进行说明。
Quelle: lebow.drexel.edu
Turnitin 的 AI 识别率高达 96%，强调需谨慎解读。
开放性问题与未来展望
仍未解决的问题包括：在不同学科、语言水平和任务类型下，真实错误率有多大？是否存在独立的长期现场研究？偏见对非母语者的影响是否会随新阈值和模型而改变？这一问题在 Cell Patterns 等文献中被讨论。未来是否会出现鲁棒的文本来源/出处证明（如水印、来源证明）以支撑教学评估？OpenAI 也在相关方面提出了思考。
结论
Turnitin AI 检测器可以提供有用的线索，尤其是当报告与上下文一起解读时：包括“合格文本”、类别、阈值和任务要求等。它并非欺诈检测器。较低的分数应谨慎解读，较高的分数需要专业评估和对话。上述结论来自 Release Notes 和 Turnitin Guides。由于大型语言模型的快速演进以及绕过/改写工具的存在，检测始终是一个“猫捉老鼠”的过程——作为信号而非最终判决的工具。关于 False Positives 的讨论和多项研究也强调了这一点。若要提升学术诚信，应结合明确的规则、透明的流程和能揭示思维路径的任务设计，并将 AI 报告作为多源信息之一。