Akademická integrita

Automatický strojový překlad této anglické stránky, který ještě nebyl zkontrolován rodilým mluvčím.

Akademická integrita: etický rámec, který v éře AI řídí poctivou akademickou práci. Znalostní báze dokumentuje, jak tento koncept přerámovala generativní AI: z problému odhalování nepoctivého výstupu na problém návrhu, jak učinit poctivou práci viditelnou, ověřitelnou a hodnou vytvoření. Výzkum akademické integrity v této oblasti se posunul od přístupů zaměřených na detekci k zásadnímu přepracování hodnocení, k řízení vedenému pedagogikou a k výuce studentů, jak AI používat dobře, místo aby pouze dohlížel na to, zda ji používají.

Otázky k zamyšlení

• Vzpomeňte si na poslední rozhovor o „podvádění s AI". Šlo v něm o to studenty nachytat, nebo o návrh zadání, která by studenti chtěli plnit poctivě? Který důraz je vám bližší a proč?
• Vyhotovenou a uvěřitelnou práci lze dnes vygenerovat za sekundy. Pokud už nedokážete posoudit schopnost studenta podle odevzdaného produktu, co byste potřebovali vidět nebo slyšet, abyste měli jistotu, že se to skutečně naučil?
• Výzkum zjišťuje, že studenti používání AI spíše racionalizují („opsat text z AI nikomu neškodí"), než aby ji zneužívali ze zlého úmyslu. Jaké předpoklady o motivech studentů činí čistě represivní politika integrity a v čem se tyto předpoklady mohou mýlit?
• Jedna výzkumná linie pojímá používání AI studenty jako koordinační problém: chování se mění, když se změní očekávání vrstevníků a pobídky v hodnocení, nikoli když se znovu zopakují pravidla. Které faktory vrstevníků nebo návrhu ve vašem vlastním kontextu mohou tiše utvářet to, zda je používání AI poctivé?
• Studie ukazují, že strach z postihu vede studenty ke skrývání používání AI, a že transparentní studenti mohou dokonce vzbudit podezření. Pokud byste navrhovali formulář „deklarace používání AI", co by přimělo studenta, aby jej chtěl vyplnit pravdivě?
• Stejná institucionální politika AI je studenty napříč kulturami vykládána odlišně: to, co se jeví jako nesprávné, určuje kultura, nikoli znění politiky. Jak by měla být politika integrity komunikována kulturně rozmanité kohortě, aby očekávání byla skutečně pochopena?

Úvod

Nástup generativní AI nevytvořil potřebu akademické integrity: jen učinil slabiny stávajících přístupů těžšími k přehlédnutí. Vyhotovený a uvěřitelný produkt lze nyní vygenerovat za sekundy, takže podobnost produktu je stále méně spolehlivým signálem schopnosti. Tím se otázka integrity přesouvá z „dokážeme odhalit používání AI?" na „mohou naše hodnocení stále odůvodňovat závěry, které vyvozujeme o učení studentů?".

Vývoj od detekce k přepracování

• Skepticismus vůči detekci: výzkum detekce AI a institucionální analýzy stále častěji zjišťují, že nástroje detekce AI jsou nespolehlivé a procesně nespravedlivé. Detekce textu generovaného LLM čelí zásadním omezením. Plně AI-generované odevzdané práce mohou zkouškovými systémy projít do značné míry neodhaleny a zkušení hodnotitelé spolehlivě nerozpoznají práci vytvořenou GenAI. Detekce je v nejlepším případě omezený, situační nástroj, nikoli strategie první volby. Objem, který přesto musí zvládat, zdaleka není okrajový: šestiletá analýza kurzu CS2 s vysokou zápisovou kapacitou zjistila, že 45,7 % studentů na jaře 2026 vykazovalo vzorce odpovídající programování s pomocí LLM (Racovan et al. (2026)).
• Úzký rozdíl detekce a podvádění jako plánované chování: Leaton Gray, Edsall a Parapadakis (2025) sestavují argument, že AI zesiluje zranitelnost, kterou sektor už měl. Text generovaný AI prošel jako lidský v až 80 % případů, zatímco jimi citované důkazy staví strojovou detekci na zhruba 80 % proti 78,4 % u lidských hodnotitelů, což je příliš úzký rozdíl na to, aby unesl zjištění o pochybení. Jejich motivační analýza je osobitější přínos: vycházejíce z Ajzenovy teorie plánovaného chování a Bandurovy teorie sebeúčinnosti informují o metaanalýze Krou et al. (2021), která zjišťuje, že sebeúčinnost koreluje s podváděním negativně, zatímco skutečná schopnost s ním nekoreluje inverzně vůbec. Schopný a sebevědomý student, který hodnocení vnímá jako nespravedlivé, proto může podvádět, aby znovu získal kontrolu. Závěr sleduje stejnou inverzi, kterou tato stránka dokumentuje jinde: hodnocení, na které model dokáže přesvědčivě odpovědět, je intelektuálně triviální hodnocení a selhání patří hodnocení, nikoli studentovi.
• Přepracování hodnocení: autentické hodnocení, přístupy jdoucí za detekci a škála hodnocení s AI přesouvají pozornost od chytání používání AI k navrhování hodnocení, v nichž je používání AI buď irelevantní, nebo transparentní, nebo nutné k prokázání konkrétní schopnosti.
• Strukturální zranitelnost známkování: Chan et al. poskytují konkrétní případovou studii toho, jak je současné známkování strukturálně vystaveno nepoctivosti zprostředkované AI. V katedře biologie vnímali vyučující jako minimálně zranitelné pouze prezenční zkoušky pod dohledem; úkoly mimo výuku byly vnímány jako vysoce zranitelné, což ponechalo zhruba třetinu známky studenta vysoce zranitelnou a 80 % alespoň částečně zranitelných. To rámuje problém integrity částečně jako problém návrhu známkování, což motivuje přesun rovnováhy k hodnocení pod dohledem nebo ve výuce a k návrhům autentického hodnocení, které se hůře zadávají externě. Ivory et al. (2026) dodávají protějšek na úrovni oboru s celým tříletým programem psychologie: 36 ze 40 hodnocení, celkem 16 typů, vytvořilo obsah procházející při minimálním úsilí, a čtyři, která selhala, byla ta vyžadující přítomnost, vizuální média nebo vlastní datovou sadu studenta. Jejich čtení toho, proč to prochází, je tou částí, která se zobecňuje: známkování, které odměňuje plynulou strukturu a použití správné analýzy v dobré víře, toleruje zfalšované hodnoty a halucinované odkazy, takže o tom, zda je výstup AI ohodnocen jako výkon, rozhoduje hranice prospěchu, nikoli detekce, a zranitelnost hodnocení „nelze přičítat výhradně používání studenty".
• Odevzdaná práce jako útočná plocha: prompt injection proti hodnocení pomocí AI. Humble (2026) provádí red teaming každodenního pracovního postupu známkování a ukazuje, že odevzdaná práce studenta může nést skryté instrukce, které změní známku, již nástroj AI vytvoří: dvě z pěti strategií nepřímé injekce vložených do souboru odevzdané práce pozvedly neprospívající esej na prospívající bez jakéhokoli viditelného varování pro uživatele, s uváděnou úspěšností 100 % (9/9) a 94 % (17/18), obě kombinující manipulaci s instrukcemi, hraní rolí a obfuskaci napříč formáty docx, pdf a htm. Nejzákladnější útok úplně selhal a jeho odmítnutí bylo tiché: nástroj chat vypnul, aniž by o pokus informoval, zatímco jediná detekovaná injekce vyvolala ujištění, že nástroj bude známkovat „pouze podle oficiálních instrukcí k úloze", načež šest dalších běhů téhož souboru známku přesto zvýšilo. Důsledek pro integritu plyne oběma směry: známka zvýšená skrytou instrukcí nenese žádný nárok na validitu, stejná technika by mohla být použita ke zhoršení odevzdané práce bez trvalé stopy ve výstupu, a lidský hodnotitel zůstává jedinou skutečnou kontrolou manipulace navržené tak, aby nebyla vidět.
• Validita jako organizační rámec: validita hodnocení přerámovává integritu jako důkazní problém. Výzkum autentického hodnocení zavádí záměnu konstruktu: produkt vytvořený AI je připsán studentovi, takže hodnocení usuzuje na schopnost nástroje, nikoli studenta. Důkazní otázka přežívá jakoukoli politiku AI: ať je používání zakázáno, povoleno nebo vyžadováno, hodnocení musí stále vytvářet důkazy odůvodňující závěr, který se z něj vyvozuje.
• Variabilita ve velkém měřítku jako mechanismus integrity bez dohledu: VARIA (Lee 2026) podrobuje benchmarku premisu, na níž stojí autentické hodnocení integrované s AI (AIAA): nahradit dohled založený na sledování variací úlohy pro každého studenta, takže opisování je strukturálně neužitečné. Záruka integrity je podmíněna tím, že LLM generují varianty povrchně odlišné a ekvivalentní v konstruktu; pilotní běh VARIA se 600 variantami zjišťuje, že špičkové modely to splňují jen na hranici (společné skóre 0,81 až 0,88), zatímco modely mimo špičku se hroutí (0,50 až 0,55), takže „variabilitu ve velkém měřítku nelze vyřešit pouze promptováním". To dává debatě o detekci versus přepracování empirickou a falzifikovatelnou kontrolu: slib hodnocení bez dohledu, autentického a variovaného podle úloh, nyní závisí na změřené (a stále úzké) schopnosti generování, nikoli na předpokládané.
• Autentizace reflexe studentů vůči GenAI: Kadel et al. (2026) tvrdí, že tradiční modely reflexe už nedokážou autentizovat reflexi studentů, jakmile GenAI umí psát reflexivní prózu, a integrují integritu přímo do modelu reflexe: fáze nástrah rámce 5P se výslovně zabývá plagiátorstvím, halucinacemi a nadměrným spoléháním, zatímco jeho fáze procesu a produktu vyžadují dokumentování promptů a validaci výstupů, aby vlastní uvažování studujících bylo odlišitelné od příspěvků generovaných AI.
• Rozvoj politik: institucionální politiky AI a výzkum vzdělávací politiky zkoumají, jak univerzity vytvářejí a sdělují očekávání integrity a proč abstraktní politická prohlášení tak často selhávají.
• Integrita jako problém řízení, nikoli detekce. Coates, Croucher a Calderon (2025) přesouvají omezující podmínku z chování studentů na akademické řízení, které označují za odolné, avšak „ne dobře postavené ani připravené" čelit hrozbám spojeným s GenAI pro autentizaci hodnocení studentů. Jejich odpovědí je rámec indikátorů integrity o 130 položkách v osmi dimenzích, od navrhování (19 položek) po zlepšování (6), složený z otázek řízení, nikoli z psychometrických škál: zda nejvyšší orgán instituce dostává aktualizace o kvalitě hodnocení, jaké procento hodnocení připomíná relevantní a smysluplné problémy, jaké procento studentů znají osobně učitelé, kteří je hodnotí. Byl vyvinut v rámci několikaletého přehledu výzkumu, pěti případových studií australských univerzit, prototypování, expertního potvrzení se 60 pozvanými odborníky ze šesti světových regionů a kvantitativního pilotování, a je doprovázen reformami architektur řízení, lidí a technologií a zdrojů, u nichž autoři očekávají, že se vyplatí jen pod vnějším tlakem regulace, srovnávání mezi institucemi a konkurence mezi nimi; rámec představují jako formativní a žádají psychometrickou validaci dříve, než bude použit pro srovnávání nebo pro vzdělávací měření.
• Co dokumenty skutečně říkají: integrita dominuje institucionální politice AI. Eldredge et al. (2026) analyzovali dokumenty politiky a doporučení k AI všech 48 magisterských programů zdravotnické informatiky a správy zdravotnických informací akreditovaných CAHIIM v USA: 40 (83 %) mělo alespoň jeden vyhovující dokument a tyto dokumenty rámovaly AI převážně jako záležitost prevence zneužívání studenty v kurzech a soustředily se na akademickou integritu a přijatelné používání. Akademická integrita byla zdaleka nejfrekventovanějším klíčovým slovem (n = 139, před citováním s 59, hodnocením s 50 a plagiátorstvím s 38), zatímco témata soukromí, duševního vlastnictví a regulace byla přítomna, avšak méně častá (HIPAA n = 5, FERPA n = 11, doporučení IRB n = 8). Modelování témat na stejném korpusu vrátilo čtyři témata, prvním z nich akademickou integritu a vhodné používání AI, vedle generativní AI ve výuce, používání AI a datových nástrojů ve výzkumu a zapojení studentů do konverzačních systémů AI. Důkazní hodnotou pro tuto stránku je kvantifikace: rámování soustředěné na integritu není jen rétorickou výchozí volbou institucionální politiky AI, je empiricky jejím dominantním obsahem. Nejostřejší postřeh autorů se týká toho, kde se tato pozornost zastavuje: poznamenávají, že poměrně málo doporučení pokrývá používání AI v aplikovaném učení, výzkumu a simulovaných prostředích, kde se protínají kurikulární obavy a obavy o správu dat, takže dokumenty řídí kurzy, zatímco prostředí, na která titul studenty připravuje, zůstávají z velké části neřešena.
• Rámování integrity ustupuje regulaci podle typu úlohy: Chirikovova (2026) longitudinální studie více než 31 000 sylabů kurzů ukazuje, že politiky vyučujících k AI se odklánějí od čistě integrity založeného rámce: zmínky o akademické integritě v sylabech klesly z 63 % (jaro 2023) na 49 % (podzim 2025), zatímco odkazy na vliv AI na učení vzrostly z 1 % na 29 %. Vyučující stále více regulují AI podle typu úlohy: omezují ji pro psaní konceptů a uvažování (kde by AI vytlačila učení) a povolují ji pro editaci a korektury a pro podporu studia, místo aby uplatňovali plošný zákaz z důvodu integrity. To přerámovává politiku integrity jako rozhodnutí o návrhu na úrovni úlohy, nikoli jako binární pravidlo.
• Odolnost vůči stroji jako prevence, nikoli detekce. Narušování samotného dokumentu (znakové, slovní a řádkové rozestupy, kolísání neprůhlednosti, překryvy pruhů a obrazový šum, navíc adversariální útoky založené na rozhodnutích) zvyšuje úsilí potřebné pro málo pracné zneužití LLM už u zdroje, a přitom měří stejné znalosti (Salaun et al. (2026)). Ruční přepis zůstává možný a adversariální útoky chrání jen vybrané řádky, takže chybovost znaků v celém dokumentu zůstává pod 8,44 %.

Postup při pochybení a jeho důkazní kolaps

Donucovací aparát, který stojí nad politikou integrity, je sám rozhodnutím o návrhu, a generativní AI rozbourala jeho důkazní základ. Teichmann (2026) tvrdí, že postup při pochybení, který univerzity převzaly z plagiátorství, předpokládá, že zakázané používání lze odhalit a prokázat, což je premisa, kterou technologie rozpouští. Na rozdíl od softwaru pro porovnávání textů, který ukazuje na opsaný zdroj, klasifikátor textu AI neidentifikuje žádný zdroj (žádný neexistuje); vydává pravděpodobnostní úsudek o stylu, který se při parafrázování zhoršuje, systematicky chybně označuje text nerodilých mluvčích angličtiny a nelze jej vysvětlit ani podrobit křížovému výslechu, zatímco zdatné nebo mírně upravené používání nezanechává žádnou stopu. Trvat přesto na něm znamená obrátit důkazní břemeno (student je žádán, aby prokázal negativní tvrzení), napíná každý prvek procesní spravedlnosti a dopadá škodou z falešného obvinění nejtvrději na ty, kdo jsou už tak znevýhodněni. Navrhovaná náprava je dvojí: důkazní standard, podle něhož skóre detektoru samo nikdy neodůvodní zjištění, s odstupňovanými reakcemi, které kladou vzdělávání na první místo, a přesun institucionálního úsilí do návrhu hodnocení zaměřeného na validitu a autentického hodnocení: odpovědí na neodhalitelnou AI je lepší hodnocení, nikoli lepší dohled. Krajní případ nemá žádný aparát: Isley, Gaebler a Goel (2026) dokumentují magisterský program veřejné politiky na americké univerzitě, který zakazoval pomoc generativní AI v podepsaném prohlášení a žádné odevzdané práce neprocházel, kde 56,1 % uchazečů v roce 2025 odevzdalo alespoň jednu esej, kterou komerční detektor klasifikoval jako převážně napsanou AI, a každá označená esej byla spojena s o 1,5 procentního bodu nižší pravděpodobností přijetí (p < .01), což stouplo na 2,6 bodu (p < .001), jakmile byla kvalita eseje držena konstantní. Bez jakéhokoli kroku detekce, rozhodování nebo vymáhání mezi pravidlem a výsledkem byla sankce udělena zcela prostřednictvím nepsaného úsudku čtenářů přijímacího řízení: zákaz plus nepodložený úsudek hodnotitele reprodukoval diskreční, nevysvětlenou sankci, jíž má spravedlivý postup zabránit.

Munoz et al. (2026) dodávají empirický protějšek tím, že zakódovali každý případ pochybení s GenAI na jedné regionální australské univerzitě za tři roky: 1 162 případů nesoucích 1 855 důkazních položek, každou hodnocenou z hlediska relevance, věrohodnosti a důkazní síly. Výstup detektoru byl důkazem nejčastěji vyhledávaným a nejméně schopným unést váhu: zprávy Turnitin nebo zprávy o podobnosti nesly 100 % slabé důkazní síly a samostatný výstup detektoru 100 % nízké věrohodnosti, a důkazy z detektoru klesly do roku 2025 na 0,5 % položek, jak instituce vstřebávaly, co prokázat nelze, zatímco nejsilnějšími typy důkazů byly ty, které se neopírají o pravděpodobnostní klasifikaci textu: přiznání studentů, pozorované zakázané chování u zkoušky a nezávisle ověřené zfalšované odkazy, které představovaly největší strukturální posun s 22,3 % položek. Jejich nejostřejší kritika je strukturální, nikoli důkazní, protože „neexistuje požadavek, aby vyšetřovatelé posuzovali důkazní kvalitu důkazů dříve, než postoupí obvinění dál, ani minimální důkazní práh v kterékoli fázi postupu", takže kvalita důkazů neměla spolehlivý vztah k výsledkům případů. Zaznamenávají také, jak se politika dohnala s praxí: politika hodnocení platná do roku 2024 o AI neříkala nic a od ledna 2025 revidovaná politika povolovala schválený software pro ověřování autenticity a zároveň zakazovala nahrávat práce studentů do nástrojů detekce AI třetích stran.

Druhé selhání je v rozsahu, nikoli v důkazu. Wright (2026) ukazuje, že zákazy psané na úrovni identity platformy, nikoli její funkce, zachycují i neegenerativní převod formátu (přepis řeči na text, OCR, prostý text do LATEX) vedle generativního psaní, které mají zakázat, i když recenzovaná informatická literatura pojímá rozpoznávání a generování jako odlišné operace. Náklad dopadá nerovnoměrně: studenti s obtížemi ovlivňujícími jemnou motoriku, čitelnost rukopisu nebo přesnost psaní na klávesnici se spoléhali právě na tyto nástroje, a jak jsou samostatné produkty pro převod hlasu na text ukončovány nebo omezovány, přepis poháněný AI tuto funkční mezeru zaplňuje, takže příliš široké pravidlo odstraňuje hlavní prostředek k vytváření čitelné práce a činí ze sporu otázku přístupnosti a rovnosti dříve než otázku integrity. Wrightovou nápravou je funkční definice generativní AI plus čtyři operační kritéria (věrnost, nerozšiřování, sledovatelnost a atestace), která dávají studentovi strukturovanou cestu, jak vyvrátit obvinění z pouhého přepisu, a přitom ponechávají důkazní břemeno na instituci.

Důkazní problém detekce je také problémem validity. Protože pomoc AI je iterativní a propletená s psaním, nikoli zcela externalizovaná, autorství a vlastnictví významu se oddělují a bezvadný odevzdaný produkt nemusí prokázat, že student uplatnil úsudek, který měla úloha měřit. Výkon detektoru se liší podle úlohy, oboru a verze modelu a přiznané nebo předpokládané používání AI může u hodnotitelů působit jako zkreslující vodítko, takže reakce založená na detekci přidává varianci irelevantní pro konstrukt, místo aby ji odstraňovala. Zatímco debaty o integritě se ptají, kdo vytvořil slova, pojetí validity se ptá, jaký nárok na studenta výkon odůvodňuje.

Problém racionalizace

Studenti obvykle nezneužívají AI ze zlého úmyslu; racionalizují ji. Výzkum založený na rozhovorech identifikuje nejméně pět míst rozporu, kde se výklad politiky AI studenty rozchází se záměrem vyučujících, a taxonomii více než 20 odlišných racionalizací, od „opsat text z AI nikomu neškodí" po „text, který odráží mé přesvědčení, je mé vlastní psaní". Tyto racionalizace jsou ad hoc, dodatečné a vnitřně nekonzistentní a popisují „strmý etický kluzký svah", po němž studenti sklouzávají daleko mimo pedagogické cíle. Proto jsou mylné představy studentů o AI příčinou porušování integrity po proudu a proto se vzdělávání v integritě musí zabývat etickým uvažováním, nejen technickou dovedností.

Jiho (2026) scoping review 38 empirických studií hlasů studentů poskytuje syntézu, o niž se tato část opírá. Jeho čtyři témata jsou nejednoznačnost (vygenerování celé úlohy se čte jako podvádění, kontrola gramatiky a brainstorming jsou z velké části přijatelné a parafrázování, osnova a překlad leží v šedé zóně), etická agenturnost, v níž si studenti vytvářejí osobní pravidla v prázdnotě doporučení, kterou čtou jako tiché schválení svého jednání, mezera mezi etickým povědomím a praxí a rozmanitost podle pohlaví, úrovně, oboru a kultury. Mezera mezi povědomím a praxí je problém racionalizace měřený ve velkém: Index etické disonance Huang et al. roztřídil 522 čínských studentů do čtyř shluků, z nichž jeden často dělal to, co považoval za nelegitimní, a modelování strukturních rovnic Ofem et al. se 4 679 nigerijskými studenty zjistilo, že pozitivní vnímání ChatGPT předpovídalo nepoctivé používání, zatímco pozitivní postoje k integritě působily jako významný negativní mediátor. Ji čte studenty ani jako pasivní příjemce GenAI, ani jako viníky bez morálního omezení, ale jako aktivní aktéry procházející etickou šedou zónou, a proto se přezkoumané studie sbíhají na odpovědích spoluvytvářených, vzdělávacích a citlivých ke kontextu, nikoli represivních.

Proč samotná politika selhává: koordinační problém

Rámec koordinační hry poskytuje mechanistické vysvětlení, proč politická prohlášení zřídka mění chování: používání AI studenty je koordinační problém, v němž jednotlivé volby závisí na očekáváních vrstevníků a na návrhu hodnocení. Klíčovým zjištěním modelu je nelineární dynamika prahu: malé, dobře kalibrované změny pobídek v reflexivním hodnocení mohou spustit rychlé obraty celé kohorty k odpovědnému používání, zatímco slabé nebo špatně sladěné pobídky nechávají oportunistickou praxi přetrvávat. V praxi to znamená, že skromné přepracování (například požadavek, aby studenti reflektovali své interakce s AI) může mít nepřiměřené účinky tam, kde abstraktní pravidla nemají žádné.

Odpovědnost mezi vrstevníky nevede vždy k integritě, jak zjistili Chen a Zou (2026) u známkovaného skupinového hodnocení: sedm z patnácti studentských skupin záměrně omezilo používání GenAI částečně proto, aby zabránily parazitování na spolužácích, protože důsledky pro skupinu byly sdílené, nikoli individuální, avšak v pěti skupinách permisivní kolektivní klima („všichni v mé skupině GenAI používají") snížilo vnímané riziko zneužití a obrátilo právě ten mechanismus odpovědnosti, který má skupinová práce vytvářet. Tatáž studie zjistila, že studenti přerámovávají originalitu jako věrnost porozumění, které spolužáci společně vybudovali, a její praktické doporučení z toho přímo plyne: učinit vyjednávání o přijatelném používání AI explicitním, dokumentovaným a hodnotitelným výsledkem, místo aby norma vznikala z tlaku vrstevníků nebo vnímaného rizika.

Nekonzistence politik v rámci instituce vyprodukovala přesně to hádání, které koordinační pojetí předpovídá. Devět z jedenácti dotazovaných v Zou et al. (2026) vnímalo výslovné povolení používat generativní AI ve vlastním kurzu jako možnou „past", návnadu k identifikaci studentů, kteří neodolají, i když politika byla otevřená a zapsaná v pokynech k hodnocení; studenti zobecňovali ze zákazů a varování, s nimiž se setkali jinde, místo aby četli pravidla vlastního kurzu po svém. Závěr autorů sleduje mechanismus, nikoli znění: srozumitelnost na úrovni kurzu nestačila a je zapotřebí konzistence na úrovni programu nebo instituce, aby studenti přestali odvozovat záměr z okolní kultury.

Stejné jednání, odlišné verdikty a deklarace, která nic nemění. Poudyal (2026) aplikoval 15 standardizovaných vinět na politické prostředí 20 australských univerzit a vytvořil 300 klasifikací: 120 (40,0 %) jasně zakázaných, 56 (18,7 %) neurčitých a žádnou jasně povolenou, zatímco závazné nástroje mlčely o generativní AI ve 100 kombinacích, které doporučení vyřešila v 88 případech. Deklarace výsledky neurčovala: stejný stav deklarace vytvořil odlišné klasifikace v závislosti na pravidlech povolení a instrukcích k úloze, a pole deklarace zaznamenalo 117 splněných požadavků a 80 nepravdivých prohlášení.

Postupy záleží stejně jako politiky a jejich důkazní základ se u AI zhroutil. Teichmann (2026) tvrdí, že postup při pochybení, který univerzity převzaly z plagiátorství, spočívá na premise, kterou generativní AI rozbourala: že zakázané používání lze odhalit a prokázat. Na rozdíl od softwaru pro porovnávání textů, který může ukázat na opsaný zdroj, klasifikátory textu AI neidentifikují žádný zdroj, protože žádný neexistuje: vydávají pravděpodobnostní úsudek o stylu, který se při parafrázování zhoršuje, systematicky chybně klasifikují nerodilé mluvčí a nelze je vysvětlit ani podrobit křížovému výslechu, zatímco zdatné nebo mírně upravené používání nezanechává žádnou stopu. Trvat přesto na něm znamená obrátit důkazní břemeno (student je žádán, aby prokázal negativní tvrzení), napíná každý prvek procesní spravedlnosti a dopadá škodou z falešného obvinění nejtvrději na ty, kdo jsou už tak znevýhodněni. Navrhovaná náprava je dvojí: zveřejnit důkazní standard, podle něhož výstup detektoru sám nikdy neodůvodní zjištění, s odstupňovanými reakcemi, které kladou vzdělávání na první místo, a přesunout institucionální úsilí do návrhu hodnocení zaměřeného na validitu a autentické hodnocení. Mohamed a Temimi (2026) dodávají mechanistický protějšek ze strany studenta: protože každé prostředí hodnocení činí některou reakci nejatraktivnější, zákaz nechává skrývání atraktivní, je-li ověřování slabé, monitoring zdražuje skryté používání, aniž by činil přiznání bezpečným, a pouze přepracování (snížení výnosu z externalizace a zvýšení hodnoty viditelného uvažování) posouvá studenty k odpovědnému používání. Jejich nejostřejší výsledek je, že odstrašení prochází schopností detektoru rozlišit skryté používání od legitimní práce, nikoli jeho mírou záchytu, takže když falešně pozitivní výsledky rostou rychleji než skutečně pozitivní, silnější monitoring může učinit skrývání relativně atraktivnějším.

• Povinnost integrity lze přepsat na individuální kompetenci. Ve 366 abstraktech o GenAI ve vysokoškolském vzdělávání se slovo integrita objevuje 461krát, ale pouze 6 ze 166 výrazů povinnosti jmenuje studenty, takže ověřování a deklarace se jeví jako dovednosti, které se od studentů očekávají, nikoli jako povinnosti, které instituce vymáhají (Poudyal, 2026).

• Jak preskriptivní politika integrity je, neprozrazuje, jak vystavené je hodnocení. Při auditu 15 587 záznamů jednotek Villanueva (2026) zjistil, že univerzity s celoinstitucionálními mandáty k reformě i ty se širokými rámci se rozprostírají ve stejném rozsahu vystavení hodnocení, což je empirický protějšek koordinačněherního pojetí toho, proč prohlášení zřídka mění chování.

Socioemocionální dimenze

Vymáhání integrity má opomíjený emocionální náklad. Výzkum studu a viny se studenty ukazuje, že tyto emoce regulují, kdy a jak se používání AI stane viditelným, a vytvářejí chování skrývání a selektivní deklarace, a že koexistují s pokračujícím používáním, čímž vznikají cykly snížené agenturnosti a morálního napětí místo změny chování. Proto normy kolem používání AI regulují viditelnost účinněji než používání samo. Studenti dokonce popisují své používání AI jazykem závislosti. Důsledek: politika silně zaměřená na detekci a orientovaná na dohled riskuje, že zažene zneužívání do skrytu, místo aby je řešila, a podkope upřímné vyjednávání, které produktivní používání vyžaduje.

Rubem skrývání je odmítnutí a nese svůj vlastní emocionální náklad. Mezi 85 budoucími učiteli, které Zou et al. (2026) dotazovali v rámci politiky hodnocení výslovně povolující generativní AI, se 62,4 % (53) rozhodlo ji vůbec nepoužívat a používání těch, kdo ji přijali, bylo povrchní a korektivní: korektury (43,8 %) a kontroly srozumitelnosti (34,4 %) daleko převyšovaly generování textu (18,8 %) a brainstorming (12,5 %). Hodně práce odvedl strach z neoprávněného obvinění, nikoli technická obtížnost: uvedlo jej 41,5 % těch, kdo ji nepřijali, proti 13,2 %, kteří uvedli chybějící znalosti nebo dovednosti, zatímco 77,4 % rámovalo nepoužívání jednoduše jako preferenci pracovat samostatně. Když je permisivní politika čtena jako past, bezpečnou reakcí je nabídku odmítnout, což instituci stojí práci s integrovanou AI, kterou se snažila pozvat.

Deklarace používání AI

Deklarace používání a zveřejňování AI jsou konkrétním mechanismem, jímž se očekávání integrity operacionalizují, a výzkum ukazuje, že často selhávají, když se s nimi zachází jako s neutrálními formuláři compliance. Gonsalves (2025) zjistil, že 74 % studentů neuvedlo používání AI v povinném krycím listu práce, vedeno strachem z postihů, nejednoznačností pokynů, nekonzistentním vymáháním a normami vrstevníků. Kirsanov et al. (2026) a Vetter et al. (2026) potvrzují, že strach z odvety a nejasná politika deklaraci ochlazují a že transparentní studenti mohou dokonce vzbudit podezření. Chang et al. (2026) přerámovávají deklaraci jako chování vyhledávání pomoci a seberegulace, které úzkost odvádí k vrstevníkům. Kolektivní ponaučení zní: politiky deklarace musí řešit afektivní a sociální bariéry, být jasné a konzistentní a pojímat deklaraci jako formativní pedagogiku, nikoli dohled. Luo a Dawson (2026) dodávají učitelskou stranu rovnice: známkování práce s pomocí GenAI je u učitelů vedeno hodnotovými soudy o poctivosti, píli a důvěře studentů a mnoho učitelů trestá (nebo je v pokušení trestat) studenty, kteří používání GenAI deklarují, i když je kvalita práce vysoká. To je problém „obousměrné transparentnosti": od studentů se očekává, že používání deklarují, ale učitelé zřídka objasňují, jak tato deklarace ovlivní známku, takže poctivá deklarace může nést nevyslovený postih ve známkování. Studie zakládá problém deklarace v hodnotově zatížené realitě učitelského známkování a tvrdí, že transparentnost musí působit oběma směry.

Vlastní zprávy studentů kvantifikují, jak špatně toto sdělení dopadá. V průzkumu 504 studentů bakalářského studia sociologie 81 procent uvedlo, že jejich vyučující nebo asistenti dali doporučení k používání AI, avšak pouze 46 procent označilo tyto pokyny za velmi jasné; 19 procent uvedlo, že nedostalo žádné doporučení, a ostatní je popsali přinejlepším jako částečně jasné (Kuznetsov, Sheely a Baker, 2026). Strach z akademického přestupku byl druhou nejčastější obavou studentů (28 procent), což je náklad uložený nejednoznačností, nikoli vymáháním, protože pouze 3 procenta uvedla, že používají GenAI ke generování textu zadání, a 2 procenta k vytvoření celého konceptu. Praktickým důsledkem je, že srozumitelnost komunikace je sama mechanismem integrity a že student, který nemůže zjistit, co je povoleno, nese riziko, které instituce nikdy neměla v úmyslu uložit.

Ani povolení na úrovni kurzu dilema deklarace neřeší. Ve studii Zou et al. (2026) s 85 budoucími učiteli, jejichž hodnocení výslovně povolovala generativní AI, činily sebe deklarace 28 uživatelů proti 32 v anonymním průzkumu a oba zdroje se rozcházely v opačných směrech podle kurzu: kurz A zaznamenal 14 uživatelů v průzkumu, ale pouze 8 deklarací, zatímco kurz C vzorec obrátil (8 v průzkumu, 12 deklarací). Autoři čtou rozpor jako známkované důsledky utvářející to, co byli studenti ochotni učinit viditelným, a dodávají z přípravy učitelů důkaz, že systém deklarace měří chování při deklaraci stejně jako používání.

Kulturní a kontextová variace

Text politiky není totéž co její vnímání. Mezinárodní výzkum zjistil, že i přes funkčně totožné institucionální politiky hodnotili studenti na různých univerzitách tytéž postupy s pomocí AI odlišně: vnímanou nesprávnost určovala kultura, nikoli znění politiky. Harmonizace politik nevede k harmonizaci vnímání, takže kulturně rozmanité kohorty vykládají stejná pravidla odlišně, což je otázka rovnosti pro vymáhání a známkování, která mluví pro scénářové objasňování namísto abstraktních prohlášení pravidel.

Druhou osou variace je jazykové zázemí, nikoli kultura. Li (2026) tvrdí, že protože stejné rozhraní provádí povolenou jazykovou editaci i zakázané podstatné psaní, pravidla integrity, která pojímají GenAI jako jednu kategorii neoprávněné pomoci, převádějí jazykovou nevýhodu na riziko integrity: úplný zákaz odstraňuje škálovatelnou formu jazykové podpory, režim „povoleno, ale deklarujte" nakládá práci s compliance na studenty angličtiny jako dalšího jazyka, jejichž používání je častější a iterativnější, a zákazy editace nad rámec drobných změn soustředí podezření na pisatele, jejichž plynulost se změnila nejvíce. Hranice, kterou Li navrhuje, je založena na účelu, nikoli na nástroji: povolená podpora nepřidává nové myšlenky, nové zdroje ani podstatné přeskupení analýzy, zatímco substituce vytváří nebo podstatně přetváří intelektuální práci, která je hodnocena, a je zakotvena v konstruktu hodnocení, protože rubriky, které udílejí body za plynulost a idiomatičnost, vnášejí pro pisatele angličtiny jako dalšího jazyka varianci irelevantní pro konstrukt (validita hodnocení). Rámec degraduje výstup detektoru na triage signál, který jen zřídka představuje důkaz, upřednostňuje triangulaci prostřednictvím postupných odevzdání, historií konceptů, ověřitelných stop zdrojů a krátkého rozhovoru sladěného s konstruktem a kalibruje deklaraci tak, aby rutinní podpora nenesla náklady na compliance vyšší než ty, které nesou jejich jednojazyční vrstevníci.

Od dohledu k pedagogice

Znalostní báze dokumentuje změnu paradigmatu: od AI jako ohrožení integrity, které je třeba hlídat, k AI jako nástroji, jehož vhodné používání je třeba učit. To je etická dimenze gramotnosti v oblasti AI a je vtělena do praktického návrhu:

• Deklarace používání AI specifické pro úlohu: Rámce deklarace specifické pro doménu nahrazují generická zaškrtávací pole „použil jsem AI" strukturovanými deklaracemi, které spojují používání s kognitivními fázemi (například strukturální plánování versus generování obsahu), což vynucuje reflexi a přesouvá pozornost od dohledu k profesní praxi.

• Hodnocení s transparentním procesem: architektury jako kognitivní správcovství, postupná odevzdání, ústní obhajoby a AI Viva (konverzační agent, který zjišťuje, zda studenti rozumějí svým odevzdaným pracím) činí viditelným lidský úsudek, ověřování a odpovědnost. Miles, Haber-Curran a Arar (2026) vedou stejnou logiku až k samotnému promptu: jejich vzorová rubrika známkuje iterativní zdokonalování, kritickou interpretaci výstupu a reflektivní revizi, takže se hodnotí zapojení studenta s nástrojem, nikoli artefakt, který vytvořil, a tvrdí, že učit studenty pouze optimalizovat výstup nechává etické a epistemologické dimenze používání nedotčené.

• Omezování zneužívání: integrita stojí vedle zneužívání AI a újmy na učení (náklad zneužívání na učení) a omezování zneužívání AI (intervence, které mu předcházejí), a spojuje poctivost se skutečným učením, nikoli s dodržováním pravidel.

• Transparentnost jako strategie integrity, nejen zdvořilost: designový případ McCorkleho (2025) pojímá zdůvodnění každého povoleného či nepovoleného používání GenAI jako samotný mechanismus integrity. Studenti dotazovaní poté, co ignorovali zákazovou politiku, vysvětlovali, že se sami sobě nejevili jako ti, kdo jednají nepoctivě, což přerámovává selhání jako nejednoznačnost, nikoli neposlušnost, a přepracování na to odpovědělo tím, že každé omezení odůvodnilo konkrétním hodnocením, které chrání, a návrhem pro McCabeovu „20-60-20" přesvědčitelnou střední skupinu, nikoli pro několik rozhodnutých. Případ také pojmenovává náklad vágní politiky na rovnost: nejasná a mezi vyučujícími nerovná očekávání jsou tím, co mění selhání politiky v disciplinární řízení (rovnost).

• Návrh, nikoli detekce: případ Bochum. Přepracování úvodu do jaderné a částicové fyziky na Ruhr University Bochum (Mikhasenko et al., 2026) spojilo svou politiku AI s praktickým selháním integrity, nikoli s detekcí: protože úlohy do cvičení byly zveřejňovány předem, někteří studenti si připravili řešení generovaná AI a opsali je na tabuli, aniž se zapojili do zamýšleného uvažování. Autoři to pojímají jako problém návrhu (přesun úloh do připravené diskuse ve výuce a učinění písemné zkoušky určujícím faktorem známky), nikoli jako problém dohledu, a přitom výslovně povolují AI při studiu, vysvětlují, proč je ověřování odpovědností studenta, a poznamenávají, že otevřené domácí úlohy povolující AI také zvýšily závislost, nerovný přístup k placeným modelům a pracovní zátěž asistentů.

Nejjasnější formulace pedagogické inverze pochází od El Khouryho a Ma (2026), kteří tvrdí, že reforma vycházející z podezření zužuje pedagogickou představivost ke kontrole, compliance a dohledu a že integrita má být důsledkem hodnocení navrženého pro zapojení, nikoli jeho východiskem. Jejich podpůrné pozorování je mechanismus už viditelný jinde v této znalostní bázi: neangažovanost je jednou z podmínek, za nichž se nepoctivost stává pravděpodobnější, takže programy, které zatěžkávají hodnocení nebo omezují používání AI, aniž by řešily zapojení, nechávají část problému nedotčenou.

Studenti mimo anglofonní vysokoškolské vzdělávání popisují stejné napětí svými slovy. Mulisa a Mezgebu (2026) dotazovali 27 studentů bakalářského studia na etiopské univerzitě a zjistili studentský sbor rozdělený sám proti sobě: téměř všichni používali GenAI nebo viděli spolužáky, jak ji používají, většina jí přičítala zlepšení svého akademického výkonu, malá menšina označila takové používání za jednoznačné pochybení a téměř všichni popisovali nerovné hřiště, na němž práce s pomocí AI získávala lepší známky než poctivé úsilí, zatímco samostatně pracující ztráceli smysl pro píli. Nejostřejším rysem vyprávění je definice plagiátorství, kterou studenti uvádějí a která je technicky obhajitelná a neúplná: má-li plagiátorství znamenat reprodukci slov někoho jiného, text napsaný strojem, který nic nekopíruje, plagiátorstvím není, a proto autoři tvrdí, že definice se musí rozšířit za kopírování a vkládání, podle „AI-plagiátorství" Ka a Chana (2025), a proto stavějí přesvědčení samotných studentů, nejen institucionální pravidla, do středu etického používání.

Sharma (2026) posouvá pedagogickou inverzi o krok dál tím, že rozšiřuje Eatonův rámec postplagiátorství z etické orientace do návrhu hodnocení. Integrita se v tomto pojetí uskutečňuje prostřednictvím hodnotícího úsudku, tedy schopnosti studujícího vážit možnosti, odůvodňovat akademické volby a nést odpovědnost v podmínkách epistemické nejistoty, a stává se viditelnou čtyřmi postupy: anotovanými stopami rozhodnutí, postupy ověřování a odpovědnosti, ústní obhajobou a dialogickou odpovědností a rozdíly mezi koncepty s historií verzí. Detekce je zachována pouze jako doplňující vrstva pro jasné zkreslení nebo úmyslnou externalizaci intelektuální práce, nikdy jako primární infrastruktura integrity, protože se ptá, zda byla GenAI použita, nikoli jak byla učiněna rozhodnutí za prací; argument také pojmenovává riziko nerovnosti, že modely zaměřené na detekci dopadají nejtvrději na studující, kteří se spoléhají na generativní nástroje pro jazykové nebo kognitivní scaffolding.

Třetí cesta leží mezi detekcí a přepracováním. Akçapınar (2026) předpovídá riziko podvádění s pomocí AI ze stop LMS z prvních týdnů semestru s AUC 0,763 a výstup rámuje jako málo rizikové akademické vedení (připomínky, sledování úkolů, krátké konzultace), nikoli jako důkaz pochybení, a trvá na tom, že skóre má zůstat odděleno od známkování a disciplinárních záznamů.

Souvislosti

Akademická integrita souvisí s validitou hodnocení, gramotností v oblasti AI, detekcí AI, autentickým hodnocením, hodnocením, vzdělávací politikou k AI, regulací, etikou a rovností. Je etickou dimenzí AI ve vzdělávání, neoddělitelnou od nadměrného spoléhání a od širší otázky, jak generativní AI přetváří učení v vysokoškolském vzdělávání a v K-12.

• Syntéza systematického přehledu. Přehled PRISMA 25 studií (Balalle a Pannilage 2025) zjišťuje, že AI působí zároveň jako hrozba (psaní generované AI, nástroje pro parafrázování) i jako nástroj detekce (skóre AI od Turnitinu), že software pro detekci je u práce generované AI nespolehlivý a že instituce musí budovat kulturu akademické integrity prostřednictvím jasné politiky, přepracování hodnocení a etického vzdělávání, nikoli pouze dohledem.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Integrita je ústřední starostí, ale vzácným výsledkem. Ve 394 studiích o GenAI ve vysokoškolském vzdělávání patřily akademická integrita a etika k nejméně často sledovaným výsledkům (Lin et al. (2026)).

• Od dohledu k dialogu: ověřování učení. Zpráva z praxe o celoinstitucionálním rámci Grand Canyon University (Mandernach 2026) tvrdí, že detekce je nespolehlivá a formální procesy integrity zřídka dospějí k rozuzlení, což vyučujícím nechává „podezření bez prostředku". GCU místo toho přijala ověřování učení: žádá studenty, aby v krátkém rozhovoru prokázali porozumění své odevzdané práci, a přerámovává integritu z problému compliance na problém hodnocení. Obnovuje autoritu vyučujících, přesouvá studenty od „jak nebýt nachytán" ke skutečnému zapojení a považuje používání AI za přijatelné, když student dokáže prokázat učení; počáteční úzkost studentů z ověřování podtrhuje, že politika silně zatížená dohledem může narušit důvěru.

• GenAI poráží automaticky známkované domácí úlohy (2026): ChatGPT prošel všech 150 testovacích běhů na záměrně zpevněných, automaticky známkovaných návrzích domácích úloh v Qiskitu (kvantové počítání), které zahrnovaly personalizaci, skryté odkazy, reflexe a spouštění v simulátoru, což ukazuje, že hodnotitelé založení na rubrikách nedokážou spolehlivě rozlišit práci dokončenou AI od práce dokončené studentem, a mluví pro přímé hodnocení porozumění (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Hodnocení v éře AI: výstup jako důkaz (2026): analýza na úrovni univerzity tvrdí, že krize hodnocení s AI je nesouladem mezi návrhem hodnocení a výsledky učení, nejen nepoctivostí; dokumentuje škody dohledu (uzamčené prohlížeče, sledování očí), „past deklarace" (studenti se bojí, že deklarace používání AI sníží známku), výkonnostní mezeru, která známkuje socioekonomický status (placené versus bezplatné úrovně LLM), a „pedagogické vyhoření" vyučujících, kteří AI hlídají, a doporučuje hodnocení založené na procesu namísto detekce (Evaluation in the Age of AI: Output as Evidence of Learning).

Novější důkazy: etické uvažování, limity detekce, marketing AI a studenti duchové

Vlna nedávného výzkumu zostřuje obraz akademické integrity v éře generativní AI:

• Studenti středních škol uvažují o „AI-plagiátorství" situačně, nikoli jako o pevném pravidle. Chan (2026) ukazuje, že etické uvažování studentů středních škol o „AI-plagiátorství" je nuancované a závislé na kontextu: mnoho z nich považuje práci s pomocí AI za přijatelnou, když podporuje porozumění, ale za problematickou, když nahrazuje jejich vlastní úsilí, což zpochybňuje předpoklad, že studentům prostě chybí integrita nebo že jediná politika může postihnout jejich etiku.

• Samotná autentická hodnocení integritu nezajistí. Kofinas et al. (2025) zjišťují, že hodnotitelé obecně nedokážou rozlišit hodnocení s příspěvkem GenAI od těch bez něj a že míra autenticity hodnocení nemá žádný vliv na schopnost ochránit se před používáním GenAI nebo je odhalit. Sektor vysokoškolského vzdělávání „se nemůže spoléhat jen na autentická hodnocení, aby řídil dopad GenAI", což je přímá výzva strategii přepracování hodnocení, která musí být spojena s dalšími opatřeními.

• Doporučení k integritě se musí rozšířit do výzkumného procesu, nejen do výuky. Dai a Chan (2026) zjišťují, že postgraduální výzkumníci uskutečňují gramotnost v oblasti AI napříč výzkumnými úkoly, a tvrdí, že politiky odpovědného používání, které se nyní soustředí na výuku a hodnocení, musí podpořit etické dimenze používání GenAI ve výzkumu, kde se obavy točí kolem originality, autorství, soukromí dat a degradace dovedností, nikoli pouze plagiátorství.

• Účel musí předcházet politice. Taylor a LaCroix (2026) tvrdí, že zda používání GenAI představuje pochybení, závisí na účelu univerzity. Rostoucí počet případů pochybení odráží strukturální nekoherenci v neoliberální univerzitě, kde se technologické nadšení, korporátní vliv a vymáhání politik střetávají, což nechává studenty odpovědnými za chování implicitně utvářené institucí. Univerzity nemohou integritu vymáhat důvěryhodně bez koherence mezi deklarovaným posláním, pedagogikou a technologickou praxí.

• Psychologické a behaviorální determinanty. Výzkum Frontiers mapuje psychologické mechanismy a behaviorální determinanty akademické integrity pod vlivem AI (jak postoje, sebeúčinnost, normy a vnímané důsledky utvářejí poctivé používání) a spojuje integritu s motivací, sebeúčinností a gramotností v oblasti AI jako behaviorálními konstrukty, nikoli jako pouhým dodržováním pravidel. Tabares-Cruz et al. (2026) je kvantifikují modelem strukturních rovnic s 980 ekvádorskými univerzitními studenty, kde první místo zaujímají dispozice k akademické integritě a transparentnosti, následované gramotností v oblasti AI, kritickým ověřováním, institucionálním vedením, seberegulací a ochranou dat, a dispozice k integritě a gramotnost v oblasti AI společně vysvětlují podstatný podíl etického používání GenAI a překonávají samotná institucionální pravidla.

• Marketing AI normalizuje používání a rámuje „podvádění versus soutěžení". Sobo et al. (2025) ukazují, že AI je studentům nabízena jako praktická nutnost („Ať váš text zní přirozeněji, abyste nebyli omylem označeni") a že studenti cítí povinnost ji přijmout, aby zůstali konkurenceschopní, i když se obávají závislosti a ztráty učení, což je internalizovaný podnikatelský imperativ. To ukazuje na potřebu gramotnosti v marketingu jako součásti vzdělávání v integritě s AI.

• AI humanizéry odhalují performativní cyklus detekce. Roe et al. (2026) katalogizují 55 webových stránek AI humanizérů, které upravují text generovaný AI, aby unikl detekci, rámovaných Goffmanovou dramaturgií. Humanizéry činí pochybení diskurzivně nepřítomným a předvádějí legitimitu, což ukazuje, že závod ve zbrojení mezi detekcí a obcházením je strukturálně nekonečný, a posiluje obrat od dohledu k návrhu hodnocení a k gramotnosti v oblasti AI.

• Vymáhání, nikoli detekce, je místem, kde se rozhovor odehrává. Napříč 270 929 záznamy souvisejícími s AI z 26 vzdělávacích subredditů za tři a půl roku držel shluk akademické integrity 37,1 % diskuse a Vymáhání pochybení bylo jediným největším tématem s 12,1 %, zatímco 32,3 % vláken mezi vyučujícími a studenty leželo uvnitř sporů o detekci a vymáhání (Yüce et al. (2026)).

• Studenti duchové a mezera v ověřování u agentní AI. Bozkurt, Crompton a Fell Kurban (2026) zavádějí „studenta ducha": digitální zástupce vytvořený spojením LLM („mysli") s prohlížeči agentní AI („tělem"), který dokáže procházet LMS, pracovat s obsahem a dokončovat hodnocení s lidsky podobnou nápodobou, takže přítomnost skutečného studujícího je volitelná. Tím vzniká mezera v ověřování, kterou tradiční dohled a detekce nejsou strukturálně schopny uzavřít, což je hrozba pro integritu, která roste, jak se AI stává agentní, nikoli jen generativní.

Nejjasnější disciplinární případ pro přepracování namísto detekce pochází z výuky informatiky. Systematický přehled 72 studií o generativní AI ve výuce informatiky a programování (Kumar, Wongsirichot a Nanthaamornphong 2026) našel pouze tři studie zkoumající mechanismy detekce AI, což je nejtenčí důkazní základ ze 14 témat, která shrnul, zatímco přepracování kurzů a hodnocení podporovalo 25 studií. Přehled pojímá nerovnováhu jako diagnostickou, nikoli nahodilou: instituce z velké části aktualizovaly politické dokumenty, aniž by přepracovaly hodnocení, a většina vyučujících se nachází na úrovni integrace tolerance, nikoli transformace, přičemž 70 % jednoho národního vzorku fakulty výslovně požadovalo školení k návrhu hodnocení odolného vůči AI. Jeho doporučená odpověď je konkrétní: přidat ústní složku nebo jiný prvek zviditelňující proces alespoň k jednomu hodnocení s vysokými sázky v každém kurzu a učinit kritické zapojení s výstupem AI (čtení, testování, úprava, vysvětlování, kritika) známkovanou a pozorovatelnou složkou práce studentů, nikoli aspirací ponechanou na jejich uvážení (validita hodnocení). Přehled PRISMA 72 studií hodnocení ve vysokoškolském vzdělávání nachází tři návrhové odpovědi, které se opakují v reakci na GenAI (orientace na proces, autenticita a ústní a dialogické přístupy), rámované jako vrstvy přidané ke stávajícím principům validity, autenticity a sladění, nikoli jako jejich nahrazení (Crompton a Burke (2026)).

• Zfalšované odkazy pronikly do publikovaného záznamu výuky informatiky. Denny et al. (2026) vysledovali 113 588 odkazů z 5 225 článků o výuce informatiky v ACM Digital Library proti celému korpusu 723 930 publikací a 15 872 533 odkazů, ručně ověřili 828 podezřelých záznamů a potvrdili 30 odkazů s ověřitelně zfalšovanými bibliografickými údaji ve 14 článcích, všechny publikovaných v roce 2025 nebo 2026. Na SIGCSE Technical Symposium vzrostl ověřený počet ze 3 v roce 2025 na 17 v roce 2026, což představuje 2,3 % článků ve sborníku 2026, a halucinované odkazy se v roce 2025 objevily na pěti akcích sponzorovaných SIGCSE nebo s ním spolupracujících. Číslo obstojí jen se svou protiváhou: většina označených odkazů byla neškodná (229 byly neshody metadat ACM, kde PDF bylo správné, a 188 byly platné bibliografické varianty), takže počet akcí je záměrná dolní hranice. Dopadá na autory, nejen na vzájemné hodnocení, protože recenzenti kontrolující seznamy odkazů nemohou ověřit každou položku a psaní s pomocí LLM činí vymýšlení věrohodné citace levným.

• Srozumitelnost bez přepracování přesouvá zneužívání jinam, místo aby je odstraňovala. Petricini a Zipf (2026) vynášejí používání AI na dvě osy (záměr a úsilí studentů proti jasnosti a podpoře, kterou prostředí poskytuje) a uvádějí, že nejobsazenějším kvadrantem v jejich rozhovorech byla úzkostná poslušnost, kdy studenti skrývají legitimní pomoc (gramatickou podporu, vysvětlení pojmů, organizování vlastních myšlenek), aby se vyhnuli falešnému obvinění. Jejich varování je směrové: když se pravidla stanou jasnými, ale hodnocení stále odměňuje rychlost a produkt, studenti si vědomí politiky přecházejí k efektivnímu obcházení, nikoli k ctnostnému používání nástroje. Austin (2026) dospívá ke stejnému bodu ze strany zadání: když agenti splní každé kritérium rubriky bez viditelného uvažování, známkování stopy rozhodnutí (kalibrace jistoty, odmítnuté návrhy AI, omezení specifická pro kurz) nahrazuje detekci, která podle ní selhává v obou směrech.

• Zaměstnavatelé diskontují známky, o nichž se domnívají, že je vytvořila AI, a sbíhají se na prezenčním ověřování. V experimentu s přibližně 1 750 americkými náborovými profesionály Boyd-Swan a Reynolds (2026) ukazují, že rámování používání AI studenty jako pomocného nástroje uchazeče nepenalizovalo, zatímco rámování jako substituce úsilí a schopnosti studenta snížilo pravděpodobnost pozvání na pohovor a výrazněji ochotu vyjednávat o platu, soustředěně mezi uchazeči s vysokým studijním průměrem bez ohledu na rasu či pohlaví. Na otázku, co by obavy zmírnilo, obě skupiny rámování zvolily jediné společné řešení: prezenční testy. Experiment izoluje přesvědčení (nikoli skutečné používání AI), takže ukazuje, jak výsledky náboru posouvá pouze kanál signalizace: raný důkaz, že trhy práce mohou tlačit hodnocení zpět k formátům ověřitelným v přítomnosti, stejným směrem návrhu, který literatura o studentech duších nabádá instituce přijmout.

První studie teorie plánovaného chování o záměru pochybení založeném na GAIT rozšiřuje tento obraz: mezi 186 studenty bakalářského studia Baig a Paparo (2026) zjistili, že postoje k pochybení, subjektivní normy o něm a pozitivní postoje k AI každý předpovídal záměr, zatímco negativní postoje k AI nikoli, a vyšší vnímaná pravděpodobnost odhalení předpovídala nižší záměr: prvek odstrašení podkopaný dokumentovanou nespolehlivostí nástrojů detekce AI.

Politiky integrity se přesouvají od otázky, kdo napsal slova, k otázce, kdo měl myšlenky, a detektory se přestavují, aby tomu odpovídaly. IdeaLens předpovídá původ myšlenek z osnovy, nikoli z prózy: z 50 příběhů, které lidé napsali od nuly podle plánů generovaných AI, označil 68 % jako AI, proti 8 % u Pangram 4 a 0 % u své kontroly trénované na próze, a označil 94,7 % lidského textu vyleštěného AI za lidské (Rajendhran et al. (2026)). Jejich vlastní etické prohlášení označuje výstup za statistický odhad, který se nesmí sám o sobě použít jako průkazný důkaz používání AI.

Gillette et al. (2026) dokumentují režim zevnitř jedné fakulty: učitelé, kteří změnili formáty hodnocení, tvrdili, že je „prakticky nemožné říci, zda student při psaní zadání použil AI", zatímco rozzlobení studenti žádali apely na svědomí a „veřejné označení" namísto detekce.

• Lepší snímání nemění to, co hodnocení může certifikovat. Systém dohledu s odhadem postoje YOLOv11, který uvádí přesnost klasifikace 99,56 %, ilustruje limit cesty detekce: měří postoj proti behaviorálnímu štítku, neuvádí žádnou skutečnou referenci o pochybení a nenabízí analýzu podskupin (Arif et al., 2026). Náprava, kterou Villanueva obhajuje, je dostatečný důkaz učení v klíčových fázích, nikoli maximální dohled nad každým odevzdáním.

Časté mylné představy

• „Nástroje detekce identifikují psaní AI." Text generovaný AI prošel jako lidský v až 80 % případů, zatímco důkazy o detekci staví strojovou detekci na zhruba 80 % proti 78,4 % u lidských hodnotitelů. Lidský a strojový úsudek jsou téměř stejně (ne)spolehlivé, takže verdikt detekce není důkazem autorství.
• „Problém je okrajový." Objem zdaleka není: šestiletá analýza kurzu CS2 s vysokou zápisovou kapacitou zjistila, že 45,7 % studentů na jaře 2026 bylo označeno. Téměř polovina kohorty, což z toho činí mainstreamový problém návrhu, nikoli okrajový případ.
• „Vyučující vědí, která hodnocení jsou zranitelná." V katedře biologie vyučující vnímali jako minimálně zranitelné pouze prezenční zkoušky pod dohledem, zatímco úkoly mimo výuku viděli jako vystavené. Vnímání odpovídalo zřejmému případu a všechno ostatní považovalo za bezpečné.

Související koncepty

• Pedagogical Patterns — Sekvence ověřování přijaté v reakci na generativní AI
• AI Use and Disclosure Statements — Deklarace používání a zveřejňování AI
• Assessment Validity
• Gramotnost v oblasti AI
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Kognitivní odklánění
• AI Misuse and Learning Harm
• Omezování zneužívání AI
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• Umělá inteligence ve vzdělávání
• Legal Issues and Risks
• Social Norms of AI Use — neformální pravidla, která leží pod formální politikou

Související články

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Celý program psychologie procházející při minimálním úsilí a hodnoticí kritéria, která to umožnila (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Budoucí učitelé odmítli GenAI pod permisivní politikou; rámování „pasti" a mezera mezi průzkumem a deklarací

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agenti AI, radostné hodnocení a třetí prostor

• Generative AI in computing education: A systematic review and a framework for responsible integration — Důkazy o detekci jsou tenké (3 studie ze 72); váhu nese přepracování

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Sladěná kurzová politika GenAI: povolení odvozená z hodnocení, transparentní zdůvodnění (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Generování variant hodnocení ekvivalentních v konstruktu (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Jak vyučující regulují AI ve 31 000 sylabech kurzů; rámování integrity klesá (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 — Mohou se studenti podváděním dopracovat k titulu z biologie? Případová studie zranitelnosti známek v biologických kurzech vůči akademické nepoctivosti v éře generativní AI

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Nedodržování deklarací používání AI studenty

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Detekce textu generovaného LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Za hranicemi detekce: autentické hodnocení ve světě zprostředkovaném AI

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Škála hodnocení s AI a reforma hodnocení

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Od autentických produktů k autentizovaným procesům

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — „Je to v pořádku, protože…" Racionalizace používání AI studenty

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Rámec koordinační hry pro etické používání AI

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Stud a vina jako sociální regulátory používání AI

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Udělala Alice něco špatného? Mezikulturní vnímání používání AI

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Hodnotové soudy při známkování práce s pomocí GenAI: poctivost, důvěra, validita a obousměrná transparentnost (Luo a Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Odpovědnost mezi vrstevníky a originalita ve skupinovém hodnocení zprostředkovaném GenAI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Důkazní kolaps detekce a argument pro procesní spravedlnost, proporcionalitu a návrh

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Odstrašení, deklarace a přepracování jako problém návrhu hodnocení při nedokonalých informacích

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — O co se skutečně opíralo 1 162 spisů pochybení s GenAI a chybějící důkazní práh

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Příliš široká pravidla o AI a rozdíl mezi přepisem a generováním

• AI-based digital cheating at university, and the case for new ethical pedagogies — Digitální podvádění s AI a preventivně založené etické pedagogiky: případ 183 až 27 pochybení a pět přepracování specifických pro obor (Leaton Gray, Edsall a Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Integrita jako problém řízení: rámec 130 indikátorů pro akademické správní orgány (Coates, Croucher a Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Scoping review 38 studií hlasů studentů vysokých škol o akademické integritě a GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Kde leží hranice mezi podporou a substitucí pro pisatele angličtiny jako dalšího jazyka a nerovnost pravidel, která ignorují jazykové zázemí (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection proti známkování zprostředkovanému AI: skryté instrukce, které neodhaleně mění známku (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Matice etiky používání AI: úzkostná poslušnost a proč sama srozumitelnost může studenty tlačit k efektivnímu obcházení (Petricini a Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Známkování stopy uvažování, když agenti AI dokážou úlohu dokončit (Austin 2026)

• AI-written admissions essays are widespread but penalized — Přijímací eseje psané AI jsou rozšířené, ale penalizované

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Kdo jedná, kdo ví, kdo odpovídá? Korpusem podpořená analýza diskurzu o agenturnosti, epistemické odpovědnosti a odpovědnosti ve výzkumu GenAI ve vysokoškolském vzdělávání

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapování povolené hranice: srovnávací studie politických vinět o řízení generativní AI v australském vysokoškolském vzdělávání

• Argus: Academic Integrity in the Era of Generative AI — Argus: akademická integrita v éře generativní AI

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Zjištění sektorového auditu: univerzity s mandátem a univerzity s rámcem se neliší ve vystavení hodnocení, což je empirický protějšek koordinačního problému

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026): Raná predikce rizika podvádění s pomocí AI ze stop LMS, rámovaná jako akademické vedení, nikoli jako důkaz pochybení

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Tři a půl roku vzdělávacího Redditu: dominuje vymáhání a spory o integritu jsou hlavním místem setkávání vyučujících a studentů (Yüce et al. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Experiment s průzkumem: rámování používání AI studenty jako substituce penalizuje uchazeče s vysokým studijním průměrem při náboru i v platu; prezenční testování je jediná náprava, kterou zvolily obě skupiny

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface