Przypis1

Detektor AI a praca magisterska: czy detektor AI jest wiarygodny?

Detektor AI w pracy magisterskiej nie jest wiarygodny w takim sensie, w jakim chciałby go widzieć student lub promotor. Wynik takiego narzędzia to oszacowanie prawdopodobieństwa, że tekst wygląda jak wygenerowany, a nie dowód, że ktoś go wygenerował. Narzędzia te mylą się w obie strony: uznają ludzki tekst za maszynowy i przepuszczają maszynowy. Dlatego najlepszą obroną nie jest walka z detektorem, tylko praca, której proces umiesz pokazać.

Poniżej: czym są detektory, dlaczego wynik to nie dowód, co wiemy o fałszywych alarmach, dlaczego „uczłowieczanie” tekstu to zła droga i jak wygląda rzetelna dokumentacja pracy.

Czym jest detektor AI i jak działa?

To program, który ocenia tekst i zwraca liczbę albo etykietę: „prawdopodobnie napisany przez AI”, „prawdopodobnie napisany przez człowieka”. Opiera się na statystyce: jest wytrenowany na tekstach ludzkich i maszynowych i szuka cech, które częściej występują w tych drugich1. To nie jest porównanie z bazą, jak w systemach antyplagiatowych. Detektor nie znajduje „oryginału”, z którego coś przepisano, tylko ocenia, jak tekst wygląda.

Stąd wynika podstawowe ograniczenie: styl nie jest odciskiem palca. Człowiek potrafi pisać przewidywalnie, a model potrafi pisać różnorodnie; sam OpenAI przyznawał, że tekstu bardzo przewidywalnego nie da się wiarygodnie rozpoznać1. Wynik taki jak 80 procent nie jest ustaleniem faktu. To oszacowanie narzędzia, które na podstawie własnych założeń uznaje tekst za podobny do tych, które widziało jako maszynowe; sposób liczenia bywa różny, więc zapytaj, co dokładnie oznacza liczba.

Dlaczego wynik detektora to prawdopodobieństwo, a nie dowód?

Bo każdy taki wynik niesie ze sobą margines błędu, a ten margines uderza w konkretnych ludzi. Przykład na zmyślonej liczbie: gdy narzędzie myli się w 5 procentach przypadków, a ocenia setki prac, to wśród uczciwych autorów zawsze znajdzie się ktoś oskarżony niesłusznie. Sam wynik nie mówi, do której grupy należysz.

Tu przydaje się porównanie z raportem antyplagiatowym. O JSA w Przypisie piszemy osobno, w artykule JSA i antyplagiat, jak to działa, ale jedna rzecz z poradnika ma znaczenie również tutaj: Jednolity System Antyplagiatowy porównuje pracę z bazami (m.in. repozytorium prac dyplomowych, internetem, aktami prawnymi) i wskazuje w raporcie fragmenty podobne do źródeł, także znaczeniowo, niezależnie od szyku słów2. Daje więc wskazanie konkretnych fragmentów, które można sprawdzić i obronić albo poprawić. Detektor AI niczego takiego nie wskazuje. Nie ma tam źródła, do którego można przyłożyć tekst, jest tylko liczba.

Promotor ma podobny problem, a uczelnie radzą sobie z nim różnie. Zarządzenie rektora AWF zaleca nauczycielom sprawdzanie prac także ogólnie dostępnymi detektorami3 (wspomina też o nowych funkcjach JSA; co o analizie użycia AI w JSA pisze sam OPI, opisujemy niżej). Politechnika Białostocka dopuszcza narzędzia ustalające prawdopodobieństwo niedozwolonego użycia GenAI, ale zastrzega, że nie mogą być wyłączną podstawą oceny samodzielności pracy4. Nawet jeśli narzędzie podniesie alarm, to rozmowa o pracy, jej źródłach i procesie powstawania jest czymś, na czym student może się oprzeć. Tego narzędzie nie zastąpi.

Czy detektory się mylą? Fałszywe alarmy i wycofany klasyfikator OpenAI

Mylą się, i mamy na to trzy źródła.

Klasyfikator OpenAI. W styczniu 2023 roku OpenAI udostępniło własne narzędzie do rozpoznawania tekstu pisanego przez AI. Według wpisu firmy na zestawie angielskich tekstów („challenge set”) poprawnie oznaczało ono 26 procent tekstów napisanych przez AI, a 9 procent tekstów napisanych przez ludzi oznaczało błędnie jako maszynowe. Firma pisała wprost, że klasyfikator nie jest w pełni wiarygodny, że bardzo zawodzi na tekstach krótszych niż 1000 znaków, że zaleca go tylko dla angielskiego, bo w innych językach działa znacznie gorzej, i że nie należy go traktować jako głównego narzędzia decyzyjnego1. Do wpisu dopisano później informację, że od 20 lipca 2023 roku klasyfikator jest niedostępny z powodu niskiej dokładności („low rate of accuracy”)1. Zwróć uwagę na wniosek: sama firma, która zbudowała jeden z najgłośniejszych modeli językowych, nie utrzymała narzędzia o takiej skuteczności.

Badanie o autorach nierodzimych. W 2023 roku Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu i James Zou opublikowali pracę „GPT detectors are biased against non-native English writers”5. Według abstraktu detektory GPT konsekwentnie błędnie klasyfikują próbki pisane po angielsku przez osoby, dla których angielski nie jest językiem ojczystym, jako wygenerowane przez AI, podczas gdy teksty rodzimych użytkowników języka rozpoznają poprawnie. Autorzy ostrzegają przed używaniem takich narzędzi w ocenianiu i w edukacji. Badanie dotyczy tekstów angielskich i konkretnych detektorów z 2023 roku, więc nie przenosimy go mechanicznie na język polski ani na dzisiejsze narzędzia. Pokazuje jednak mechanizm: tekst pisany prosto, ostrożnie, w drugim języku, bywa uznany za maszynowy. Tak samo może wyglądać praca studenta, który pisze zwięźle i według wzorca.

Test narzędzi. Zespół Debory Weber-Wulff przetestował w 2023 roku 12 publicznie dostępnych narzędzi i dwa systemy komercyjne (Turnitin i PlagiarismCheck). Autorzy uznali, że dostępne narzędzia nie są ani dokładne, ani niezawodne, i że częściej błądzą w stronę uznania tekstu za ludzki, niż wykrywają tekst generowany6. Producenci też nie obiecują nieomylności: Turnitin podaje mniej niż 1 procent fałszywych alarmów, przyznaje jednak, że ryzyko nie jest zerowe, i zastrzega, że nie ustala nadużycia, tylko dostarcza dane do decyzji nauczyciela7.

Z tych źródeł wynika jedno: narzędzia mylą się w obie strony, a wynik detektora bez dalszej weryfikacji nie powinien przesądzać o niczyim dyplomie. Niczego więcej z nich nie wyciągamy; nie wiemy, jak zachowuje się konkretne narzędzie, którego użyje Twoja uczelnia, i nie zgadujemy.

Czy JSA wykrywa AI?

JSA ma funkcję „Analiza SI”, ale jej twórcy nie przedstawiają jej jako dowodu. Według bazy wiedzy JSA system oznacza fragmenty o bardzo przewidywalnym tekście (niska miara Perplexity) jako podejrzane, ostrzega przed fałszywymi wskazaniami w obie strony, zwłaszcza przy definicjach i aktach prawnych, i „nie dokonuje wiążących ustaleń dotyczących wykroczeń”8. Ten sam tekst OPI stwierdza, że stworzenie narzędzia, które wskazywałoby, czy autor korzystał ze sztucznej inteligencji, jest „aktualnie praktycznie niemożliwe”8. Wszystko, co w tym artykule piszemy o detektorach, dotyczy więc także JSA: oznaczony fragment to pytanie promotora, nie wyrok. Szczegóły, od kiedy funkcja działa i jak jest włączana, są w artykule o JSA i antyplagiacie, a o tym, na co uczelnie w ogóle pozwalają, pisze tekst czy można pisać pracę z AI.

Czy warto „uczłowieczać” tekst albo obchodzić detektor?

Nie. I nie podajemy na to żadnych sposobów. Powody są cztery.

  1. To nie rozwiązuje problemu, który masz. Detektor nie jest Twoim przeciwnikiem. Twoim problemem jest to, żeby oświadczenie o samodzielności pod pracą było prawdziwe, a użycie AI opisane zgodnie z faktami. Przeróbki mające „oszukać” narzędzie niczego nie naprawiają; zmieniają tylko to, jak tekst wygląda dla programu.
  2. Pogarsza tekst. Mechaniczne zmienianie szyku zdań i podmienianie słów psuje precyzję, a w pracy naukowej precyzja jest tym, za co oceniają. Wymyślone synonimy w terminologii to błędy merytoryczne.
  3. Zwiększa ryzyko. Jeśli promotor poprosi o wyjaśnienie fragmentu, który przerobiłeś bez zrozumienia, nie obronisz go. A jeśli przy okazji ukryłeś użycie AI wbrew zasadom uczelni, ryzykujesz dyplom, nie tylko ocenę.
  4. To wyścig, którego nie wygrasz. Narzędzia i modele zmieniają się szybciej niż porady z internetu.

Jeśli użycie AI było dozwolone, opisujesz je w nocie i nie masz czego ukrywać. Wzory znajdziesz w artykule nota o użyciu AI, wzór. Jeśli nie było dozwolone, ukrywanie nie jest wyjściem. O tym, jak ustalić zakres z promotorem, piszemy w artykule jak zapytać promotora o AI.

Jak się bronić, gdy detektor podniesie alarm?

Najlepsza obrona zaczyna się dużo wcześniej niż alarm: to praca, której proces umiesz pokazać. Gdy ktoś zapyta „skąd to wiesz” albo „jak to powstało”, masz odpowiedź w plikach. Zbieraj na bieżąco:

  • Brudnopis. Własne notatki z tezami, w punktach, podyktowane albo napisane na szybko. Pokazują, że tezy i kolejność argumentów pochodzą od Ciebie.
  • Notatki z lektury. Przy każdej tezie plik i strona, z której się wzięła.
  • Historię wersji. Edytor tekstu zapisuje kolejne wersje; zostaw je. Pokazują, jak tekst rósł i jak go poprawiałeś.
  • Tabele kontroli przypisów. Zestawienie zdania z przypisem z dosłownym fragmentem źródła i stroną czasopisma, ze śladem Twojego sprawdzenia próbki w PDF-ie. Opisuje je artykuł jak sprawdzić przypisy z AI.
  • Korespondencję z promotorem. Uzgodniony na piśmie zakres użycia AI.
  • Notę o użyciu AI, zgodną z prawdą.

Do tego dochodzi rzecz, której nie da się sfałszować: rozmowa. Jeśli umiesz bez kartki powiedzieć, dlaczego takie pytanie badawcze, co wyszło i jakie ograniczenia ma Twoja praca, to jest to mocniejszy argument niż jakakolwiek liczba z narzędzia. Dobry trening na to opisuje artykuł pytania na obronie pracy.

Jeśli dostaniesz zarzut oparty na samym wyniku detektora, zachowaj spokój, poproś o wskazanie, co konkretnie budzi wątpliwości, i pokaż materiały procesu. Sprawdź też regulamin uczelni, bo to on mówi, jak wygląda procedura odwoławcza. My tej procedury nie znamy; różni się między uczelniami.

Czego nie obiecujemy

Żaden artykuł ani narzędzie nie zagwarantuje Ci, że detektor nie podniesie alarmu, ani że praca zostanie zaakceptowana. Możemy powiedzieć jedno: praca, w której każdy przypis da się sprawdzić, tezy są Twoje, a proces jest udokumentowany, jest najlepiej przygotowana na każdą weryfikację, ludzką i maszynową.

Co wynika z tego dla Twojej pracy?

Nie ścigaj się z detektorem. Dokumentuj pracę od pierwszej notatki i opisuj użycie AI zgodnie z prawdą. Sprawdzaj to, co da się sprawdzić: frazy-wytrychy i resztki rozmowy z czatem zaznaczy korektor stylu, a nieistniejące źródła wyłapie sprawdzarka bibliografii. Metodę, w której każdy przypis da się sprawdzić, a tezy zostają Twoje, opisuje poradnik. Jeśli chcesz, żebyśmy spojrzeli na dokumentację Twojej pracy przed oddaniem, jest konsultacja.

Przypisy

  1. OpenAI, New AI classifier for indicating AI-written text, wpis z 31 stycznia 2023 r. z dopiskiem o wycofaniu z 20 lipca 2023 r., kopia archiwalna z 2 stycznia 2024 r.: https://web.archive.org/web/20240102112323/https://openai.com/blog/new-ai-classifier-for-indicating-ai-written-text/ (dostęp: 24 października 2026). Oryginalny adres openai.com/blog/new-ai-classifier-for-indicating-ai-written-text nie otwierał się automatycznie (błąd 403), dlatego cytujemy kopię archiwalną. ↑ ↑2 ↑3 ↑4

  2. Ośrodek Przetwarzania Informacji PIB, Jak działa JSA, jsa-cp.opi.org.pl, https://jsa-cp.opi.org.pl/jak-dziala/ (dostęp: 24 października 2026): lista baz porównawczych; fragmenty podobne zostają wskazane w raporcie; system wykrywa m.in. fragmenty podobne semantycznie „niezależnie od szyku słów we frazie”. ↑

  3. Akademia Wychowania Fizycznego Józefa Piłsudskiego w Warszawie, Zarządzenie Nr 9/2024/2025 Rektora AWF z dnia 14 października 2024 r. w sprawie określenia zasad korzystania z systemów i narzędzi sztucznej inteligencji w procesie kształcenia w AWF Warszawa, § 3 ust. 1 i 2, awf.edu.pl, https://awf.edu.pl/__data/assets/pdf_file/0008/61658/9.pdf (dostęp: 24 października 2026). ↑

  4. Politechnika Białostocka, Zarządzenie nr 95/2025 Rektora PB z dnia 8 października 2025 r. w sprawie korzystania z systemów sztucznej inteligencji (GenAI) w procesie kształcenia i dyplomowania w Politechnice Białostockiej, § 2 i § 4, wi.pb.edu.pl, https://wi.pb.edu.pl/wp-content/uploads/2025/10/Zarzadznie-nr-95-Rektora-PB.pdf (dostęp: 24 października 2026). ↑

  5. Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu, James Zou, GPT detectors are biased against non-native English writers, „Patterns” 2023, t. 4, nr 7, art. 100779, https://doi.org/10.1016/j.patter.2023.100779; abstrakt wersji preprintowej: arXiv:2304.02819, https://arxiv.org/abs/2304.02819 (dostęp: 24 października 2026). ↑

  6. Debora Weber-Wulff, Alla Anohina-Naumeca, Sonja Bjelobaba, Tomáš Foltýnek, Jean Guerrero-Dib, Olumide Popoola, Petr Šigut, Lorna Waddington, Testing of detection tools for AI-generated text, „International Journal for Educational Integrity” 2023, t. 19, nr 1, art. 26, https://doi.org/10.1007/s40979-023-00146-z (dostęp: 24 października 2026). ↑

  7. Turnitin, Understanding false positives within our AI writing detection capabilities, turnitin.com, https://www.turnitin.com/blog/understanding-false-positives-within-our-ai-writing-detection-capabilities (dostęp: 24 października 2026). ↑

  8. Ośrodek Przetwarzania Informacji PIB, Analiza użycia sztucznej inteligencji, baza wiedzy JSA, wpis z 6 grudnia 2023 r., https://jsa-cp.opi.org.pl/baza-wiedzy-skroty/uzycie-sztucznej-inteligencji/ (dostęp: 27 października 2026). ↑ ↑2

Dalej w dziale ai i zasady uczelni