Detektory AI próbują rozpoznać, czy tekst powstał z pomocą modelu językowego, ale ich wynik nie jest technicznym odpowiednikiem odcisku palca ani dowodem autorstwa. Narzędzia potrafią trafnie wskazać część treści generowanych maszynowo, a jednocześnie popełniają fałszywe alarmy i mają problem z tekstami tworzonymi wspólnie przez człowieka i AI. Dla studenta najważniejszy wniosek jest praktyczny: raport detektora powinien rozpoczynać weryfikację, a nie ją kończyć.
Jak działają: perplexity i wzorce
Najprostsze wyjaśnienie zaczyna się od przewidywalności języka. Model językowy podczas generowania tekstu wybiera kolejne tokeny na podstawie prawdopodobieństwa wynikającego z wcześniejszego kontekstu. Jeśli tekst jest bardzo regularny, konsekwentny i statystycznie przewidywalny, niektóre metody detekcji uznają to za sygnał, że mógł powstać przy udziale modelu.
Jedną z miar używanych do opisu przewidywalności jest perplexity. W dużym uproszczeniu niższa wartość oznacza, że modelowi łatwiej przewidzieć kolejne elementy tekstu, a wyższa wiąże się z większym zaskoczeniem. Polski Jednolity System Antyplagiatowy opisuje pierwszą iterację własnego mechanizmu detekcji właśnie przez regularność tekstu i miarę perplexity. OPI zaznacza przy tym, że system określa prawdopodobieństwo, a ostateczna ocena należy do promotora.
To jednak nie znaczy, że każdy współczesny detektor wykonuje prosty pomiar perplexity i na tej podstawie wystawia wynik. Stosowane są również klasyfikatory uczone na przykładach tekstów ludzkich i generowanych, analiza rozkładu słów, znaków oraz konstrukcji językowych czy metody porównujące badaną wypowiedź ze wzorcami charakterystycznymi dla określonych modeli. Opis badań nad detektorami pokazuje, że współczesne systemy mogą łączyć kilka takich podejść.
Detektor nie odnajduje w zdaniu ukrytej etykiety „napisał ChatGPT”. Szacuje autorstwo na podstawie cech, które mogą wystąpić również w tekście człowieka.
Stąd bierze się podstawowy problem z pytaniem czy da się wykryć ChatGPT. Da się wykrywać pewne statystyczne ślady i klasyfikować tekst z określonym prawdopodobieństwem, ale sam wynik nie pozwala automatycznie odtworzyć procesu powstania pracy. Tym bardziej że rzeczywiste teksty coraz częściej nie należą do czystej kategorii „100 proc. człowiek” albo „100 proc. model”.
| Co analizuje system | Co może sugerować | Czego samo nie dowodzi |
|---|---|---|
| przewidywalność języka | regularny sposób formułowania zdań | że autorem był konkretny model |
| wzorce stylistyczne | podobieństwo do danych treningowych klasyfikatora | że student nie pisał samodzielnie |
| fragmenty oznaczone jako AI | obszary wymagające bliższego sprawdzenia | naruszenia regulaminu |
| procent lub poziom prawdopodobieństwa | ocenę algorytmu | rzeczywistego procentu tekstu stworzonego przez AI |
| analiza całego dokumentu | ogólny sygnał ostrzegawczy | sposobu pracy nad kolejnymi wersjami |
Ważne jest też rozróżnienie detektora AI i programu antyplagiatowego. System antyplagiatowy szuka podobieństwa badanego tekstu do istniejących źródeł. Detektor AI próbuje klasyfikować sposób jego powstania. Poradnik o działaniu JSA i antyplagiatu pomaga oddzielić te dwa mechanizmy.
Co mówią badania o skuteczności
Badania nie dają uczciwej podstawy do stwierdzenia, że „detektory nie działają”. Nie pozwalają też powiedzieć, że wynik popularnego narzędzia jest wystarczającym dowodem autorstwa. Wyniki mocno zależą od badanego detektora, modelu generującego tekst, języka, rodzaju materiału i tego, czy próbka jest całkowicie ludzka, całkowicie generowana czy mieszana.
Jedno z większych badań opublikowanych w 2023 roku przetestowało 14 narzędzi, w tym Turnitin. Autorzy stwierdzili dużą zmienność skuteczności oraz występowanie zarówno fałszywych pozytywów, jak i tekstów AI zaklasyfikowanych jako ludzkie. Żaden z testowanych systemów nie przekroczył w tej konfiguracji 80 proc. ogólnej trafności.
Inne eksperymenty dawały lepsze wyniki. W badaniu dotyczącym esejów humanistycznych dwa spośród trzech testowanych detektorów osiągnęły trafność wyższą niż 79,41 proc. uzyskane przez ludzkich oceniających, a najlepszy w konkretnym zestawie testowym przekroczył 95 proc. Autorzy nadal zaznaczali, że statystyczna klasyfikacja nie powinna samodzielnie prowadzić do ukarania studenta, szczególnie gdy rzeczywista praca obejmuje współtworzenie tekstu przez człowieka i AI.
Najbardziej aktualny obraz komplikuje sprawę jeszcze bardziej. Badanie opublikowane w lipcu 2026 roku porównało GPTZero, Pangram, Copyleaks i Turnitin na 160 dokumentach: ludzkich, generowanych, hybrydowych oraz generowanych z późniejszą ludzką obróbką. Wszystkie narzędzia poprawnie rozpoznały całkowicie ludzkie teksty w tym zestawie, ale ich wyniki dla pozostałych kategorii znacznie się różniły. Autorzy uznali, że detektory mogą dostarczać przydatnych wstępnych sygnałów, lecz nie powinny stanowić samodzielnego dowodu w decyzjach o dużych konsekwencjach.
| Badanie | Materiał | Główny wniosek |
|---|---|---|
| International Journal for Educational Integrity, 2023 | 14 detektorów | duża zmienność, fałszywe pozytywy i negatywy |
| Scientific Reports, 2023 | odpowiedzi z 32 kursów | badane klasyfikatory nie wykrywały autorstwa niezawodnie |
| badanie esejów humanistycznych, 2024 | 68 esejów | część detektorów uzyskała wysoką trafność, ale nadal popełniała błędy |
| International Journal for Educational Integrity, 2026 | 160 dokumentów czterech typów | widoczny postęp, lecz duże różnice między narzędziami i kategoriami tekstu |
Turnitin sam uwzględnia to ograniczenie w dokumentacji aktualnej w marcu 2026 roku. Firma pisze, że model może błędnie sklasyfikować zarówno tekst ludzki, jak i generowany czy parafrazowany i że raportu nie należy używać jako jedynej podstawy działań przeciw studentowi. Wyniki poniżej 20 proc. nie są nawet prezentowane jako konkretna wartość procentowa, między innymi ze względu na ryzyko fałszywych pozytywów.
Wykrywanie tekstu AI jest więc klasyfikacją obarczoną błędem, a nie testem laboratoryjnym z odpowiedzią „tak” albo „nie”.
Fałszywe pozytywy — kogo krzywdzą
Fałszywy pozytyw powstaje wtedy, gdy tekst napisany przez człowieka zostaje oznaczony jako prawdopodobnie generowany. W edukacji koszt takiego błędu jest wyjątkowo wysoki, ponieważ dotyczy nie abstrakcyjnej statystyki, lecz autorstwa pracy, oceny i reputacji konkretnej osoby.
Szczególnie głośne stało się badanie Stanforda dotyczące osób piszących po angielsku jako języku nierodzimym. Siedem analizowanych detektorów jednomyślnie uznało 18 z 91 prawdziwych esejów TOEFL za generowane przez AI, a przynajmniej jeden z detektorów oznaczył 89 z 91 tekstów. Autorzy wiązali problem między innymi z niższą różnorodnością leksykalną i składniową, którą część algorytmów może interpretować jako większą przewidywalność.
Nie należy automatycznie przenosić tych konkretnych liczb na polszczyznę ani na nowsze wersje każdego narzędzia. Badanie dobrze pokazuje jednak problem konstrukcyjny: cecha korelująca w zbiorze testowym z tekstem AI może występować również u człowieka. Podobne wątpliwości dotyczą mocno sformalizowanego stylu akademickiego, krótkich wypowiedzi, tekstów tłumaczonych oraz prac osób korzystających z narzędzi językowych.
Fałszywe oskarżenie o AI może być szczególnie trudne dla studenta, który otrzymuje wynik klasyfikatora bez informacji pozwalających odtworzyć tok decyzji algorytmu. Nie powinno więc dochodzić do odwrócenia ciężaru dowodu w stylu: „system coś zaznaczył, więc udowodnij, że tego nie zrobiłeś”.
Wynik detektora może uzasadniać pytanie o proces powstania pracy. Nie powinien automatycznie zastępować tego procesu dochodzeniem opartym wyłącznie na jednym procencie.
Równocześnie uczciwy problem istnieje po drugiej stronie. Fałszywe negatywy oznaczają niewykrycie rzeczywiście wygenerowanych treści. Detektor o bardzo ostrożnym progu może rzadziej niesłusznie oskarżać studentów, ale przepuszczać więcej przypadków niedozwolonego użycia AI. Nie ma ustawienia, które usuwa oba typy błędu naraz.
Uczelnie a detektory: praktyki 2026
W 2026 roku nie istnieje jeden światowy model postępowania. Uczelnie wybierają bardzo różne rozwiązania, a różnice dotyczą zarówno dostępności detektorów, jak i tego, jakie znaczenie może mieć ich raport w postępowaniu dotyczącym integralności akademickiej.
UNSW Sydney dopuszcza użycie narzędzia Turnitin do sygnalizowania potencjalnego niedozwolonego wykorzystania AI, ale oficjalne wskazówki wyraźnie określają wynik jako impuls do dalszej analizy. Oceniający mają opierać się również na profesjonalnym osądzie i rozmowie ze studentem.
Monash University przyjęło bardziej restrykcyjne podejście do samej detekcji. Aktualne materiały uczelni mówią, że detektory AI nie zostały zatwierdzone do używania jako dowód przy zgłaszaniu naruszenia warunków zaliczenia. Uczelnia wskazuje między innymi na problemy dotyczące trafności, prywatności, równości traktowania i bezpieczeństwa danych.
Jeszcze dalej poszedł Curtin University. Od 1 stycznia 2026 roku wyłączył funkcję wykrywania tekstu generowanego w Turnitin we wszystkich kampusach i okresach studiów, pozostawiając zwykłe procedury dotyczące integralności akademickiej.
Polska ma własny przypadek: JSA. Funkcja analizy możliwego użycia AI została udostępniona uczelniom już w 2024 roku. Oficjalny opis OPI podkreśla, że moduł nie daje stuprocentowej pewności i że raport interpretuje promotor. Aktualna strona projektu nadal wymienia rozwijanie możliwości weryfikacji fragmentów, które mogły powstać z wykorzystaniem sztucznej inteligencji.
Szeroki kontekst narzędzi używanych podczas studiów znajduje się w poradniku narzędzia AI dla studentów 2026. Z kolei kwestie dozwolonego zakresu pomocy, deklarowania użycia modeli i odpowiedzialności autora porządkuje materiał o etyce AI na uczelni.
Praktyka 2026 roku przesuwa się od pytania „czy system wykrył AI?” w stronę pytania „czy student spełnił jasno określone warunki zadania i potrafi wykazać własny wkład?”.
Ochrona: historia wersji, notatki, proces
Sekcja samoobrony studenta nie polega na „pisaniu tak, żeby detektor niczego nie zauważył”. Takie podejście prowadziłoby dokładnie w stronę obchodzenia zasad. Znacznie mocniejsza ochrona polega na zachowaniu śladów normalnego procesu pracy, które istnieją niezależnie od późniejszego wyniku dowolnego algorytmu.
Jeżeli praca jest rzeczywiście samodzielna, kilka prostych nawyków ułatwia wyjaśnienie jej powstania:
- Zachowuj konspekt i wcześniejsze wersje, zamiast pracować wyłącznie w jednym nadpisywanym pliku.
- Korzystaj z historii wersji w edytorze, jeśli jest dostępna. Pokazuje ona rozwój dokumentu w czasie, a nie tylko końcowy rezultat.
- Trzymaj notatki ze źródeł wraz z bibliografią, numerami stron i własnymi komentarzami.
- Zachowuj materiały robocze: tabele, obliczenia, szkice argumentów, pytania badawcze czy wyniki analiz.
- Jeśli regulamin pozwala korzystać z AI, zapisuj wymagane deklaracje dotyczące narzędzia i zakresu jego użycia.
- Zachowaj treść polecenia i zasady obowiązujące przy konkretnym zaliczeniu.
Historia wersji nie jest sama w sobie magicznym „certyfikatem człowieka”. Student może pisać poza danym edytorem, wklejać wcześniej przygotowane fragmenty albo pracować w kilku narzędziach. Dlatego brak rozbudowanej historii również nie powinien automatycznie oznaczać winy. Jest to po prostu jeden z wielu elementów pozwalających odtworzyć proces.
Przy podejrzeniu użycia AI na uczelni znaczenie ma także zdolność do rozmowy o własnym tekście. Osoba, która rzeczywiście opracowała argument, powinna umieć wyjaśnić wybór źródeł, metodę, sens pojęć i drogę prowadzącą do wniosków. Taka rozmowa daje informacje, których sam detektor tekstu nie posiada.
Dobrą praktyką jest oddzielanie trzech rodzajów materiału: źródeł, własnych notatek oraz treści uzyskanych z narzędzia AI. Mieszanie ich w jednym dokumencie zwiększa ryzyko, że po kilku tygodniach nie będzie wiadomo, które zdanie było własnym szkicem, które cytatem, a które propozycją modelu.
Uczciwe zasady korzystania z AI
Najlepszą ochroną przed sporem nie jest obsesyjne sprawdzanie własnego tekstu w pięciu detektorach. Każdy może zwrócić inny wynik, a wgranie pracy do przypadkowego serwisu rodzi dodatkowe pytania o prywatność i przechowywanie treści. Znacznie ważniejsze jest ustalenie przed rozpoczęciem zadania, jaki zakres pomocy AI dopuszcza prowadzący.
Uczciwe korzystanie z AI można oprzeć na kilku prostych poziomach. Narzędzie może pomóc wyjaśnić pojęcie albo przygotować pytania do nauki. Może też wspierać planowanie, jeśli zadanie na to pozwala. Bardziej problematyczne staje się generowanie argumentacji, analizy czy gotowych fragmentów tam, gdzie oceniana ma być właśnie samodzielna umiejętność studenta.
Najważniejszą zasadą jest zgodność z warunkami konkretnego zadania, nie z ogólnym przekonaniem, że „AI jest dozwolone” albo „AI jest zakazane”. Jedne zajęcia mogą dopuszczać użycie modelu pod warunkiem jawnej deklaracji, inne mogą wymagać całkowicie samodzielnej odpowiedzi. Ta sama czynność będzie więc oceniona inaczej w dwóch różnych kontekstach.
Praktyczny schemat przed oddaniem pracy wygląda następująco:
- sprawdź zasady dotyczące AI zapisane w poleceniu lub regulaminie;
- ustal, czy użycie trzeba zadeklarować i w jaki sposób;
- zweryfikuj fakty i źródła niezależnie od odpowiedzi modelu;
- odpowiadaj samodzielnie za argumentację i finalny tekst;
- nie przekazuj narzędziu danych poufnych ani materiałów, których nie wolno udostępniać;
- zachowaj wystarczająco czytelny proces pracy, aby móc później wyjaśnić własne decyzje.
Nie każda pomoc AI jest oszustwem akademickim i nie każdy wygładzony stylistycznie tekst został napisany przez model. Równocześnie jawne podpisanie wygenerowanej pracy własnym nazwiskiem tam, gdzie wymagano samodzielności, pozostaje problemem nawet wtedy, gdy żaden detektor tego nie zauważy.
Detektory będą się poprawiać, podobnie jak modele generujące tekst. Badanie z 2026 roku pokazuje realny postęp części systemów, ale nawet jego autorzy nie rekomendują zamiany wyniku klasyfikatora w samodzielny dowód. Rozsądniejsza procedura łączy techniczny sygnał, treść zadania, proces powstania pracy i ocenę człowieka.
FAQ
Czy detektor AI może udowodnić, że tekst napisał ChatGPT?
Nie. Detektor może oszacować, że tekst wykazuje cechy kojarzone z treścią generowaną, ale wynik pozostaje klasyfikacją probabilistyczną. Nawet Turnitin zaznacza, że jego raport może zawierać błędne klasyfikacje i nie powinien stanowić jedynej podstawy negatywnych działań wobec studenta.
Co zrobić, gdy własny tekst został oznaczony jako AI?
Najbardziej użyteczne są materiały pokazujące rzeczywisty proces pracy: konspekt, notatki ze źródeł, wcześniejsze wersje, historia zmian, obliczenia i możliwość wyjaśnienia argumentacji. Należy też poprosić o wskazanie zasad postępowania obowiązujących na danej uczelni. Celem nie jest „pokonanie” detektora, lecz umożliwienie rzetelnej oceny autorstwa.
Czy JSA wykrywa teksty generowane przez AI?
JSA ma funkcję analizy możliwego wykorzystania sztucznej inteligencji, wprowadzoną w 2024 roku i nadal rozwijaną. OPI opisuje jej działanie między innymi przez regularność tekstu i miarę perplexity, jednocześnie podkreślając, że system wskazuje prawdopodobieństwo, a końcowa interpretacja raportu należy do promotora.
