Академична почтеност

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Академична почтеност - етичната рамка, която управлява честната академична работа в епохата на AI. Базата знания документира как концепцията е била преформулирана от генеративния AI: от проблем на откриването на нечестен изход към дизайнерски проблем за правене на честната работа видима, проверима и заслужаваща да бъде създадена. Изследванията на академичната почтеност в това пространство са еволюирали от подходи, фокусирани върху откриването, към фундаментално препроектиране на оценяването, управление, водено от педагогиката, и обучение на учениците как да използват AI добре, вместо само да се следи дали го правят.

Въпроси за размисъл

• Спомнете си последния път, когато чухте да се говори за „измама с AI“. Разговорът беше за хващане на ученици или за проектиране на задачи, които учениците биха искали да изпълнят честно? Кой акцент ви е по-познат и защо?
• Излъскана, правдоподобна работа вече може да бъде генерирана за секунди. Ако вече не можете да съдите за способността на ученика по продукта, който предава, какво би трябвало да видите или чуете, за да сте уверени, че той наистина се е научил?
• Изследванията установяват, че учениците често рационализират употребата на AI („копирането на текст от AI не ощетява никого“), вместо да злоупотребяват от злоба. Какви предположения за мотивите на учениците прави една чисто наказателна политика за почтеност - и в какво биха могли да сгрешат тези предположения?
• Една линия изследвания третира употребата на AI от учениците като проблем на координация: поведението се променя, когато се променят очакванията на връстниците и стимулите на оценяването, а не когато правилата се повтарят. Кои фактори на връстниците или на дизайна във вашия контекст може тихо да оформят дали употребата на AI е честна?
• Изследванията показват, че страхът от наказание кара учениците да крият употребата на AI и че прозрачните ученици може дори да предизвикат подозрение. Ако проектирахте формуляр за „деклариране на използването на AI“, какво би накарало ученика действително да поиска да го попълни истинно?
• Една и съща институционална политика за AI се тълкува различно от ученици в различните култури - културата, а не формулировката на политиката, определя какво се усеща като неправилно. Как трябва да се съобщава една политика за почтеност на културно разнообразна кохорта, така че очакванията действително да бъдат разбрани?

Въведение

Появата на генеративния AI не създаде нуждата от академична почтеност - тя направи слабостите в съществуващите подходи по-трудни за пренебрегване. Излъскан, правдоподобен продукт вече може да бъде генериран за секунди, така че приликата на продукта е все по-ненадежден сигнал за способност. Това измества въпроса за почтеността от „можем ли да хванем използването на AI?“ към „могат ли нашите оценявания все още да оправдават изводите, които правим за ученето на учениците?“

Еволюцията от откриване към препроектиране

• Скептицизъм към откриването: Изследванията на откриването на AI и институционалните анализи все по-често установяват, че инструментите за откриване на AI са ненадеждни и процедурно несправедливи. Откриването на текст, генериран от LLM, се сблъсква с фундаментални ограничения. Напълно генерирани от AI предавания могат да преминат през системи за присъствен изпит до голяма степен неоткрити, а опитните оценители не разпознават надеждно създадена от генеративен AI работа. Откриването в най-добрия случай е ограничен, ситуационен инструмент, а не стратегия от първи избор. Обемът, който въпреки това му се възлага, далеч не е маргинален: шестгодишен анализ на курс CS2 с голям запис установи, че 45,7% от учениците през пролетта на 2026 г. са маркирани за модели, съответстващи на програмиране с помощта на LLM (Racovan et al. (2026)).
• Тесният марж на откриването и измамата като планирано поведение: Leaton Gray, Edsall и Parapadakis (2025) събират аргумента, че AI усилва уязвимост, която секторът вече имаше. Генериран от AI текст е минавал като човешки в до 80% от случаите, докато доказателствата, които те цитират, поставят машинното откриване на около 80% срещу 78,4% при човешките рецензенти - твърде тесен марж, за да носи констатация за нарушение. Техният мотивационен анализ е по-отличителният принос: тръгвайки от Теорията на планираното поведение на Ajzen и теорията за самочувствието за компетентност на Bandura, те съобщават мета-анализа на Krou et al. (2021), който установява, че Self-Efficacy корелира отрицателно с измамата, докато действителната способност изобщо не корелира обратно с нея. Способен, уверен ученик, който възприема оценяването като несправедливо, може следователно да измами, за да си върне контрола. Заключението следва същата инверсия, която тази страница документира другаде - оценяване, на което един модел може да отговори убедително, е интелектуално тривиално оценяване, и провалът принадлежи на оценяването, а не на ученика.
• Препроектиране на оценяването: Authentic Assessment, подходите отвъд откриването и Скалата за оценяване с AI изместват фокуса от хващане на употребата на AI към проектиране на оценки, в които употребата на AI е или без значение, или прозрачна, или необходима за демонстриране на конкретна способност.
• Структурна уязвимост на оценяването: Chan et al. дават конкретен случай как текущото оценяване е структурно изложено на опосредствана от AI нечестност. В катедра по биология преподавателите възприемаха само присъствените изпити под наблюдение като минимално уязвими; задачите извън клас се виждаха като силно уязвими, което оставяше около една трета от оценката на ученика силно уязвима и 80% поне донякъде уязвима. Това рамкира проблема с почтеността частично като проблем на дизайна на оценяването, мотивирайки пребалансиране към оценяване под наблюдение или в клас и към дизайни на автентично оценяване, които са по-трудни за възлагане навън. Ivory et al. (2026) дават съответствието на ниво дисциплина с цяла тригодишна програма по психология: 36 от 40 оценки от 16 вида произведоха преминаваемо съдържание при минимално усилие, а четирите, които се провалиха, бяха тези, изискващи присъствие, визуални медии или собствения набор от данни на ученика. Тяхното четене на защо минава е частта, която се обобщава - оценяване, което възнаграждава гладка структура и добросъвестно използване на правилния анализ, толерира измислени стойности и халюцинирани референции, така че границата на преминаване, а не откриването, решава дали изходът на AI се оценява като постижение, и уязвимостта на оценяването „не може да бъде обвинявана единствено в употребата на учениците“.
• Предаването като повърхност за атака: инжектиране на подкани срещу AI оценяването. Humble (2026) прави red team на ежедневен работен процес за оценяване и показва, че предаване от ученик може да носи скрити инструкции, които променят оценката, която AI инструмент произвежда: две от пет стратегии за непряко инжектиране, вградени във файла на предаването, вдигнаха неуспешно есе до успешно без видимо предупреждение за потребителя, при отчетени нива на успех на атаката 100% (9/9) и 94% (17/18), като и двете съчетават манипулация на инструкции, ролева игра и обфускация във формати docx, pdf и htm. Най-основната атака се провали напълно и отказът ѝ беше тих - инструментът деактивира чата, без да съобщи за опита - докато едно открито инжектиране произведе уверение, че инструментът ще оценява „само според официалните инструкции за задачата“, преди още шест изпълнения на същия файл все пак да вдигнат оценката. Последицата за почтеността върви в двете посоки: оценка, вдигната от скрита инструкция, не носи никакво основание за валидност, същата техника може да се използва за понижаване на предаване без траен отпечатък в изхода, и човешкият оценител остава единствената реална проверка на манипулация, проектирана да не бъде видима.
• Валидността като организираща рамка: Assessment Validity преформулира почтеността като доказателствен проблем. Изследванията на автентичното оценяване въвеждат заместване на конструкта - генериран от AI продукт се приписва на ученика, така че оценяването извежда способността на инструмента, а не тази на ученика. Доказателственият въпрос преживява всяка политика за AI: независимо дали употребата е забранена, разрешена или изисквана, оценяването все още трябва да генерира доказателства, оправдаващи извода, който се прави.
• Вариацията в мащаб като механизъм за почтеност без наблюдение: VARIA (Lee 2026) подлага на бенчмарк предпоставката зад Интегрираното с AI автентично оценяване (AIAA) - замяна на наблюдението с вариация на задачата за всеки ученик, така че копирането да е структурно безполезно. Гаранцията за почтеност е условна: LLM трябва да генерират варианти, които са повърхностно различни и еквивалентни на конструкта; пилотът на VARIA с 600 варианта установява, че фронтиер моделите изпълняват това само в краен случай (съвместна оценка 0,81-0,88), докато нефронтиер моделите се сриват (0,50-0,55), така че „вариацията в мащаб не може да бъде решена само с подкани“. Това дава на дебата откриване срещу препроектиране емпирична, фалсифицируема проверка: обещанието за оценяване без наблюдение чрез автентични, варирани по задачи оценки сега зависи от измерена (и все още тясна) способност за генериране, а не от предполагаема.
• Автентикиране на рефлексията на ученика срещу генеративния AI: Kadel et al. (2026) твърдят, че традиционните модели за рефлексия вече не могат да автентикират рефлексията на ученика, щом генеративният AI може да пише рефлексивна проза, и вграждат почтеността директно в модел за рефлексия - етапът на клопките в рамката 5P изрично адресира плагиатството, халюцинацията и свръхразчитането, докато етапите му за процес и продукт изискват документиране на подканите и валидиране на изходите, така че собственото разсъждение на обучаемите да се разграничава от генерираните от AI приноси.
• Разработване на политики: Институционалните политики за AI и изследванията на Educational AI Policy разглеждат как университетите разработват и съобщават очакванията за почтеност - и защо абстрактните политически изявления толкова често се провалят.
• Почтеността като проблем на управлението, а не на откриването. Coates, Croucher и Calderon (2025) преместват обвързващото ограничение от поведението на учениците към академичното управление, което те наричат устойчиво, но „недобре позиционирано и подготвено“ да посрещне свързаните с генеративен AI заплахи за автентикацията на ученическото оценяване. Техният отговор е рамка от 130 индикатора за почтеност в осем измерения, от Проектиране (19 пункта) до Подобряване (6), състояща се от управленски въпроси, а не от психометрични скали - дали висшият съвет на институцията получава актуализации за качеството на оценяването, какъв процент от оценяването прилича на релевантни и смислени проблеми, какъв процент от учениците са познати индивидуално на учителите, които ги оценяват. Тя е разработена чрез многогодишен преглед на изследванията, пет казуса на австралийски университети, прототипиране, експертно потвърждение с 60 поканени експерти от шест региона на света и количествен пилот, и е съпроводена с реформи в управленските архитектури, хората и технологиите и ресурсите, от които авторите очакват резултат само под външен натиск от регулирането, сравняването между институциите и конкуренцията между тях; те представят рамката като формираща и призовават за психометрично валидиране преди използването ѝ за сравнение или измерване.
• Какво всъщност казват документите: почтеността доминира институционалната политика за AI. Eldredge et al. (2026) анализираха документите за политика и насоки относно AI на всички 48 акредитирани от CAHIIM магистърски програми по здравна информатика и управление на здравна информация в САЩ: 40 (83%) имаха поне един подходящ документ, и тези документи рамкираха AI предимно като въпрос на предотвратяване на злоупотребата от ученици в курсовите работи, центрирайки академичната почтеност и приемливата употреба. Академичната почтеност беше с голяма разлика най-честата ключова дума (n = 139, пред цитирането с 59, оценяването с 50 и плагиатството с 38), докато темите за поверителност, интелектуална собственост и регулация присъстваха, но бяха по-редки (HIPAA n = 5, FERPA n = 11, насоки на IRB n = 8). Тематичното моделиране върху същия корпус върна четири теми, първата от които е академичната почтеност и подходящата употреба на AI, наред с генеративния AI в преподаването, използването на AI и инструменти за данни в изследванията, и ангажирането на учениците с разговорни AI системи. Доказателствената стойност за тази страница е количествената: рамкирането, центрирано върху почтеността, не е просто реторическата настройка по подразбиране на институционалната политика за AI, то емпирично е доминиращото ѝ съдържание. Най-острото наблюдение на авторите е за това къде спира това внимание, отбелязвайки, че сравнително малко насоки покриват употребата на AI в приложното обучение, изследванията и симулираните среди, където се пресичат учебни и управленски грижи за данните, така че документите управляват курсовите работи, докато средите, за които степента подготвя учениците, остават до голяма степен неадресирани.
• Рамкирането на почтеността отстъпва място на регулиране по тип задача: Лонгитюдното изследване на Chirikov (2026) на над 31 000 учебни програми показва, че политиките на преподавателите за AI се изместват от чисто рамкиране, основано на почтеността: споменаванията на академична почтеност в програмите паднаха от 63% (пролет 2023) на 49% (есен 2025), докато препратките към влиянието на AI върху обучението се покачиха от 1% на 29%. Преподавателите все по-често регулират AI по тип задача - ограничавайки го за писане и разсъждение (където AI би изместил обучението) и разрешавайки го за редактиране и коригиране и за подкрепа на ученето - вместо да прилагат обща забрана по съображения за почтеност. Това преформулира политиката за почтеност като дизайнерско решение на ниво задача, а не като бинарно правило.
• Машинната съпротива като превенция, а не откриване. Смущаването на самия документ - разстояние между символи, думи и редове, колебания в непрозрачността, наслагване на ивици и шум в изображението, плюс състезателни атаки, основани на решения - повишава усилието, нужно за нискоусилена злоупотреба с LLM, още при източника, като същевременно измерва същото знание (Salaun et al. (2026)). Ръчната транскрипция остава възможна, а състезателните атаки защитават само избрани редове, оставяйки грешката на символите за целия документ под 8,44%.

Процедурата при нарушение и нейният доказателствен колапс

Изпълнителната машина, която стои върху политиката за почтеност, е сама по себе си дизайнерско решение, а генеративният AI разглоби доказателствената ѝ основа. Teichmann (2026) твърди, че процедурата при нарушение, която университетите внесоха от плагиатството, предполага, че забранената употреба може да бъде открита и доказана - предпоставка, която технологията разтваря. За разлика от софтуера за сравняване на текст, който сочи към копиран източник, класификаторът на AI текст не идентифицира никакъв източник (такъв не съществува); той произвежда вероятностна преценка за стила, която се влошава при перифразиране, систематично погрешно етикетира писането на хора, за които английският не е роден, и не може да бъде обяснен или подложен на кръстосан разпит, докато умелата или леко редактирана употреба не оставя никаква следа. Упорството въпреки това обръща тежестта на доказване (ученикът е помолен да докаже отрицание), напряга всеки елемент на процедурната справедливост и стоварва вредата от невярно обвинение най-тежко върху вече онеправданите. Предложеното решение е двойно: доказателствен стандарт, при който оценка на детектор сама по себе си никога не обосновава констатация, с градуирани отговори, започващи с образование, и изместване на институционалното усилие към дизайн на оценяване, центриран във валидността и автентичното оценяване - отговорът на неоткриваем AI е по-добро оценяване, а не по-добро наблюдение. Граничният случай няма никаква машина: Isley, Gaebler и Goel (2026) документират магистърска програма по публична политика в американски университет, която забраняваше помощ от генеративен AI с подписано уверение и не проверяваше нито едно предаване, където 56,1% от кандидатите през 2025 г. предадоха поне едно есе, което търговски детектор класифицира като предимно написано от AI, и всяко маркирано есе беше свързано с 1,5 процентни пункта по-ниска вероятност за прием (p < 0,01), нарастваща до 2,6 пункта (p < 0,001), след като качеството на есето се държи константно. Без стъпка за откриване, отсъждане или прилагане между правилото и резултата, наказанието се доставяше изцяло чрез неписаната преценка на читателите на приема - забрана плюс неподпомогната преценка на читателя, възпроизвеждащи дискреционната, необяснена санкция, която справедливата процедура съществува да предотврати.

Munoz et al. (2026) дават емпиричното съответствие, като кодират всеки случай на нарушение с генеративен AI в един регионален австралийски университет за три години: 1162 случая с 1855 елемента доказателства, всеки оценен по релевантност, кредибилност и доказателствена сила. Изходът на детектора беше най-търсеното и най-малко способно да носи тежест доказателство - отчетите на Turnitin или за сходство носеха 100% слаба доказателствена сила, а самостоятелният изход на детектор 100% ниска кредибилност, и доказателствата от детектор паднаха до 0,5% от елементите до 2025 г., докато институциите усвояваха това, което той не можеше да докаже - а най-силните видове доказателства бяха тези, които не почиват на вероятностна класификация на текст: признания на ученици, наблюдавано забранено поведение на изпита и независимо проверени измислени референции, което беше най-голямата структурна промяна, с 22,3% от елементите. Най-острата им критика е структурна, а не доказателствена, тъй като „няма изискване разследващите да оценяват доказателственото качество на доказателствата, преди да придвижат обвинение, нито минимален доказателствен праг на който и да е етап от процеса“, така че качеството на доказателствата нямаше надеждна връзка с изхода на случаите. Те отбелязват също как политиката настигна практиката: политиката за оценяване, в сила до 2024 г., не казваше нищо за AI, а от януари 2025 г. преразгледана политика разрешаваше одобрен софтуер за автентичност, като същевременно забраняваше качването на работи на ученици в инструменти за откриване на AI на трети страни.

Вторият провал е по обхват, а не по доказване. Wright (2026) показва, че забрани, написани на ниво идентичност на платформата, а не на функция, обхващат негенеративно преобразуване на формат - транскрипция от реч в текст, OCR, от обикновен текст към LATEX - наред с генеративното писане, което имат за цел да спрат, въпреки че рецензираната литература по компютърни науки третира разпознаването и генерирането като различни операции. Цената пада неравномерно: учениците със състояния, засягащи финия моторен контрол, четливостта на почерка или точността на писане на клавиатура, са разчитали именно на тези инструменти, а с преустановяването или влошаването на самостоятелните продукти за глас към текст транскрипцията, задвижвана от AI, запълва функционалната празнина, така че свръхобхватно правило премахва основно средство за създаване на четлива работа, превръщайки спора в въпрос на достъпност и равенство преди да е въпрос на почтеност. Решението на Wright е дефиниция на генеративния AI, основана на функцията, плюс четири оперативни критерия - вярност, липса на разширяване, проследимост и удостоверяване - които дават на ученика структуриран път да обори обвинение само за транскрипция, оставяйки тежестта на доказване при институцията.

Доказателственият проблем на откриването е също проблем на валидността. Тъй като помощта от AI е итеративна и преплетена с писането, а не възложена изцяло навън, авторството и собствеността върху смисъла се разделят, и солиден предаден продукт може да не установява, че ученикът е упражнил преценката, която задачата е трябвало да насочи. Представянето на детектора варира според задачите, дисциплините и версиите на модела, а разкритата или подозирана употреба на AI може да действа като пристрастна подсказка за оценителите, така че отговорът чрез откриване добавя дисперсия, неуместна за конструкта, вместо да я премахва. Където дебатите за почтеност питат кой е произвел думите, отчетът за валидността пита какво твърдение за ученика оправдава представянето.

Проблемът с рационализацията

Учениците обикновено не злоупотребяват с AI от злоба; те го рационализират. Изследвания чрез интервюта идентифицират поне пет точки на разминаване, където тълкуването на политиката за AI от учениците се разминава с намерението на преподавателите, и таксономия от над 20 различни рационализации - от „копирането на текст от AI не ощетява никого“ до „текстът, който отразява моите вярвания, е мое собствено писане“. Тези рационализации са ad hoc, след факта и вътрешно непоследователни, и описват „стръмен етичен наклон“, по който учениците се плъзгат далеч извън педагогическите цели. Затова погрешните представи на учениците за AI са причината преди нарушенията на почтеността и затова образованието за почтеност трябва да адресира етичното разсъждение, а не само техническото умение.

Обхватният преглед на Ji (2026) на 38 емпирични изследвания на гласовете на учениците дава синтеза, върху който почива този раздел. Неговите четири теми са нееднозначността (генерирането на цяла задача се чете като измама, проверката на граматиката и мозъчната атака са до голяма степен приемливи, а перифразирането, очертаването и преводът стоят в сива зона), етичната самостоятелност, при която учениците изграждат лични правила в празнина от насоки, която четат като мълчаливо одобрение на действията си, разликата между етичната осведоменост и практиката, и разнообразието по пол, ниво, дисциплина и култура. Разликата между осведоменост и практика е проблемът с рационализацията, измерен в мащаб: Индексът на етичен дисонанс на Huang et al. разпредели 522 китайски ученици в четири клъстера, един от които често правеше това, което смяташе за нелегитимно, а моделирането със структурни уравнения на Ofem et al. с 4679 нигерийски ученици установи, че положителните възприятия за ChatGPT предсказват нечестна употреба, докато положителните нагласи към почтеността действат като значим отрицателен медиатор. Ji чете учениците нито като пасивни получатели на генеративен AI, нито като виновници без морални ограничения, а като активни агенти, навигиращи в етична сива зона, поради което прегледаните изследвания се сближават около съвместно създадени, образователни и чувствителни към контекста отговори, а не наказателни.

Защо политиката сама се проваля: проблемът с координацията

Рамка на координационна игра дава обяснение на ниво механизъм защо политическите изявления рядко променят поведението: употребата на AI от учениците е проблем на координация, където индивидуалните избори зависят от очакванията на връстниците и дизайна на оценяването. Ключовата находка на модела е нелинейна прагова динамика - малки, добре калибрирани промени в стимулите за рефлексивно оценяване могат да задействат бързи промени в цялата кохорта към отговорна употреба, докато слабите или несъответстващи стимули оставят опортюнистичната практика да се задържи. На практика скромно препроектиране (например изискване учениците да разсъждават върху взаимодействията си с AI) може да има непропорционални ефекти там, където абстрактните правила нямат никакви.

Отчетността между връстници не винаги сочи към почтеност, както установиха Chen и Zou (2026) при оценяваната групова работа: седем от петнадесет ученически групи съзнателно намалиха употребата си на генеративен AI, отчасти за да избегнат безплатното возене върху съучениците, тъй като последствията за групата бяха споделени, а не самостоятелни, но в пет групи разрешаващият колективен климат - „всички в моята група използват генеративен AI“ - понижи възприемания риск от злоупотреба и обърна самия механизъм за отчетност, който груповата работа трябва да създаде. Същото изследване установи, че учениците преформулират оригиналността като вярност към разбирането, което съучениците им изграждат заедно, и практическата му препоръка следва пряко: направете договарянето на приемливата употреба на AI експлицитен, документиран и оценяван резултат, вместо да оставяте нормата да изникне от натиска на връстниците или възприемания риск.

Несъответствието на политиките в институцията произведе точно отгатването, което координационният разказ предсказва. Девет от единадесетте интервюирани в Zou et al. (2026) рамкираха изричното разрешение на собствения си курс за използване на генеративен AI като възможен „капан“ - примамка да се идентифицират учениците, които не могат да устоят - макар политиката да беше открита и записана в насоките за оценяване; учениците обобщаваха от забрани и предупреждения, срещнати другаде, вместо да четат правилата на собствения си курс по техните собствени условия. Заключението на авторите следва механизма, а не формулировката: яснотата на ниво курс не беше достатъчна и е нужна последователност на ниво програма или институция, така че учениците да спрат да извеждат намерението от заобикалящата ги култура.

Идентично поведение, различни присъди - и разкриване, което не променя нищо. Poudyal (2026) приложи 15 стандартизирани винетки към политическите среди на 20 австралийски университета и произведе 300 класификации: 120 (40,0%) ясно забранени, 56 (18,7%) неопределени и нито една ясно разрешена, докато обвързващите инструменти мълчаха за генеративния AI в 100 комбинации, които насоките решиха в 88. Разкриването не определяше резултатите - един и същ статут на разкриване произвеждаше различни класификации в зависимост от правилата за разрешение и инструкциите за задачата, а полето за разкриване регистрира 117 изпълнени изисквания и 80 неверни декларации.

Процедурите имат значение също толкова, колкото политиките, а доказателствената им основа се срина при AI. Teichmann (2026) твърди, че процедурата при нарушение, внесена от плагиатството, почива на предпоставка, която генеративният AI разглоби: че забранената употреба може да бъде открита и доказана. За разлика от софтуера за сравняване на текст, който може да посочи копиран източник, класификаторите на AI текст не идентифицират източник, защото такъв не съществува - те произвеждат вероятностна преценка за стила, която се влошава при перифразиране, погрешно класифицира систематично хората, за които английският не е роден, и не може да бъде обяснена или подложена на кръстосан разпит, докато умелата или леко редактирана употреба не оставя никаква следа. Упорството въпреки това обръща тежестта на доказване (ученикът е помолен да докаже отрицание), напряга всеки елемент на процедурната справедливост и стоварва вредата от невярно обвинение най-тежко върху вече онеправданите. Предложеното решение е двойно: публикуване на доказателствен стандарт, при който изходът на детектор сам по себе си никога не обосновава констатация, с градуирани отговори, започващи с образование, и преместване на институционалното усилие към дизайн на оценяване, центриран във валидността и автентичен. Mohamed и Temimi (2026) дават съответствието на ниво механизъм от страната на ученика: тъй като всяка среда за оценяване прави един отговор най-привлекателен, забраната оставя скриването привлекателно, когато проверката е слаба, наблюдението прави скритата употреба по-скъпа, без да прави разкриването безопасно, и само препроектирането - понижаване на печалбата от възлагане навън и повишаване на стойността на видимото разсъждение - придвижва учениците към отговорна употреба. Най-острият им резултат е, че възпирането минава през разграничаващата способност на детектора между скрита употреба и легитимна работа, а не през процента му на улавяне, така че когато фалшивите положителни растат по-бързо от истинските положителни, по-силното наблюдение може да направи скриването относително по-привлекателно.

• Задължението за почтеност може да бъде пренаписано като индивидуална компетентност. В 366 резюмета за генеративен AI във висшето образование думата почтеност се появява 461 пъти, но само 6 от 166 израза на задължение назовават учениците, така че проверката и разкриването се явяват като умения, които се очаква учениците да притежават, а не като задължения, които институциите налагат (Poudyal, 2026).

• Колко предписваща е една политика за почтеност не разкрива колко изложено е оценяването. Одитирайки 15 587 записа на единици, Villanueva (2026) установи, че университетите с институционални мандати за реформа и тези с широки рамки се разпределят в същия диапазон на излагане на оценяването - емпиричното съответствие на координационния разказ за това защо изявленията рядко променят поведението.

Социално-емоционалното измерение

Прилагането на почтеността има пренебрегвана емоционална цена. Изследванията за срама и вината с ученици показват, че тези емоции регулират кога и как употребата на AI става видима, произвеждайки поведение на скриване и селективно разкриване - и че те съществуват наред с продължаващата употреба, създавайки цикли на намалена самостоятелност и морално напрежение, вместо промяна на поведението. Затова нормите около употребата на AI регулират видимостта по-ефективно, отколкото регулират употребата. Учениците дори описват употребата си на AI с езика на зависимостта. Последицата: политика, тежко натоварена с откриване и ориентирана към наблюдение, рискува да прокара злоупотребата под земята, вместо да я адресира, подкопавайки откровеното договаряне, което продуктивната употреба изисква.

Обратното на скриването е отказът, и той носи своя собствена емоционална цена. Сред 85 бъдещи учители, които Zou et al. (2026) анкетираха при политика за оценяване, изрично разрешаваща генеративен AI, 62,4% (53) избраха да не го използват изобщо, а употребата на приемалите беше плитка и коригираща - проверка на текста (43,8%) и проверки на яснотата (34,4%) далеч надвишаваха генерирането на текст (18,8%) и мозъчната атака (12,5%). Страхът от невярно обвинение, а не техническата трудност, свърши голяма част от работата: 41,5% от неприелите го посочиха, срещу 13,2%, които цитираха липсващи знания или умения, докато 77,4% рамкираха неупотребата просто като предпочитание да работят сами. Когато разрешаваща политика се чете като капан, безопасният отговор е отказ от предложението - което струва на институцията интегрираната с AI работа, която е искала да покани.

Декларации за използване на AI

Декларациите за използване и разкриване на AI са конкретният механизъм, чрез който очакванията за почтеност се операционализират - и изследванията показват, че те често се провалят, когато се третират като неутрални формуляри за съответствие. Gonsalves (2025) установи, че 74% от учениците не декларираха употреба на AI на задължителен титулен лист на курсова работа, подтикнати от страх от санкции, нееднозначност на насоките, непоследователно прилагане и норми на връстниците. Kirsanov et al. (2026) и Vetter et al. (2026) потвърждават, че страхът от отмъщение и неясната политика охлаждат разкриването - и че прозрачните ученици може дори да предизвикат подозрение. Chang et al. (2026) преформулират разкриването като поведение на търсене на помощ и саморегулация, което тревожността пренасочва към връстниците. Колективният урок: политиките за разкриване трябва да адресират афективните и социалните бариери, да бъдат ясни и последователни и да третират разкриването като формативна педагогика, а не като наблюдение. Luo & Dawson (2026) добавят страната на учителя в уравнението: оценяването от учителите на работа, подпомогната от генеративен AI, се движи от ценностни преценки за честността, усърдието и доверието на ученика, и много учители наказват (или са изкушени да накажат) учениците, които декларират употреба на генеративен AI - дори когато качеството на работата е силно. Това е проблемът на „двупосочната прозрачност“: от учениците се очаква да декларират употреба, но учителите рядко изясняват как тази декларация ще повлияе на оценките, така че честното разкриване може да носи неизречено наказание при оценяването. Изследването закотвя проблема с разкриването в натоварената с ценности реалност на учителското оценяване и твърди, че прозрачността трябва да върви в двете посоки.

Собствените отчети на учениците оразмеряват колко зле пристига това послание. В проучване с 504 студенти по социология 81 процента казаха, че преподавателите или асистентите им са дали насоки за употребата на AI, но само 46 процента нарекоха тези инструкции много ясни; 19 процента съобщиха, че не са получили никакви насоки, а останалите ги описаха в най-добрия случай като донякъде ясни (Kuznetsov, Sheely & Baker, 2026). Страхът да не се извърши академично нарушение беше втората най-честа грижа, повдигната от учениците (28 процента) - цена, наложена от нееднозначността, а не от прилагането, тъй като само 3 процента съобщиха, че използват генеративен AI за генериране на текст за задача, и 2 процента за създаване на пълна чернова. Практическата последица е, че яснотата на комуникацията е сама по себе си механизъм за почтеност и че ученик, който не може да разбере какво е разрешено, носи риск, който институцията никога не е възнамерявала да наложи.

Разрешението на ниво курс също не решава дилемата с разкриването. В изследването на Zou et al. (2026) с 85 бъдещи учители, чиито оценки изрично разрешаваха генеративен AI, самоописанията наброяваха 28 потребители срещу 32 в анонимното проучване, и двата източника се разминаваха в противоположни посоки по курсове - Курс A записа 14 потребители в проучването, но само 8 декларации, докато Курс C обърна модела (8 в проучването, 12 декларации). Авторите четат разминаването като оценявани последствия, оформящи какво учениците бяха склонни да направят видимо, добавяйки доказателства от обучението на учители, че една система за деклариране измерва поведението на разкриване също толкова, колкото измерва употребата.

Културна и контекстуална вариация

Текстът на политиката не е равен на възприемането ѝ. Международно изследване установи, че въпреки функционално идентичните институционални политики учениците от различни университети оценяваха различно същите практики с помощта на AI - културата, а не формулировката на политиката, определяше възприеманата неправилност. Хармонизирането на политиките не произвежда хармонизиране на възприятията, така че културно разнообразните кохорти тълкуват едни и същи правила различно - притеснение за равенството при прилагането и оценяването, което говори за изясняване чрез сценарии, а не за абстрактни изявления на правила.

Езиковият произход, а не културата, е втора ос на вариация. Li (2026) твърди, че тъй като един и същ интерфейс извършва разрешено езиково редактиране и забранено съдържателно писане, правилата за почтеност, които третират генеративния AI като една категория неоторизирана помощ, превръщат езиковия недостатък в риск за почтеността: пълната забрана премахва мащабируема форма на езикова подкрепа, режимът „разрешавай, но декларирай“ натоварва с работа по съответствие учениците, изучаващи английски като допълнителен език, чиято употреба е по-честа и итеративна, а забраните за редактиране отвъд дребни промени концентрират подозрението върху пишещите, чиято гладкост се е променила най-много. Границата, която Li предлага, е основана на целта, а не на инструмента - разрешената подкрепа не добавя нови идеи, нови източници или съществено преподреждане на анализа, докато заместването създава или съществено преоформя интелектуалната работа, която се оценява - и е закотвена в конструкта на оценяването, защото рубриките, които дават точки за гладкост и идиоматичност, въвеждат дисперсия, неуместна за конструкта, при пишещите на английски като допълнителен език (Assessment Validity). Рамката понижава изхода на детектора до триажен сигнал, който рядко съставлява доказателство, предпочитайки триангулация чрез поетапни предавания, истории на черновите, проверими следи от източници и кратък разговор, съобразен с конструкта, и калибрира разкриването, така че рутинната подкрепа да не носи разходи за съответствие, надвишаващи тези на едноезичните връстници.

От контрол към педагогика

Базата знания документира смяна на парадигмата: от AI като заплаха за почтеността, която трябва да се контролира, към AI като инструмент, чиято подходяща употреба трябва да се преподава. Това е етичното измерение на AI грамотност и е въплътено в практичния дизайн:

• Декларации за използване на AI, специфични за задачата: Рамките за деклариране, специфични за дисциплината, заменят общите отметки „използвах AI“ със структурирани декларации, съотнасящи употребата към когнитивни етапи (например структурно планиране спрямо генериране на съдържание), принуждавайки към размишление и измествайки фокуса от контрол към професионална практика.

• Оценяване с прозрачен процес: архитектури като когнитивното настойничество, поетапните предавания, устните защити и AI Viva (разговорен агент, който проверява дали учениците разбират предаванията си) правят видими човешката преценка, проверката и отговорността. Miles, Haber-Curran и Arar (2026) свеждат същата логика до самата подкана: примерната им рубрика оценява итеративното усъвършенстване, критичното тълкуване на изхода и рефлексивната преработка, така че оценяваното е ангажирането на ученика с инструмента, а не артефактът, който той е произвел, и те твърдят, че обучението на учениците само да оптимизират изхода оставя етичните и епистемологичните измерения на употребата незасегнати.

• Намаляване на злоупотребите: почтеността стои наред с AI Misuse and Learning Harm (цената за обучението от злоупотребата) и Намаляване на злоупотребите с AI (интервенциите, които я предотвратяват), свързвайки честността с истинското учене, а не със следването на правила.

• Прозрачността като стратегия за почтеност, а не само като учтивост: дизайнерският случай на McCorkle (2025) третира обосновката на всяка разрешена или неразрешена употреба на генеративен AI като самия механизъм за почтеност. Учениците, интервюирани след като бяха пренебрегнали забраняваща политика, обясниха, че не се виждат като държащи се нечестно, което преформулира провала като нееднозначност, а не като несъответствие - затова препроектирането го реши, като обоснова всяко ограничение с конкретното оценяване, което то защитава, и като проектираше за убеждаващата среда „20-60-20“ на McCabe, а не за малцината решени. Случаят назовава и цената за равенството на неясната политика: очакванията, които са неясни и неравномерни между преподавателите, са това, което превръща провала на политиката в дисциплинарно действие (Equity).

• Дизайн, а не откриване: случаят Бохум. Препроектирането на въведението във физиката на ядрото и елементарните частици в Рурския университет в Бохум (Mikhasenko et al., 2026) свърза политиката си за AI с практичен провал на почтеността, а не с откриване: тъй като задачите за упражнения бяха обявявани предварително, някои ученици подготвяха генерирани от AI решения и ги копираха на дъската, без да се ангажират с предвиденото разсъждение. Авторите третират това като дизайнерски проблем - преместване на задачите към подготвена дискусия в клас и превръщане на писмения изпит в определящ оценката - а не като проблем на контрол, като същевременно изрично разрешават AI при учене, обясняват защо проверката е отговорност на ученика и отбелязват, че отворените домашни работи с разрешен AI също повишиха зависимостта, неравномерния достъп до платени модели и натоварването на асистентите.

Най-ясното изложение на педагогическата инверсия идва от El Khoury и Ma (2026), които твърдят, че реформа, започваща от подозрение, стеснява образователното въображение до контрол, съответствие и наблюдение, и че почтеността трябва да бъде последица от оценяване, проектирано за ангажиране, а не негова отправна точка. Подкрепящото им наблюдение е механизъм, вече видим другаде в тази база знания: оттеглянето от ангажиране е едно от условията, при които нечестността става по-вероятна, така че програмите, които подлагат на стрес тестове оценките или ограничават употребата на AI, без да адресират ангажирането, оставят част от проблема незасегната.

Учениците извън англоезичното висше образование описват същото напрежение със свои думи. Mulisa и Mezgebu (2026) интервюираха 27 студенти в етиопски университет и установиха студентско тяло, разделено срещу себе си: почти всички използваха генеративен AI или виждаха връстници да го използват, повечето му приписваха подобряване на академичните си постижения, малцинство наричаха такава употреба направо нарушение, а почти всички описваха неравнопоставено игрално поле, в което подпомогнатата от AI работа получаваше по-добри оценки от честното усилие, докато самостоятелните работници губеха усета си за усърдие. Най-острата характеристика на разказа е определението за плагиатство, което учениците дават - технически защитимо и непълно: ако плагиатството означава възпроизвеждане на чужди думи, машинно написан текст, който не копира нищо, не е плагиатство - поради което авторите твърдят, че определението трябва да се разшири отвъд копиране и поставяне, следвайки „AI-плагиатството“ на Ka и Chan (2025), и поради което поставят собствените вярвания на учениците, а не само институционалните правила, в центъра на етичната употреба.

Sharma (2026) отвежда педагогическата инверсия една стъпка по-нататък, разширявайки рамката на постплагиатството на Eaton от етична ориентация в дизайн на оценяването. Почтеността в този прочит се осъществява чрез оценъчната преценка - способността на обучаемия да претегля опции, да обосновава академични избори и да поема отговорност при епистемична несигурност - и се прави видима чрез четири практики: анотирани следи от решения, практики за проверка и отчетност, устна защита и диалогична отчетност, и разлики между чернови с история на версиите. Откриването се запазва само като допълнителен слой за ясно представяне в друга светлина или съзнателно възлагане на интелектуалния труд навън, никога като основна инфраструктура на почтеността, защото то пита дали е използван генеративен AI, вместо как са взети решенията зад работата; аргументът назовава и риска за равенството, че моделите, центрирани върху откриването, падат най-тежко върху обучаемите, които разчитат на генеративни инструменти за езиков или когнитивен скафолдинг.

Трети път стои между откриването и препроектирането. Akçapınar (2026) предсказва риска от измама с помощта на AI по следите в LMS от началото на семестъра с AUC 0,763 и рамкира изхода като академично насочване с нисък залог - напомняния, проследяване на задачи, кратки разговори - а не като доказателство за нарушение, настоявайки оценката да остане отделна от оценките и дисциплинарните регистри.

Връзки

Академичната почтеност се свързва с Assessment Validity, AI грамотност, AI Detection, Authentic Assessment, Assessment, Educational AI Policy, AI Regulation in Education, Ethics и Equity. Тя е етичното измерение на AI в образованието, неразделно от свръхразчитането и по-широкия въпрос как Generative AI преобразява ученето във висшето образование и в K-12.

• Синтез от систематичен преглед. PRISMA преглед на 25 изследвания (Balalle & Pannilage 2025) установява, че AI действа едновременно като заплаха (генерирано от AI писане, инструменти за перифразиране) и като инструмент за откриване (AI оценки на Turnitin), че софтуерът за откриване е ненадежден за генерирана от AI работа и че институциите трябва да изградят култура на академична почтеност чрез ясна политика, препроектиране на оценяването и обучение по етика, а не само чрез контрол.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Почтеността е централна грижа, но рядък резултат. В 394 изследвания за генеративен AI във висшето образование академичната почтеност и етиката бяха сред най-рядко адресираните резултати (Lin et al. (2026)).

• От контрол към диалог: проверка на обучението. Практически разказ за институционалната рамка на Университета Гранд Каньон (Mandernach 2026) твърди, че откриването е ненадеждно и формалните процедури за почтеност рядко стигат до решение, оставяйки преподавателите с „подозрение без средство за защита“. GCU вместо това прие проверка на обучението - искане учениците да демонстрират разбиране на предадената си работа в кратък разговор - преформулирайки почтеността от проблем на съответствието към проблем на оценяването. Това възстановява авторитета на преподавателя, измества учениците от „как да не бъда хванат“ към истинско ангажиране и третира употребата на AI като приемлива, когато ученикът може да демонстрира учене; първоначалната тревожност на учениците относно проверката подчертава, че политика, натоварена с наблюдение, може да разяде доверието.

• Генеративният AI побеждава автоматично оценяваните домашни работи (2026): ChatGPT премина през всичките 150 тестови сесии по умишлено закалени, автоматично оценявани дизайни на домашни работи с Qiskit (квантови изчисления) - персонализация, скрити референции, рефлексии, изпълнение в симулатор - което показва, че оценяващите по рубрика не могат надеждно да разграничат завършена от AI работа от завършена от ученик, и се аргументира за пряко оценяване на разбирането (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Оценяването в епохата на AI - изходът като доказателство (2026): анализ на университетско ниво твърди, че кризата с оценяването при AI е несъответствие между дизайна на оценяването и резултатите от обучението, а не само нечестност; документира вреди от наблюдението (заключени браузъри, проследяване на очите), „капанът на разкриването“ (учениците се страхуват, че декларирането на употреба на AI понижава оценките), разлика в представянето, която оценява социално-икономическия статус (платени срещу безплатни нива на Large Language Models (LLMs)), и „педагогическо изтощение“ сред преподавателите, които контролират AI - препоръчвайки оценяване, основано на процеса, вместо на откриването (Evaluation in the Age of AI: Output as Evidence of Learning).

По-нови доказателства: етично разсъждение, граници на откриването, маркетинг на AI и студенти-призраци

Вълна от скорошни изследвания изостря картината на академичната почтеност в епохата на генеративния AI:

• Учениците от средното училище разсъждават за „AI-плагиатството“ ситуационно, а не като фиксирано правило. Chan (2026) показва, че етичното разсъждение на средношколците за „AI-плагиатството“ е нюансирано и зависи от контекста - мнозина виждат подпомогнатата от AI работа като приемлива, когато подкрепя разбирането, но проблематична, когато замества собственото им усилие - оспорвайки предположението, че на учениците просто им липсва почтеност или че една единствена политика може да обхване етиката им.

• Само автентичните оценки не могат да защитят почтеността. Kofinas et al. (2025) установяват, че оценителите като цяло не могат да разграничат оценки с принос от генеративен AI от тези без него, и че нивото на автентичност на оценяването не влияе на способността да се защити срещу или да се открие употреба на генеративен AI. Секторът на висшето образование „не може да разчита само на автентични оценки, за да контролира въздействието на генеративния AI“ - пряко предизвикателство към стратегията за препроектиране на оценяването, която трябва да бъде съчетана с други мерки.

• Насоките за почтеност трябва да се разширят в изследователския процес, не само в преподаването. Dai & Chan (2026) установяват, че докторантите и изследователите осъществяват AI грамотност в различни изследователски задачи, и твърдят, че политиките за отговорна употреба, които в момента се фокусират върху преподаването и оценяването, трябва да дават скафолдинг на етичните измерения на употребата на генеративен AI в изследванията - където грижите се центрират върху оригиналността, авторството, поверителността на данните и деградацията на уменията, а не само върху плагиатството.

• Целта трябва да предхожда политиката. Taylor & LaCroix (2026) твърдят, че дали употребата на генеративен AI съставлява нарушение зависи от целта на университета. Нарастващите случаи на нарушение отразяват структурна несвързаност в неолибералния университет, където технологичният ентусиазъм, корпоративното влияние и прилагането на политики влизат в конфликт - оставяйки учениците отговорни за поведения, имплицитно оформени от институцията. Университетите не могат да прилагат почтеността достоверно без съответствие между заявената мисия, педагогиката и технологичната практика.

• Психологически и поведенчески детерминанти. Изследване на Frontiers картографира психологическите механизми и поведенческите детерминанти на академичната почтеност под AI - как нагласите, самочувствието за компетентност, нормите и възприеманите последствия оформят честната употреба - свързвайки почтеността с мотивацията, самочувствието за компетентност и AI грамотността като поведенчески конструкции, а не като чисто следване на правила. Tabares-Cruz et al. (2026) ги количествено измерват в SEM с 980 еквадорски университетски студенти, подреждайки първо нагласите за академична почтеност и прозрачност, следвани от AI грамотност, критична проверка, институционални насоки, саморегулация и защита на данните - като нагласите за почтеност и AI грамотност заедно обясняват съществен дял от етичната употреба на генеративен AI и изпреварват институционалните правила сами по себе си.

• Маркетингът на AI нормализира употребата и рамкира „измама срещу конкуриране“. Sobo et al. (2025) показват, че AI се предлага на учениците като практическа необходимост („Направи писането си да звучи по-естествено, за да не бъдеш погрешно маркиран“), и че учениците се чувстват принудени да го приемат, за да останат конкурентни, дори докато се тревожат за зависимостта и загубата на учене - интернализиран предприемачески императив. Това сочи към нуждата от грамотност за маркетинга като част от обучението по почтеност при AI.

• Humanizatorите на AI разкриват перформативния цикъл на откриването. Roe et al. (2026) каталогизират 55 уебсайта за „хуманизиране“ на AI, които променят генериран от AI текст, за да избегне откриване, рамкирани през драматургията на Гофман. Хуманизаторите правят нарушенията дискурсивно отсъстващи и изпълняват легитимност, демонстрирайки, че надпреварата между откриване и заобикаляне е структурно безкрайна - затвърждавайки преминаването от контрол към дизайн на оценяването и AI грамотност.

• Прилагането, а не откриването, е мястото, където живее разговорът. В 270 929 записа, свързани с AI, от 26 образователни subreddit-а за три и половина години, клъстерът за академична почтеност държеше 37,1% от дискусията, а „Прилагане на нарушения“ беше най-голямата отделна тема с 12,1%, докато 32,3% от нишките между преподаватели и ученици се намираха в спорове за откриване и прилагане (Yüce et al. (2026)).

• Студентите-призраци и пропастта в проверката при агентния AI. Bozkurt, Crompton & Fell Kurban (2026) въвеждат „студента-призрак“: дигитален заместник, създаден чрез свързване на LLM („умът“) с браузъри с агентен AI („тялото“), който може да навигира в LMS, да се ангажира със съдържание и да завършва оценки с човешкоподобна имитация, правейки присъствието на действителния обучаем по избор. Това създава пропаст в проверката, която традиционното наблюдение и откриване са структурно неспособни да затворят - заплаха за почтеността, която расте с това, че AI става агентен, а не само генеративен.

Най-ясният дисциплинарен случай за препроектиране вместо откриване идва от обучението по компютърни науки. Систематичен преглед на 72 изследвания за генеративния AI в компютърните науки и обучението по програмиране (Kumar, Wongsirichot и Nanthaamornphong 2026) установи само три изследвания, разглеждащи механизми за откриване на AI - най-тънката доказателствена база от 14-те теми, които консолидира - докато препроектирането на курсове и оценяване се подкрепяше от 25. Прегледът третира дисбаланса като диагностичен, а не като случаен: институциите до голяма степен актуализираха политическите документи, без да препроектират оценките, и повечето преподаватели стоят на ниво на интеграция на толерантност, а не на трансформация, като 70% от една национална извадка на факултет изрично поиска обучение за дизайн на оценяване, устойчиво на AI. Препоръчаният отговор е конкретен: добавете устен компонент или друг елемент, правещ процеса видим, към поне едно оценяване с висок залог на курс, и направете критичното ангажиране с изхода на AI (четене, тестване, промяна, обясняване, критикуване) оценяван и наблюдаем компонент от работата на ученика, а не стремеж, оставен на неговата преценка (Assessment Validity). PRISMA преглед на 72 изследвания за оценяването във висшето образование установява три дизайнерски отговора, повтарящи се в отговор на генеративния AI - ориентация към процеса, автентичност и устни и диалогични подходи - рамкирани като наслояване върху съществуващите принципи за валидност, автентичност и съответствие, а не като тяхно изместване (Crompton и Burke (2026)).

• Измислените референции стигнаха до публикувания запис на обучението по компютърни науки. Denny et al. (2026) проследиха 113 588 референции от 5225 статии за обучение по компютърни науки в ACM Digital Library спрямо пълния корпус от 723 930 публикации и 15 872 533 референции, ръчно провериха 828 съмнителни записа и потвърдиха 30 референции с проверимо измислена библиографска информация в 14 статии, всички публикувани през 2025 или 2026 г. На SIGCSE Technical Symposium провереният брой нарасна от 3 през 2025 г. на 17 през 2026 г., намирайки се в 2,3% от статиите в материалите от 2026 г., а халюцинирани референции се появиха в пет места, спонсорирани от SIGCSE или в сътрудничество с него, през 2025 г. Числото е коректно само с противотежестта си: повечето маркирани референции бяха доброкачествени - 229 бяха несъответствия в метаданните на ACM, където PDF файлът беше правилен, а 188 бяха валидни библиографски варианти - така че цифрата за местата е умишлено долна граница. Тя пада върху авторите, а не само върху оценката от съученици, защото рецензентите, проверяващи списъците с референции, не могат да проверят всеки запис, а писането с помощта на LLM прави създаването на измислена, но правдоподобна цитата евтино.

• Яснота без препроектиране измества злоупотребата настрани, вместо да я премахва. Petricini & Zipf (2026) поставят употребата на AI на две оси - намерението и усилието на учениците срещу яснотата и подкрепата, които средата предоставя - и съобщават, че най-населеният квадрант в интервюните им данни беше тревожното съответствие, където учениците крият легитимна помощ (граматическа подкрепа, обяснения на понятия, организиране на собствените си идеи), за да избегнат невярно обвинение. Предупреждението им е насочващо: където правилата стават ясни, но оценяването все още възнаграждава скоростта и продукта, съзнаващите политиката ученици се изместват към ефективно заобикаляне, а не към добродетелна употреба на инструмента. Austin (2026) стига до същото място от страната на задачата - когато агентите удовлетворяват всеки критерий от рубриката без видимо разсъждение, оценяването на следата от решения (калибриране на увереността, отхвърлени предложения на AI, специфични за курса ограничения) заменя откриването, което според нея се проваля в двете посоки.

• Работодателите дисконтират оценки, които вярват, че AI е произвел - и се стичат към проверка на живо. В експеримент с анкета с около 1750 американски специалисти по наемане Boyd-Swan & Reynolds (2026) показват, че рамкирането на употребата на AI от учениците като помощен инструмент остави кандидатите без наказание, докато рамкирането ѝ като заместител на усилието и способността на ученика намали вероятността за интервю и - още по-рязко - готовността за договаряне на заплата, концентрирано сред кандидатите с висок успех независимо от расата и пола. Попитани какво би облекчило притесненията им, и двете групи на рамкиране избраха само едно общо решение: изпити на живо. Експериментът изолира вярването (а не действителната употреба на AI), така че показва как само каналът на сигнализиране движи резултатите при наемане - ранно доказателство, че пазарите на труда могат да тласнат оценяването обратно към формати, проверими чрез присъствие, същата дизайнерска посока, към която литературата за студента-призрак призовава институциите.

Първото изследване на Теорията на планираното поведение върху намерението за нарушение, базирано на GAIT, разширява тази картина: сред 186 студенти Baig и Paparo (2026) установиха, че нагласите към нарушението, субективните норми за него и положителните нагласи към AI предсказваха всяка поотделно намерението, докато отрицателните нагласи към AI не го правеха, и че по-високата възприемана вероятност за откриване предсказваше по-ниско намерение - възпиращ фактор, подкопан от документираната ненадеждност на инструментите за откриване на AI.

Политиките за почтеност се изместват от това кой е написал думите към това кой е имал идеите, а детекторите се преустройват, за да съответстват. IdeaLens предсказва произхода на идеите от схема, а не от проза: върху 50 истории, които хора написаха от нулата, следвайки генерирани от AI планове, той маркира 68% като AI, срещу 8% за Pangram 4 и 0% за неговия контрол, обучен върху проза, и етикетира 94,7% от полирания от AI човешки текст като човешки (Rajendhran et al. (2026)). Собствената му етична декларация нарича изхода статистическа оценка, която не трябва да се използва сама по себе си като заключително доказателство за употреба на AI.

Gillette et al. (2026) документират режима отвътре в един факултет: преподавателите, които бяха променили форматите на оценяване, казваха, че е „практически невъзможно да се каже дали ученик е използвал AI при писането на задачи“, докато разгневени ученици искаха обръщение към съвестта и „засрамване“ вместо откриване.

• По-доброто сетиво не променя това, което оценяването може да удостовери. Система за наблюдение с оценка на позата YOLOv11, съобщаваща 99,56% точност на класификацията, илюстрира границата на пътя на откриването: тя измерва поза спрямо поведенчески етикет, не предоставя никаква реална основа за нарушението и не предлага анализ по подгрупи (Arif et al., 2026). Решението, за което се аргументира Villanueva, е достатъчно доказателство за обучение в ключови етапи, а не максимално наблюдение на всяко предаване.

Чести заблуди

• „Инструментите за откриване идентифицират писането с AI.“ Генерираният от AI текст е минавал като човешки в до 80% от случаите, докато доказателствата за откриването поставят машинното откриване на около 80% срещу 78,4% при човешките оценители. Човешката и машинната преценка са почти еднакво (не)надеждни, така че присъда от детектор не е доказателство за авторство.
• „Проблемът е маргинален.“ Обемът далеч не е такъв: шестгодишен анализ на курс CS2 с голям запис установи 45,7% от учениците през пролетта на 2026 г. маркирани. Почти половината от кохорта, което прави това масов дизайнерски проблем, а не краен случай.
• „Преподавателите знаят кои оценки са уязвими.“ В катедра по биология преподавателите възприемаха само присъствените изпити под наблюдение като минимално уязвими, докато задачите извън клас се виждаха като изложени. Възприятието съвпадаше с очевидния случай и третираше всичко останало като безопасно.

Свързани концепции

• Pedagogical Patterns - Последователности за проверка, приети в отговор на генеративния AI
• AI Use and Disclosure Statements - Декларации за използване и разкриване на AI
• Assessment Validity
• AI грамотност
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Когнитивно изнасяне
• AI Misuse and Learning Harm
• Намаляване на злоупотребите с AI
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• AI в образованието
• Legal Issues and Risks
• Social Norms of AI Use - неформалните правила, които стоят под формалната политика

Свързани статии

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Цяла програма по психология, преминаваема с минимално усилие, и критериите за оценяване, които го позволиха (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Бъдещи учители отказаха генеративен AI при разрешаваща политика; рамкирането като „капан“ и разликата между проучване и декларации

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI агенти, радостно оценяване и трето пространство

• Generative AI in computing education: A systematic review and a framework for responsible integration — Доказателствата за откриване са тънки (3 изследвания от 72); препроектирането носи тежестта

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Съгласувана курсова политика за генеративен AI: разрешения, изведени от оценяването, прозрачна обосновка (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Генериране на варианти на оценяването, еквивалентни на конструкта (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Как преподавателите регулират AI в 31 000 учебни програми; рамкирането чрез почтеност намалява (Chirikov 2026)

• Can students cheat their way to a biology degree? A case study of the vulnerability of biology course grades to academic dishonesty in the era of generative AI — Могат ли учениците да си извоюват с измама диплома по биология? Казус за уязвимостта на оценките в курсовете по биология към академична нечестност в епохата на генеративния AI

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Несъответствие на учениците с декларациите за използване на AI

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Откриване на генериран от LLM текст

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Отвъд откриването: автентично оценяване в свят, опосредстван от AI

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Скалата за оценяване с AI и реформата на оценяването

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — От автентични продукти към автентикирани процеси

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Добре е, защото… рационализацията на употребата на AI от учениците

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Рамка на координационна игра за етична употреба на AI

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Срамът и вината като социални регулатори на употребата на AI

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Сгреши ли Алис? Междукултурни възприятия за употребата на AI

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Ценностни преценки при оценяването на работа, подпомогната от генеративен AI: честност, доверие, валидност и двупосочна прозрачност (Luo & Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Отчетност между връстници и оригиналност при групово оценяване, опосредствано от генеративен AI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Доказателственият колапс на откриването и аргументът за процедурна справедливост, пропорционалност и дизайн

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Възпиране, разкриване и препроектиране като проблем на дизайна на оценяването при несъвършена информация

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — На какво всъщност почиваха 1162 файла за нарушения с генеративен AI и липсващият доказателствен праг

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Свръхобхватни правила за AI и разграничението между транскрипция и генериране

• AI-based digital cheating at university, and the case for new ethical pedagogies — Дигитална измама с AI и превантивни етични педагогики: случаят от 183 към 27 нарушения и пет препроектирания, специфични за дисциплината (Leaton Gray, Edsall & Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Почтеността като проблем на управлението: рамка от 130 индикатора за академичните ръководни органи (Coates, Croucher & Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Обхватен преглед на 38 изследвания на гласовете на студентите във висшето образование за академичната почтеност и генеративния AI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Провеждане на границата между подкрепа и заместване за пишещите на английски като допълнителен език и неравенството на правилата, които пренебрегват езиковия произход (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Инжектиране на подкани срещу опосредствано от AI оценяване: скрити инструкции, които променят оценката неоткрито (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Матрицата на етиката на употребата на AI: тревожно съответствие и защо само яснотата може да тласне учениците към ефективно заобикаляне (Petricini & Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Оценяване на следата от разсъждения, когато AI агентите могат да изпълнят задачата (Austin 2026)

• AI-written admissions essays are widespread but penalized — Написаните от AI приемни есета са широко разпространени, но се наказват

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Кой действа, кой знае, кой отговаря? Анализ на дискурса с помощта на корпус за самостоятелността, епистемичната отговорност и отчетността в изследванията за генеративен AI във висшето образование

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Картографиране на разрешената граница: сравнително изследване с политически винетки на управлението на генеративния AI в австралийското висше образование

• Argus: Academic Integrity in the Era of Generative AI — Argus: академичната почтеност в епохата на генеративния AI

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Секторен одитен извод: университетите с мандат и тези с рамка не показват разлика в излагането на оценяването, емпиричното съответствие на проблема с координацията

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) - Ранно предсказване на риска от измама с помощта на AI по следите в LMS, рамкирано като академично насочване, а не като доказателство за нарушение

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Три и половина години образователен Reddit: прилагането доминира, а споровете за почтеност са основното място за среща на преподаватели и ученици (Yüce et al. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Експеримент с анкета: рамкирането на употребата на AI от учениците като заместване наказва кандидатите с висок успех при наемане и заплата; изпитът на живо е единственото решение, което и двете групи избраха

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: към четящ интерфейс, четивен за хора и устойчив на машини