Да използваме ли AI детектори?

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

Резултат от детектор се връща маркиран за текст, който вече си чел два пъти, или колега иска инструментът да бъде включен преди следващия срок за есе, или комисия по почтеност те моли да защитиш констатация, която почива на процент. Някой в стаята ще каже, че резултатът е само едно парче доказателство. Това, което решаваш, е по-тясно от спора, който следва: дали това число може изобщо да носи тежест в процедура за нарушение, и какво ще сложиш на негово място, ако не може.

Краткият отговор, който можеш да повториш на срещата: резултатът от детектор не може да обоснове констатация, защото не може да бъде валидиран срещу обективна истина, не може да бъде подложен на кръстосана проверка и не достига баланса на вероятностите. Грешките му се повтарят в шаблони и падат най-тежко върху честните редактори и върху студентите, които пишат на втори език. Питай вместо това дали студентът може да покаже разбиране за това, което е предал, и финансирай точно този капацитет.

Накратко

1. Запиши в политиката, че резултатът от детектор никога не задейства последствие, никога не стои сам и никога не обосновава констатация. Сложи го в самия документ на политиката, там, където комисията може да го намери, след като бележката отдавна я няма.

2. Замени „използва ли AI?“ с „можеш ли да ми покажеш, че разбираш това?“. Използвай кратък разговор, ранна чернова или записано обяснение.

3. Сложи по една стъпка с удостоверяване или без помощни средства във всяка задача с високи залози, оразмерена според капацитета за проверка, който реално имаш.

4. Поискай от доставчика процентите на грешки писмено, после се опитай да ги възпроизведеш върху собствените си предадени работи. Университетът Вандербилт опита това и изключи инструмента.

5. Премести парите от лиценз за детекция към капацитет за проверка и насоки. Именно натам сочи документираната жалба на преподавателите.

Реши дали имаш констатация, или въпрос

Това са две различни задачи и те вървят върху различни доказателства. Констатацията изисква доказателства, които достигат баланса на вероятностите, а резултатът от детектор не стига дотам сам. Той не може да бъде валидиран срещу обективна истина, защото при истинските предадени работи никой не знае как е създаден текстът, така че валидирането става циклично, а процентите на фалшиво положителните и фалшиво отрицателните резултати означават нещо само в рамките на контролиран тест. Инструментът не публикува прагове и данни за обучение и не допуска независимо повторение, което оставя маркирания студент без нищо, на което да отговори, а теб без нищо, което да обясниш (Heads We Win, Tails You Lose: AI Detectors in Education, Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Съчетаването на резултата с други сигнали не поправя това. Езикови маркери, сравнения на стила, преценки на LLM и мълчанието на студента пак се събират на по-малко от стандарта. Мълчанието е онова, което заслужава внимание: студентите запазват правото да откажат, а отказът не накланя везните. Това, което законно можеш да попиташ, е дали студентът може да покаже ученето, което оценяването твърди, че измерва, и устният отговор го прави по начин, по който оценката за сходство никога няма да го направи (Heads We Win, Tails You Lose: AI Detectors in Education).

Двоичният избор също е грешният въпрос. Работата на студентите често се създава с AI, по един хибриден континуум, а политиките, които казват „при оценяването“, рядко определят кога започва оценяването, което оставя преценката на този, който пръв отвори файла (Heads We Win, Tails You Lose: AI Detectors in Education).

Под всичко това стои проблем с референтните данни. Детекторите се обучават и тестват върху човешко писане отпреди генеративния AI, а собствената валидация на Turnitin използва 700 000 работи отпреди 2019 г. Приема се, че този корпус представя текущата студентска проза, предположение, което никой не е проверил и което се измества с всяко ново издание на модел (Heads We Win, Tails You Lose: AI Detectors in Education).

Погледни числата за точността, преди да цитираш някое

Най-силният контролиран тест в базата знания разглежда 642 публикувани английски резюмета в четири области и два времеви периода. При праг 0,50 два търговски детектора маркират лека редакция с AI, която спазва указанията, в 38-80% от случаите, маркират немодифицирани оригинали от 2023-25 г. в 9-15% (не-STEM много над STEM, p<0,001) и, след като текстът е преминал през услуга за хуманизиране, хващат по-малко от 4% от преработките, обозначени като AI, което е дял на фалшиво отрицателните резултати над 96%. Авторите наричат това капан на почтеността (catch-22): студентите, които декларират и редактират леко, са тези, които инструментът хваща, а студентите, които са се заели да го заобиколят, не са. Препоръката им е изрична: резултатите от детектори никога не бива да служат като самостоятелно доказателство за нарушение (Why AI Detection Fails for Academic Integrity).

Независим бенчмарк стига до същото място от друга посока. Нито един от 14 инструмента не достига 80% точност, а простото преформулиране, дребната редакция или услугата за хуманизиране приблизително наполовина свалят дори това представяне. При реалистични базови дялове фалшиво положителните резултати превишават истински положителните (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Дяловете на засичане при цялостно генериране са по-лоши, отколкото подсказват процентите на грешки от заглавията. В скрито теренно проучване изследователи вкарват изцяло генерирани с AI работи в работеща система за онлайн изпит в пет модула по психология: 94% остават незасечени, а работата на AI средно получава по-висок резултат от този на истинските студенти. Писането по поръчка вече беше показало същия структурен проблем, тъй като не оставя надеждна следа, която да бъде намерена (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Точността се движи и с задачата. Когато изследователи тестват дали генеративният AI може да разпознае собствения си продукт, резултатите са надеждни при програмиране и по-дълго рефлексивно писане и слаби при кратки отговори, където моделът често оценява собствения си текст като по-човешки от автентичната студентска работа. Малки вариации на подканването рязко свалят точността (Distinguishing Artificial from Authentic: Evaluating LLMs for Detecting LLM-Generated Content). Праг, който издържа за една задача, ще се провали при друга и няма да знаеш при коя, докато не дойде обжалването.

После идва годността във времето. Проучване от 2026 г. преформулира детекцията като проблем на адаптация: атака с пренаписване в черна кутия сваля търговския детектор Pangram до балансирана точност от 63,5% и recall за AI от 27,0%, а детектор, обучен върху Llama 3.3 70B Instruct, достига само 55% recall върху резюмета от по-нов модел. Адаптацията по време на теста се връща до 94,4% балансирана точност и 99% recall върху същия този текст, което е обнадеждаващата половина. Същата статия показва колко струва поправката: с разпространението на симулираното приемане на LLM recall на фиксиран надзираван детектор върху човешки текст се разпада от 85,9% до 73,4% за десетилетието. Условието за годност е формулирано без заобикалки: балансираната точност не може да надхвърля половината от едно плюс разстоянието на пълна вариация между човешкото и AI разпределението, така че сближаването на двете би победило всеки детектор, основан на обучение. Валидираният резултат издържа, докато моделите се движат, а те се движат на всеки няколко месеца (Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift).

А машината никога ясно не е победила внимателния читател. Leaton Gray, Edsall и Parapadakis (2025) съобщават машинна детекция на AI или преформулиран текст от около 80% срещу 78,4% за човешките рецензенти и цитират доказателства, че генериран с AI текст е минавал за човешки в до 80% от случаите. Тази разлика се разтваря в смущението, което човекът и без това носи, и е твърде малка, за да обоснове констатация (AI-based digital cheating at university, and the case for new ethical pedagogies).

Разбери върху чия работа пада грешката

Признаците, които детекторите четат като сигнали за AI, а именно гъстота на дълги токени, честота на академичната лексика и еднакъв стил, са също признаци на компетентно писане на втори език. Следователно погрешното класифициране следва езиковия произход, а не поведението, което прави това въпрос на справедливост, преди да е технически въпрос (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Това изкривяване се появява и извън английския. Бенчмарк върху 3 811 пасажа, чието авторство отпреди ChatGPT е доказуемо установява, че пет публични детектора, обучени на английски, във вида, в който са пуснати, маркират 81,4% от човешките казахски пасажи (TMR RoBERTa) и 79,6% от публикуваните казахски студентски есета (Desklib DeBERTa), с 25,5% за Fakespot, и че прекалибрирането им до 1% фалшиво положителни резултати хваща най-много 1,3% от машинния текст в замяна. Собствената уговорка на изследването има значение, когато го цитираш: човешките пасажи са публичен текст отпреди ChatGPT във вида, в който е намерен, а не студентски есета, така че образователните му проценти са най-несигурните числа, които то съобщава (Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh).

Дисциплината добавя още една ос. Не-STEM резюметата бяха маркирани много по-често от STEM в изследването с 642 резюмета, което отразява писмените конвенции на тези области, а не поведението на авторите им (Why AI Detection Fails for Academic Integrity). Два широко използвани търговски инструмента измерват точност 0,69 и 0,61 в едно сравнение и и двата се провалят при хибриден човешко-AI текст (Evaluating the accuracy and reliability of AI content detectors in academic contexts, Who wrote this? Evaluating the reliability of AI detection tools in higher education). Детекторът е тест за стил, а стилът, който наказва, следва езиковия произход, дисциплината и регистъра. Нито едно от тези не е факт за това дали студентът е използвал AI, а всяко едно е факт за студента. По-широкият модел е документиран в Различни ефекти между групите обучаеми.

Част от цената се вижда още преди всяко изслушване. Тъй като формалните процедури изискват доказателство от ранга на детекция, което функционално липсва, преподавателите остават с това, което един практик нарича „подозрение без средство за защита“, докато студентите си обясняват собственото си използване и делата зациклят (The Best Response to Student AI Use Is Not Detection, It Is Dialog). Цената за доверието пада върху връзката, от която процедурата зависи.

Смени въпроса, който задаваш на студента

Университетът Гранд Каньон премина от „Този студент използва ли AI?“ към „Може ли този студент да покаже разбиране за това, което е предал?“, като използва кратки разговори, ранни чернови и записани обяснения, въведени в целия университет през есента на 2025 г. Аргументът за това е практичен: преподавателите вече са квалифицирани да преценяват разбиране, а промяната им връща авторитета, вместо да ги оставя да чакат доказателство, което никога няма да дойде (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

Това променя и какво може да направи студентът с обвинението. Когато му покажеш притеснението и го помолиш да обясни, студентът може да го реши. Когато му покажеш процент, той може само да го отрече.

Проведи разговора така, че да издържи на проверка

Отнасяй се към разговора за проверка като към стъпка в процедурата, с уведомяване и с протокол, и той ще издържи, когато някой прочете файла семестър по-късно.

Започни с уведомяване. Кажи на студента какво е предизвикало притеснението, на разбираем език, и кажи за какво е разговорът. Ако притеснението идва от резултат от детектор, кажи това и кажи, че резултатът не е констатация. Кажи на студента само че е обвинен в преписване и срещата се превръща в защита на характера, а не в отчет за работата.

После питай за самата работа. Кое твърдение се опитваше да направиш в този раздел. Откъде дойде това доказателство. Защо го подреди по този начин. Какво изхвърли. Студентът, който е написал текста, може да отговори на тези въпроси на ниво решения. Студентът, който не го е написал, ще отговори на ниво тема и разликата се вижда бързо, без някой да трябва да доказва намерение.

Запази правото на мълчание непокътнато. Отказът да се отговори не отстъпва нищо, а процедура, която третира отказа като признание, няма да издържи обжалване. Запиши какво е било попитано, какво е било отговорено и какво е било отказано.

Завърши с решение, което можеш да изложиш без резултата. Или студентът е показал разбирането, което оценяването измерва, или има отделно, съществено притеснение за работата, което можеш да опишеш със свои думи. Ако нито едното не е вярно, файлът свършва там. Този изход е нормален и трябва да бъде записан като такъв, защото процедура, която винаги записва само вина, учи следващата комисия, че подозрението е същото като констатация.

Сложи в задачата една стъпка, в която инструментът няма място

Асинхронните устни оценявания, изградени като подканвания в движение с кратки, ограничени по време записани отговори, оценявани по вградени рубрики, се представят сравнимо с присъствените изпити с множествен избор в едно изследване и значително по-добре в друго, като студентите съобщават за по-активна подготовка и по-висока възприемана професионална релевантност. За администратора свойството, което има значение, е, че това се мащабира без наблюдение (Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era).

Препроектирането на задачата върши повече работа от затягането на проверката. Казусно изследване на студенти по икономика от бакалавърска степен установява, че само около една трета съобщават каквото и да е използване на AI, с още по-рядко деклариране, и чете недекларирането като рационална предпазливост при двусмислена политика, а не като нечестност. Същите тези студенти предпочитат задачи от реалния свят, основани на данни, като решение (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It). Очакването, декларирането и внимателният преглед на използването на AI работят по-добре от контрола над него, защото автентичността трябва да бъде проектирана, а не наложена (Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World).

Оттук следват две решения. Първо е размерът. Кратка устна проверка за всяка голяма предадена работа е по джоба в семинар. В лекция с триста души това, което оцелява до десетата седмица, са поетапните чернови и извадковата проверка на аномални работи. Избери версията, която можеш да проведеш и в последната седмица на семестъра с часовете за проверка, които имаш, защото стъпка с удостоверяване, която се срива под натоварване, те оставя пак с артефакта.

Точките идват второ. Ако обосновка, история на черновите или размисъл върху отхвърлено предложение от AI не носи никакви точки, ще бъдат произведени за пет минути и прочетени от никого, а студентите ще оптимизират за частта, която се оценява. Дай ѝ достатъчна тежест, така че пропускането на стъпката да струва повече от изпълнението ѝ.

Направи декларирането евтиния избор

Неясните или наказателни политики подтикват към прикриване. Конкретни рамки за деклариране, свързани с когнитивни етапи и съчетани с уверение, че честното деклариране не се наказва, извличат повече информация от студентите, отколкото надзорът (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher, "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education). Въпросът за дизайна е кой отговор правилата ти правят най-лесен за студента, който е изкушен да скрие, а правило, което третира декларацията като признание, е отговорило зле.

Формулировката върши голяма част от работата тук. Декларация, която иска от студентите да отбележат квадратче и после стои непрочетена в системата за предаване, ги учи, че декларирането е театър, и следващата випускова група го научава по-бързо. Декларация, привързана към етап от работата, която пита за какво е използван инструментът на този етап и какво е направил студентът с резултата, ти дава нещо, което наистина можеш да прочетеш, и дава на студента причина да бъде точен.

Напиши клаузите, които те пазят от изслушване

Излагането рядко започва като съдебен процес. То се появява първо като вътрешно обжалване или жалба до регулатор, и първото, което се проверява, е процедурата. Естествената справедливост изисква студентът да бъде уведомен за твърдението и да получи възможност да отговори преди всяко решение, а тази възможност обикновено е разследваща среща или интервю пред комисия, чийто протокол става доказателство. Констатации, постигнати без тази стъпка, са уязвими дори когато подозрението под тях е било разумно (How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis).

Стандартите за доказване идват второ. Констатациите за нарушение се нуждаят от доказателства, които достигат баланса на вероятностите, и ако делото ти не може да бъде изложено без резултата от детектор, то е слабо още на пръв поглед (Heads We Win, Tails You Lose: AI Detectors in Education). Там, където делото почива само на стил, устният път за проверка принадлежи в процедурата, а не в добрата воля на председателя на комисията.

Обхватът е трети. Пълните забрани на AI, които не отделят транскрипцията и оптичното разпознаване на символи от генеративното писане, могат да премахнат помощен инструмент, на който студенти със състояния, засягащи моториката, четливостта на почерка или точността при писане на клавиатура, разчитат, а няколко такива инструмента са преустановени, като транскрипцията с AI запълва празнината. Това е правно излагане, както и неточност (Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment). Назова̀ в текста на политиката помощните инструменти и инструментите за транскрипция.

Доставката е четвърта. Детекторите съхраняват студентски работи на сървъри на трети страни, понякога в чужбина при по-слаба защита на личните данни, което слага изтичането, съхранението и последващото търговско използване в регистъра на риска на твоята институция, а не в маркетинговата страница на доставчика. Условията трябва да покриват срока на съхранение, използването за обучение на модели, мястото на съхранение, уведомяването при изтичане и правата за обжалване (Heads We Win, Tails You Lose: AI Detectors in Education). Изложението на правния риск в базата знания е в Legal Issues and Risks, и то е честно за границите си: документира процедури, категории доказателства и надеждност на инструменти, а не решени съдебни изходи.

Това, което сваля риска, е процедурно. Никога не третирай резултата като самостоятелно доказателство или автоматичен спусък. Документирай стандарта, който процедурата ти прилага. Дай уведомяване и реална възможност да се отговори в протокола. Предложи проверка, когато делото почива на стил. Пази следата за одит, която показва, че всичко това се е случило.

Изпробвай формулировката срещу четири случая

Езикът на политиката се проваля при случаите, които никой не е представял, когато е бил писан. Пусни тези четири през черновата си, преди да отиде в комисия, и отбележи къде текстът няма отговор.

Студент, който е прекарал чернова през инструмент за превод. Политиката трябва да каже дали преводът се брои за използване на AI и дали се брои еднакво за студент, който пише на втори език, и за такъв, който пише на първи. Ако мълчи, комисията ще импровизира, а импровизацията е мястото, откъдето започва аргументът за справедливост.

Някой, който е използвал AI за план и е написал всеки абзац сам. По правило, което пита дали AI се е докоснал до работата, този студент е в същата категория като този, който е генерирал цялата работа. По правило, свързано със стъпки, не е, и можеш да кажеш защо. Тази разлика е конструктът и политиката трябва да го назове.

Някой, който е генерирал текста и не може да го обясни. Това е случаят, за който е изградена процедурата ти, и той е този, който се решава без резултат от детектор.

Студент, който използва транскрипция, защото писането на клавиатура е ненадеждно. Назови помощните инструменти като отделна категория със свой собствен път, така че улеснението да не се превърне в обвинение.

Какво администраторите разбират погрешно за детекторите

Публикуваният от доставчика дял на фалшиво положителни резултати е цифра на риска, срещу която можеш да бюджетираш. Вандербилт лицензира детектор, който рекламира 1% фалшиво положителни резултати, после се опита да валидира числото и не успя. При 75 000 предадени работи годишно 1% означава приблизително 750 погрешно маркирани студенти. Университетът изключи инструмента (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Дял, който не можеш да възпроизведеш върху собствения си корпус, е маркетингово число, а погрешно маркираните студенти пак остават за обработване от теб.

Детекцията възпира студентите, които иначе биха преписвали. Възпирането минава през разграничаването на скрито използване от законна работа, а не през суровия дял на засечените. Когато добавената чувствителност произвежда повече нови фалшиво положителни, отколкото нови истински положителни резултати, по-силният надзор прави прикриването относително по-привлекателно, така че хабиш доверие в студенти, които не са направили нищо лошо, по-бързо, отколкото разпознаваш тези, които са (Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education). Метаанализът на Krou et al., цитиран в същия преглед, установява, че самооефективността корелира отрицателно с преписването, докато действителната способност изобщо не корелира обратно с него, така че способните студенти могат да преписват, когато преценят оценяването за несправедливо. Детекцията не е нито надежден инструмент, нито очевидно възпиращо средство (AI-based digital cheating at university, and the case for new ethical pedagogies).

Резултат плюс няколко индикатора се събират в дело. Не се събират. Стандартът е доказателство, което достига баланса на вероятностите, а резултати, съчетани с маркери, сравнения на стила, преценки на LLM или мълчание, пак не го покриват. Един тест си струва да приложиш: би ли изрекъл разсъждението на глас на изслушване (Heads We Win, Tails You Lose: AI Detectors in Education).

Лицензът за детектор струва по-малко от препроектиране на оценяването. Лицензът е най-малкият ред в бюджета и носи излагане по защита на данните, работа по доставката и постоянен поток от обжалвания, изградени върху инструмент, чиято грешка е шаблонна по езиков произход. Преподавателите описват преживяването като „подозрение без средство за защита“, така че бюджетният ред, който променя резултатите, е капацитетът за проверка и насоките (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

Пълната забрана защитава институцията. Прекалено обхватните правила могат да отнемат улеснение и да поканят точно аргумента за дискриминация, който си се опитвал да избегнеш, защото грешката, която произвеждат, се концентрира върху разпознаваеми групи, вместо да е разпръсната равномерно (Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment, Evaluating the accuracy and reliability of AI content detectors in academic contexts).

Какво ще ти се върне

„Доставчикът ни рекламира 1% фалшиво положителни резултати.“ Лицензираният детектор на Вандербилт твърдеше точно това и твърдението не издържа опита на университета да го валидира. Независимите бенчмаркове не поставят нито един инструмент над 80% точност (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Поискай валидационното изследване и корпуса, върху който е проведено, после поискай да го проведеш сам.

„Използваме го само като едно парче доказателство.“ Стандартът е доказателство, което достига баланса на вероятностите, а резултат, съчетан с маркери, сравнения на стила, преценки на LLM или мълчание, пак не го удовлетворява (Heads We Win, Tails You Lose: AI Detectors in Education). Ако комисията не би приела разсъждението, изречено на глас, файлът не бива да го съдържа.

„Ако спрем да засичаме, преписването печели.“ Преписването вече минава покрай тези инструменти. 94% от вкараните работи с AI минават незабелязано през работещ онлайн изпит, хуманизирането побеждава детекцията в повече от 96% от случаите, а писането по поръчка и без това не оставя надеждна следа. Това, което детекторите хващат с измерена надеждност, е честната лека редакция и текстът на не-носители (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI, Why AI Detection Fails for Academic Integrity).

„Използваме го само поверително, за да започнем разговор.“ Това е най-безвредното използване и пак струва нещо, защото студентите, които най-вероятно ще бъдат маркирани, са най-малко вероятните да злоупотребяват с AI. Подозрението тогава пада върху грешните хора, преди още да е започнал разговор (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Отговорът на Гранд Каньон беше да спрат да започват от подозрение (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

„Студент, който няма какво да крие, няма от какво да се страхува.“ Изследването с 642 резюмета установи, че спазващата указанията лека редакция се маркира в 38-80% при праг 0,50, а казахският бенчмарк установи 81,4% и 79,6% маркирани доказуемо човешки пасажи от пуснатите детектори (Why AI Detection Fails for Academic Integrity, Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh). Чистото досие не предлага защита, когато сигналът е стил. Затова и казахските автори отбелязват собствените си образователни проценти като най-слабото число в изследването, и затова не бива да ги цитираш като дял за студентски есета.

„Не може ли просто да изискаме декларация и да третираме липсващата като вина?“ Липсващата декларация не е доказателство за скрито използване и третирането ѝ като такова прави прикриването рационално. Конкретни рамки, свързани с когнитивни етапи, с честно деклариране, защитено от наказание, извличат повече информация, отколкото надзорът (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher, "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education). Доказателствата на тази страница се отнасят до това какво произвежда деклариране. Те не казват нищо за това колко преписване предотвратява един режим на декларации.

Какво да направиш тази седмица

1. Отвори процедурата си за нарушения и намери всяко място, където резултат от детектор може да задейства стъпка. Напиши едно изречение, което премахва спусъка, и го занеси на този, който отговаря за документа.

2. Пиши на доставчика за валидационното изследване зад рекламирания процент на грешки и попитай какъв корпус е използван.

3. Избери задачата си с най-високи залози и добави една стъпка с удостоверяване, която можеш да оцениш за времето, което имаш.

4. Напиши черновата на трите въпроса, които ще зададеш на маркиран студент, като започнеш с това какво се е опитвал да докаже и как го е проверил.

5. Изпрати клаузите за доставка и за достъпност до службата, която подписва договори, с изрично изписани условия за съхранение, използване за обучение и уведомяване при изтичане.

Накъде след това

Спътникът от страна на дизайна е Как да намаля преписването с AI в курса си?, а Как да препроектирам оценяването, така че оценката да ми казва нещо защитимо за това какво знае или може студентът? отвежда аргумента за оценяването по-нататък. Как да напиша политика за AI в курса и да я съобщя на студентите? покрива как да формулираш и съобщиш курсова политика, а AI грамотност покрива какво трябва да знаят студентите, за да работят с тези инструменти, без да губят самата работа. Концептуалните страници зад аргумента са Академична почтеност, Equity и Legal Issues and Risks; клаузите, специфични за детекцията по-горе, са институционалният слой на Educational AI Policy.