AI-detector
Controleer of je tekst door ChatGPT, Claude, Gemini of GPT-4 is geschreven.
Gratis. Direct. Geen registratie. Geen uploads. Draait in je browser.
Alle analyse draait in je browser. Je tekst verlaat nooit je apparaat.
De signalen zijn gemengd. Geen uitsluitsel mogelijk.
Gebaseerd op 6 signalen
Hoe deze detector werkt
Deze tool combineert zes statistische signalen tot een enkele AI-waarschijnlijkheidsscore van 0 tot 100. Elk signaal wordt lokaal in je browser berekend met gevestigde methodes voor tekstanalyse. De signalen worden gewogen naar hoe betrouwbaar ze AI-gegenereerde tekst van menselijk schrijven onderscheiden in de wetenschappelijke literatuur.
Variatie in zinslengte (30%) meet de variatiecoefficient van de zinslengtes. Menselijk schrijven wisselt tussen korte en lange zinnen; AI-uitvoer is uniformer. Woordenschatdiversiteit (20%) gebruikt de type-token-ratio met een venster van 100 woorden. Clichedetectie (20%) zoekt naar standaard AI-frases zoals "verdiepen in", "in het digitale tijdperk van vandaag" en "tot slot". Interpunctieprofiel (15%) volgt de dichtheid van lange streepjes, puntkomma's en Oxford-komma's. Zinsstructuur (10%) kijkt naar variatie in openingen en het aandeel lijdende vorm. Herhaling (5%) telt herhaalde frases van 3 en 4 woorden.
De detector is gekalibreerd om aan de onderkant van de score eerder fout-positieven dan fout-negatieven te kiezen: een score van 30 betekent nog steeds "neigt naar mens" in plaats van "zeker mens". Behandel het oordeel als een startpunt, niet als een eindoordeel.
Dit is een statistische schatting, geen bewijs. AI-detectie is inherent onzeker. Tools als deze kunnen fout-positieven opleveren voor academisch schrijven, niet-moedertaal Engels, technische documentatie en formele stijlen. Gebruik dit niet als enige basis voor beschuldigingen van plagiaat of academische oneerlijkheid.
Snel antwoord
Plak minstens 50 woorden. De tool berekent zes statistische signalen (burstiness, woordenschat-diversiteit, clichés, interpunctie, zinsstructuur, herhaling) en combineert ze tot een AI-waarschijnlijkheidsscore van 0 tot 100. De heuristische nauwkeurigheid ligt rond 65 tot 75 procent. Behandel resultaten als een startpunt, niet als bewijs.
Hoe AI-detectie werkt
Heuristische AI-detectoren "lezen" je tekst niet. Ze tellen oppervlaktekenmerken die de neiging hebben te verschillen tussen menselijk en AI-schrijven. Geen enkel afzonderlijk kenmerk is op zichzelf bewijs, daarom combineren goede detectoren meerdere signalen. Hieronder staan de zes die deze tool gebruikt.
1. Burstiness
Burstiness meet de variatie in zinslengte door een passage. Mensen wisselen van nature af tussen heel korte zinnen (3 tot 6 woorden) en lange (25 tot 40 woorden). Grote taalmodellen, getraind om vloeiendheid en helderheid te optimaliseren, produceren zinnen die clusteren rond een gemiddelde van 15 tot 22 woorden met lage variantie. De tool berekent de variatiecoëfficiënt: een waarde boven 0,6 neigt naar menselijk, onder 0,3 naar AI. Burstiness is in de meeste onderzoeksreferenties het sterkste individuele signaal, dus we wegen het met 30 procent.
2. Woordenschat-diversiteit
Woordenschat-diversiteit wordt gemeten met de type-token ratio: unieke woorden gedeeld door totaal aantal woorden. Om de metriek over tekstlengtes heen te stabiliseren, gebruiken we een schuivend venster van 100 woorden en middelen we de TTR per venster. Menselijk schrijven landt meestal tussen 0,65 en 0,80 op deze maat. AI-output clustert vaak tussen 0,55 en 0,65 en weerspiegelt de neiging van het model om woordenschat binnen een passage te hergebruiken. Gewicht: 20 procent.
3. Clichédetectie via n-grammen
We scannen een gecureerde lijst van frasen waar AI-modellen mee overdrijven: "in het digitale tijdperk van vandaag", "het is belangrijk om op te merken", "verdiepen in", "navigeren door de complexiteit", "tot slot", "bovendien", "daarnaast" en andere. Deze frasen zijn op zich niet fout, maar hun dichtheid in een passage is een sterk signaal. Eén per 50 woorden duwt de score richting AI. Gewicht: 20 procent.
4. Interpunctieprofiel
AI-modellen, met name de GPT-4-familie, overdrijven met de lange streep. De meeste menselijke schrijvers gebruiken de lange streep spaarzaam. De tool telt lange strepen per 100 woorden, puntkomma-dichtheid en het gebruik van de Oxford-komma. Een passage met drie lange strepen in 200 woorden is op zichzelf al een sterke AI-indicator. Gewicht: 15 procent.
5. Zinsstructuur
Twee structurele kenmerken: hoe vaak zinnen met hetzelfde woord beginnen (lage variatie neigt naar AI) en hoe vaak passieve constructies voorkomen (hoog percentage neigt naar AI). De detector benadert passieve constructies door "zijn/worden"-werkwoorden te zoeken (is, was, wordt, werd, zal worden, is geweest) gevolgd binnen drie woorden door een waarschijnlijk voltooid deelwoord. Gewicht: 10 procent.
6. Frasenherhaling
We halen elke frase van 3 en 4 woorden uit de tekst en tellen herhalingen. Frasen die drie keer of vaker voorkomen, duwen de score richting AI. Mensen parafraseren doorgaans; AI draait rondjes in patronen. Dit is het zwakste van de zes signalen (5 procent) omdat legitieme teksten vaak terminologie herhalen, maar het voegt nuttige informatie toe aan de randen.
Nauwkeurigheid en beperkingen
Onafhankelijke evaluaties van heuristische AI-detectoren (GPTZero, ZeroGPT, Copyleaks en academische detectoren als DetectGPT en GLTR) vallen consequent in de range van 65 tot 80 procent nauwkeurigheid op tekst uit gemengde domeinen. Dezelfde onderzoeken laten zien dat licht bewerkte AI-output de detectie-ratio kan terugbrengen onder de 50 procent. Geen enkele detector, betaald of gratis, gaat boven 90 procent op vijandige tekst.
Onze tool zal vals-positieven produceren bij:
- Academisch schrijven - uniforme zinslengte, formele woordenschat, genuanceerde taal.
- Niet-moedertaalsprekers - kleinere actieve woordenschat, meer herhaalde structuren.
- Technische documentatie - passieve constructies, herhaalde terminologie, formele stijl.
- Zakelijke of juridische tekst - clichés, Oxford-komma's, gebruik van puntkomma's.
- Zwaar geredigeerd of sjabloon-schrijven - patronen die mechanisch ogen omdat ze het zijn.
Gebruik de score als startpunt voor een gesprek, nooit als oordeel. Voor beslissingen met grote gevolgen (academische discipline, aanwerving) combineer de detector met ander bewijs: versiegeschiedenis, schrijfvoorbeelden, persoonlijk gesprek over de inhoud.
Wanneer AI-detectie gebruiken
Er zijn echte toepassingen voor een heuristische detector, mits je de grenzen begrijpt:
- Docenten die essays van studenten controleren voor een snelle screening voor diepere beoordeling. Een hoge score signaleert "kijk nauwkeuriger", niet "onvoldoende".
- Redacteuren die freelancewerk controleren om te bevestigen dat een schrijver de menselijke stem levert waarvoor hij is ingehuurd.
- Recruiters die motivatiebrieven nakijken als één signaal tussen vele. Een score van 95 op een motivatiebrief is een waarschuwing die opvolging waard is.
- Zelfcontrole vóór publicatie om passages op te sporen die als ChatGPT klinken en ze in je eigen stem te herschrijven.
- Audits van content-authenticiteit bij het beoordelen van een stapel inzendingen, blogposts of productteksten.
Vergelijking met andere detectoren
Er zijn diverse bekende AI-detectoren, elk met eigen afwegingen:
- GPTZero gebruikt perplexiteit en burstiness met eigen modellen. Gratis laag met limieten, betaalde plannen voor meer volume.
- Originality.ai is alleen betaald en richt zich op SEO-uitgevers. Gebruikt een maatwerk getrainde classifier.
- ZeroGPT is gratis met betaalde laag. Gebruikt perplexiteit en burstiness vergelijkbaar met GPTZero.
- Copyleaks richt zich op de zakelijke markt met plagiaat plus AI-detectie in één product.
Onze tool is gratis, volledig in de browser, vereist geen registratie en ziet je tekst nooit. Hij claimt niet beter te zijn dan betaalde opties. Het voordeel is privacy en nul wrijving. Heb je meer zekerheid nodig voor een specifieke kritieke beslissing, dan is een betaalde detector redelijk. Voor dagelijkse screening is een transparante heuristische tool meestal voldoende.
De tool combineert zes statistische signalen tot een AI-waarschijnlijkheidsscore van 0 tot 100: burstiness (variatie in zinslengte), woordenschat-diversiteit, veelvoorkomende AI-clichés, interpunctieprofiel (dichtheid van lange streep, puntkomma en Oxford-komma), zinsstructuur (variatie van zinsopeners en passieve constructies) en herhaling van frasen van 3 en 4 woorden. Elk signaal wordt gewogen op hoe betrouwbaar het AI van menselijk schrijven onderscheidt volgens onderzoek. Alle berekeningen gebeuren in je browser.
Nee. Geen enkele AI-detector is 100% nauwkeurig, ook niet betaalde diensten zoals GPTZero, Originality.ai en ZeroGPT. Onafhankelijke onderzoeken laten zien dat heuristische detectoren rond de 65 tot 75 procent nauwkeurigheid halen op gemengde tekst. Onze score is een startpunt, geen oordeel. Behandel scores onder 30 als 'neigt naar menselijk', 30 tot 70 als 'onzeker' en boven 70 als 'neigt naar AI'. Gebruik een detectorscore nooit als enige basis voor beschuldigingen van plagiaat of academische fraude.
De signalen die wij volgen (clichés zoals 'verdiepen in', veelvuldig gebruik van de lange streep, uniforme zinslengtes) zijn het sterkst aanwezig in output van GPT-3.5 en GPT-4. Claude produceert meestal meer variatie in zinslengte en minder standaardfrasen, dus die tekst scoort vaak lager. Gemini zit ertussenin. De tool is niet afgestemd op een specifiek model. Hij zoekt naar algemene statistische kenmerken van door LLM gegenereerde tekst, en bewerkte of zorgvuldig geprompte AI-output kan dus onder de drempel duiken.
Heuristische detectoren zoeken naar statistische patronen, niet naar auteurschap. Verschillende soorten schrijven delen patronen met AI: academische teksten (uniforme zinslengte, formele woordenschat), niet-moedertaal Engels of Nederlands (beperkte woordenschat, herhaalde structuren), technische documentatie (passieve constructies, herhaalde terminologie) en zakelijke of juridische tekst (clichés, formele interpunctie). Als je in een gemeten, consistente stijl schrijft kun je hoger scoren dan verwacht. De detector 'weet' niets buiten de oppervlaktekenmerken die hij telt.
Nee. Alle analyse draait lokaal in je browser met JavaScript. Je tekst verlaat je apparaat nooit, wordt niet geüpload, niet gelogd en niet gebruikt om welk model dan ook te trainen. Je kunt dit verifiëren door de ontwikkelaarstools van je browser te openen en het netwerktabblad te bekijken terwijl de analyse loopt; er is geen netwerkverkeer. Wij slaan je tekst ook niet op onze servers op, omdat wij er gewoonweg geen toegang toe hebben.
Zes signalen: (1) Burstiness, de variatiecoëfficiënt van de zinslengtes. (2) Woordenschat-diversiteit, gemeten met de type-token ratio over een schuivend venster van 100 woorden. (3) Clichédetectie via n-grammen, op zoek naar standaard AI-frasen als 'in het digitale tijdperk van vandaag' en 'het is belangrijk om op te merken'. (4) Interpunctieprofiel, dichtheid van lange streep, puntkomma en Oxford-komma. (5) Zinsstructuur, variatie van zinsopeners en aandeel passieve constructies. (6) Frasenherhaling, frasen van 3 en 4 woorden die drie keer of vaker voorkomen.
Ja, en vrij gemakkelijk. Lichte bewerking van AI-output (clichés vervangen, lange uniforme zinnen opbreken, persoonlijke stem en samentrekkingen toevoegen) verlaagt de score aanzienlijk. Dit is een fundamentele beperking van iedere heuristische detector. Dezelfde bewerkingen die onze tool om de tuin leiden, leiden ook GPTZero en ZeroGPT om de tuin. Als je auteurschap moet vaststellen voor een beslissing met grote gevolgen, combineer dan een detector met ander bewijs: schrijfgeschiedenis, persoonlijke verificatie, versiegeschiedenis in Google Docs of Word, en een direct gesprek over de inhoud.
Bronnen
- Mitchell, E., Lee, Y., Khazatsky, A., Manning, C. D., Finn, C. (2023). "DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature." Proceedings of the 40th International Conference on Machine Learning.
- Solaiman, I., Brundage, M., Clark, J., et al. (2019). "Release Strategies and the Social Impacts of Language Models." OpenAI Report.
- Gehrmann, S., Strobelt, H., Rush, A. M. (2019). "GLTR: Statistical Detection and Visualization of Generated Text." ACL System Demonstrations.
- Bhattacharjee, A., Liu, H. (2023). "Fighting Fire with Fire: Can ChatGPT Detect AI-generated Text?" SIGKDD Explorations Newsletter.
- GPTZero (2023). "How AI Text Detectors Work." Public methodology documentation.