আমাদের কি এআই ডিটেক্টর ব্যবহার করা উচিত?

ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।

একটি ডিটেক্টরের স্কোর ফ্ল্যাগ হয়ে ফিরে আসে এমন একটি জমা দেওয়া কাজে যা আপনি ইতিমধ্যে দুবার পড়েছেন, অথবা একজন সহকর্মী পরবর্তী প্রবন্ধের সময়সীমার আগেই সরঞ্জামটি চালু করতে চান, অথবা একটি সততা-প্যানেল আপনাকে এমন একটি অনুসিদ্ধান্ত সমর্থন করতে বলেন যা একটি শতাংশের ওপর দাঁড়িয়ে আছে। ঘরের কেউ একজন বলবেন, স্কোর তো কেবল প্রমাণের একটি অংশ। আপনি যে সিদ্ধান্ত নিচ্ছেন তা এর পরের যুক্তির চেয়ে সংকীর্ণ: এই সংখ্যাটি কোনো অসদাচরণের প্রক্রিয়ায় আদৌ ওজন বহন করতে পারে কি না, এবং না পারলে তার জায়গায় আপনি কী রাখবেন।

সভায় আপনি যে সংক্ষিপ্ত উত্তরটি দোহরাতে পারবেন: একটি ডিটেক্টরের স্কোর কোনো অনুসিদ্ধান্তের ভিত্তি হতে পারে না, কারণ প্রকৃত সত্যের সঙ্গে এটি যাচাই করা যায় না, জেরা করা যায় না, এবং সম্ভাবনার ভারসাম্যের মানদণ্ড পূরণ করে না। এর ভুলগুলো নির্দিষ্ট ধাঁচে পুনরাবৃত্তি হয়, আর সবচেয়ে বেশি আঘাত করে সৎ সম্পাদকদের ও দ্বিতীয় ভাষায় লেখা শিক্ষার্থীদের। বরং জিজ্ঞাসা করুন, একজন শিক্ষার্থী নিজে যা জমা দিয়েছে তা বোঝার প্রমাণ দিতে পারে কি না, এবং সেই সামর্থ্যেই অর্থ বিনিয়োগ করুন।

সংক্ষেপে

1. নীতিমালায় লিখুন যে ডিটেক্টরের ফলাফল কখনও কোনো পরিণতি ঘটাবে না, কখনও একা দাঁড়াবে না, এবং কখনও কোনো অনুসিদ্ধান্তের ভিত্তি হবে না। এটি নীতিমালার নথিতেই রাখুন, যাতে স্মারকলিপি হারিয়ে যাওয়ার পরেও একটি প্যানেল তা খুঁজে পায়।

2. ‘আপনি কি এআই ব্যবহার করেছেন?’ এর বদলে রাখুন ‘আপনি কি আমাকে দেখাতে পারবেন যে আপনি এটি বোঝেন?’ একটি সংক্ষিপ্ত কথোপকথন, একটি প্রাথমিক খসড়া, বা একটি রেকর্ড করা ব্যাখ্যা ব্যবহার করুন।

3. প্রতিটি উচ্চ-ঝুঁকির কাজে একটি যাচাইকৃত বা সহায়তাহীন ধাপ রাখুন, যার আকার হবে আপনার হাতে সত্যিই থাকা মূল্যায়নের সক্ষমতা অনুযায়ী।

4. ভেন্ডরের কাছে লিখিতভাবে ভুলের হার চান, তারপর আপনার নিজের জমা দেওয়া কাজে সেগুলো পুনরুৎপাদনের চেষ্টা করুন। ভ্যান্ডারবিল্ট এটি চেষ্টা করেছিল এবং শেষে সরঞ্জামটি বন্ধ করে দেয়।

5. টাকাটি শনাক্তকরণের লাইসেন্স থেকে সরিয়ে যাচাইয়ের সক্ষমতা ও নির্দেশনায় নিন। নথিভুক্ত শিক্ষকমণ্ডলীর অভিযোগ ঠিক ওই দিকেই ইশারা করে।

ঠিক করুন আপনার হাতে অনুসিদ্ধান্ত আছে, না প্রশ্ন

এ দুটি আলাদা কাজ, এবং এরা আলাদা প্রমাণে চলে। একটি অনুসিদ্ধান্তের জন্য সম্ভাবনার ভারসাম্য পূরণ করে এমন প্রমাণ দরকার, আর একটি ডিটেক্টরের স্কোর একা সেখানে পৌঁছায় না। প্রকৃত সত্যের সঙ্গে এটি যাচাই করা যায় না, কারণ বাস্তব জমা দেওয়া কাজে লেখাটি কে কীভাবে তৈরি করেছে তা কেউ জানে না, তাই যাচাই গোলাকার হয়ে যায় এবং মিথ্যা-পজিটিভ ও মিথ্যা-নেতিবাচক হার কেবল একটি নিয়ন্ত্রিত পরীক্ষার ভেতরেই অর্থ বহন করে। সরঞ্জামটি কোনো থ্রেশহোল্ড প্রকাশ করে না, প্রশিক্ষণ-উপাত্ত দেয় না, এবং স্বাধীন পুনরাবৃত্তির সুযোগ দেয় না, ফলে ফ্ল্যাগ পড়া শিক্ষার্থীর সামনে উত্তর দেওয়ার কিছু থাকে না, আর আপনার সামনে ব্যাখ্যা করার কিছু থাকে না (Heads We Win, Tails You Lose: AI Detectors in Education, Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI)।

স্কোরের সঙ্গে অন্য সংকেত যোগ করলে এটি সারায় না। ভাষাগত চিহ্ন, শৈলীর তুলনা, LLM-এর বিচার এবং শিক্ষার্থীর নীরবতা মিলিয়েও মানদণ্ডের চেয়ে কমই থেকে যায়। নীরবতাই দেখার বিষয়: প্রত্যাখ্যান করার অধিকার শিক্ষার্থীর আছে, আর প্রত্যাখ্যান দাঁড়িপাল্লা কাত করে না। যে প্রশ্নটি বৈধভাবে করা যায় তা হলো, শিক্ষার্থী কি শিখনটি দেখাতে পারে যা মূল্যায়নটি মাপার দাবি করে, আর একটি মৌখিক উত্তর সে প্রশ্নের উত্তর দেয় এমনভাবে যা সাদৃশ্যের স্কোর কখনও দেবে না (Heads We Win, Tails You Lose: AI Detectors in Education)।

দ্বিমেরু প্রশ্নটিও ভুল প্রশ্ন। শিক্ষার্থীদের কাজ প্রায়ই এআই নিয়ে তৈরি হয়, একটি সংকর ধারাবাহিকতা জুড়ে, আর ‘মূল্যায়নে’ বলা নীতিমালা বিরলভাবেই বলে একটি মূল্যায়ন কখন শুরু হয়, ফলে সিদ্ধান্তটি যায় সেই ব্যক্তির হাতে যে আগে নথিটি পড়ে (Heads We Win, Tails You Lose: AI Detectors in Education)।

এর সবকিছুর নিচে একটি রেফারেন্স-উপাত্তের সমস্যা আছে। ডিটেক্টরগুলো প্রশিক্ষিত ও পরীক্ষিত হয় জেনারেটিভ এআই-পূর্ববর্তী মানুষের লেখায়, আর Turnitin-এর নিজস্ব যাচাই ব্যবহার করেছিল 2019 সালের আগের 700,000 প্রবন্ধ। ধরা হয় এই সংগ্রহটি বর্তমান শিক্ষার্থীদের গদ্যের প্রতিনিধি, একটি অনুমান যা কেউ যাচাই করেনি এবং যা প্রতিটি নতুন মডেল প্রকাশের সঙ্গে বদলে যায় (Heads We Win, Tails You Lose: AI Detectors in Education)।

একটি সংখ্যা উদ্ধৃত করার আগে নির্ভুলতার সংখ্যাগুলো দেখুন

জ্ঞানভিত্তির সবচেয়ে শক্তিশালী নিয়ন্ত্রিত পরীক্ষাটি চারটি ক্ষেত্র ও দুটি সময়কাল জুড়ে 642টি প্রকাশিত ইংরেজি সারাংশ পরীক্ষা করেছে। 0.50 থ্রেশহোল্ডে দুটি বাণিজ্যিক ডিটেক্টর নির্দেশিকা-সম্মত হালকা এআই সম্পাদনাকে 38% থেকে 80% হারে ফ্ল্যাগ করেছে, অপরিবর্তিত 2023-25 সালের মূল লেখাকে 9% থেকে 15% হারে ফ্ল্যাগ করেছে (অ-STEM ক্ষেত্র STEM-এর বহু উপরে, p<0.001), আর লেখা একবার মানবায়ন সেবার মধ্য দিয়ে গেলে এআই-চিহ্নিত পুনর্লিখনের 4%-এরও কম ধরেছে, অর্থাৎ মিথ্যা-নেতিবাচক হার 96%-এর ওপরে। লেখকেরা এটিকে সততার এক ‘ক্যাচ-22’ বলেন: যেসব শিক্ষার্থী ব্যবহার প্রকাশ করে ও হালকা সম্পাদনা করে তারাই সরঞ্জামের আওতায় পড়ে, আর যারা এড়াতে চেয়ে কাজটি শুরু করে তারা পড়ে না। তাঁদের সুপারিশ স্পষ্ট, ডিটেক্টরের স্কোর কখনও একক অসদাচরণ-প্রমাণ হিসেবে কাজ করা উচিত নয় (Why AI Detection Fails for Academic Integrity)।

একটি স্বাধীন মানদণ্ড ভিন্ন দিক থেকে একই জায়গায় পৌঁছায়। 14টি সরঞ্জামের কোনোটিই 80% নির্ভুলতায় পৌঁছায়নি, আর সরল পুনর্বাক্যরচনা, সামান্য সম্পাদনা বা মানবায়ন সেবা সেই কর্মক্ষমতাকেও প্রায় অর্ধেক করে দেয়। বাস্তবসম্মত ভিত্তি-হারে মিথ্যা পজিটিভ সত্য পজিটিভের চেয়ে বেশি (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI)।

সম্পূর্ণভাবে তৈরি লেখা ধরার হার শিরোনামের ভুলের হারের চেয়েও খারাপ। একটি গোপন মাঠ-পরীক্ষায় গবেষকেরা পাঁচটি মনোবিজ্ঞান মডিউল জুড়ে একটি চলমান অনলাইন পরীক্ষা ব্যবস্থায় পুরোপুরি এআই-উৎপন্ন জমা ঢুকিয়ে দেন: 94% ধরা পড়েনি, এবং এআই-করা কাজ গড়ে প্রকৃত শিক্ষার্থীদের চেয়ে বেশি নম্বর পেয়েছে। চুক্তিভিত্তিক প্রতারণা আগেই একই কাঠামোগত সমস্যা দেখিয়েছিল, কারণ এটি খুঁজে পাওয়ার মতো নির্ভরযোগ্য কোনো চিহ্ন রেখে যায় না (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI)।

নির্ভুলতা কাজের সঙ্গে পাল্টায়ও। গবেষকেরা পরীক্ষা করেন জেনারেটিভ এআই নিজের ফলাফল শনাক্ত করতে পারে কি না; ফল নির্ভরযোগ্য ছিল প্রোগ্রামিং ও দীর্ঘ প্রতিফলনমূলক লেখায়, আর দুর্বল ছিল সংক্ষিপ্ত উত্তরে, যেখানে মডেল প্রায়ই নিজের লেখাকে প্রকৃত শিক্ষার্থীর কাজের চেয়ে বেশি মানুষের মতো বলে রেটিং দিয়েছে। প্রম্পটে সামান্য তারতম্যও নির্ভুলতা তীক্ষ্ণভাবে কমিয়েছে (Distinguishing Artificial from Authentic: Evaluating LLMs for Detecting LLM-Generated Content)। একটি অ্যাসাইনমেন্টে যে থ্রেশহোল্ড টেকে, অন্যটিতে তা ব্যর্থ হবে, আর কোনটি কখন, তা আপনি জানবেন আপিলের সময়ে।

তারপর আছে মেয়াদোত্তীর্ণতা। 2026 সালের একটি গবেষণা শনাক্তকরণকে পুনরায় একটি অভিযোজন-সমস্যা হিসেবে দেখে: একটি ব্ল্যাক-বক্স পুনর্লিখন আক্রমণ বাণিজ্যিক ডিটেক্টর প্যানগ্রামকে সুষম নির্ভুলতায় 63.5%-এ এবং এআই রিকলে 27.0%-এ নামিয়ে দেয়, আর Llama 3.3 70B Instruct-এ প্রশিক্ষিত একটি ডিটেক্টর নতুন একটি মডেলের সারাংশে কেবল 55% রিকলে পৌঁছায়। পরীক্ষা-কালীন অভিযোজন সেই একই লেখায় 94.4% সুষম নির্ভুলতা ও 99% রিকলে ফিরে আসে, যা আশাব্যঞ্জক অর্ধেক। একই প্রবন্ধ দেখায় প্রতিকারের দাম কী: অনুকরণকৃত এআই-গ্রহণ ছড়িয়ে পড়লে একটি স্থির তদারকিভিত্তিক ডিটেক্টরের মানুষের লেখায় রিকল দশক জুড়ে 85.9% থেকে 73.4%-এ ক্ষয়ে যায়। এর মেয়াদোত্তীর্ণতার শর্ত সরাসরি বলা হয়েছে, সুষম নির্ভুলতা এক যোগ মানব ও এআই বণ্টনের মোট-ভিন্নতার অর্ধেকের বেশি হতে পারে না, তাই দুটির এক হয়ে যাওয়া প্রতিটি শিখনভিত্তিক ডিটেক্টরকে হারিয়ে দেবে। একটি যাচাইকৃত স্কোর টেকে ততক্ষণ, যতক্ষণ মডেলগুলো নড়ে না, আর তারা কয়েক মাস পরপরই নড়ে (Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift)।

আর যন্ত্রটি কখনও স্পষ্টভাবে একজন সতর্ক পাঠককে হারায়নি। Leaton Gray, Edsall ও Parapadakis (2025) জানান, এআই বা পুনর্বাক্যরচিত লেখার যন্ত্র-শনাক্তকরণ প্রায় 80%, বিপরীতে মানব পর্যালোচকদের 78.4%, এবং তাঁরা এমন প্রমাণ উদ্ধৃত করেন যেখানে এআই-উৎপন্ন লেখা 80% পর্যন্ত ক্ষেত্রে মানুষের লেখা বলে গৃহীত হয়েছে। সে ব্যবধান বিলীন হয়ে যায় মানুষের আগেই যে ভুলের বিস্তার আছে তার ভেতরে, যা একটি অনুসিদ্ধান্তের ভিত্তি হতে যথেষ্ট নয় (AI-based digital cheating at university, and the case for new ethical pedagogies)।

ভুলটি কার কাজে গিয়ে পড়ে তা বের করুন

ডিটেক্টররা যে বৈশিষ্ট্যগুলোকে এআই-এর সংকেত হিসেবে পড়ে, অর্থাৎ দীর্ঘ টোকেনের ঘনত্ব, একাডেমিক শব্দের কম্পাঙ্ক এবং একরকম সমান শৈলী, সেগুলোই আবার দক্ষ দ্বিতীয়-ভাষার লেখারও বৈশিষ্ট্য। তাই ভুল শ্রেণিবিন্যাস আচরণ নয়, ভাষা-পটভূমিকেই অনুসরণ করে, যা এটিকে প্রযুক্তিগত প্রশ্ন হওয়ার আগেই একটি সমতা-প্রশ্ন করে তোলে (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI)।

এই বাঁকা ঝোঁক ইংরেজির বাইরেও দেখা যায়। এমন 3,811টি অনুচ্ছেদের মানদণ্ড, যাদের চ্যাটজিপিটি-পূর্ব লেখকত্ব প্রমাণযোগ্য, দেখায় যে ইংরেজিতে প্রশিক্ষিত পাঁচটি সরকারি ডিটেক্টর যেভাবে প্রকাশিত হয়েছে সেভাবেই চালালে মানব কাজাখ অনুচ্ছেদের 81.4% ফ্ল্যাগ করে (TMR RoBERTa) এবং প্রকাশিত কাজাখ শিক্ষার্থী-প্রবন্ধের 79.6% ফ্ল্যাগ করে (Desklib DeBERTa), Fakespot-এর ক্ষেত্রে যা 25.5%, আর তাদের 1% মিথ্যা-পজিটিভ হারে পুনঃক্রমাঙ্কিত করলে বিনিময়ে যন্ত্র-লেখার সর্বোচ্চ 1.3% ধরা পড়ে। অধ্যয়নটির নিজস্ব সতর্কবাণী উদ্ধৃত করার সময় গুরুত্বপূর্ণ: মানব অনুচ্ছেদগুলো যেখানে পাওয়া গেছে সেই প্রকাশিত চ্যাটজিপিটি-পূর্ব লেখা, শিক্ষার্থী-প্রবন্ধ নয়, তাই এর শিক্ষামূলক হারগুলোই এতে প্রতিবেদিত সবচেয়ে অনিশ্চিত সংখ্যা (Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh)।

বিষয়ক্ষেত্র আরেকটি মাত্রা যোগ করে। 642-সারাংশের অধ্যয়নে অ-STEM সারাংশগুলো STEM-এর অনেক বেশি হারে ফ্ল্যাগ হয়েছিল, যা ওই ক্ষেত্রগুলোর লেখার রীতি প্রতিফলিত করে, তাদের লেখকদের আচরণ নয় (Why AI Detection Fails for Academic Integrity)। একটি তুলনায় বহুল ব্যবহৃত দুটি বাণিজ্যিক সরঞ্জাম 0.69 ও 0.61 নির্ভুলতা মাপে, এবং দুটিই মানব-এআই সংকর লেখায় ব্যর্থ হয় (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)। একটি ডিটেক্টর হলো একটি শৈলী-পরীক্ষা, আর যে শৈলীকে এটি শাস্তি দেয় তা অনুসরণ করে ভাষা-পটভূমি, বিষয়ক্ষেত্র ও ভাষার স্তরকে। এর কোনোটিই শিক্ষার্থী এআই ব্যবহার করেছে কি না সে সম্পর্কে সত্য নয়, অথচ প্রত্যেকটিই শিক্ষার্থী সম্পর্কে সত্য। বিস্তৃততর ধাঁচটি নথিভুক্ত আছে শিক্ষার্থীগোষ্ঠীভেদে ভিন্ন প্রভাব পাতায়।

কিছু খরচ কোনো শুনানির আগেই দেখা যায়। আনুষ্ঠানিক প্রক্রিয়া শনাক্তকরণ-মানের প্রমাণ দাবি করে যা কার্যত পাওয়া যায় না, ফলে শিক্ষকমণ্ডলীর হাতে শেষে থাকে যা এক অনুশীলনকারীর বর্ণনায় ‘প্রতিকারের বদলে সন্দেহ’, আর শিক্ষার্থীরা নিজেদের ব্যবহারের যুক্তি সাজায় এবং নথিগুলো আটকে থাকে (The Best Response to Student AI Use Is Not Detection, It Is Dialog)। বিশ্বাসের খরচটি পড়ে সেই সম্পর্কের ওপর, যার ওপর গোটা প্রক্রিয়াটি নির্ভর করে।

শিক্ষার্থীর কাছে রাখা প্রশ্নটিই বদলান

গ্র্যান্ড ক্যানিয়ন বিশ্ববিদ্যালয় ‘এই শিক্ষার্থী কি এআই ব্যবহার করেছে?’ থেকে সরে গিয়ে দাঁড়িয়েছে ‘এই শিক্ষার্থী কি যা জমা দিয়েছে তা বোঝার প্রমাণ দেখাতে পারে?’-তে, সংক্ষিপ্ত কথোপকথন, প্রাথমিক খসড়া ও রেকর্ড করা ব্যাখ্যা ব্যবহার করে, যা 2025 সালের শরৎকালে প্রতিষ্ঠানব্যাপী চালু হয়। এর পক্ষের যুক্তি ব্যবহারিক: বোঝাপড়া বিচার করার যোগ্যতা শিক্ষকমণ্ডলীর আগেই আছে, আর এই বদল তাঁদের কর্তৃত্ব ফিরিয়ে দেয়, এমন প্রমাণের অপেক্ষায় তাঁদের ফেলে রাখে না যা কোনোদিন আসবে না (The Best Response to Student AI Use Is Not Detection, It Is Dialog)।

এটি বদলে দেয় অভিযোগ নিয়ে শিক্ষার্থী কী করতে পারবে তাও। উদ্বেগটি দেখিয়ে ব্যাখ্যা চাইলে শিক্ষার্থী তা মিটিয়ে দিতে পারে। একটি শতাংশ দেখালে সে কেবল অস্বীকার করতে পারে।

কথোপকথনটি এমনভাবে চালান যাতে তা পর্যালোচনায় টিকে যায়

একটি যাচাই-কথোপকথনকে প্রক্রিয়ার একটি ধাপ হিসেবে গণ্য করুন, নোটিশ ও নথিসহ, তাহলে এক টার্ম পরে কেউ নথিটি পড়লে তা টিকে যাবে।

শুরু করুন নোটিশ দিয়ে। শিক্ষার্থীকে সহজ ভাষায় বলুন কী কারণে উদ্বেগ তৈরি হয়েছে, এবং কথোপকথনটি কীসের জন্য। উদ্বেগ যদি ডিটেক্টরের স্কোর থেকে এসেছে, তা বলুন, এবং বলুন যে স্কোর কোনো অনুসিদ্ধান্ত নয়। শিক্ষার্থীকে কেবল বলুন যে তার বিরুদ্ধে প্রতারণার অভিযোগ আছে, তাহলে সভাটি কাজের বিবরণের বদলে চরিত্রের পক্ষসমর্থনে পরিণত হয়।

তারপর কাজটি সম্পর্কেই জিজ্ঞাসা করুন। এই অংশে আপনি কোন দাবিটি করতে চাইছিলেন। এই প্রমাণ কোথা থেকে এল। আপনি এভাবে সাজালেন কেন। আপনি কী বাদ দিলেন। যে শিক্ষার্থী লেখাটি লিখেছে সে সিদ্ধান্তের স্তরে এসবের উত্তর দিতে পারবে। যে লিখেনি সে বিষয়ের স্তরে উত্তর দেবে, আর পার্থক্যটি দ্রুত দেখা যায়, কারও অভিপ্রায় প্রমাণ করার দরকার ছাড়াই।

নীরবতার অধিকার অক্ষত রাখুন। উত্তর না দেওয়া কিছুই স্বীকার করে না, আর যে প্রক্রিয়া প্রত্যাখ্যানকে স্বীকারোক্তি হিসেবে দেখে তা আপিলে টিকবে না। কী জিজ্ঞাসা করা হলো, কী উত্তর দেওয়া হলো, আর কী দেওয়া হলো না, তা লিখে রাখুন।

শেষ করুন এমন একটি সিদ্ধান্তে যা আপনি স্কোর ছাড়াই বলতে পারেন। হয় শিক্ষার্থী মূল্যায়নটি যে বোঝাপড়া মাপে তা দেখিয়েছে, নয়তো কাজটি সম্পর্কে আলাদা, সারবান একটি উদ্বেগ আছে যা আপনি নিজের ভাষায় বর্ণনা করতে পারেন। দুটির কোনোটিই সত্য না হলে নথিটি সেখানেই শেষ। এই ফলাফল স্বাভাবিক এবং তাকেও তেমনভাবেই লিখে রাখা উচিত, কারণ যে প্রক্রিয়া কেবল দোষই নথিভুক্ত করে, সে পরের প্যানেলকে শেখায় সন্দেহ আর অনুসিদ্ধান্ত একই জিনিস।

অ্যাসাইনমেন্টে এমন একটি ধাপ রাখুন যার ভেতরে সরঞ্জামটি বসতে পারে না

অ্যাসিঙ্ক্রোনাস মৌখিক মূল্যায়ন, যা তাৎক্ষণিক প্রম্পট হিসেবে তৈরি, সংক্ষিপ্ত ও সময়সীমাবদ্ধ রেকর্ড করা উত্তরের ওপর ভেতরে বসানো রুব্রিক দিয়ে নম্বর দেওয়া হয়, একটি গবেষণায় সশরীরে বহুনির্বাচনী পরীক্ষার সমতুল্য এবং আরেকটিতে উল্লেখযোগ্যভাবে ভালো করেছে, আর শিক্ষার্থীরা জানিয়েছে তারা বেশি সক্রিয়ভাবে প্রস্তুতি নিয়েছে এবং পেশাগত প্রাসঙ্গিকতা বেশি অনুভব করেছে। একজন প্রশাসকের কাছে যে বৈশিষ্ট্যটি গুরুত্বপূর্ণ তা হলো, এটি প্রক্টরিং ছাড়াই স্কেল করে (Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era)।

কাজটি নতুন করে নকশা করা পরীক্ষাটি কঠিন করার চেয়ে বেশি কাজ করে। স্নাতক অর্থনীতির শিক্ষার্থীদের একটি কেস স্টাডিতে দেখা যায় কেবল প্রায় এক-তৃতীয়াংশ কোনো এআই ব্যবহারের কথা জানিয়েছে, প্রকাশ আরও বিরল, আর গবেষকেরা এই অ-প্রকাশকে অসততা নয়, অস্পষ্ট নীতিমালার অধীনে যুক্তিসঙ্গত সতর্কতা হিসেবে পড়েন। সেই একই শিক্ষার্থীরা সমাধান হিসেবে বাস্তব-জগতের, উপাত্তভিত্তিক কাজকে সমর্থন করেছে (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It)। এআই ব্যবহার প্রত্যাশা করা, ঘোষণা করা ও খুঁটিয়ে দেখা তা পুলিশিং করার চেয়ে ভালো, কারণ প্রামাণ্যতা আরোপ করা যায় না, নকশা করতে হয় (Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World)।

এর থেকে দুটি সিদ্ধান্ত আসে। প্রথমে আকার। প্রতিটি বড় জমা দেওয়া কাজে একটি সংক্ষিপ্ত মৌখিক যাচাই সেমিনারে সাশ্রয়ী। তিনশ শিক্ষার্থীর একটি লেকচারে যা দশম সপ্তাহ পর্যন্ত টেকে তা হলো ধাপে ধাপে খসড়া আর অস্বাভাবিক কাজে নমুনা-যাচাই। যে সংস্করণটি আপনি টার্মের শেষ সপ্তাহেও আপনার থাকা নম্বর দেওয়ার ঘণ্টা দিয়ে চালাতে পারবেন সেটিই বেছে নিন, কারণ চাপে ভেঙে পড়া একটি যাচাইকৃত ধাপ আপনাকে আবার নিছক নথির কাছেই ফিরিয়ে দেয়।

নম্বর দ্বিতীয়। একটি যুক্তি, একটি খসড়ার ইতিহাস বা প্রত্যাখ্যাত এআই-পরামর্শ নিয়ে প্রতিফলন যদি কোনো নম্বর না পায়, তা পাঁচ মিনিটে তৈরি হবে এবং কেউ পড়বে না, আর শিক্ষার্থীরা যেটিতে নম্বর আছে সেটির জন্যই অনুকূলিত হবে। এটিকে যথেষ্ট ওজন দিন যাতে ধাপটি বাদ দেওয়ার খরচ তা করার চেয়ে বেশি হয়।

প্রকাশকে সস্তা পছন্দ বানান

অস্পষ্ট বা দণ্ডমূলক নীতিমালা গোপনীয়তাকে তাড়িয়ে দেয়। সংজ্ঞানাত্মক ধাপের সঙ্গে যুক্ত নির্দিষ্ট ঘোষণা-কাঠামো, সঙ্গে সত্য কথা বললে শাস্তি হয় না এমন নিশ্চয়তা, নজরদারির চেয়ে বেশি তথ্য শিক্ষার্থীদের কাছ থেকে বের করে আনে (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)। নকশার প্রশ্নটি হলো, লুকাতে প্রলুব্ধ শিক্ষার্থীর জন্য আপনার নিয়ম কোন প্রতিক্রিয়াটি সবচেয়ে সহজ করে দেয়, আর যে নিয়ম ঘোষণাকে স্বীকারোক্তি হিসেবে দেখে সে এই প্রশ্নের উত্তর দিয়েছে খুব খারাপভাবে।

এখানে বেশিরভাগ কাজটি করে ভাষা। যে ঘোষণা শিক্ষার্থীকে একটি ঘর টিক দিতে বলে এবং তারপর জমা দেওয়ার ব্যবস্থায় পড়া না হয়ে পড়ে থাকে, তা তাদের শেখায় প্রকাশ নিছক অভিনয়, আর পরের ব্যাচ এটি আরও দ্রুত শেখে। কাজের একটি ধাপের সঙ্গে যুক্ত ঘোষণা, যা জিজ্ঞাসা করে সেই ধাপে সরঞ্জামটি কীসের জন্য ব্যবহার হয়েছে এবং ফলাফল নিয়ে শিক্ষার্থী কী করেছে, তা আপনাকে দেয় এমন কিছু যা আপনি সত্যিই পড়তে পারেন, আর শিক্ষার্থীকে দেয় সঠিক হওয়ার কারণ।

এমন ধারা লিখুন যা আপনাকে শুনানির বাইরে রাখে

প্রকাশ প্রায়ই মামলা হিসেবে শুরু হয় না। এটি প্রথমে দেখা দেয় অভ্যন্তরীণ আপিল বা নিয়ন্ত্রকের অভিযোগ হিসেবে, আর পরীক্ষা হয় সবার আগে প্রক্রিয়া। স্বাভাবিক ন্যায়বিচার দাবি করে, কোনো সিদ্ধান্তের আগে শিক্ষার্থীকে অভিযোগ জানানো হবে এবং উত্তর দেওয়ার সুযোগ দেওয়া হবে, আর সেই সুযোগ সাধারণত একটি তদন্তমূলক সভা বা প্যানেল সাক্ষাৎকার, যার নথি প্রমাণ হয়ে যায়। এই ধাপ ছাড়া পৌঁছানো অনুসিদ্ধান্ত দুর্বল, এমনকি যেখানে অন্তর্নিহিত সন্দেহ যুক্তিসঙ্গত ছিল সেখানেও (How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis)।

প্রমাণের মানদণ্ড দ্বিতীয়। অসদাচরণের অনুসিদ্ধান্তের জন্য সম্ভাবনার ভারসাম্য পূরণ করে এমন প্রমাণ দরকার, আর আপনার মামলা যদি ডিটেক্টরের স্কোর ছাড়া বলা না যায়, তবে মামলাটি দেখেই দুর্বল (Heads We Win, Tails You Lose: AI Detectors in Education)। যেখানে মামলা কেবল শৈলীর ওপর দাঁড়িয়ে, সেখানে মৌখিক যাচাইয়ের পথটি প্রক্রিয়ার ভেতরে থাকা উচিত, প্যানেল সভাপতির শুভবুদ্ধির ওপর নয়।

পরিধি তৃতীয়। ব্যাপক এআই-নিষেধ, যা প্রতিলিপি ও OCR-কে জেনারেটিভ খসড়া লেখা থেকে আলাদা করতে ব্যর্থ হয়, তা এমন একটি সহায়ক সরঞ্জাম সরিয়ে দিতে পারে যার ওপর মোটর নিয়ন্ত্রণ, হাতের লেখার পাঠযোগ্যতা বা টাইপিংয়ের নির্ভুলতায় প্রভাব থাকা শিক্ষার্থীরা নির্ভর করেন, আর এর কয়েকটি বন্ধ হয়ে গেছে এআই প্রতিলিপি সেই ফাঁক ভরিয়ে দেওয়ায়। এটি নির্ভুলতার অভাবের পাশাপাশি আইনি ঝুঁকিও (Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment)। নীতিমালার লেখায় সহায়ক ও প্রতিলিপি সরঞ্জামের নাম উল্লেখ করুন।

সংগ্রহ প্রক্রিয়া চতুর্থ। ডিটেক্টররা শিক্ষার্থীদের কাজ তৃতীয় পক্ষের সার্ভারে রাখে, কখনও বিদেশে দুর্বল গোপনীয়তা সুরক্ষার অধীনে, যা লঙ্ঘন, সংরক্ষণ ও পরবর্তী বাণিজ্যিক ব্যবহারকে ভেন্ডরের বিপণন পাতার বদলে আপনার প্রতিষ্ঠানের ঝুঁকি-তালিকায় বসায়। শর্তাবলিতে থাকা উচিত সংরক্ষণ, মডেল প্রশিক্ষণে ব্যবহার, সংরক্ষণের স্থান, লঙ্ঘনের বিজ্ঞপ্তি ও আপিলের অধিকার (Heads We Win, Tails You Lose: AI Detectors in Education)। আইনি ঝুঁকির যে বিবরণ জ্ঞানভিত্তিতে আছে তা আইনি সমস্যা ও ঝুঁকি পাতায়, এবং এটি নিজের সীমা সম্পর্কে সৎ: এটি প্রক্রিয়া, প্রমাণের শ্রেণি ও সরঞ্জামের নির্ভরযোগ্যতা নথিভুক্ত করে, মামলায় নিষ্পত্তি হওয়া ফল নয়।

ঝুঁকি কমায় প্রক্রিয়াগত বিষয়। ফলাফলকে কখনও একক প্রমাণ বা স্বয়ংক্রিয় ট্রিগার হিসেবে গণ্য করবেন না। আপনার প্রক্রিয়া যে মানদণ্ড প্রয়োগ করে তা নথিভুক্ত করুন। নোটিশ দিন এবং নথিতে থাকা অবস্থায় উত্তর দেওয়ার সত্যিকারের সুযোগ দিন। মামলা যখন শৈলীর ওপর দাঁড়ায়, যাচাইয়ের প্রস্তাব দিন। নিরীক্ষা-পথটি রাখুন যা দেখায় এসব সবই ঘটেছে।

চারটি ক্ষেত্রে ভাষাটি পরীক্ষা করুন

যে ক্ষেত্রগুলো লেখার সময় কেউ কল্পনাও করেনি, সেখানেই নীতিমালার ভাষা ব্যর্থ হয়। কমিটিতে যাওয়ার আগে এই চারটি আপনার খসড়ার মধ্য দিয়ে চালান, আর খেয়াল করুন কোথায় লেখার কোনো উত্তর নেই।

একজন শিক্ষার্থী তার খসড়া একটি অনুবাদ সরঞ্জামের মধ্য দিয়ে চালিয়েছে। নীতিমালাকে বলতে হবে অনুবাদ এআই ব্যবহার হিসেবে গণ্য হয় কি না, এবং দ্বিতীয় ভাষায় লেখা শিক্ষার্থীর জন্য তা কি প্রথম ভাষায় লেখা শিক্ষার্থীর মতোই গণ্য হয়। এটি যদি চুপ থাকে, প্যানেল তাৎক্ষণিকভাবে নিজের মতো সিদ্ধান্ত নেবে, আর সেই তাৎক্ষণিকতা থেকেই সমতার যুক্তিটি শুরু হয়।

কেউ এআই দিয়ে রূপরেখা বানিয়েছে এবং প্রতিটি অনুচ্ছেদ নিজে লিখেছে। যে নিয়ম জিজ্ঞাসা করে এআই কাজটিকে স্পর্শ করেছে কি না, সেই নিয়মে এই শিক্ষার্থী পুরো জমাটি উৎপন্ন করা শিক্ষার্থীর সঙ্গে একই শ্রেণিতে পড়ে। ধাপের সঙ্গে যুক্ত নিয়মে সে পড়ে না, এবং কেন পড়ে না তা আপনি বলতে পারেন। সেই পার্থক্যটাই গঠন, আর নীতিমালাকে তার নাম বলতে হবে।

কেউ লেখাটি উৎপন্ন করেছে এবং তা ব্যাখ্যা করতে পারে না। এই ক্ষেত্রটির জন্যই আপনার প্রক্রিয়া তৈরি, এবং এটিই ডিটেক্টরের স্কোর ছাড়াই নিষ্পত্তি হয়।

একজন শিক্ষার্থী প্রতিলিপি ব্যবহার করে, কারণ টাইপিং নির্ভরযোগ্য নয়। সহায়ক সরঞ্জামকে আলাদা শ্রেণি হিসেবে নাম দিন, নিজস্ব পথসহ, যাতে একটি সুবিধা একটি অভিযোগে পরিণত না হয়।

ডিটেক্টর নিয়ে প্রশাসকরা যা ভুল বোঝেন

ভেন্ডরের প্রকাশিত মিথ্যা-পজিটিভ হার এমন একটি ঝুঁকির সংখ্যা, যার জন্য বাজেট রাখা যায়। ভ্যান্ডারবিল্ট 1% মিথ্যা-পজিটিভ হারের বিজ্ঞাপন দেওয়া একটি ডিটেক্টরের লাইসেন্স নেয়, তারপর সংখ্যাটি যাচাই করতে চেয়ে পারে না। বছরে 75,000 জমা হলে 1% মানে প্রায় 750 শিক্ষার্থীকে ভুলভাবে চিহ্নিত করা। বিশ্ববিদ্যালয়টি সরঞ্জামটি বন্ধ করে দেয় (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI)। যে হার আপনি নিজের সংগ্রহে পুনরুৎপাদন করতে পারেন না, তা একটি বিপণন-সংখ্যা, আর ভুলভাবে চিহ্নিত শিক্ষার্থীদের প্রক্রিয়া করার দায়িত্ব তবুও আপনারই।

শনাক্তকরণ তাদের নিরুৎসাহিত করে যারা নইলে প্রতারণা করত। নিরুৎসাহ সরঞ্জামটির লুকানো ব্যবহার ও বৈধ কাজের মধ্যে পার্থক্য করার ওপর নির্ভর করে, তার কাঁচা ধরার হারের ওপর নয়। যখন বাড়তি সংবেদনশীলতা নতুন সত্য পজিটিভের চেয়ে বেশি নতুন মিথ্যা পজিটিভ তৈরি করে, তখন কঠোর নজরদারি গোপনীয়তাকে তুলনামূলকভাবে বেশি আকর্ষণীয় করে তোলে, ফলে যে শিক্ষার্থীরা দোষ করেনি তাদের ওপর আপনি বিশ্বাসযোগ্যতা খরচ করেন তাদের চেয়ে দ্রুত, যারা করেছে তাদের চিহ্নিত করার। Mohamed ও Temimi (2026) দেখান এটি অসম্পূর্ণ তথ্যের অধীনে একটি মূল্যায়ন-নকশার সমস্যা। একই পর্যালোচনায় উদ্ধৃত Krou প্রমুখের মেটা-বিশ্লেষণে দেখা যায় আত্ম-কার্যকারিতা প্রতারণার সঙ্গে নেতিবাচকভাবে সম্পর্কিত, অথচ প্রকৃত সামর্থ্য তার সঙ্গে উল্টো সম্পর্কেই নেই, তাই সামর্থ্যবান শিক্ষার্থীরা মূল্যায়নকে অন্যায্য মনে করলে প্রতারণা করতে পারে। শনাক্তকরণ নির্ভরযোগ্য সরঞ্জামও নয়, স্পষ্ট নিরুৎসাহকও নয় (AI-based digital cheating at university, and the case for new ethical pedagogies)।

একটি স্কোর সঙ্গে দুটি-তিনটি সংকেত যোগ করলেই মামলা দাঁড়ায়। দাঁড়ায় না। মানদণ্ড হলো সম্ভাবনার ভারসাম্য পূরণ করে এমন প্রমাণ, আর চিহ্ন, শৈলীর তুলনা, LLM-এর বিচার বা নীরবতার সঙ্গে যোগ করা স্কোর তবুও কম পড়ে। পরীক্ষা করার মতো একটি প্রশ্ন: এই যুক্তিটি আপনি কি শুনানিতে জোরে বলতে পারবেন (Heads We Win, Tails You Lose: AI Detectors in Education)।

ডিটেক্টরের লাইসেন্স মূল্যায়ন নতুন করে নকশা করার চেয়ে কম খরচ। লাইসেন্সটি সবচেয়ে ছোট খরচের লাইন, অথচ তার সঙ্গে আছে উপাত্ত-সুরক্ষার ঝুঁকি, সংগ্রহ-প্রক্রিয়ার কাজ, এবং এমন একটি সরঞ্জামের ওপর দাঁড়ানো অবিরাম আপিলের ধারা, যার ভুল ভাষা-পটভূমি অনুযায়ী ধাঁচবদ্ধ। শিক্ষকমণ্ডলী অভিজ্ঞতাটিকে বলেন ‘প্রতিকারের বদলে সন্দেহ’, তাই ফলাফল বদলায় এমন বাজেট-লাইন হলো যাচাইয়ের সক্ষমতা ও নির্দেশনা (The Best Response to Student AI Use Is Not Detection, It Is Dialog)।

ব্যাপক নিষেধ প্রতিষ্ঠানকে রক্ষা করে। অতিরিক্ত-ব্যাপক নিয়ম একটি সুবিধা কেড়ে নিতে পারে এবং যে বৈষম্যের যুক্তি আপনি এড়াতে চাইছিলেন সেটিই ডেকে আনতে পারে, কারণ তাদের উৎপন্ন ভুল সমানভাবে ছড়ায় না, শনাক্তযোগ্য গোষ্ঠীগুলোতেই ঘন হয়ে জমে (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)।

যা আপনার দিকে ফিরে আসবে

“আমাদের ভেন্ডর 1% মিথ্যা-পজিটিভ হারের বিজ্ঞাপন দেয়।” ভ্যান্ডারবিল্টের লাইসেন্স নেওয়া ডিটেক্টর ঠিক তা-ই দাবি করেছিল, আর দাবিটি বিশ্ববিদ্যালয়ের যাচাইয়ের চেষ্টায় টেকেনি। স্বাধীন মানদণ্ডে কোনো সরঞ্জামই 80% নির্ভুলতার ওপরে ওঠে না (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI)। যাচাই-অধ্যয়নটি ও যে সংগ্রহে তা চালানো হয়েছে তা চান, তারপর নিজে চালানোর অনুমতি চান।

“আমরা এটি কেবল প্রমাণের একটি অংশ হিসেবে ব্যবহার করি।” মানদণ্ড হলো সম্ভাবনার ভারসাম্য পূরণ করে এমন প্রমাণ, আর চিহ্ন, শৈলীর তুলনা, LLM-এর বিচার বা নীরবতার সঙ্গে যোগ করা একটি স্কোর তা এখনও পূরণ করে না (Heads We Win, Tails You Lose: AI Detectors in Education)। যে যুক্তি প্যানেল জোরে শুনে মেনে নেবে না, সে যুক্তি নথিতে থাকা উচিত নয়।

“আমরা শনাক্ত করা বন্ধ করলে প্রতারণাই জিতবে।” প্রতারণা আগেই এই সরঞ্জামগুলো পেরিয়ে যায়। ঢুকিয়ে দেওয়া এআই-জমার 94% একটি চলমান অনলাইন পরীক্ষায় ধরা না পড়ে পাশ করেছে, মানবায়ন 96%-এর বেশি ক্ষেত্রে শনাক্তকরণ হারিয়ে দেয়, আর চুক্তিভিত্তিক প্রতারণা আগেই কোনো নির্ভরযোগ্য চিহ্ন রাখত না। ডিটেক্টর যা ধরে, মাপা নির্ভরযোগ্যতাসহ, তা হলো সৎ হালকা সম্পাদনা ও অ-মাতৃভাষিক গদ্য (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI, Why AI Detection Fails for Academic Integrity)।

“আমরা এটি কেবল গোপনে ব্যবহার করি, কথোপকথন শুরু করার জন্য।” এটি সবচেয়ে কম ক্ষতিকর ব্যবহার, তবুও এর দাম আছে, কারণ যাদের ফ্ল্যাগ হওয়ার সম্ভাবনা সবচেয়ে বেশি তারাই এআই অপব্যবহারের সম্ভাবনায় সবচেয়ে কম। ফলে কথোপকথন শুরুর আগেই সন্দেহ ভুল মানুষের ওপর পড়ে (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI)। গ্র্যান্ড ক্যানিয়নের উত্তর ছিল সন্দেহ থেকে একেবারেই শুরু না করা (The Best Response to Student AI Use Is Not Detection, It Is Dialog)।

“যার লুকানোর কিছু নেই, তার ভয়ও নেই।” 642-সারাংশের অধ্যয়নে 0.50 থ্রেশহোল্ডে নির্দেশিকা-সম্মত হালকা সম্পাদনা 38% থেকে 80% হারে ফ্ল্যাগ হয়েছে, আর কাজাখ মানদণ্ডে প্রমাণযোগ্যভাবে মানব অনুচ্ছেদের 81.4% ও 79.6% প্রকাশিত ডিটেক্টরে ফ্ল্যাগ হয়েছে (Why AI Detection Fails for Academic Integrity, Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh)। সংকেত যখন শৈলী, তখন পরিচ্ছন্ন রেকর্ড কোনো সুরক্ষা দেয় না। সে কারণেই কাজাখ লেখকেরা নিজেরাই তাঁদের শিক্ষামূলক হারগুলোকে অধ্যয়নের দুর্বলতম সংখ্যা বলে চিহ্নিত করেন, আর সে কারণেই সেগুলো শিক্ষার্থী-প্রবন্ধের হার হিসেবে উদ্ধৃত করা উচিত নয়।

“আমরা কি কেবল একটি ঘোষণা বাধ্যতামূলক করে, আর ঘোষণা না থাকলে দোষ ধরে নিতে পারি না?” ঘোষণা না থাকা লুকানো ব্যবহারের প্রমাণ নয়, আর তাকে প্রমাণ ধরে নিলে গোপনীয়তাই যুক্তিসঙ্গত হয়ে ওঠে। সংজ্ঞানাত্মক ধাপের সঙ্গে যুক্ত নির্দিষ্ট কাঠামো, যেখানে সত্য প্রকাশ শাস্তি থেকে সুরক্ষিত, নজরদারির চেয়ে বেশি তথ্য বের করে (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)। এই পাতার প্রমাণ কী প্রকাশ ঘটায় তা নিয়ে। ঘোষণা-ব্যবস্থা কতটা প্রতারণা ঠেকায়, সে সম্পর্কে এটি কিছু বলে না।

এই সপ্তাহে কী করবেন

1. আপনার অসদাচরণ-প্রক্রিয়া খুলে প্রতিটি জায়গা খুঁজুন যেখানে একটি ডিটেক্টরের স্কোর কোনো ধাপ চালু করতে পারে। ট্রিগারটি সরিয়ে দেওয়া একটি বাক্য লিখুন, আর নথিটির মালিকের কাছে তা নিয়ে যান।

2. বিজ্ঞাপিত ভুলের হারের পেছনের যাচাই-অধ্যয়নের জন্য ভেন্ডরকে ইমেইল করুন, এবং জিজ্ঞাসা করুন তারা কোন সংগ্রহ ব্যবহার করেছে।

3. আপনার সবচেয়ে উচ্চ-ঝুঁকির অ্যাসাইনমেন্টটি বেছে নিন এবং এমন একটি যাচাইকৃত ধাপ যোগ করুন যা আপনার হাতে থাকা সময়েই নম্বর দেওয়া যায়।

4. ফ্ল্যাগ পড়া শিক্ষার্থীকে যে তিনটি প্রশ্ন করবেন তার খসড়া করুন, শুরু করুন তারা কী যুক্তি দাঁড় করাতে চাইছিল এবং তা কীভাবে যাচাই করেছিল তা দিয়ে।

5. সংগ্রহ ও অভিগম্যতা-সংক্রান্ত ধারাগুলো চুক্তিতে স্বাক্ষরকারী দপ্তরে পাঠান, সংরক্ষণ, প্রশিক্ষণে ব্যবহার ও লঙ্ঘনের শর্ত স্পষ্টভাবে লিখে।

এরপর কোথায় যাবেন

নকশার দিকের সঙ্গী পাতা আমার কোর্সে এআই প্রতারণা কীভাবে কমাব?, আর এআই যুগে মূল্যায়নের পুনর্নকশা মূল্যায়ন-যুক্তিটিকে আরও এগিয়ে নেয়। কোর্সের এআই নীতিমালা বলে কীভাবে নীতিমালা শব্দবদ্ধ ও যোগাযোগ করা যায়, আর এআই সাক্ষরতা বলে শিক্ষার্থীদের কী জানা দরকার যাতে এই সরঞ্জামগুলো নিয়ে কাজ করতে গিয়ে কাজটাই হারিয়ে না যায়। যুক্তির পেছনের ধারণা-পাতাগুলো একাডেমিক সততা, এআই শিক্ষায় সমতা ও আইনি সমস্যা ও ঝুঁকি; উপরের শনাক্তকরণ-সংক্রান্ত ধারাগুলো শিক্ষানীতিতে এআই-এর প্রাতিষ্ঠানিক স্তর।