AI-detectie van scripties is een signaal, geen fraudebewijs

U mag een detectorscore voor AI-gebruik in een scriptie niet als fraudebewijs gebruiken. Pas nadat onafhankelijke menselijke toetsing versies, bronnen, verdediging en de uitleg van de student heeft onderzocht, en u vastgelegd hebt welke detector, taal en drempel u hebt gehanteerd, mag u een scriptie als frauduleus classificeren.

Een analyse van 14 oktober 2026 van detectorsignalering in masterscripties stelt dat een screeningsinstrument geen bewijs van auteurschap oplevert. Een onderzoek scande honderden recente masterscripties van Nederlandse universiteiten en classificeerde een deel als vrijwel volledig door AI geschreven. In onze inschatting ligt de kern van deze zaak niet in het percentage, maar in de vraag wat een detectoruitslag werkelijk zegt. Een score is een statistische schatting, geen bekentenis. Wie deze twee verwart, verandert een nuttig triage-instrument in een onbetrouwbaar vonnis.

Waarom een detector geen auteurschap vaststelt

Detectoren leveren geen betrouwbare individuele auteurschapstoeschrijving op. Hun uitslagen verschillen sterk per tool, taal en tekstlengte. Een peer-reviewed studie van de Vrije Universiteit Brussel testte vier detectietools op academische teksten. Pangram presteerde het best in die test, maar de tools verschilden fors in hun geschatte AI-percentages. Toen Pangram werd toegepast op ruim duizend masterscripties zonder bekende grondwaarheid, kreeg bijna de helft een signalering, meestal wijzend op lage tot gematigde niveaus. Een recente peer-reviewed analyse over de valkuilen van AI-detectie in academisch schrijven wijst op classificatiefouten, verschillen tussen tools en mogelijke scheve vals-positieven, en concludeert dat theoretische detecteerbaarheid geen betrouwbare toeschrijving aan een specifieke student oplevert.

Welke risico's ontstaan als u een score als eindoordeel behandelt

Drie problemen ontstaan tegelijk. Ten eerste: omdat een detectoruitslag geen grondwaarheid heeft, kan een examencommissie die daarop rechtstreeks een fraudeoordeel baseert in beroep op bewijsproblemen stuiten. Ten tweede: omdat de regels per opleiding en instelling verschillen terwijl uniform ingrijpen wordt gevraagd, ontstaat rechtsongelijkheid tussen studenten met vergelijkbaar werk. Ten derde: omdat detectoren mogelijk scheve vals-positieven vertonen bij bepaalde taalgroepen of tekstlengtes, dreigt indirecte discriminatie.

Deze geschillen bereiken al formele beroepsprocedures. De Universiteit Utrecht stelt in haar officiële scriptierichtlijn dat het laten schrijven van een deel door een chatbot als fraude geldt, met doorverwijzing naar de examencommissie. Aan de Universiteit Leiden tonen uitspraken over scriptiefraude met generatieve AI dat zulke geschillen de beroepsprocedures al bereiken.

Welke stappen moet u vastleggen in uw toetsingsproces

1. Documenteer de detector, taal en drempel — leg vast welke tool u hebt gebruikt, in welke taal, en welke drempel u hebt gehanteerd voordat u onderzoek inleidde.
2. Onderzoek de versiegeschiedenis — vraag de student om eerdere conceptversies en notities, zodat u de totstandkoming van de tekst kunt volgen.
3. Toets de bronvermelding — controleer of de student de gebruikte bronnen kan aanwijzen en of parafrasering consistent is met zijn of haar eigen formulering.
4. Voer een verdedigingsgesprek — stel vragen over de onderzoeksmethode, de argumentatie en de keuzes die in de scriptie zijn gemaakt.
5. Documenteer de uitleg van de student — leg vast wat de student over zijn of haar werkproces zegt en hoe dat aansluit bij de detectorsignalering.
6. Baseer het oordeel op het geheel — trek uw conclusie pas nadat u alle informatie hebt gewogen, niet op de score alleen.

Hoe u een instellingsbrede regeling kunt opstellen

Besturen kunnen voor het komende scriptieseizoen een instellingsbrede regeling publiceren met een proportionele AI-verklaring en duidelijke regels over wat is toegestaan. Dit voorkomt rechtsongelijkheid en geeft supervisoren houvast. Een verantwoord toetsingsproces combineert de detectorsignalering met menselijk onderzoek naar de totstandkoming van de tekst, en legt dat proces reproduceerbaar vast. Het doel is niet een getal bevestigen, maar begrijpen hoe de scriptie is ontstaan.

Wat tooling kan doen en wat uw oordeel blijft

De machine levert een signaal, de verantwoordelijke professional neemt het besluit. Een detector kan u helpen om scripties te screenen en onderzoek in te leiden. Wat tooling niet kan doen: bepalen of een student fraudeerde. Dat vereist context, gesprek en professioneel oordeel. De nieuwswaarde van het onderzoek is dat een detector in een steekproef van Nederlandse scripties op grote schaal AI-geassocieerde tekst signaleerde. De opdracht die daaruit volgt is bescheiden maar hard: reageer daadkrachtig op dat signaal, zonder academisch oordeel te vervangen door een ondoorzichtige automatische toeschrijving.