Как да намаля измамите с AI в моя курс?

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

Шеста седмица е. Есе за вкъщи се връща гладко и кухо и не можеш да кажеш дали студентът го е писал. Или четири предадени работи споделят форма, каквато никой в стаята не е произвел през септември, и службата по почтеност иска писмен отчет какво е измервало заданието. Или катедрата ти гласува миналия месец да ограничи генеративния AI в основните курсове и те остави да направиш ограничението смислено.

Отговорът, който да дадеш на колега: спри да се опитваш да докажеш кой е писал работата и промени условията, при които тя се пише. Откриването е най-слабият лост, който имаш. Лостовете, които издържат, са задача, в която краткият път оставя следа, една ненаблюдавана от инструменти стъпка, която можеш да видиш, и кратка преподадена последователност, която държи студентите вътре в когнитивната работа.

Накратко

1. Извади откриването от критичния път. Доказателствата по-долу показват, че то дава фалшиви сигнали при разрешено редактиране и пропуска умишлено заобикаляне.

2. Постави една стъпка без помощ и без наблюдение от инструменти във всяка оценка с голяма тежест (оценяване) и ѝ дай истинска тежест.

3. Постави границата за AI на ниво стъпка от задачата, а не на ниво курс, така че тя да следва това, което оценяваш.

4. Ако AI е разрешен, настрой го да подсказва, вместо да отговаря, и изисквай опит от студента, преди той да отговори.

5. Направи декларирането конкретно и без наказание. Размитите правила и наказателните правила еднакво тласкат студентите към укриване.

Откриването няма да издържи случая

Синтезът за академичната почтеност съобщава съществени ограничения в откриването на AI текст и твърди, че почтеността в ерата на генеративния AI все повече е проблем на дизайна на оценяването, а не просто проблем на откриването. Занеси числата на заседанието, на което обосноваваш това пред някого, който вече е купил лиценз.

В контролирано изследване на 642 публикувани английски резюмета два търговски детектора отбелязаха като проблемно лекото AI редактиране, съобразено с насоките, при 38-80%. Те отбелязаха неизменени оригинали от 2023-25 при 9-15%, като работите извън STEM бяха далеч над тези в STEM при p<0,001. След AI „хуманизация“ същите инструменти хванаха под 4% от преписите, обозначени като AI (Why AI Detection Fails for Academic Integrity). Прочети тези три в този ред. Разрешеното използване беше отбелязвано по-често от забраненото, а забраненото използване беше почти невидимо, след като някой го прекара през парафразер. Това е уловка 22 на почтеността: детекторът наказва честната помощ и същевременно дава възможност за умишлено заобикаляне.

Теренните доказателства вървят в същата посока. В скрито изследване 94% от изцяло генерираните от AI предавания, вмъкнати в реални онлайн изпити в пет модула по психология, останаха неразкрити, а работата на AI като цяло изпревари по точки истинските студенти (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Университетът Вандербилт изключи лицензирания си детектор, след като не успя да валидира рекламиран процент на фалшиви положителни резултати от 1%, процент, който би означавал около 750 погрешно обозначени студенти сред 75 000 годишни предавания.

Нищо от това не установява, че откриването никога не работи. То установява профила на грешките, с който трябва да живееш. Отбелязаният студент е човек с право на обжалване, а резултатът от 642 резюмета казва, че белегът пада най-тежко върху студентите, които са направили разрешеното нещо. Пълният аргумент за това как това променя какво може да подкрепи една оценка е в Препроектиране на оценяването в ерата на AI.

Промени какво задачата прави лесно

Синтезът за намаляване на злоупотребата с AI класира препроектирането като Тиер 1 по структурна причина: то работи независимо дали студентът избере правилното поведение, защото ограничава средата, вместо да зависи от мотивацията.

Започни с етикет. Скалата за оценяване на AI (AIAS) дава на всяко задание ниво на използване на AI, от „без AI“ през „AI само за генериране на идеи“ и „AI помощ с атрибуция“ до „пълно използване на AI“, така че очакването е изрично и приложимо, а не изведено.

После промени артефакта. Систематичен преглед на 72 изследвания за генеративния AI в обучението по компютърни науки оценява препроектирането като едновременно осъществимо и с най-голям лост и отделя един ход: добави устен или по друг начин видим за процеса елемент към поне една оценка с голяма тежест във всеки курс. Той го нарича единствената най-ефективна интервенция в корпуса. Откриването е най-слабо покритата област в прегледа, с само 3 изследвания, срещу 60-80% от студентите по компютърни науки, които съобщават използване на генеративен AI в курсовите си работи, обикновено без изрично разрешение от преподавателя, и 70% от една национална извадка на преподаватели, които изрично искат обучение за дизайн на оценяване, устойчив на AI (Generative AI in computing education: A systematic review and a framework for responsible integration).

Менюто, горе-долу в реда на това доколко всяка опция издържа в голям клас.

Без помощ, в час, със затворени материали: контролирани изпити, тестове, писане с ограничено време. Дай им по-голяма тежест, отколкото преди, защото домашната работа е артефактът, който AI надува. Устните изпити и защити работят по същата причина, тъй като диалогът в реално време е труден за възлагане (Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future).

Артефакти от процеса: чернови, следи от разсъждение, анотирано „покажи мисленето си“, дневници на преработките, така че процесът да е видим, а не само продуктът (From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich). До тях работят автентичните задачи: местни случаи, материали от стаж, собствените данни на студента, всичко, което е трудно за възлагане (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It).

Вариация на задачата за всеки студент, при която всеки получава версия, различна на повърхността, но еквивалентна по конструкт, прави преписването структурно безполезно. Приемай гаранцията като условна за възможностите: VARIA намира, че генераторите на челния фронт достигат само 0,81-0,88 по общ показател за почтеност, докато моделите извън челния фронт се сриват до 0,50-0,55. Ако вариантите ти не са еквивалентни, си купил защита срещу споделяне с неравнопоставеност между студентите.

Затвори разликата между упражнението и изпита

Това е частта, която преподавателите пропускат, и тя е мястото, където причинно-следствените доказателства са най-силни.

В теренно рандомизирано контролирано изследване неограничен преподавател от типа на ChatGPT повиши представянето при упражнения с помощ с 48% и понижи оценките на изпита без помощ с 17%. Версия с предпазни механизми, която подсказва вместо да отговаря и е заредена с информация за задачите, написана от преподавателя, премахна вредата напълно (Generative AI without guardrails can harm learning: Evidence from high school mathematics). В по-голям мащаб изследване на 26 811 студенти намира, че възлагането на домашната работа повишава оценките за домашна работа с 18%, докато понижава оценките от изпит със затворени материали с 20% в рамките на шест месеца (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).

Забележи формата на двата резултата. Печалбата и загубата падат върху различни мерки и само едната от тях е тази, която ти удостоверяваш. Едно рандомизирано контролирано изследване не може да ти даде размера на ефекта в твоя курс. То ти дава посоката, а двете изследвания сочат в една и съща посока.

Ако ще позволиш на студентите да използват преподавател, конфигурирай го преди семестъра, а не след първата жалба:

1. Настрой го да дава постъпателни, сократични подсказки, а не следващата стъпка от отговора.

2. Зареди го с верни решения и често срещани погрешни схващания, за да може да насочи към грешките, вместо да преразказва съдържание.

3. Изисквай опит, преди да се появи какъвто и да е резултат.

4. Прилагай правилото на капана на лекотата: ако допускането на AI прави задачата да изглежда без усилие, то е на грешното място.

Това последно правило е и мястото, където скафолдингът и предпазните механизми си изкарват хляба, и където симулиран студент е полезен, за да тестваш собствената си подкана, преди реални студенти да я срещнат.

Поискай от студентите да покажат какво могат

Никога няма да установиш как е произведен един файл. Можеш да установиш, евтино, дали студентът може да направи онова, което файлът изглежда демонстрира.

„Най-добрият отговор на използването на AI от студенти не е откриване, а диалог“ описва механизмите: двуминутно обяснение очи в очи или записано обяснение на предадена работа, кратък последващ тест върху същия материал, решен без инструменти, искане да преработи извадка от собствената си работа и да обясни промените. Източникът е разказ на практик, така че го третирай като обещаваща практика, а не като доказателство за ефект.

Проверката решава и дали процесът ти за нарушения издържа при обжалване. Munoz и др. (2026) анализират действителни досиета по твърдения за нарушения с генеративен AI и намират, че естествената справедливост изисква студентът да бъде уведомен за твърдението и да получи възможност да отговори преди всяко решение, обикновено в разследваща среща или интервю пред комисия, като всичко, което каже, влиза в доказателствения запис. Техните категории доказателства обясняват защо това трябва да е вградено в курса: записаните от системата поведенчески следи съществуват само при оценяване под наблюдение, а по-слабите доказателства за процеса, като чернови, срещи за консултация и презентации, съществуват само там, където те вече са били рутина. Навикът за проверка става доказателство, на което можеш да разчиташ по-късно.

Напиши и правилото точно. Wright (2026) показва, че забраните, които третират транскрипцията реч в текст и генеративното писане като едно и също „използване на AI“, са свръхобхватни и рискуват да накажат студенти, които не са направили забраненото. Това е проблем на справедливостта, преди да е правен проблем, а правните въпроси и рискове покриват останалото.

Дръж студентите в цикъла, докато работят

Забраната на инструмента и разрешаването му без структура водят до един и същ резултат, а именно студенти, които стоят извън когнитивната работа.

Синтезът за намаляване на злоупотребата с AI излага осем дизайнерски принципа за разрешената версия, включително: запази когнитивното съпротивление, позиционирай AI като временен партньор за мислене, а не като авторитет, вгради контролни точки за оценка и изисквай метакогнитивно водене на дневник и дневници на подканите.

Последователността, която носи тези принципи, е достатъчно кратка, за да се отпечата в лист на задание:

1. Първо мислене. Студентите генерират идеи, правят план или чернова самостоятелно, преди да отворят каквото и да е.

2. Второ AI. Те го използват, за да критикуват, разширят или генерират алтернативи спрямо мислене, което вече имат.

3. Трето рефлексия. Те записват за какво са го използвали, какво са приели и отхвърлили и защо. Подкана плюс дневник на преработките е достатъчно.

Направи декларацията конкретна и евтина за попълване

Замени общата отметка „използвах AI“ с домейн-специфична рамка за деклариране, която свързва използването с когнитивни етапи, например структурно планиране срещу генериране на съдържание (Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education). Заглавен лист, който пита кои етапи, кой инструмент, кои подкани и как е оценен резултатът, върши повече работа от едно да или не.

Две условия го правят честно. Декларирането трябва да е безопасно, защото наказателните или размити политики активно тласкат към укриване (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher), а студентите претеглят риска да ти кажат срещу риска да не ти кажат ("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education).

Аритметиката също трябва да е в полза на казването. Mohamed и Temimi моделират това като проблем на несъвършена информация, а не на морал. Декларирането е привлекателно само докато цената на честността остава ниска, и тъй като фалшивите положителни резултати на един детектор падат и върху честни студенти, по-силното наблюдение може да направи укриването относително по-привлекателно винаги когато допълнителната чувствителност произвежда повече нови фалшиви положителни, отколкото нови истински положителни. Чети декларираното използване като контекст, а не като признание, и проектирай за студента, най-изкушен да се укрие.

Преподай грамотността, която оценяваш

Синтезът за намаляване на злоупотребата с AI класира обучението по AI грамотност и промптинг като Тиер 2, под структурната промяна.

Измереният пример е модул за K-12, който използва упражнения с подкани по сценарии с автоматичен оценител на Large Language Models (LLMs). Той подобри реалното умение за писане на подкани и повиши увереността в използването на AI за учене с 10,4%, като 87% съобщиха, че са се научили да използват AI отговорно (Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module).

Това, в което студентите всъщност вярват, е по-малко цинично, отколкото предполага паниката. Сред 504 студенти по социология 65% бяха използвали генеративен AI за курсови работи, но само 3% за генериране на текст на задание и 2% за генериране на пълна чернова. 81% бяха получили някакви насоки за AI и само 46% ги намериха за много ясни (Student Use of and Views on GenAI for Writing). Двусмислието, а не неподчинението, е практическият проблем, поради което ясното правило плюс преподадена последователност променят повече поведение, отколкото едно предупреждение. Mulisa и Mezgebu (2026) описват студенти, които питат дали генеративният AI е инструмент, който улеснява измамата, или партньор, който подкрепя ученето, и точно на този въпрос трябва да отговарят твоите очаквания.

Вредата, която си струва да се преподава изрично, е разривът между представяне и учене: представянето се покачва сега, ученето пада по-късно, а студентът изживява само първото. Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking и It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing покриват страната на нормите на колегите и рационализациите, включително защитата „всички го правят“, която ясната норма свива. За това колко силна е тази основа виж Какви са доказателствата за интервенции за AI грамотност във висшето образование? и Кои са десетте най-важни извода от изследванията на AI в образованието, които преподавателите трябва да знаят?.

Какво преподавателите разбират погрешно тук

Детекторът е застраховка. Брой какво покрива премията: при процента, който Вандербилт не успя да валидира, 1% от 75 000 годишни предавания са 750 погрешно обозначени студенти, а изследването на 642 резюмета показва, че белезите се струпват върху разрешеното редактиране.

Забраната решава въпроса. Забрана, написана на езика на „използването на AI“, хваща транскрипцията заедно с писането, което означава, че можеш да накажеш студент за това, че е продиктувал собственото си изречение (Wright, 2026). Тя също не ти казва нищо за това какво може този студент.

Измамата е проблем на мотивацията, затова наказанията са инструментът. Мотивацията е реална и тя не е лостът с най-добри доказателства. Препроектирането е Тиер 1, защото не изисква студентът да избере добре, а моделът на реакциите казва да проектираш за студента, най-изкушен да се укрие.

Ако позволя AI, злоупотребата престава да е мой проблем. Разрешението без предпазни механизми даде 48% печалба при упражнения и 17% загуба на изпита в едно и също изследване. Върни предпазния механизъм и вредата изчезна.

Студентите вече знаят къде е линията. 81% са имали насоки и по-малко от половината са ги намерили за ясни. Числата 3% и 2% казват, че повечето от тях не генерират цели задания; 46% казва, че те гадаят за останалото.

Отметката е декларация. Отметката записва, че студентът е кликнал. Постъпателната декларация ти казва какво е направил на всеки етап и това е единствената версия, която помага на теб или на него.

Какво ще ти се върне

„Нямам време да препроектирам курс този семестър.“ Не препроектирай курса. Препроектирай едно задание: една стъпка без помощ, един ред в рубриката с точки. Това е промяна за два часа и е промяната, която прегледът на 72 изследвания отделя.

„Устните защити са невъзможни с 300 студенти.“ Тогава не провеждай 300. Дай тежест на компонента със затворени материали, изисквай артефакти от процеса и прави извадкови устни проверки на предаванията, които изглеждат несъответстващи на по-раншната работа. Триста студенти не се нуждаят от 300 разговора, за да се промени сметката.

„Трябва ми нещо, което да покажа на службата по почтеност.“ Доказателството за процеса е по-силно от оценка на детектор, защото Munoz и др. намират, че възможността за отговор и собствените записи на курса са онова, върху което почива досието. Отбелязан процент е твърдение. Записано обяснение е запис.

„Изискването на декларации само натоварва честните.“ Натоварва ги, ако декларирането кани подозрение. Дръж цената на честността близо до нула: без наказание за декларирано използване и декларация, четена като контекст. Моделът предсказва укриване точно когато честността става скъпа.

„Студентите така или иначе ще използват AI.“ Ще го направят, а полезният въпрос е коя реакция твоето задание прави най-лесна. В клас, в който 65% съобщават използване и 2% съобщават генериране на пълна чернова, по-голямата част от трафика е помощ, на която би могъл да преподаваш, а не измама, която трябва да хващаш.

„Затягането на правилата ще хване студенти, които не са направили нищо лошо.“ Това е документираният режим на провал, а не хипотеза. Прецизността е защитата: назови забраненото действие, а не инструмента.

Какво да направиш тази седмица

1. Пренапиши клаузата за AI в най-оспорваното си задание, така че да назовава конкретни стъпки и конкретни действия, и отпадни общата формулировка.

2. Добави една стъпка без помощ в това задание и ѝ дай достатъчно тежест, за да има значение.

3. Сложи артефакт от процеса в рубриката с прикачени точки и опиши как изглежда доброто толкова точно, колкото описваш продукта.

4. Ако разрешаваш преподавател, провери конфигурацията му тази седмица срещу четирите настройки по-горе.

5. Кажи на студентите писмено, че декларирано използване няма да бъде наказвано, и го мисли сериозно.

Накъде след това

Препроектиране на оценяването в ерата на AI е спътникът за дизайна на оценяването и мястото, от което да започнеш, ако въпросът ти е какво доказва една оценка. Трябва ли да използваме детектори за AI? се занимава директно с решението за детекторите, Как да напиша политика за AI в курса и да я съобщя на студентите? покрива формулировката, която студентите наистина четат, а A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform предоставя схемата за обозначаване. От страната на преподаването Какви са доказателствата за интервенции за AI грамотност във висшето образование? и AI Misuse and Learning Harm покриват колко струва работата по грамотността и защо се случва вредата.