Turnitin AI檢測怎麼看?分數區間、誤判風險與寫作歷程證明
Turnitin 的 AI 寫作分數是「可能由 AI 產生」的估計,不是證據;本文依 Turnitin 官方指南說明分數區間與適用條件,整理已發表研究中的誤判證據,以及被標示時該準備哪些寫作歷程紀錄。
越來越多系所在論文送審前同時查看相似度報告與 AI 寫作指標,研究生最常問的是:「分數多少才安全?」這個問題本身就問錯了方向。Turnitin AI檢測與相似度比對是兩種不同的東西——相似度比對找的是與既有文獻重疊的文字(可參考學位論文的學術倫理與相似度檢測),AI 寫作指標則是模型對文字「可能由 AI 產生」的機率判斷,沒有可以逐字對照的原始來源。本文只根據 Turnitin 官方指南與已發表的期刊文獻說明它能做什麼、不能做什麼,以及作者該如何以紀錄說明自己的寫作過程;本文不提供、也不認同任何規避檢測的作法。
AI 寫作指標量的是什麼
依 Turnitin〈Using the AI Writing Report〉,報告上的百分比是指「符合條件的文字」中,被模型判定可能由 AI 產生,或可能由 AI 產生後再經 AI 改寫工具修改的比例。所謂符合條件的文字,是指長篇寫作(如短文、學位論文、文章)段落中的散文句子;官方明言模型無法可靠偵測詩、劇本、程式碼等非散文,也不偵測條列、表格或附註書目等短篇或非典型寫作。
同一份指南列出檔案條件:至少 300 字的長篇散文、不超過 30,000 字、檔案小於 100 MB、格式為 .docx、.pdf、.txt 或 .rtf,並以支援語言撰寫——官方列出的是英文、西班牙文、日文與阿拉伯文。對臺灣研究生而言,這代表中文撰寫的論文本文不在官方列出的支援語言之內,而英文摘要或全英文論文則可能被分析;系所若要求附上 AI 指標報告,應先確認系統實際分析的是哪一部分。
分數區間怎麼讀:官方說明的顯示規則
Turnitin 對不同區間採取不同的顯示方式,其中最常被誤讀的是 1% 到 19% 這一段。下圖依官方指南整理四種顯示狀態。

依官方說明:0% 表示未辨識出可能由 AI 產生的符合條件文字;1% 至 19% 只顯示星號(*%),官方表示其測試發現這個區間的偽陽性(把人寫的文字判為 AI)較常見,因此不給分數也不標示段落;20% 以上才顯示百分比並標示段落。〈AI writing detection model〉另提醒,少於 300 字的文件,分數的準確度可能較低。換言之,「星號」不是低分,而是官方自己認為不夠可靠、不應拿來解讀的結果。
官方自己寫明的限制
最重要的一句話並非來自批評者,而是 Turnitin 本身。官方指南明確要求使用者不要把分數當作唯一的判斷依據,而要結合人工審視與各校的學術規範。
官方實例:Turnitin〈Using the AI Writing Report〉的原文聲明。「Our AI writing detection model may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student.」同一段接著說明,是否構成學術不端,需要進一步審視與人為判斷,並配合各機構的學術規範來決定。來源:Turnitin Guides:Using the AI Writing Report。
國內大學的指引也採取相同立場。國立臺灣師範大學 2026 年版〈人工智慧應用教學指引〉寫明:AI 偵測工具之準確率有相當限制,且無法提供可驗證之證據;教師不得單憑偵測工具判定學生違規,應輔以口試、寫作歷程紀錄、版本紀錄等綜合判斷,並應保障學生的申訴與救濟管道。
已發表研究怎麼說誤判
關於 AI 偵測工具的錯誤,已有多篇期刊論文,以下只列出研究本身報告的結果。
- 英文非母語寫作者較容易被誤判。Liang 等人(2023,Patterns)以七款常見 GPT 偵測工具(未包含 Turnitin)分析 91 篇非母語者撰寫的 TOEFL 作文與 88 篇美國八年級學生作文:美國學生作文幾乎都被正確判讀,TOEFL 作文卻有超過一半被標為 AI 產生,平均偽陽性率 61.3%。作者指出,被所有工具一致誤判的 TOEFL 作文,用字的「困惑度」(perplexity)較低,也就是用詞較常見、較可預測。
- 整體而言,偵測工具既不精確也不穩定。Weber-Wulff 等人(2023,International Journal for Educational Integrity)測試 12 款公開工具與 Turnitin、PlagiarismCheck 兩套商業系統,結論是現有工具「neither accurate nor reliable」。
- 沒有工具達到百分之百。Erol 等人(2025,Acta Neurochirurgica)以 250 篇人寫與 750 篇 ChatGPT 產生的神經外科摘要與前言測試三款偵測器,AUC 介於 0.75 至 1.00,但沒有任何工具能百分之百區分,作者並指出偽陽性對研究者構成風險。
- 不同工具之間判讀不一致。Villa 等人(2026,Research Integrity and Peer Review)以 120 篇牙醫學全文稿件(三種生成模型與人寫各 30 篇)比較六款偵測器,Turnitin 的鑑別表現屬中等,其判讀一致性僅達輕微(slight)程度,而表現較佳的四款工具之間則近乎完全一致。
- 分數會影響評閱者的判斷。Du 等人(2026,Frontiers in Psychology)讓 214 位大學教師評閱同一篇中文課程報告,只改變附上的虛構偵測報告(偵測率 7% 或 87%,以及有無紅色標示);標示 87% 的組別,對同一篇文章的品質、原創性與邏輯結構評分都較低。
對英文非母語的臺灣研究生來說,Liang 等人的發現特別值得注意:用字保守、句型規律的英文,正是非母語寫作的常見特徵,而這類文字在部分偵測工具中更容易被誤判。
被標示時,該準備哪些紀錄
既然分數本身不是證據,能說明作者身分的就是寫作過程留下的紀錄。依上述師大指引所列的判斷依據(口試、寫作歷程紀錄、版本紀錄),建議從寫作初期就做到以下幾點:
- 保留版本紀錄。微軟官方說明,Word 的版本歷程記錄適用於儲存在 Microsoft 365 的 OneDrive 或 SharePoint 中的檔案。把論文存放在這類雲端位置,就能留下逐次修改的時間紀錄。
- 保留草稿與研究材料。大綱、手寫筆記、實驗紀錄、與指導教授往來的修改意見,都是寫作歷程的一部分。
- 如實揭露 AI 使用。師大指引要求學生依課程規範揭露所使用的 AI 工具名稱、版本、使用方式及 AI 在成果中的角色。若曾用 AI 協助潤飾或翻譯,事前揭露遠比事後解釋有力。
- 準備好說明內容。能在面談或口試中解釋每一段論證的來龍去脈、資料怎麼來、為什麼這樣寫,是最直接的作者證明。
同樣重要的是不該做的事:不要使用改寫或「人性化」工具處理被標示的段落。Turnitin 官方說明其模型也會偵測經 AI 改寫工具或 bypasser 修改過的 AI 文字;更根本的是,這類作法本身就可能違反校方規範,並讓原本可以用紀錄說明的情況變得無從解釋。
判斷順序:拿到報告後依序確認五件事
- (1)有沒有分數?若顯示星號(*%),官方本身即認為結果不可靠,不應據以推論。
- (2)被分析的是哪些文字?確認被標示的是否為符合條件的長篇散文、語言是否在官方支援清單內、文件是否達 300 字。
- (3)對照自己的 AI 使用紀錄。被標示段落若曾使用 AI 工具,是否已依規定揭露?
- (4)整理寫作歷程證據。版本紀錄、草稿、筆記與指導教授的修改紀錄,依時間排列。
- (5)依校方程序溝通。先與指導教授討論;若進入正式程序,依學校規定提出說明或申訴,並引用 Turnitin 官方「不應作為唯一依據」的聲明。
常見問題
Turnitin AI 分數多少以下才算安全?
官方沒有公告「安全分數」。官方只說明 1% 至 19% 偽陽性較常見而不給分數,以及任何分數都不應作為不利處分的唯一依據;各校是否另訂門檻,應以系所公告為準。
請人編修英文會讓 AI 分數變高嗎?
官方指南沒有針對人工編修提供數據,本文無法回答特定百分比。可以確定的是:Turnitin 說明其模型偵測的是可能由大型語言模型產生、或經 AI 改寫工具修改的文字;若編修過程使用了 AI 工具,應依校方規定揭露。
結語與建議
面對 Turnitin AI檢測,最可靠的策略不是追求某個數字,而是讓寫作過程本身可被檢驗:雲端版本紀錄、完整草稿、如實的 AI 使用揭露,以及能清楚說明自己研究的能力。Editverse 臺灣的學位論文輔導服務,協助研究生在保留作者本人論證與文字的前提下改善英文表述,並提醒依校方規定撰寫 AI 使用揭露;我們不提供降低檢測分數的服務,也不保證任何檢測結果。
參考文獻
- Turnitin. Using the AI Writing Report. https://guides.turnitin.com/hc/en-us/articles/22774058814093-Using-the-AI-Writing-Report
- Turnitin. AI writing detection model. https://guides.turnitin.com/hc/en-us/articles/28294949544717-AI-writing-detection-model
- Turnitin. AI writing detection in the classic report view. https://guides.turnitin.com/hc/en-us/articles/28457596598925-AI-writing-detection-in-the-classic-report-view
- 國立臺灣師範大學. 人工智慧應用教學指引(2026年版,2026-08-03). https://ctld.ntnu.edu.tw/wp-content/uploads/2026/08/%E5%9C%8B%E7%AB%8B%E8%87%BA%E7%81%A3%E5%B8%AB%E7%AF%84%E5%A4%A7%E5%AD%B8%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E6%87%89%E7%94%A8%E6%95%99%E5%AD%B8%E6%8C%87%E5%BC%95-20260803.pdf
- Microsoft Support. 檢視舊版 Office 檔案. https://support.microsoft.com/zh-tw/office/5c1e076f-a9c9-41b8-8ace-f77b9642e2c2
- Liang W, Yuksekgonul M, Mao Y, Wu E, Zou J. GPT detectors are biased against non-native English writers. Patterns (N Y). 2023. PMID: 37521038
- Weber-Wulff D, Anohina-Naumeca A, Bjelobaba S, et al. Testing of detection tools for AI-generated text. Int J Educ Integr. 2023. DOI: https://doi.org/10.1007/s40979-023-00146-z
- Erol G, Ergen A, Gülşen Erol B, et al. Can we trust academic AI detective? Accuracy and limitations of AI-output detectors. Acta Neurochir (Wien). 2025. PMID: 40773066
- Villa J, Garcovich D, Lombardo L, Siciliani G, Adobes Martin M. AI text detection in dentistry: a comparative analysis across generative models. Res Integr Peer Rev. 2026. PMID: 42260683
- Du P, Liu T, Xian X. Automation bias in teachers’ evaluation of student writing: effects of algorithmic warnings and visual risk cues in AI detection reports. Front Psychol. 2026. PMID: 42482718
資料查核日期:2026-10-01。法規、費用與程序可能變動,引用前請回到原始來源再次確認。