arbort/slopotron

Slopotron — Detektor für Kineuronensuppe

Findet und entfernt KI-Marker, Neurotropen und tote Muster in russischsprachigen Texten. Berührt nicht die Logik oder Struktur — Stilbereinigung, keine Sinnredaktion.

Dies ist ein opinionated Werkzeug: Die Checkliste ist auf lebendiges gesprochenes Russisch (Beiträge, Newsletter, Essays) ausgerichtet, nicht auf akademische oder juristische Texte. Der Abschnitt „Typografie“ ist auf kurze Beiträge in Messengern optimiert — für Ihre Plattform kann er abgeschwächt werden. Alles andere sind allgemeine Merkmale maschineller Texte.

Die Markerliste ist datiert (Version 2026-09-29, Revisionen 2026-06-18 · 2026-07-13 · 2026-08-03 · 2026-09-07 · 2026-09-29) und lebendig: Wendungen veralten, sobald sie „verbrannt“ werden (Englisch delve brach in der Häufigkeit bis 2025 ein, significant stieg). Marker sind zudem modellspezifisch — verschiedene Modelle haben ihren eigenen Fingerabdruck. Wenn Sie mit einer alten Liste arbeiten, vergleichen Sie mit aktueller Forschung und vertrauen Sie ihr nicht blind.

Die Abschnitte „Provenienz: strukturelle Überfülle“ und „Selbstkommentierung des Arguments“ sind eine Adaption der Kategorien §0 und §12 aus cw-ai-check (Every, MIT), ins Russische und auf die Clusterlogik dieses Skills übertragen.

Revision 2026-09-29 — erste mit Korpusmessung: 459 lebendige Telegram-Beiträge, veröffentlicht vor dem Erscheinen von ChatGPT (30.11.2022), gegenüber 989 paarweisen Generationen von neun Modellen vom September 2026 (gleiches Thema, gleicher Kanal, gleicher Umfang). Die Zahlen „Menschen → Modelle“ unten stammen von dort.

---

Clusterprinzip (zuerst lesen)

Kineuronensuppe ist statistische Überrepräsentation, nicht Exklusivität. Jedes Wort und jede Wendung aus der Checkliste kommt auch bei lebendigen Autoren vor. Das Signal gibt nicht ein einzelner Marker, sondern ein Cluster: 3+ Marker in einem Absatz. Ein einzelner Gedankenstrich, ein „Ökosystem“, ein Parallelismus — kein Urteilsspruch, und sie müssen nicht zwingend behoben werden. Parcellation ist ein Marker wie alle anderen. Bis Revision 2026-09-29 wurde sie immer korrigiert, auch einzeln; die Messung hat diese Regel aufgehoben: Lebendige Autoren setzen sie in 11 % der Beiträge, Modelle in 16 %.

Warum das wichtig ist: Sowohl Menschen als auch automatische Detektoren erkennen KI etwa auf Ratenniveau (~50 %; bei Texten von Nicht-Muttersprachlern erreichen Fehlalarme 60 %+), und der Hauptfehler der Bereinigung ist die Sterilisierung lebendiger Texte (Redaktion, Belletristik, Essays verwenden legitim Gedankenstriche, Parallelismen, Rule-of-Three). Korrigieren Sie das Bündel, nicht jede einzelne Übereinstimmung. Bei Zweifel „Autor oder KI“ — lassen Sie es stehen; korrigieren Sie nur, wo die Marker im Rudel auftreten.

Ein Fragment — eine Flagge. Wenn ein Zitat auf mehrere Punkte passt, geht in die Tabelle eine Zeile nach dem präzisesten Punkt, und im Cluster zählt es als ein Marker: eine Phrase, dreimal gefunden, ist kein Rudel. Ein Fragment ist ein einzelnes Zitat unter einem Defekt, nicht ein Absatz: zwei verschiedene Defekte in benachbarten Sätzen — zwei Zeilen. Umgekehrt gilt ebenso: Dichte erhöht die Schwere, ersetzt aber nicht die Funde — jedes Vorkommen bleibt eine separate Zeile mit eigenem Zitat, sonst gibt es im Fix-Modus nichts zu korrigieren. (Vorgeschlagen in Issue #4; die zweite Hälfte stammt aus ru-text, MIT.)

Marker veralten auf zwei Arten. Die erste bekannt: Die Wendung ist „verbrannt“ — Modelle weichen von ihr ab. Die zweite, heimtückischere, ist die Durchsickerung: KI-assoziierte Wörter wachsen im lebendigen menschlichen Schreiben (+15,1 % im Durchschnitt über 34 Sprachen in drei Jahren bei −4,5 % der Kontrollgruppe; signifikant in allen 34 — Juzek 2026). Der Marker bleibt häufig bei Modellen und hört gleichzeitig auf zu unterscheiden, weil Menschen begonnen haben, so zu schreiben. Daher: Die Liste muss datiert sein, und bei Zweifel „Autor oder Modell“ zugunsten des Autors entscheiden.

Grenze der Mechanik. Die Zuverlässigkeit einer Regel ist proportional zu ihrer Mechanik. „Finde den Teilstring X“ funktioniert; „fühle, dass hier etwas leer ist“ — nicht: Bei der Annotation von Slop scheitert ein Reasoning-Modell mit Leitfaden, weil es seinen eigenen Output bevorzugt (Shaib et al. 2026). Eine Regel, die nicht durch Suche oder Zählung überprüfbar ist, liefert einen Befund zur Entscheidung des Autors, keine Korrektur im Text.

---

Auslöser und Modi

Auslöser	Modus
„durch den Slopotron jagen“ | „KI-Suppe reinigen“ | „KI-Marker entfernen“ | „menschlicher machen“ | „/slopotron“	Fix (Standard) — findet + korrigiert + ausgegeben
„nur Flaggen“ | „detect“ | „was hier verrät die KI“	Detect — nur Liste der Probleme, keine Korrektur

---

Prozess

Die Reihenfolge der Durchgänge ist wichtig: zuerst Provenienz, dann Lexik. Mit der schwarzen Liste von Wörtern zu beginnen ist falsch — ein Text kann völlig sauber im Vokabular und dennoch vollständig maschinell in der Struktur sein.

Durchgang 0 — Provenienz und Überfülle. Nur wenn eine Quelle vorliegt (Transkription, Briefing, Notizen, Entwurf des Autors). Vergleichen Sie den Text mit der Quelle gemäß Abschnitt „Provenienz: strukturelle Überfülle“. Keine Quelle — Durchgang wird übersprungen, Abweichungen nicht erfinden.

Durchgang 1 — Selbstkommentierung. Führen Sie den Abschnitt „Selbstkommentierung des Arguments“ mit zwei Tests durch (Löschung und Referent). Quelle nicht erforderlich, funktioniert am puren Text.

Durchgang 2 — Mechanische Checkliste. Gehen Sie die restlichen Kategorien durch. Jede Verletzung — mit Zitat festhalten. Wenden Sie dann das „Clusterprinzip“ an: Ein einzelner Marker in einem lebendigen Absatz — markieren, aber nicht zwingend korrigieren; korrigieren Sie zuerst dort, wo Marker im Rudel auftreten (3+ im Absatz). Technische Artefakte — außerhalb des Schwellenwerts, sie wirken einzeln.

Durchgang 3 — Frischer Blick. Lesen Sie den Text als Ganzes erneut und fragen Sie: „Was verrät hier noch die KI?“ Dies ist kein erneuter Durchlauf der Checkliste — es ist ein intuitiver Blick auf den Text als Ganzes. Der schwächste Punkt der Pipeline (siehe „Grenze der Mechanik“): Die Funde dieses Durchgangs gehen standardmäßig zur Entscheidung des Autors, nicht in den Text.

Durchgang 4 — Selbstkontrolle. Lesen Sie den bereinigten Text erneut und fragen Sie: „Habe ich alte Muster entfernt, aber keine neuen hinzugefügt?“ Typische Fehler des zweiten Durchgangs: Alle Absätze gleich lang (durch Beseitigung von Defekten den Rhythmus eingeebnet), zu saubere Struktur (Text wurde akkurat, aber steril), lahmes Ende (letzter Absatz nach Löschung von Klischees eingebrochen), Text sauber, aber gesichtslos (keine Autorenstimme). Wenn eines dieser Merkmale zutrifft — wenden Sie den Abschnitt „Textbelebung“ an.

Fix-Modus: Wenden Sie alle Korrekturen punktuell an. Nicht umschreiben, nicht umstrukturieren — nur Marker entfernen.

---

Checkliste

Provenienz: strukturelle Überfülle

Durchgang 0, vor der Lexik. Das Modell ergänzt, was in der Quelle nicht vorhanden war: Verbindung zwischen Fakten, Erklärung, Symmetrie, Emotion, Auflösung. Der Text kann dabei völlig sauber im Vokabular sein. Adaption von cw-ai-check §0 (Every, Compound Writing, MIT).

Die Sicherheit hängt davon ab, ob eine Quelle vorhanden ist — Transkription, Briefing, Notizen, Entwurf, Interview. Vorhanden → Flagge und Korrektur mit voller Sicherheit. Nicht vorhanden, nur fertiger Text → Abweichung nicht erfinden, als Frage an den Autor formulieren. Ohne Quelle sind „ergänzt“ und „wusste“ nicht unterscheidbar, und ein Rateversuch führt zu Hyperkorrektur.

• Unbewiesene Verbindung. In der Quelle stehen zwei Fakten nebeneinander — im Text dazwischen eine Ursache: „deshalb“, „deswegen“, „das führte dazu, dass“ → Nachbarschaft ohne Ursache wiederherstellen
• Verstärkte Sicherheit. Der Autor zweifelte, nahm an, hörte von jemandem — der Text behauptet → Ursprungsmodalität wiederherstellen
• Akribische Erklärung. Der Autor schreibt „es ist so passiert“, „ich weiß nicht warum“ — im Text steht ein ausgefeilter Mechanismus → Unwissenheit wiederherstellen, sie ist der Inhalt
• Anpassung an Taxonomie. Heterogene Beispiele werden in eine Reihe gebracht („drei Gründe“, „zwei Typen“, „vier Phasen“), obwohl in der Quelle keine Reihe existierte → Reihe wieder auflösen
• Zugeschriebene Leserreaktion. „Hier werden Sie verstehen“, „das kennt jeder“, „der Leser erwartet“, „klingt kontraintuitiv“ — ohne Begründung in der Quelle → entfernen
• Stimmmittel mit unglaubwürdiger Dichte. Der charakteristische Zug des Autors (Witz, Selbstironie, kurze Reaktion) steht in jedem Absatz — bei einem lebendigen Autor ist er selten und steht dort, wo er gewirkt hat → auf ursprüngliche Frequenz reduzieren
• Metapher, um der Kohärenz willen in die Länge gezogen. Ein Bild wird einmal sinnvoll eingeführt, dann zur Absatzverknüpfung aufrechterhalten, nicht zum Verständnis → nach erster Verwendung abbrechen
• Schluss schließt mehr ab, als der Autor geschlossen hat. In der Quelle blieb die Frage offen — im Text steht eine Schlussfolgerung und Auflösung → offenen Schluss wiederherstellen

---

Selbstkommentierung des Arguments

Der Text beschreibt sein Argument, anstatt es zu liefern. Einfache Worte, kurze Sätze, kein einziger Marker aus den Wörterbüchern unten — daher übersteht er jede lexikalische Bereinigung und wird von nichts anderem in dieser Checkliste erfasst. Adaption von cw-ai-check §12 (Every, MIT).

Außerhalb des Clusterschwellenwerts: Funktioniert nicht durch Übereinstimmung mit einer Liste, sondern durch Bestehen des Tests, daher ist ein einzelner bereits ein Fund. Aber die Korrektur hier berührt das Gewebe des Sinns, nicht die Syntax: Im Zweifelsfall an den Autor geben, nicht stillschweigend einfügen.

Zwei Tests, einer genügt:

• Löschtest. Schneiden Sie den Satz heraus. Wenn das Argument bestehen bleibt und nur die Leserbegleitung verloren ging — war es Gerüst.

• Referent-Test. Das Substantiv verweist auf den Text selbst, nicht auf das Gesprächsthema: „Geschichte“, „Abschnitt“, „Bild“, „Schlussfolgerung“, „Grenze“, „Handlung“, „Hälfte“, „Teil“, „Linie“.

• Selbstbewertung des Beweises: „das Sauberste, was wir gefunden haben“, „das Hauptargument hier“, „das hat mich überzeugt“, „die Zahlen sind weniger überzeugend“ → Tatsache stehen lassen, Bewertung dem Leser überlassen

• Strukturhinweis: „die andere Hälfte der Geschichte“, „weiter geht es um Geld“, „das ist nur die Spitze“, „hier beginnt das Interessante“, „aber dazu später mehr“ → entfernen, der Text selbst schafft den Übergang

• Epistemisches Etikett: „die offene Frage ist, dass“, „zwei Dinge bleiben unklar“, „das verkompliziert das Bild“, „hier bin ich mir nicht sicher“ → nennen Sie die Tatsache selbst, die die Unsicherheit erzeugt

• Charakterisierung eines Zitats vor dem Zitat: „am besten hat es N gesagt“, „die Beschwerde war einhellig“, „bezeichnend ist die Bemerkung“ → Name und Aktion nennen, dann Zitat

Nicht mit Argumentation verwechseln. Die Wahl zwischen zwei Funden ist eine Aussage über die Welt, sie bleibt: „Die Bauprüfung kann die Hotelwahl beeinflussen, das Seitenlayout dagegen nicht.“ Die Beschreibung, dass eine Wahl getroffen wurde, ist Gerüst, sie verschwindet: „Die Bauprüfung ist das stärkere Argument.“

---

Technische Artefakte (außerhalb des Clusterprinzips)

Wirken einzeln: Ein Mensch produziert so etwas nicht. Werden durch Substring- oder Codepoint-Suche geprüft, nicht durch Urteilsvermögen — die zuverlässigste Kategorie der gesamten Checkliste.

• Unsichtbare Zeichen. U+202F (schmales geschütztes Leerzeichen) anstelle eines normalen — ChatGPT o3/o4-mini und GPT-5; U+E200 / U+E201 / U+E202 — Zitatumbüllungen beim Streaming der Websuche. Mit bloßem Auge nicht sichtbar, überleben Kopierpaste, ein Mensch tippt sie nicht. Per Codepoint suchen. U+00A0 — schwaches Signal zweiter Reihe: Wird von Word und Webeditoren massenhaft produziert
• Spuren des Zitiermechanismus: contentReference, oaicite, oai_citation, turn0search0, attributableIndex, nacktes +1 (ChatGPT); [cite: 1], [span_1](start_span) (Gemini); grok_card, grok_render_citation_card_json (Grok); Linsenförmige Klammern 【】 und † (DeepSeek); attached_file, ppl-ai-file-upload (Perplexity)
• UTM-Marken von Chatbots in Links: utm_source=openai, utm_source=chatgpt.com
• Dienst-Token und Platzhalter, durch Kopierpaste durchgesickert: <|end|>, <|im_end|>, [MASK], abgerissener Tag in der Mitte, Platzhalter-URL https://example.com, RAG-Zitiervorlagen der Art [Quelle: ...]. Mittlere Sicherheit: Der Mechanismus ist offensichtlich, aber dokumentierte Fälle liegen in offenen Quellen nicht vor
• Durchgesickerter Dienst-Antwortrahmen: „Natürlich, hier ist ein Entwurf des Artikels…“, „Lassen Sie mich wissen, ob der Artikel erweitert werden soll“, „Zum Stand meiner letzten Wissensaktualisierung im Januar 2022“ (das Datum hängt immer in der Vergangenheit relativ zur Veröffentlichung), „Obwohl in den bereitgestellten Ergebnissen detaillierte Informationen begrenzt sind“ → entfernen, dies ist ein Überrest des Dialogs, nicht der Text
• Markdown, durchgesickert in eine Umgebung, die es nicht rendert: ** in einem Messenger; ** statt ''' und ### statt == in einem Wiki; --- statt ----
• Durchgesickerte HTML-Entitäten: wörtliche —, –,  ,  , «, », “, ” in Klartext (außerhalb von Code und HTML-Layout) — fehlgeschlagenes Rendern beim Kopierpaste aus der Chat-Oberfläche → durch das Zeichen ersetzen. Mittlere Sicherheit: Feldbeobachtung eines einzelnen Autors (habr, 23.09.2026), Umfang der Funde nicht gemessen
• Kaputte Quellen als Hinweis auf Herkunft: 404 am Veröffentlichungstag, nicht existierende DOI, ISBN mit falscher Prüfsumme, verstorbener Autor bei einer aktuellen Arbeit → dies ist die Zone des Faktenchecks, aber als Signal für maschinellen Ursprung wird es hier gelesen

---

Typografie

Der Abschnitt ist auf kurze Beiträge in Messengern ausgerichtet. An Ihre Plattform anpassen.

• Kyrillische Namen von Marken und Projekten — in Guillemets «». Nicht in „geraden“ und nicht in „anderen“. Ein Anführungszeichentyp im gesamten Text. Lateinische Namen (Claude Code, Handy, Parakeet) benötigen keine Anführungszeichen — der Schriftwechsel trennt sie bereits vom Text.
• Keine Aufzählungslisten. Nur → und Fließtext (für Beiträge; in Artikeln/Dokumenten sind Listen in Ordnung).
• Keine fett-begrifflichen Listen. Das Muster „Begriff: Beschreibung“ hintereinander — starkes KI-Merkmal.
• Fett nur in der Überschrift. Im Text — Klartext.
• Kein Title Case in der Überschrift. Im Russischen jede Überschrift mit jedem Wort großgeschrieben („Frühes Leben Und Bildung“) — ein Lehnwort-Marker. Nur das erste Wort groß.
• Keine Platzhalter. Keinerlei [KONKRETE BEISPIELE], [Screenshot], [Link].

---

Neurotropen (finden und entfernen)

• „aktiv“ bei einem Verb → entfernen
• „echt / wirklich“ bei einem konkreten Substantiv → entfernen
• „überall, wo nur möglich“ → konkretes Verb
• „im Rahmen“, „im Kontext“ → wenn sinnvoll durch „bei“ ersetzen, sonst streichen
• „letztendlich“ → entfernen
• „tatsächlich“ → bei neutralen Aussagen entfernen, bei kontrafaktischen behalten
• „insgesamt“ → entfernen oder konkretisieren
• „darüber hinaus“ → durch „auch / noch“ ersetzen
• „nicht nur … sondern auch“ → in einfachere Konstruktion auflösen
• „sowohl … als auch“ → durch Komma oder „und“ ersetzen
• „einer der wichtigsten“ → konkrete Kennzahl oder entfernen
• „bemerkenswert“ → entfernen oder konkrete Eigenschaft nennen
• „einzigartig“ → durch faktenbasierte Beschreibung ersetzen
• „zahlreich“ → konkrete Zahl nennen
• „vielfältig“ → konkrete Aspekte nennen
• „wesentlich“ → durch Maßangabe ersetzen
• „signifikant“ → durch Maßangabe ersetzen
• „entscheidend“ → konkrete Rolle nennen
• „relevant“ → konkretisieren: „wichtig für [wen/was]“
• „effektiv“ → konkretes Ergebnis nennen
• „optimal“ → konkrete Bedingung nennen
• „geeignet“ → konkretes Kriterium nennen
• „angemessen“ → konkretes Kriterium nennen
• „(stets) relevant bleiben“ → entfernen
• „neue Horizonte eröffnen“ → entfernen
• „Werkzeug für …“ → entfernen, wenn nicht konkret gemeint
• „Teil des Puzzles“ → entfernen
• „Blick auf …“ → entfernen (außer wörtlich gemeint)
• „sich in etwas vertiefen“ → entfernen, wenn metaphorisch
• „die Welt von morgen“ → entfernen
• „schnelllebige Welt“ → entfernen
• „Fundgrube“ → entfernen
• „auf den Punkt bringen“ → entfernen
• „(genau) das Feedback, das eintrifft“ → entfernen

---

Tote Muster

Wendungen, die so abgenutzt sind, dass bei lebendigen Autoren keine Fälle mehr beobachtet werden (oder statistisch untermessbar sind). Anders als Neurotropen sind sie nicht „schlecht, weil KI“ — sie sind schlecht, weil Erzählklischee.

• „In unserer sich schnell verändernden Welt“ – Musterbank aus Werbetexten der 2010er. Minimaler Rest in generiertem Content.
• „Die Realität ist jedoch komplexer“ – Pufferphrase unter endlichen Beweisen. In menschlichen Texten nicht beobachtet.
• „Es ist kein Geheimnis, dass“ – Vorbereitung einer nicht-geheimen Tatsache.
• „Es ist wichtig zu beachten, dass“ – Indikator für eine diplomatische Einleitung.
• „Die Antwort ist nicht eindeutig“ – Fazit in einer Lage, in der die Antwort nicht gegeben ist. In lebendigen Texten selten, in generierten häufig.

---

Textbelebung (nach Durchgang 4)

Wird nur angewendet, wenn nach der Bereinigung Anzeichen von Sterilität vorliegen — nicht als Durchgang für sich.

• Rhythmus wiederherstellen — Wenn alle Absätze gleich lang geworden sind, einen früheren Absatz bewusst kürzer oder länger machen als den nächsten. Fügen Sie dort einen Einzeiler ein, wo der Sinn es zulässt.
• Stimme wiederherstellen — Wenn der Text zu neutral geworden ist, ein Wort oder eine Wendung aus dem Quellmaterial (Briefing, Tonaufnahme) zurückbringen, selbst wenn es nicht perfekt sitzt. Die Unvollkommenheit war authentisch.
• Fragen und Ausrufe wiederherstellen — Wenn alle Sätze im Indikativ geblieben sind, einige Sätze in Frage- oder Ausrufeform umwandeln.
• Ende wiederbeleben — Wenn der letzte Absatz durch die Entfernung von Klischees schal geworden ist, dem vorletzten Absatz ein Detail hinzufügen, das den Übergang zum Ende natürlicher macht.

---

Begrenztheit

Der Skill schützt nicht vor allem. Er entfernt Marker, nicht die Fähigkeit des Modells. Wenn Sie den Slopotron in der Pipeline des KI-Assistenten ausführen und dem Modell nach der Reinigung dieselbe Anfrage erneut senden, wird es die meisten Marker durch Umformulierung wiederherstellen. Der Skill ist für einmalige Verwendung durch einen Menschen konzipiert, der den Text vor der Veröffentlichung durchsieht, oder für die Arbeit mit einer festen Version des Textes.

Er erkennt keine faktenbasierten Halluzinationen. Ein ausgezeichneter KI-Text ohne einen einzigen Marker kann durchgängig falsch sein. Der Skill ist blind für den Inhalt; er liest nur das Gewebe. Faktenprüfung vor oder nach dem Skill ist erforderlich.

Die Revitalisierung ist keine eigenständige Operation. Sie ist eine Korrektur für Schäden durch die Bereinigung. Wenn der Text vor der Bereinigung nicht steril war, wird die Revitalisierung ihn nicht verbessern — sie fügt Rauschen hinzu.

---

Daten

• 459 menschliche Beiträge (Telegram, vor ChatGPT, 30.11.2022)
• 989 KI-generierte Texte (September 2026, neun Modelle, gepaart nach Thema, Kanal, Umfang)
• Marker-Häufigkeiten: Durchschnittliches menschliches Auftreten über alle Kategorien 3,2 % der Beiträge. KI: 41,6 %. Cluster-Schwellenwert (3+ Marker in einem Absatz): menschlich 2,1 % der Absätze, KI 34,7 %.
• Die vollständige Methodik ist in der Datei METHODOLOGY.md des Skills beschrieben (nicht übersetzt).

---

Version 2026-09-29 · Revisionen 2026-06-18, 2026-07-13, 2026-08-03, 2026-09-07, 2026-09-29