Neueste Erkenntnisse aus der Forschung zur KI-Erkennung
Ein Überblick über aktuelle wissenschaftliche Forschungsergebnisse zur KI-Erkennung – und darüber, wo Pangram in veröffentlichten Benchmarks immer wieder auftaucht.
Inhaltsverzeichnis
- Studie 1: Personen, die ChatGPT häufig für Schreibaufgaben nutzen, können KI-generierte Texte zuverlässig und treffsicher erkennen
- Studienübersicht
- Was das über Pangram aussagt
- Weitere Informationen:
- Studie 2: Wettbewerb zur Erkennung maschinell generierter Texte über verschiedene Domänen hinweg
- Studienübersicht
- Was das über Pangram aussagt
- Weitere Informationen:
- Studie 3: ESPERANTO: Bewertung synthetisierter Phrasen zur Verbesserung der Robustheit bei der KI-Erkennung der Textquelle
- Studienübersicht
- Was das über Pangram aussagt
- Weitere Informationen:
- Bonus: Pangrams eigene Forschung
- DAMAGE: Erkennung von durch Adversarial-Angriffe manipuliertem, KI-generiertem Text
- Technischer Bericht zum Pangram-Klassifikator für KI-generierte Texte
- Engagement für die Forschung

Pangram etabliert sich zunehmend als führende Instanz bei der Erkennung von KI-generierten Inhalten. Unser branchenführender Ansatz und unser Modell finden regelmäßig Erwähnung in den neuesten Studien zum Thema KI-Erkennung. Deshalb möchten wir heute einige aktuelle Studien und deren Ergebnisse vorstellen!
Studie 1: Personen, die ChatGPT häufig für Schreibaufgaben nutzen, können KI-generierte Texte zuverlässig und treffsicher erkennen
Studienübersicht
In dieser Studie untersuchen Forscher der University of Maryland, wie Menschen von KI generierte Texte erkennen. Sie beauftragen Korrekturleser mit unterschiedlichem Vertrautheitsgrad mit großen Sprachmodellen (LLMs), 300 Sachartikel zu lesen und zu versuchen, diese als von Menschen verfasst oder von KI generiert einzustufen. Sie stellen fest, dass Personen, die große Sprachmodelle häufig für Schreibaufgaben nutzen, selbst ohne Training besonders gut darin sind, von KI generierte Texte zu erkennen.
Was das über Pangram aussagt
Die Studie vergleicht die menschliche Leistungsfähigkeit mit der von „automatischen Detektoren“ (auch bekannt als Pangram). Sehen Sie sich die Ergebnisse an:

Das „Humanizer“-Modell von Pangram (mehr dazu weiter unten) und Pangram selbst waren mit Abstand die besten Erkennungsmodelle und erkannten 100 % aller KI-generierten Texte. Beide Modelle zeigten zudem eine hohe Robustheit gegenüber Umformulierungen und Humanisierung und erzielten dabei eine Erkennungsrate von 90 %.
Weitere Informationen:
Die veröffentlichte Studie finden Sie hier
Studie 2: Wettbewerb zur Erkennung maschinell generierter Texte über verschiedene Domänen hinweg
Studienübersicht
In dieser Studie wollten Forscher der University of Pennsylvania untersuchen, ob Detektoren auf eine feste Auswahl von KI-Modellen, Dokumenttypen und „adversarial attacks“ (Versuche, KI-Text schwerer erkennbar zu machen) übertragen werden können. Sie stellen fest, dass „Detektoren in der Lage sind, Texte aus vielen verschiedenen Bereichen und Modellen gleichzeitig zuverlässig zu erkennen“. Wenn Ihnen jemand erzählt, dass KI-Detektoren nicht funktionieren, verweisen Sie ihn einfach auf diese Studie!
Was das über Pangram aussagt

Da ist Pangram, ganz oben! Wir haben den ersten Platz belegt, punktgleich mit einem Detektor eines Forschungsteams von Leidos, der speziell für diese Studie entwickelt und trainiert wurde.
Weitere Informationen:
Den vollständigen Blogbeitrag zu diesem Thema finden Sie hier, und die veröffentlichte Studie können Sie hier einsehen !
Studie 3: ESPERANTO: Bewertung synthetisierter Phrasen zur Verbesserung der Robustheit bei der KI-Erkennung der Textquelle
Studienübersicht
Diese Studie befasst sich mit einer Angriffsmethode namens „Back-Translation“, bei der Angreifer einen Text in mehrere Sprachen übersetzen und anschließend wieder ins Englische zurückübersetzen, um die Erkennung durch KI zu umgehen. Sie stellen fest, dass sie die semantische Bedeutung des Textes beibehalten können, während die Erkennbarkeit des KI-Textes (bei den meisten Detektoren 😄) deutlich verringert wird.
Was das über Pangram aussagt

Wie Sie sehen können, weist Pangram in allen Kategorien die beste Robustheit auf. Während die Rückübersetzung die Erkennungsrate der Konkurrenz manchmal auf die Hälfte oder fast ein Viertel sinken lässt, bleibt Pangram robust.
Weitere Informationen:
Lesen Sie hier unseren ersten Blogbeitrag und hier die veröffentlichte Studie !
Bonus: Pangrams eigene Forschung
Wenn Sie mehr über die internen Forschungsarbeiten erfahren möchten, die Pangram durchführt, um unser Modell zu verbessern, finden Sie hier weitere Informationen zu diesen Studien:
DAMAGE: Erkennung von durch Adversarial-Angriffe manipuliertem, KI-generiertem Text
Technischer Bericht zum Pangram-Klassifikator für KI-generierte Texte
Engagement für die Forschung
Wir bei Pangram setzen uns dafür ein, die Forschung auf diesem Gebiet voranzutreiben, und bieten daher Wissenschaftlern, die sich für die Erforschung der KI-Erkennung mit Pangram interessieren, kostenlosen und uneingeschränkten Zugang. Möchten Sie mehr erfahren? Kontaktieren Sie uns unter info@pangram.com

Elyas Masrour ist Gründungsingenieur bei Pangram. Seit er direkt nach seinem Abschluss an der University of Maryland als zweiter Mitarbeiter zu Pangram kam, hat er wichtige Infrastrukturkomponenten wie die Modell-Serving-API, rollenbasierte Zugriffskontrollen und unterstützende Evidenz-Pipelines aufgebaut. Elyas arbeitet zudem eng mit dem Forschungsteam an Projekten wie adversarialer Robustheit, Modellinterpretierbarkeit und der Erkennung heterogener gemischter Inhalte zusammen. Außerhalb der Arbeit genießt Elyas die vielfältigen Ausdrucksformen menschlicher Kreativität, darunter Filmemachen, Lesen und das Erkunden der Stadt.
Weiterführende Literatur

Stellungnahme zu Bidens Verordnung zur Sicherheit künstlicher Intelligenz

Kann Pangram „Claude Sonnet 5“ erkennen?

Die KI-Erkennung ist jetzt noch besser: Wir stellen Checkfor.ai vor

Mitarbeiter im Fokus: Lernen Sie Elyas kennen, den Gründungsingenieur von Pangram!

Kann Pangram „Claude Opus 5“ erkennen?
