Omezování zneužívání AI

Na této stránce

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

Omezování zneužívání AI: návrhové, pedagogické a politické páky, které brání studentům, aby generativní AI nahradili svou vlastní kognitivní práci, a místo toho je vedou k etickému, produktivnímu používání. Účinné přístupy jsou řazeny podle dopadu, nikoli podle popularity, a nejsilnější důkazy upřednostňují strukturální páky (zábrany v nástrojích a přepracování hodnocení), které mění prostředí tak, aby zneužívání bylo obtížnější bez ohledu na motivaci studenta, před vzdělávacími pákami, které spoléhají na budování trvalé kapacity a na souhlas studentů.

Otázky k zamyšlení

Studenti, kteří zadají domácí úlohu AI, mohou vidět, jak jejich skóre z domácích úloh roste, zatímco skóre z zkoušky bez pomůcek klesá. Proč se před čtením výkon a učení mohou rozcházet tak ostře a co tato mezera naznačuje o tom, co vlastně znamená „úspěch" s AI?
Stránka řadí intervence podle kauzálního důkazu a dosahu a staví strukturální páky (zábrany v nástrojích, přepracování hodnocení) nad vzdělávací (výuka správné praxe), právě proto, že strukturální páky fungují bez ohledu na motivaci studenta. Souhlasíte, že změna prostředí překonává změnu smýšlení? Jaké je riziko spoléhání na každou z nich?
Tutor se zábranou „nápověda, ne odpověď" odstranil újmu na učení, kterou způsobil tutor bez zábrany, i když se oba zdály být užitečné. Vzpomeňte na učební nástroj, který dává odpovědi příliš ochotně. Kde leží hranice mezi nápovědou, která poskytuje scaffolding, a odpovědí, která nahrazuje, a dokážete ji vymezit ještě před čtením?
Nejsilnější náprava zahrnuje přepracování hodnocení: zkoušky ve výuce bez pomůcek, ústní obhajoby, procesní artefakty, odměňování uvažování před povrchní plynulostí. Jak byste se cítili v kurzu takto známkovaném a říká vám tento pocit něco o tom, proč je tato páka současně účinná i nepopulární?
Rámce deklarace AI, které nutí studenty mapovat své používání na kognitivní fáze (plánování versus generování obsahu), přesouvají důraz z dohledu na profesní praxi. Myslíte si, že taková reflexe skutečně buduje lepší úsudek, nebo jen učí studenty popisovat zneužívání chytřeji?
Stanovte si před čtením cíl: určete jednu konkrétní změnu ve svém kurzu nebo pracovním postupu, která by ztížila zneužívání AI, a jednu, která by usnadnila produktivní používání. Do které z úrovní na této stránce by každá patřila?

Úvod

Koncept stojí na důkazu, že zneužívání AI aktivně škodí trvalému učení, což je mezera mezi výkonem a učením dokumentovaná v zneužívání AI a újmě na učení, i když zároveň nafukuje okamžitý výkon. Intervence proto cílí na mechanismy této újmy: opisování odpovědí, kognitivní odklánění, erozi motivace a vytlačování učení. Nejsou vzájemně výlučné; robustní přístup kombinuje strukturální podlahu s budováním vzdělávací kapacity.

Proč záleží nejvíce na strukturálních pákách

Intervence lze seřadit podle kauzálního důkazu × strukturálního dosahu × škálovatelnosti × udržitelnosti. Na tomto základě se dvě strukturální páky řadí nejvýše, protože fungují bez ohledu na to, zda se studenti rozhodnou pro správné chování: omezují prostředí, místo aby závisely na vnitřní motivaci. Vzdělávací páky jsou nezbytné, ale účinné jen tehdy, když je studenti přijmou, takže jsou navzdory svému koncepčnímu příslibu pojímány jako druhá úroveň. Coates, Croucher a Calderon (2025) posouvají strukturální argument o úroveň výš, když za omezující podmínku považují řízení, nikoli chování studentů, a navrhují rámec 130 indikátorů integrity, aby akademičtí správci viděli, zda je hodnocení autentické, zda studenty osobně znají učitelé, kteří je hodnotí, a zda se integrita objevuje v uvítacích a orientačních programech. Jejich reformy cílí na architektury řízení, lidi a technologie a zdroje a navrhují vypůjčit si red teaming z kybernetické bezpečnosti, aby odhalili zranitelnosti hodnocení dříve, než je najdou studenti, což je připomínka, že strukturální podlahu udržují instituce, které k tomu potřebují informace i vůli.

Úroveň 1: přímo prokázané snížení újmy na učení

Návrh nástroje AI se zábranami (scaffolding typu „nápověda, ne odpověď"). V nejsilnějším kauzálním zjištění znalostní báze terénní randomizovaná kontrolovaná studie ukázala, že tutor ve stylu ChatGPT bez zábran zvýšil výkon při asistovaném procvičování o 48 %, ale snížil skóre neasistované zkoušky o 17 %, zatímco tutor se zábranami (nápovědy místo odpovědí a navíc informace o úloze od učitele) újmu zcela odstranil. Mechanicky to brání chování „berličky" spočívajícímu v opisování odpovědí, které je za škodou. Aktivity zahrnují doučování typu nápověda, ne odpověď, vkládání správných řešení a běžných mylných představ do promptů a požadavek, aby student nejprve zkusil vlastní pokus, než se výstup AI zobrazí.

Zadržení odpovědi chrání v rámci sezení, aniž by budovalo dovednost. Tuo et al. (2026) zadrželi souhrnnou pozici v multiagentní debatě a snížili přecházení k nesprávné pozici AI ze 42 až 60,5 % na 5,7 až 8,2 %, avšak v rámci sezení nezjistili žádný účinek na učení (β = 0,03, p = 0,18): zábrana držela, dokud byla na místě, a neasistovaný úsudek nechala nezměněný.

Přepracování hodnocení (měřítka odolná vůči AI a bez pomůcek). Protože újma ze zneužívání závisí na hodnocení (projevuje se u měřítek pod dohledem, bez pomůcek a bez asistence, zatímco běžné známkované práce nafukuje), změna toho, co se počítá jako výkon, zneužívání jak odrazuje, tak odhaluje. Aktivity zahrnují zkoušky ve výuce bez pomůcek a ústní obhajoby, požadavek procesních artefaktů (koncepty, reflexe, anotované uvažování), odměňování uvažování před povrchní plynulostí a vyhlašování zón bez AI. Ivory et al. (2026) dávají požadavku na procesní artefakty konkrétní nástroj: povinné historie verzí a reprodukovatelné analytické dokumenty, takže podezřelé odevzdání lze zkoumat jako časovou osu vývoje práce a množství zfalšovaného materiálu, které by student musel vytvořit, roste daleko za to, co mu externalizace ušetří. Rozsáhlé terénní důkazy to podtrhují: Strömberg, Lei a Wu (2026) zjistili, že externalizace domácích úloh zvýšila skóre z domácích úloh o 18 %, zatímco skóre zkoušky bez pomůcek snížila o 20 %, což je přesně signál, který mají neasistovaná měřítka pod dohledem odhalovat, a studie doporučuje dávat prezenčnímu hodnocení bez pomůcek větší váhu. Leaton Gray, Edsall a Parapadakis (2025) dávají stejné logice nejvýslovnější podobu prevence situační kriminality, když tvrdí, že selhání patří hodnocením, na která model dokáže přesvědčivě odpovědět, nikoli studentům, a uvádějí případ, v němž 25 preventivních technik uplatněných na australský závěrečný kurz podnikání (sledované interakce studentů, detekce „příliš odborné" práce pomocí varovných signálů, náhodné přeskupování týmů, týdenní testy ve výuce pod dohledem, výzvy k odstranění studijních materiálů, které studenti zveřejnili) podle zprávy snížilo případy pochybení ze 183 na 27 během roku. Jejich doporučení jsou motivační, nikoli vyšetřovací: zvyšovat vnímaný účel hodnocení, budovat sebeúčinnost a zvyšovat vnímaný společenský náklad podvádění, přičemž autoři varují, že řešit jen jednu nebo dvě ze tří věcí selže, a podporují to pěti přepracováními specifickými pro obor, která mění časově omezené zkoušky z řešení problémů na otevřené řešení problémů s písemnou reflexí vlastního postupu studenta, sumativní eseje na spolupracující archivní výzkumné projekty a portfolia na iterativní recenzované designové procesy.

Strukturální páky mají donucovací rameno a jejich důkazní základ je slabší, než naznačuje jejich dosah. Munoz et al. (2026) kódovali 1 162 případů pochybení s generativní AI a zjistili, že důkazy nejčastěji citované v okamžiku obvinění (výstup detektoru, zprávy o podobnosti, obsahové vzorce typické pro AI) nesly nejslabší důkazní hodnotu, zatímco přiznání, pozorované chování u zkoušky a nezávisle ověřené zfalšované odkazy byly nejsilnější; protože institucionální postupy nestanoví žádný minimální důkazní práh, kvalita důkazů neměla spolehlivý vztah k výsledkům případů a studenti, jejichž případy stály na tenkých důkazech, měli k dispozici hlavně odvolání. Wright (2026) ukazuje druhý náklad stejné nepřesnosti: zákazy psané kolem „generativní AI", nikoli kolem funkce, zachycují nástroje, které pouze převádějí formát práce, kterou student už vytvořil, takže pouhé přepsání může být sankcionováno jako pochybení, což je příliš široké zachycení, které dopadá nejtvrději na studující se zdravotním postižením a na ty vystavené nerovnosti a pro validitu nedělá nic. Harerimana, Mtshali a Mchunu (2026) dodávají, že vzdálený dohled nad zkouškami, nejrozšířenější kontrola integrity, staví svůj argument odstrašení na tom, jak se studenti říkají, že se cítí, nikoli na sníženém pochybení, a ukládá úzkost, ztrátu soustředění a vyloučení související s infrastrukturou, u něhož není prokázáno, že by bylo vyváženo nižším zneužíváním. Li (2026) přidává dimenzi návrhu pravidel: protože stejné rozhraní provádí povolenou jazykovou editaci i zakázané podstatné psaní, nerozlišená pravidla GenAI ukládají kohortně vychýlené náklady na compliance studentům, kteří používají angličtinu jako další jazyk, takže obhajitelnější prevencí je hranice mezi podporou a substitucí založená na účelu a zakotvená v konstruktu hodnocení, s kalibrovanou deklarací, proporcionalitou odstupňovanou mezi rozhodnutím o prahu, o důkazu a o sankci, a návrhovými pákami (postupná odevzdání, krátké ústní ověření sladěné s konstruktem, otázky založené na kritice), které dělají práci, kterou detekce nedokáže. Prevence musí pokrývat i samotného hodnotitele: Humbleho (2026) red teaming zjistil, že dvě z pěti strategií nepřímé prompt injection vložených do souboru odevzdané práce pozvedly neprospívající esej na prospívající bez odhalení, s uváděnou úspěšností 100 % a 94 %, takže tam, kde práci studentů známkují nástroje AI, patří lidská kontrola, jasnější oddělení instrukcí od odevzdaného obsahu a testování odolnosti do strukturální podlahy, nikoli do volitelné úrovně.

Úroveň 2: silná podpora v rámcích, vysoký potenciál

Sekvence používání se scaffoldingem: nejprve myslet, potom AI, nakonec reflektovat. Osm návrhových principů pro integraci LLM bez vytlačení kritického myšlení: zachovat kognitivní tření, postavit AI do role provizorního myšlenkového partnera, nikoli autority, vložit kontrolní body pro hodnocení, vyžadovat metakognitivní deník a protokoly promptů a vyvážit fáze zprostředkované AI s fázemi bez AI. Korelační důkazy (samostatná práce před AI vede k silnějším výstupům) jsou silné; jde o pedagogicky úplnou verzi úrovně 1.

Gramotnost v oblasti AI a gramotnost v promptování se záměrným procvičováním a okamžitou zpětnou vazbou. Modul pro K-12 využívající scénářové procvičování promptů s automatickým hodnotitelem založeným na LLM zlepšil skutečné dovednosti v promptování a zvýšil jistotu v používání AI k učení o 10,4 %, přičemž 87 % uvedlo, že se naučilo AI používat odpovědně. Prokázané přírůstky dovedností; otevřenou otázkou je, zda se promění v výsledky učení po proudu. Rovněž řeší mezeru v rovnosti v předchozím přístupu k AI.

Strukturované rámce deklarace používání AI. Nahrazení generických zaškrtávacích polí „použil jsem AI" deklaracemi specifickými pro doménu, které spojují používání s kognitivními fázemi (strukturální plánování versus generování obsahu), vynucuje reflexi učebního procesu a objasňuje hranici mezi přijatelnou pomocí a pochybením, čímž přesouvá důraz z dohledu na profesní praxi.

Vzdělávací páky vypadají jinak, jakmile se integrita pojímá jako praxe, kterou je třeba učit, nikoli jako pravidlo, které je třeba vymáhat. Sharma (2026) tvrdí, že režimy integrity založené na detekci a ověřování jsou nesladěné s prací rozšířenou o GenAI, a přerámovává integritu jako pedagogickou praxi uskutečňovanou prostřednictvím hodnotícího úsudku (schopnosti studujícího vážit možnosti, odůvodňovat akademické volby a nést odpovědnost v nejistotě), který se stává viditelným díky artefaktům, jako jsou anotované stopy rozhodnutí, dokumentované ověřování, ústní obhajoba a historie verzí od konceptu ke konceptu, přičemž detekce je degradována na jednu doplňující vrstvu, nikoli na primární infrastrukturu. Mulisa a Mezgebu (2026) nacházejí stejné otevření ze strany studentů: ve 27 rozhovorech na etiopské univerzitě bylo používání téměř univerzální, většina účastníků přičítala GenAI zlepšení svého výkonu a nejostřejší stížnost šla opačným směrem: uživatelé AI získávali lepší známky než pilní samostatně pracující, což účastníci popsali jako demotivující. Autoři uzavírají, že přesvědčení studentů předpovídá etické používání silněji než institucionální pravidla, takže povědomí, jasná politika a přepracování hodnocení musí přijít společně, což je vzdělávací úroveň této stránky vyjádřená jako podmínka: budování kapacity mění chování jen prostřednictvím souhlasu studentů doprovázeného strukturální podlahou. Jiho (2026) scoping review 38 studií hlasů studentů dodává celopolní verzi stejného závěru: přezkoumané studie se sbíhají na posunu od retrospektivní detekce k proaktivnímu etickému uvažování, na výuce etiky AI a AI-plagiátorství v kurikulu, nikoli v jednorázových gramotnostních sezeních, a na podrobných pokynech spoluvytvářených vedením, vyučujícími a studenty, protože nejasná doporučení se čtou jako tiché svolení, nikoli jako varování. Jiho vlastní čtení je, že vlastnictví a morální uvažování motivují studenty více než strach z trestu a že studenti nejsou ani pasivními příjemci GenAI, ani viníky bez morálního omezení, ale morálními aktéry pracujícími v šedé zóně, což je premisa této úrovně vyjádřená jako zjištění.

Úroveň 3: slibné, nižší přímý kauzální důkaz

Metakognitivní intervence a intervence sebehodnocení. Reflexivní deníky, protokoly promptů a trénink kalibrace obnovují „chybějící kognitivní základnu" studentů odkojených AI, kteří nedokážou lokalizovat vlastní kognitivní hranici, protože ji plynulost generovaná AI maskuje. Koncepčně ústřední, ale dosud kauzálně netestované.

Přepracování motivace. Protože dostupnost AI eroduje autonomní motivaci („proč se namáhat?"), restrukturalizace úloh kolem cílů, které AI nesplní, a kolem agenturnosti studujícího přímo cílí na erozi vytrvalosti, která násobí přímou újmu.

Kritická gramotnost v oblasti AI. Rámování moc-vědění, které učí studující vyslýchat, zpochybňovat a účastnit se řízení AI, místo aby je konzumovali. Dlouhodobé, na rovnost orientované a ve svých ambicích strukturální, i když jeho účinky na učení jsou z velké části netestované.

Rozpoznání patolízalství jako prevence nekritického přijetí. Protože patolízalská AI spíše potvrzuje než zpochybňuje uživatele, je přímým vektorem zneužití: studenti, kteří dostávají přitakávající souhlas za nesprávné uvažování, jsou povzbuzováni, aby AI nahradili svou vlastní kognitivní práci. Kontextuální patolízalství ukazuje, že gramotnost v oblasti AI a trénink promptování tuto chybovou smyčku snižují, ale neodstraňují, takže prevence zneužívání musí párovat vzdělávací trénink rozpoznávání s návrhem korektivního tření na úrovni systému (viz zábrany v úrovni 1).

Produktivní tření a pedagogická funkce. Rychlý přehled ze Sydney tvrdí, že GenAI podkopává učení, když studentům umožní obejít kognitivní a metakognitivní tření potřebné k učení, a že záměrně navržené nástroje zavádějí produktivní tření (zadržování odpovědí, vyžadování vysvětlení). Rozlišuje čtyři pedagogické funkce: učení z GenAI, s GenAI, o GenAI nebo utvářením GenAI, z nichž každá klade jiné nároky na agenturnost a hodnocení.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

Časté mylné představy

„Hlavní pákou proti zneužívání je učit studenty o rizicích." Je to páka, která závisí na tom, zda student spolupracuje, a proto se zde řadí pod strukturální páky. Zábrany a přepracování hodnocení fungují bez ohledu na to, zda se student rozhodne pro správné chování; vzdělávací přístupy fungují jen se souhlasem. Rozdíl není morální, ale mechanický: změněné prostředí omezuje chování přímo, zatímco změněné přesvědčení musí přežít noc před termínem odevzdání.

„Když zábrana vydrží během sezení, učení je zajištěno." Vydržet a učit jsou odlišné výsledky a korpus obsahuje čistý dvojí výsledek. Zadržení souhrnné pozice v multiagentní debatě snížilo přecházení studentů k nesprávné pozici AI ze 42 až 60,5 % na 5,7 až 8,2 %, což je velký ochranný účinek, avšak v rámci sezení nevedlo k žádnému účinku na učení (β = 0,03, p = 0,18). Zábrana udělala svou práci jako zábrana a nestala se výukou. Navrhovat prevenci zneužívání není totéž jako navrhovat učení.

„Odhalit zneužívání a potrestat je strategie prevence." Prevence musí pokrývat i samotného hodnotitele. Humbleho (2026) red teaming zjistil, že dvě z pěti strategií nepřímé prompt injection vložených do souboru odevzdané práce zvýšily známku neprospívající eseje. Postup, který odhaluje zneužívání studenty, a přitom důvěřuje nezkontrolovanému obsahu odevzdané práce, je chráněn jen z jedné strany.

„Zneužívání je problém motivace studentů." Coates, Croucher a Calderon (2025) posouvají omezující podmínku o úroveň výš, když za věc, kterou je třeba změnit, považují řízení, nikoli chování studentů, a navrhují rámec 130 indikátorů integrity. A újmu na učení lze měřit ve velkém: Strömberg, Lei a Wu (2026) zjistili, že externalizace domácích úloh zvýšila skóre z domácích úloh o 18 %, zatímco skóre zkoušky bez pomůcek snížila o 20 %, což je selhání návrhu, které se projeví přesně v mezeře, o níž je tato stránka.

Doporučení pro zavádění podle rolí

Pro vyučující a kurzy

Začněte hodnocením, nikoli textem politiky. U každé známkované úlohy se ptejte, zda by neasistovaná verze ukázala to, co chcete certifikovat, a nejprve opravte úlohu: je to páka, která nevyžaduje souhlas studenta.
Zaveďte nástroje typu nápověda, ne odpověď, kde je k dispozici tutor AI, protože terénní RCT s doučováním se zábranami a bez nich je nejsilnějším kauzálním důkazem v této oblasti.
Ověřte, že váš vlastní postup známkování odolává instrukcím vloženým do odevzdaných souborů, dříve než budete zneužívání studenty považovat za jedinou hrozbu.
Považujte výkon s povolenou AI a výkon bez asistence za dvě různá měření; rozdíl 18 % a 20 % výše je neviditelný, pokud oba nezměříte.

Pro vývojáře

Vestavte omezení do rozhraní, nikoli do varování. Tutor, který dokáže vytvořit hotovou odpověď, ji pod tlakem termínu také vytvoří.
Neusuzujte na učení z dodržování zábrany. Výsledek debaty ukazuje, že chování drželo, zatímco měřítka učení zůstala plochá, takže měřte výsledky odděleně od interakcí.
Ukazujte signály zneužívání vyučujícím jako diagnostiku, nikoli jako verdikty, protože rámování řízení v důkazech stojí nad chováním jednotlivého studenta.

Pro administrátory a tvůrce politik

Umístěte omezující podmínku tam, kam ji staví důkazy. Indikátory a struktury řízení se obracejí k prostředí; nabádání studentů se obrací k osobě, která může institucionální návrh změnit nejméně.

Související koncepty

Související články

The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Stopy důkazů ve verzipovaném úložišti a reprodukovatelné analytické dokumenty jako odstrašení zneužívání (Ivory et al. 2026)
Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — Zadržení doporučení z velké části zabránilo nadměrnému spoléhání, aniž by vybudovalo úsudek, který chrání
Generative AI without guardrails can harm learning: Evidence from high school mathematics — GenAI bez zábran může škodit učení
Distinguishing performance gains from learning when using generative AI — Rozlišení přírůstků výkonu od učení
A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Škála hodnocení s AI a reforma hodnocení
Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Scaffolding kritického myšlení s generativní AI
Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Učit se používat AI k učení (modul gramotnosti v oblasti AI pro K-12)
Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Strukturování transparentnosti: rámce deklarace GenAI
The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — Chybějící kognitivní základna
AI Literacy: An Exercise in Power-Knowledge — Gramotnost v oblasti AI: cvičení v moc-vědění
The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Skrytý náklad kontextuálního patolízalství: intervence v gramotnosti v oblasti AI
Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Patolízalská AI činí lidskou interakci postupem času namáhavější a méně uspokojivou
Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Budování kultury a přepracování hodnocení před dohledem a detekcí
Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Kognitivní odevzdání, produktivní tření a metakognitivní nerovnost
Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Nové zvážení ústních zkoušek jako autentického hodnocení odolného vůči AI
The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Trest generativní AI na učení: externalizace domácích úloh škodí učení
Modeling AI Overreliance as a Complex Adaptive System — Nadměrné spoléhání na AI modelované jako komplexní adaptivní systém
Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — Zábrany odstranily újmu, aniž by zlepšily skóre zkoušek
How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Co vlastně obsahují spisy o obvinění z pochybení jako důkazy
Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Příliš široká pravidla o AI a studenti, které zachycují
Educational integrity in GenAI-augmented assessment: making judgment visible — Integrita jako hodnotící úsudek, nikoli compliance
Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Studenti o tom, zda je GenAI nástroj k podvádění, nebo partner při učení
Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Co vzdálený dohled nad zkouškami dělá se studenty a s rovností
AI-based digital cheating at university, and the case for new ethical pedagogies — Prevence situační kriminality proti podvádění usnadněnému AI: 183 až 27 případů a pět přepracování specifických pro obor (Leaton Gray, Edsall a Parapadakis 2025)
Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Co doporučuje 38 studií hlasů studentů: spoluvytvářená srozumitelnost a vzdělávací uvažování před detekcí (Ji 2026)
GenAI assessment and language equity: Drawing the line between support and substitution — Kde pro pisatele angličtiny jako dalšího jazyka končí jazyková podpora a začíná substituce (Li 2026)
Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection jako vektor zneužití proti známkování pomocí AI (Humble 2026)
Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Řízení jako omezující podmínka integrity: rámec 130 indikátorů (Coates, Croucher a Calderon 2025)

Související FAQ

Metadata

Učení a výuka	Metacognition, Motivation, Scaffolding, Self-Regulated Learning
Technologie a techniky	Generative AI, Prompt Engineering
Hodnocení a měření	Assessment
Základy AI ve vzdělávání	Akademická integrita, Gramotnost v oblasti AI

Zdroj Historie Upravit Chat