Is dit gemaakt door ChatGPT?

Is dit gemaakt door chatgpt: hoe ai werkt

Veel mensen vragen zich af of een tekst origineel is wanneer deze door een computer is geschreven. Het begrijpen van de werking van moderne taalmodellen helpt bij het beoordelen van de originaliteit en de juridische status van gegenereerde content, vooral in relatie tot de vraag of is dit gemaakt door chatgpt kan worden vastgesteld.

Is dit gemaakt door ChatGPT? De harde grens tussen AI-tekst en plagiaat

De vraag of een tekst door ChatGPT is geschreven kan te maken hebben met verschillende factoren. Veel studenten en professionals zijn doodsbang dat hun werk onterecht als AI-fraude wordt bestempeld, terwijl anderen twijfelen aan de originaliteit van de gegenereerde content. Maar laten we meteen een hardnekkig misverstand uit de weg ruimen: hoewel de angst voor afkeuring groot is, pleegt ChatGPT technisch gezien geen traditioneel plagiaat omdat het model geen teksten letterlijk kopieert van bestaande websites.

Toen ik zelf voor het eerst een volledig rapport door een AI-scanner haalde, schrok ik me kapot. Mijn eigen handgeschreven tekst - waar ik bloed, zweet en liters koffie in had gestoken - kreeg plotseling een AI-waarschijnlijkheidsscore van dertig procent. Mijn hart zat in mijn keel. Hoe kon een machine beweren dat ik mijn eigen woorden niet had geschreven? Die frustrerende ervaring dwong me om diep in de techniek achter taalmodellen en detectiesoftware te duiken. De realiteit blijkt een stuk genuanceerder dan een simpele procentuele score.

Hoe genereert ChatGPT eigenlijk tekst?

Om te begrijpen waarom kunstmatige intelligentie geen traditioneel plagiaat pleegt, moeten we kijken naar de onderliggende tekstgeneratie. ChatGPT werkt niet als een geavanceerde zoekmachine die knipt en plakt uit een database. In plaats daarvan voorspelt het algoritme telkens het meest logische volgende woord op basis van patronen die het heeft geleerd tijdens de trainingsfase. Het model bouwt zinnen op vanaf nul, vergelijkbaar met de voorspellende tekstfunctie op je smartphone, maar dan op een gigantische en complexe schaal.

Dit voorspellende mechanisme zorgt ervoor dat de output bijna altijd structureel uniek is. Toch is er een addertje onder het gras. Omdat het model traint op bestaande literatuur, kan het bij zeer specifieke definities of feitelijke onderwerpen onbewust patronen reproduceren die sterk lijken op de bron.

Uit grootschalige analyses van modeluitvoer blijkt bijvoorbeeld dat bijna zestig procent van de rauwe GPT-3.5-outputs sporen van overlappende informatie of structuur bevatten wanneer ze door strenge plagiaatscanners worden gehaald. Dit percentage ligt aanzienlijk hoger bij exacte wetenschappen zoals natuurkunde en wiskunde, simpelweg omdat er maar een beperkt aantal manieren is om een wetenschappelijke formule of wet correct in tekst uit te drukken.

Het cruciale verschil tussen traditioneel plagiaat en AI-fraude

Voor scholen en universiteiten is de grens tussen het kopiëren van andermans werk en het laten schrijven door een machine vaak flinterdun, maar technisch en juridisch gezien zijn het twee totaal verschillende concepten. Waar traditioneel plagiaat draait om het schenden van auteursrecht door het overnemen van specifieke, door mensen geschreven zinnen zonder bronvermelding, draait AI-fraude om de intellectuele integriteit: het presenteren van computergegenereerd werk alsof het je eigen denkproces is.

De betrouwbaarheid van AI-detectors onder de loep

Met de explosieve stijging van het AI-gebruik hebben onderwijsinstellingen massaal software omarmd om computergegenereerde teksten te ontmaskeren. Grote platforms adverteren met indrukwekkende nauwkeurigheidscijfers van boven de negenennegentig procent. De praktijk is helaas een stuk weerbarstiger. Onafhankelijke validatietests laten zien dat de werkelijke nauwkeurigheid van de meeste commerciële detectors in realistische scenarios schommelt tussen de vijfenzestig en negentig procent. Dit betekent dat blind vertrouwen op een algoritmische score riskant is.

Het grootste pijnpunt voor eerlijke schrijvers is het risico op een onterechte beschuldiging, ook wel een valse positieve score genoemd. Gevestigde systemen in de onderwijswereld hebben te maken met een foutmarge waarbij ongeveer vier procent van de volledig door mensen geschreven zinnen onterecht als AI wordt gemarkeerd.

Bij academische essays met een formele schrijfstijl stijgt dit risico aanzienlijk. Erger nog: internationaal onderzoek van Stanford toont aan dat detectors een systematische achterstand hebben bij non-native schrijvers. Maar liefst eenenzestig procent van de essays geschreven door studenten met Engels of Nederlands als tweede taal werd onterecht als AI-productie gelabeld, omdat hun schrijfpatronen vaker een beperkter en voorspelbaarder vocabulaire gebruiken - exact de statistische vingerafdruk waar AI-detectors naar zoeken.

De technologische wapenwedloop staat nooit stil. Je kunt proberen een detector te slim af te zijn door zinnen handmatig te herschrijven of synoniemen te zoeken - hoewel basale parafrasering de detectiezekerheid van sommige tools al met meer dan tachtig procent doet instorten. Maar eerlijk gezegd? Dat is de moeite niet waard. De enige waterdichte verdediging tegen de gebreken van AI-detectie is niet het manipuleren van je tekst, maar het transparant kunnen aantonen van je schrijfproces via je documentgeschiedenis en opeenvolgende kladversies.

Vergelijking: Plagiaat vs. AI-generatie

Traditioneel plagiaat

• Het letterlijk kopiëren en plakken van tekst uit bestaande publicaties, websites of documenten

• Directe schending van het auteursrecht en intellectueel eigendom van de oorspronkelijke auteur

• Het correct toepassen van citatierichtlijnen en een sluitende bronvermelding in de tekst

• Database-matching waarbij gezocht wordt naar identieke reeksen van woorden en zinsstructuren

AI-Tekstgeneratie

• Het woord-voor-woord voorspellen van nieuwe zinnen op basis van statistische kansberekening

• Geen directe schending van auteursrecht, maar vaak wel een overtreding van academische integriteitsregels

• Transparant overleg over de toegestane kaders van AI-ondersteuning binnen de specifieke opdracht

• Kansberekening die kijkt naar de mate van voorspelbaarheid en variatie in de tekst

Het misverstand van Daan: Van AI-schrik naar een transparante oplossing

Daan, een vierdejaars student Bedrijfskunde aan een hogeschool in Utrecht, gebruikte ChatGPT uitsluitend om de structuur van zijn scriptie-inleiding op te zetten. Hij schreef de uiteindelijke paragrafen volledig zelf, maar bleef onbewust vasthouden aan de formele, ietwat stijve zinsopbouw die de AI hem had voorgesteld.

Bij de eerste formele inlevering sloeg de scanner van zijn scriptiebegeleider alarm met een AI-score van vijfenveertig procent. De begeleider opende direct een procedure wegens academische fraude. Daan raakte in complete paniek - zijn afstuderen liep direct gevaar door een machine.

In plaats van in de verdediging te schieten of boos te worden, besloot Daan zijn volledige digitale voetafdruk te verzamelen. Hij realiseerde zich dat zijn online tekstverwerker elke minuut een back-up maakte. Hij opende de versiegeschiedenis van zijn document om te laten zien hoe de tekst organisch was gegroeid.

Tijdens het gesprek met de examencommissie toonde hij de opeenvolgende versies, zijn handgeschreven aantekeningen en zijn bronnenlijst. De commissie zag in dat er geen sprake was van knip-en-plakwerk, seponeerde de zaak en adviseerde hem zijn schrijfstijl actiever te variëren om toekomstige algoritmische fouten te voorkomen.