Wykrywanie tekstów wygenerowanych przez AI. Jak wykładowcy uczelni sprawdzają prace studentów?

Student oddaje pracę, a kilka godzin później zaczyna się nerwowe przeszukiwanie forów i oglądanie filmów o tym, czy „AI detection" pokaże wysoki wynik. W tle jest jedno wyobrażenie: uczelnia dysponuje narzędziem, które bezbłędnie rozpoznaje, czy tekst powstał z pomocą modelu językowego. To wygodna opowieść, bo upraszcza problem do jednego pytania technicznego. Tyle że realia akademickie są bardziej złożone.

W praktyce wykładowca nie opiera się wyłącznie na jednym wskaźniku. Sprawdza, czy tekst odpowiada tematowi, czy ma logiczną strukturę, czy źródła istnieją, czy student zachowuje własny sposób argumentowania i czy potrafi wyjaśnić, jak powstała praca. Narzędzia są elementem tej układanki, ale nie zamykają sprawy same z siebie.

Dlatego lepsze pytanie brzmi nie: „czy system mnie złapie?”, lecz: „co w mojej pracy pokazuje samodzielność, a co wygląda jak treść wklejona bez zrozumienia?”. Od odpowiedzi na to pytanie zależy znacznie więcej niż sam wynik raportu.

Jednoznaczne wykrycie tekstu AI przez narzędzia tj. Turnitin

To najpopularniejsze uproszczenie. Systemy używane na uczelniach potrafią wskazać fragmenty tekstu, które mogły zostać wygenerowane przez model albo później przerobione przez narzędzie parafrazujące. Nie wydają jednak wyroku w sensie akademickim.

Turnitin – jeden z najszerzej stosowanych na świecie systemów do weryfikacji prac akademickich, używany przez tysiące uczelni – w tym polskie. Jego oficjalny serwis instruktażowy, Turnitin Guides, pisze o tym wprost: raport AI nie powinien być jedyną podstawą działań wobec studenta, bo model może błędnie oznaczać zarówno tekst ludzki, jak i wygenerowany czy przerobiony. Sama firma zaznacza też, że ostateczna ocena wymaga dalszej analizy, ludzkiego osądu i odniesienia do zasad obowiązujących na danej uczelni.

To rozróżnienie ma duże znaczenie. Narzędzie nie odpowiada na pytanie, czy doszło do naruszenia zasad zaliczenia. Odpowiada tylko na węższe pytanie: czy w tekście są fragmenty, które statystycznie wyglądają jak rezultat pracy modelu. A to nie jest to samo.

Wysoki wynik raportu Turnitin oznacza winę studenta, niski wynik daje spokój

Nawet sam sposób prezentowania wyniku pokazuje, że sprawa nie jest zero-jedynkowa. Turnitin podaje, że przy poziomach poniżej 20% nie pokazuje dokładnego procentu ani podświetleń, tylko oznaczenie z gwiazdką, bo w tym zakresie wyniki są mniej wiarygodne i częściej pojawiają się fałszywe alarmy. Dodatkowo raport AI jest czymś innym niż klasyczny wskaźnik podobieństwa; to dwa różne sygnały i nie należy ich ze sobą mylić.

Z perspektywy studenta to oznacza jedną rzecz: niski wynik nie jest certyfikatem samodzielności, a wysoki nie jest automatycznie dowodem oszustwa. Tekst może mieć niewielki ślad AI, a mimo to być problematyczny, jeśli student nie rozumie własnych argumentów. Może też wyglądać podejrzanie dla systemu, choć powstał uczciwie, zwłaszcza gdy jest bardzo schematyczny, techniczny albo napisany w sztywnej formule.

Tu właśnie zaczyna się rola wykładowcy. System daje sygnał. Człowiek ocenia, co ten sygnał naprawdę znaczy.

Co wykładowca sprawdza poza raportem z programu do wykrywania tekstu AI? 

Praktyka akademicka zwykle nie kończy się na jednym kliknięciu w system. Prowadzący patrzy szerzej, bo interesuje go nie tylko tekst, lecz także jakość pracy intelektualnej, która do niego doprowadziła.

Najczęściej znaczenie mają takie elementy:

• spójność stylu – czy język pracy zgadza się z poziomem wcześniejszych wypowiedzi studenta,
• jakość i realność źródeł – czy bibliografia istnieje i pasuje do tematu,
• trafność odpowiedzi na polecenie – czy tekst rzeczywiście wykonuje zadanie, czy tylko brzmi mądrze,
• obrona toku myślenia – czy autor potrafi wyjaśnić, dlaczego użył takiego argumentu, przykładu lub metody.

Turnitin rekomenduje, by wynik raportu był punktem wyjścia do rozmowy, a nie „definitywną odpowiedzią”. W materiałach dla wykładowców proponuje pytania o proces pracy, miejsca wymagające poprawy i sposób dochodzenia do finalnej wersji tekstu.

Taki sposób sprawdzania ma sens również dlatego, że narzędzia nie widzą wszystkiego. Nie odróżnią, czy student rzeczywiście rozumie literaturę przedmiotu, czy tylko sprawnie wkleił wynik z modelu. Tę różnicę widać dopiero w dyskusji, korekcie, prezentacji albo podczas pytań pogłębiających.

Tekst wygenerowany przez AI zdradza problemy nie tylko wynikiem, ale przede wszystkim konstrukcją

Prowadzący, który czyta dużo prac, szybko wyczuwa pewne wzorce. Nie jest to „szósty zmysł”, lecz powtarzalne symptomy tekstu pisanego bez realnego zaangażowania autora.

Najczęściej niepokoją takie sygnały:

• nagła zmiana poziomu języka między mailami, ćwiczeniami i pracą zaliczeniową,
• idealnie gładki styl połączony z banalną treścią lub słabą odpowiedzią na temat,
• przypisy albo bibliografia, których nie da się zweryfikować,
• pojęcia użyte poprawnie formalnie, ale bez zrozumienia relacji między nimi,
• bardzo uporządkowany tekst, którego autor nie potrafi potem omówić własnymi słowami.

Szczególnie wyraźnie widać to w zadaniach, które wymagają interpretacji, a nie tylko układu zdań. Student może wygenerować efektowny opis tabeli, ale potknie się przy prostym pytaniu o to, co z tych danych wynika. Ten problem dobrze pokazuje też tekst o analizie danych w zarządzaniu: sama estetyka odpowiedzi nie zastępuje umiejętności czytania zależności, oceniania jakości informacji i wyciągania wniosków.

Rozmowa o procesie pracy bywa skuteczniejsza niż sam detektor tekstu AI

Jeżeli wykładowca ma wątpliwości, często wraca do najprostszej metody: pyta studenta, jak powstawała praca. To nie jest trik proceduralny, tylko bardzo praktyczne sprawdzenie, czy autor kontrolował własny tekst.

Pytania bywają konkretne. Dlaczego wybrałeś taki układ rozdziałów? Skąd wziąłeś to źródło? Czemu uznałeś ten przykład za ważny? Co było najtrudniejsze w argumentacji? Student, który pisał świadomie, zwykle potrafi przejść przez taką rozmowę spokojnie, nawet jeśli korzystał z AI pomocniczo. Student, który oddał treść wygenerowaną i słabo rozumianą, zaczyna się gubić bardzo szybko. Turnitin otwarcie sugeruje właśnie taki kierunek postępowania: wspólną analizę raportu i rozmowę o wyborach dokonanych przez studenta.

To zmienia perspektywę całego sporu. Prawdziwym przedmiotem oceny nie jest przecież sama obecność modelu językowego, tylko to, czy praca zachowuje cechy samodzielnego myślenia i uczciwego warsztatu.

Jak uczciwie korzystać z AI, żeby nie wejść w konflikt z zasadami pisania prac na uczelni?

Najrozsądniejsza zasada brzmi: AI może pomagać w procesie, ale nie powinna przejmować autorstwa. Student może użyć modelu do uporządkowania notatek, rozpisania planu, wygenerowania pytań do powtórki, skrócenia zbyt długich zdań albo sprawdzenia, gdzie wywód jest niejasny. Problem zaczyna się tam, gdzie gotowa treść trafia do oddania jako własna analiza.

Bezpieczna praktyka wygląda zwykle tak:

• najpierw własny szkic, notatki albo konspekt,
• potem użycie AI do porządkowania lub krytycznego sprawdzenia tekstu,
• następnie ręczna weryfikacja źródeł, cytatów i pojęć,
• na końcu poprawa stylu już pod własną odpowiedzialnością.

Przy pracy akademickiej szczególnie ważne jest sprawdzanie źródeł poza samym modelem. Jeżeli AI podpowiada artykuł, autora albo teorię, warto od razu przejść do biblioteki WSB-NLU, bo tam zaczyna się realna praca z literaturą, a nie tylko wygodna obróbka tekstu.

Jeszcze bardziej praktyczny jest krok dalej: zamiast ufać pierwszej odpowiedzi modelu, dobrze wejść do sekcji bazy online i sprawdzić, czy dane źródło rzeczywiście istnieje, kto je opublikował i czy pasuje do tematu pracy. Właśnie w tym miejscu rozstrzyga się różnica między szybkim „zrobieniem zadania” a rzetelnym warsztatem akademickim.

Nie chodzi tylko o wykrywanie, ale o sens studiowania

Spór o AI na uczelniach łatwo sprowadzić do technicznej gry w chowanego: czy model da się wykryć, jak przerobić tekst, jak obejść wskaźnik. Taki sposób myślenia jest jednak krótkowzroczny. Uczelnia nie sprawdza wyłącznie czystości formalnej tekstu. Sprawdza, czy student rozwinął kompetencje, dla których w ogóle istnieje zadanie: analizę, argumentację, syntezę wiedzy, krytyczne czytanie, odpowiedzialność za wniosek.

UNESCO podkreśla, że generatywna AI w edukacji wymaga podejścia human-centered, ochrony prywatności, etycznej walidacji i przemyślanego projektu dydaktycznego. Komisja Europejska zwraca z kolei uwagę na potrzebę rozwijania podstawowego rozumienia AI oraz krytycznego, etycznego korzystania z tych narzędzi w edukacji. To ważna wskazówka także dla studenta: problem nie kończy się na tym, co „pokaże system”, tylko zaczyna od pytania, czy narzędzie wzmacnia naukę, czy ją pozoruje.

Dlatego odpowiedź na pytanie z tytułu brzmi: czasem tak, ale nie w sposób absolutny i nie wyłącznie przez automat. Wykładowca może wychwycić tekst pisany z pomocą AI, jeśli połączy raport, analizę źródeł, obserwację stylu i rozmowę o procesie pracy. Uczelnia nie sprawdza dziś tylko tekstu. Sprawdza również, czy za tekstem stoi człowiek, który naprawdę coś zrozumiał.