Jak napsat politiku AI pro kurz a sdělit ji studentům?

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

Tři týdny před začátkem semestru má šablona sylabu řádek „politika AI“ a v něm teď stojí: viz univerzitní pravidla akademické integrity. Nebo se z kolegova kurzu vrátila série prací, o kterých si nikdo nemyslí, že vznikly v učebně, a čtvrteční porada programu končí žádostí, aby každý kurz svůj postoj písemně vyjádřil. Nebo je politika už napsaná a známkovací období vám ukazuje, které její věty dokážete skutečně uplatnit.

Shrnutí: pojmenujte úlohy, které známkujete, řekněte, co u každé smí AI dělat, dejte prohlášení na jedno místo a vymáhejte je důkazy, které vidíte. Pět konkrétních povolení drží lépe než stránka zákazů. Politika, která se vysvětluje, dělá zároveň práci návrhu hodnocení i komunikace, a proto stojí jedno odpoledne a ušetří semestr hádek.

Všechno níže je dokument na úrovni kurzu pro jeden modul, kurz nebo programovou větev. Předpokladem je, že jste se rozhodli, co hodnotíte; práce tady spočívá v tom to říct a prosadit.

Stručně

1. Udělejte soupis známkovaných úloh a u každé se zeptejte, co konkrétně hodnotíte. Hranice se řídí touto odpovědí.

2. Pište pravidlo na úrovni kroku: brainstorming povolen, formulace měřitelných cílů ne. Kurátorování obrázků povoleno, návrh sdělení na úrovni slidu ne.

3. Dejte shrnutí do sylabu, provozní formulaci na zadání a pravidlo jednou vyslovte nahlas v okamžiku, kdy se poprvé použije.

4. Pojmenujte jedno standardní místo a formu pro zveřejnění a držte náklady na deklarování nižší než náklady na skrývání.

5. Vymáhejte pomocí práce, kterou můžete pozorovat: záznam promptů, cvičení ve výuce, ústní výklad. Skóre detektorů zůstává mimo cestu vymáhání.

Začněte u úloh, které známkujete

Nejjasněji popsanou metodou je McCorkle (2025), který nahrazoval plošný zákaz, o němž studenti nevěřili, že se na ně vztahuje. Přečtěte to selhání správně: šlo o nesoulad, a ne o vzdor, a studenti sami sebe neviděli jako nepoctivé. Pravidlo, o kterém už rozhodli, že není o nich, nejde vyvrátit, jde jen ignorovat.

McCorkleova metoda má čtyři průchody. Udělejte soupis všech úloh v semestrálním projektu, u každé se zeptejte „co konkrétně hodnotím?“, přiřaďte každé úloze pravděpodobné profesní použití generativní AI a pak rozhodněte úlohu po úloze. Každé rozhodnutí poměřuje potřebu hodnotit určitou schopnost proti hodnotě budovat kompetenci, kterou student využije v práci.

Výsledek je záměrně nevyrovnaný. Brainstorming je povolen; formulace konkrétních a měřitelných studijních cílů ne. Kurátorování obrázků je povoleno; návrh sdělení na úrovni slidu ne. Skripty a komentář jsou povoleny, s povinným vyhodnocením výstupu AI. Když se ten seznam vypíše, vypadá svévolně, dokud si nepřečtete důvod u každého řádku, a proto důvody cestují s pravidly.

Rozhodněte se, jak přísní být, když víte, co dělají ostatní

Dva údaje vám řeknou, jak letos vypadá běžná politika, a oba stojí za to vzít na poradu, kde někdo navrhne zákaz.

Obsahová analýza 116 institucionálních politik ke GenAI ze 131 amerických univerzit R1 a 98 sylabů informatiky z 54 z nich zjistila, že instituce jsou převážně pro používání: 63 % používání GenAI podporuje, 41 % nabízí podrobné pokyny pro výuku, 27 % ho odrazuje. Polovina sylabů (50 %) ho rovnou zakazuje, 41 % povoluje částečné použití pro určené aktivity a 7 % sděluje podporu. Ganguly et al. (2026) to nazývají mezerou mezi přístupem shora dolů a zdola nahoru. 92 % sylabů uvádí výslovné pokyny, a přesto se místní pravidla od institucionálních pokynů odchylují a obě úrovně bylo možné zjistit jen u 47 institucí. Citování je jediným požadavkem, na kterém se obě úrovně shodnou, a to u 83 % sylabů.

Chirikov (2026) sledoval více než 31 000 sylabů na velké texaské veřejné výzkumné univerzitě v letech 2021 až 2025. Regulace vzrostla z téměř nuly před ChatGPT na 55 % kurzů do podzimu 2025, zatímco plně restriktivní politiky klesaly zhruba o 5 procentních bodů ročně. Do podzimu 2025 pedagogové nejčastěji omezovali psaní a revidování (79 %) a uvažování a řešení problémů (65 %). Nejčastěji povolovali editování a korektury (83 %), studijní podporu a syntézu (80 %) a programování (75 %). Nejkontroverznějším použitím bylo vytváření nápadů, s 46 % povolení a 54 % omezení.

Formulace se posunuly s čísly. Zmínky o akademické integritě klesly z 63 % na 49 %, odkazy na vliv AI na učení vzrostly z 1 % na 29 % a požadavky na uvedení zdroje vzrostly z 16 % na 43 %. Oblast se posouvá od „nepodváděj“ k „tady je důvod, proč tato hranice chrání tvoje učení“, a druhá verze je ta, podle které student může jednat.

Dva důsledky pro váš dokument. Být přísnější než vaše instituce je běžné a je to závazek, který berete sami, protože náklady na vymáhání dopadnou na vás. Požadavek na citování je téměř zdarma, protože čtyři pětiny oboru ho už vyžadují a žádný student nemusí hádat, co tím myslíte.

Umístěte každé pravidlo tam, kde se s ním student setká

Tři dokumenty, tři úkoly.

Sylabus nese krátké shrnutí: úlohy, povolené použití u každé, jak funguje zveřejnění a důsledek překročené hranice. Jedna obrazovka, žádná filozofie.

Zadání nese upřesnění. Jedno shrnutí je pro složitý projekt příliš hrubé, a právě tady McCorkleova formulace odvedla svou práci, ve zdůvodnění adresovaném studentům ve druhé osobě, které pojmenovalo hodnocení za každým omezením.

Učebna nese první ústní sdělení. Řekněte pravidlo jednou, v okamžiku, kdy se poprvé použije, ve spojení s prací, kterou mají před sebou. Pravidlo, se kterým se student setká sám, je pravidlo, které si sám vyloží.

Mechanika zveřejnění potřebuje vlastní odstavec a měl by to být ten nejkonkrétnější na stránce. Studenti, kteří spoluvytvářeli kurzovou politiku řízeným zkoumáním, upřednostnili školení pro studenty i pedagogy, standardizované postupy zveřejnění, silnější institucionální podporu a větší zapojení do rozhodování o AI (Hingle a Johri (2026)). Řekněte, jak, kde a v jaké formě student použití deklaruje, a řekněte to jednou.

Pisan (2026) našel silnější verzi téhož kroku: udělejte ze záznamu promptů známkovaný artefakt. Když produkci dělá model, prompt a záznam interakce jsou to, co stojí za verzování, takže prohlášení přestává být papírováním a stává se důkazem, který student buduje.

Pište jen pravidla, která dokážete uplatnit v jednom známkovacím cyklu

Pravidlo, které vyžaduje sledování u každé úlohy nebo úsudek o tom, kdy hodnocení „začíná“, bude uplatňováno nekonzistentně napříč třídou i mezi dvěma hodnotiteli. Nekonzistence je problém rovnosti dřív než problém administrativní. Režim postavený na detektorech přidává náklady na dohled, které dopadají nerovnoměrně, spolu s otázkami dohledu na dálku a uchovávání dat, na které na úrovni kurzu nemusíte umět odpovědět.

Nash a Burriss (2026) analyzovali 27 kurzových politik AI napsaných budoucími učiteli anglického jazyka a literatury. 26 z 27 povolovalo nějaké použití AI, téměř vždy za podmínek, časů a míst, které určil pedagog; jedna ho zakazovala úplně. Vytváření nápadů bylo nejšířeji povoleným použitím (22 z 27) a zároveň nejednoznačnějším. 22 zakazovalo nebo nechávalo nejasné sestavování vět, odstavců nebo prací pomocí AI. 16 povolovalo kontrolu gramatiky a korektury, zatímco 16 zakazovalo vytváření rozsáhlého textu generovaného AI. A 22 z 27 se vůbec nevěnovalo čtení.

Opakujícím se selháním byla operacionalizace. Jedna politika povolovala AI „aby se nastartovalo vaše myšlení“ a prohlásila „tady by měla být hranice“, aniž řekla, kde ta hranice je. Taková nejednoznačnost nechává studenty neschopné vyhovět a vás neschopné uplatnit jednotný standard. Je to vada, ne kompromis.

Chirikovovo zjištění podstatné variace mezi obory a úlohami mluví pro rámce, které dávají pedagogům autonomii v jejich vlastní doméně, a ne jeden příkaz pro všechny, což je také poctivý popis toho, co kurzová politika je: místní úsudek uvnitř širšího pravidla.

Je tu i rozměr rovnosti. Neprůhledné politiky předpokládají sdílené znalosti o autorství, uvádění zdrojů a normách akademické práce, takže dopadají nejtvrději na studenty, kteří přicházejí bez nich. McCorkleův případ je ten, že transparentnost část tohoto skrytého kurikula rozebírá a snižuje pravděpodobnost, že se selhání politiky stane disciplinární záležitostí.

Nejlevnější verze toho všeho je krátká a konkrétní: úlohy, které hodnotíte, povolená použití u každé, mechanika zveřejnění a důsledek překročené hranice, každé s připojeným důvodem.

Řekněte to nahlas a hlídejte, co sami modelujete

Pravidla zveřejnění nefungují sama o sobě jako mechanismy souladu a zacházet s nimi, jako by fungovala, je nejběžnější designová chyba. Ve studii smíšených metod se 409 vysokoškolskými studenty Qu a Wang (2026) zjistili, že nezveřejnění bylo strategickou adaptací na vnímané vrstevnické normy a nízkou interpretativní důvěru v pedagogy, a ne morální nedbalostí. Vnímané zveřejňování vrstevníky a komfort s pedagogem byly nejsilnějšími prediktory vlastního zveřejnění studentů; morální distancování mělo slabší účinky.

Zůstávají vám dvě páky, které skutečně ovládáte: co si studenti myslí, že dělají jejich vrstevníci, a zda vám důvěřují, že prohlášení přečtete spravedlivě. Obě reagují na to, jak o pravidle mluvíte první týden. Ani jedna nereaguje na přísnost formulace.

Kim et al. (2026) našli pět různých míst, kde žije skutečná politika kurzu: záměr pedagoga, formální politika, interpretace studenta, vlastní politika studenta a praxe studenta. Mezery mezi nimi jsou systémové. Zaznamenali také 23 racionalizací v šesti třídách, kterými studenti ospravedlňovali použití AI v akademickém psaní, od „žádná lidská oběť“ po „lhostejnost pedagoga“. Ty racionalizace byly ad hoc a post hoc: studenti vysvětlovali chování, které už proběhlo, místo aby předem uvažovali, a proto jasnější formulace a tvrdší detekce mezeru samy nezavřou.

Jeden účastník, který chtěl dodržet přísné pravidlo zákazu AI, AI používal dál a řekl, že zákaz „mi vytváří konflikt, protože porušuji pravidla“. Zákaz zostřil morální konflikt, aniž použití zabránil. Pravidlo, které plodí vinu bez souladu, narušuje vztah, který pro zveřejnění potřebujete.

Hlídejte také, co sami modelujete. Většina zadání v Pisanově kurzu uváděla prompt, kterým byla vygenerována, a jeden student si tu transparentnost vyložil jako svolení: „závislost učitele na AI při známkování a vytváření zadání také ztěžovala nepoužívat AI u zadání stejným způsobem.“ Modelování normy je součástí politiky tak, jak ji studenti prožívají, ať sylabus říká cokoli.

Prohlášení, které můžete převzít:

Používání AI v tomto kurzu. Chci, abyste z tohoto kurzu odcházeli schopni udělat X sami, a proto X hodnotím přímo. AI smíte použít pro [povolená použití] u [seznam úloh]; nesmíte ji použít pro [omezená použití], protože právě to známkuji. Pokud AI použijete kdekoli ve své práci, řekněte mi na [jedno určené místo, například řádek pro prohlášení u každé odevzdané práce], k čemu jste ji použili, a vložte prompty. Deklarování vám nikdy nesníží známku. Důsledek nese to, když použití nedeklarujete. Pokud si nejste jisti, zda je použití povoleno, zeptejte se mě před odevzdáním, ne po něm.

Ta poslední věta přesouvá rozhodovací bod před práci, což je jediný bod, kdy je otázka levná na zodpovězení.

Naplánujte si čtyři rozhovory dřív, než nastanou

Student, který AI použil a neřekl to. Berte to jako otázku procesu, ne charakteru. Mohamed a Temimi (2026) modelují hodnocení jako problém nedokonalé informace: student ví, jak práce vznikla, a instituce vidí artefakt plus částečné stopy. Jejich model reakčních oblastí srovnává tři reakce, nepoužití AI, zveřejněné použití a skryté použití, a ptá se, kterou z nich každý mechanismus činí nejatraktivnější. Zákaz stanoví formální hranici a nechává skryté použití atraktivní, když studenti vnímají detekci jako slabou. Monitoring zvyšuje očekávané náklady skrytého použití, aniž zvyšuje zveřejnění, takže studenti se stávají opatrnými, aniž se stávají transparentními. Povolení se zveřejněním činí poctivé hlášení životaschopným jen tehdy, dokud náklady na poctivost zůstávají nízké.

V učebně to znamená zeptat se, co měla práce hodnotit, požádat studenta, aby vysvětlil svůj postup, a pozdní prohlášení číst jako informaci, a ne jako přiznání.

Student, který cituje AI ke všemu. Obvykle jde o mezeru ve dovednostech v kostýmu compliance. Požadavky na uvedení zdroje vzrostly z 16 % na 43 % sylabů, zatímco zmínky o akademické integritě klesly z 63 % na 49 %, takže obor žádá citování, a ne přiznání. Určete formát jednou, na zadání, a ne v poznámce pod čarou v sylabu. Řekněte, jak vypadá přiměřené uvedení zdroje ve vašem oboru, a dejte jeden vypracovaný příklad. Pokud je skutečným problémem to, že student zatím nedokáže podkladovou práci udělat bez modelu, odpovědí je návrh úlohy.

Skupinová práce. Pět studentů může mít pět výkladů jedné věty a známkován je jeden výstup. U každého skupinového výstupu rozhodněte a zveřejněte, zda je použití AI povoleno, kdo ho deklaruje a co se stane, když jeden člen pravidlo překročí. Udělejte to před začátkem projektu, dokud je to plánovací otázka. Pokud nedokážete určit individuální příspěvek, za který člen odpovídá, známkujte úlohu jako čistě skupinovou práci, místo abyste autorství rozsuzovali dodatečně.

Zveřejnění, které nedokážete ověřit. Některá prohlášení budou neúplná a některá opomenutí nevyvratitelná. Bassett et al. (2026) argumentují, že detekce AI by se ve vzdělávání neměla používat vůbec, ze tří důvodů, které se týkají formulací. Výstup detektoru je pravděpodobnostní odhad, který nelze nezávisle ověřit, protože skutečný původ textu v reálném světě není znám, takže validace běží na kruhovém uvažování. Skóre detektorů nesplňuje standard převahy pravděpodobností, který vyšetřování integrity vyžaduje. A dichotomie člověk versus AI je bezvýznamná u práce vytvořené s AI, a ne AI. Jejich závěr je, že detekce „nechrání akademickou integritu; podkopává ji“.

Upozorňují na problém s formulací, který stojí za to převzít do revizní fáze. Pravidla omezující použití AI „při hodnocení“ neuvádějí, kdy hodnocení začíná, takže výzkum, plánování nebo editování s podporou AI může a nemusí být porušením podle toho, kdo to čte. Pojmenujte místo toho procesní důkazy, které můžete pozorovat: odevzdaný prompt a záznam interakce, cvičení vytvořené v učebně, ústní vysvětlení. Pokud vaše instituce detektor přesto provozuje, platí jejich varování ohledně ukládání dat, uchovávání a komerčního využití studentských prací, a námitka ohledně soukromí, kterou vznesli dva budoucí učitelé, je námitka, kterou vznesou vaši studenti.

V čem se pedagogové mýlí

Přísnější politika je bezpečnější politika. Být přísnější než vaše instituce je běžné a obhajitelné, ale náklady na vymáhání jsou vaše a pravidlo, které nedokážete uplatnit konzistentně v rámci jednoho známkovacího cyklu, je problém rovnosti. Vyškrtněte pravidla, která nedokážete provozovat.

Zákaz je nejkratší dostupná zpráva. Ve 27 politikách budoucích učitelů spočívala nejednoznačnost většinou v těch povolujících a 22 z 27 se nikdy nevěnovalo čtení, takže studenti museli domýšlet. Kimův účastník zákaz dodržel tím, že ho porušoval, a cítil z toho vinu.

Zveřejnění je mechanismus souladu. Je to signál a signály závisí na důvěře. Qu a Wang zjistili, že vrstevnické normy a komfort s pedagogem předpovídají zveřejnění lépe než morální uvažování.

Skóre detektoru rozhodne sporný případ. Nedosahuje standardu, který vyšetřování integrity musí splnit, a nedokáže rozlišit práci vytvořenou s AI od práce vytvořené AI. Stavějte případ na práci, kterou jste pozorovali.

Napsat politiku znamená ji komunikovat. Kim et al. našli pět míst, kde žije skutečná politika, a váš dokument je jedno z nich. Verze, podle které studenti jednají, se skládá z toho, co říkáte ve výuce, a z toho, co děláte se svými vlastními materiály.

Co vám budou namítat

„Studenti to prostě zatají.“ Někteří ano, a designová otázka je, které studenty vaše pravidlo pokouší. Odstrašení běží přes rozlišovací schopnost detektoru mezi skrytým použitím a legitimitou práce, a ne přes jeho hrubou míru záchytu. Když větší citlivost přinese více nových falešně pozitivních než nových skutečně pozitivních výsledků, silnější monitoring může učinit zamlčení relativně atraktivnějším, protože poctiví studenti jsou postihováni rychleji, než jsou skrytí uživatelé identifikováni. Povolení a zveřejnění jsou oddělené páky: povolení posouvá hranici přijatelného použití, zveřejnění mění viditelnost. Diagnostikujte, kam vaše úloha táhne studenta s největším pokušením zamlčet, a navrhujte pro toho studenta.

„Nechci zakazovat nástroje, které nedokážu detekovat.“ Nemusíte. Zákaz je jedna ze čtyř designových reakcí, vedle monitoringu, povoleného použití se zveřejněním a redesignu. Redesign mění to, co úloha odměňuje, a zůstává kosmetický, pokud rubrika stále známkuje hlavně finální produkt. Pisan (2026) ukazuje úrovně zřetelně: AI je zakázána v úvodním kurzu programování, protože outsourcing prvních cyklů odstraní to, co se učí; na projektech v datových strukturách je podporována (Copilot povolen) a ze zkoušek na papíře vyloučena; v pokročilém kurzu systémů je studijní a opakovací pomůckou; a v samotném kurzu o AI je vyžadována, kde jedna hranice nesla většinu váhy. Model smí psát kód a reflexe musí být vlastním hlasem studenta. Zkoušky byly zcela odstraněny a hodnocení se přesunulo na práci, kterou model nemůže v tichosti napsat za studenta.

„Politika mé instituce to už pokrývá.“ Méně, než si myslíte. Mezera jde oběma směry: 92 % sylabů uvádí výslovné pokyny, místní pravidla se od institucionálních pokynů odchylují a obě úrovně bylo možné zjistit jen u 47 institucí. Nákup, data a revizní cykly patří k Jak napsat a zavést institucionální politiku AI?, ale překlad do učebny je váš. Nash a Burriss uzavírají, že instituce musí vybavit učitele, aby dokázali AI odmítnout i přijmout, s pokyny a profesním rozvojem, které pedagogovi umožní odmítnout konkrétní použití AI, aniž by byl rámován jako zaostalý. Technodeterminismus jejich účastníků odporoval jejich vlastním pedagogickým závazkům. Institucionální politika není krytí pro váš úsudek.

„Nemám čas tento měsíc přepisovat sylabus.“ Udělejte soupis jednou, u zadání, které vás znepokojuje, a výstup vezměte rovnou do zadání. Věta v sylabu může počkat na příští revizní cyklus. Studenti stejně jednají podle zadání.

Co udělat tento týden

1. Udělejte soupis známkovaných úloh a vedle každé napište „co konkrétně hodnotím?“, než o AI rozhodnete cokoli.

2. Rozhodněte úlohu po úloze a zkontrolujte, kterou reakci každé rozhodnutí činí nejatraktivnější pro studenta s největším pokušením zamlčet.

3. Napište větu o zveřejnění: jedno místo, jeden formát, jeden vypracovaný příklad přiměřeného uvedení zdroje.

4. Pojmenujte důkazy, které ve sporu přijmete (záznam promptů, práce ve výuce, ústní výklad), a zahoďte každé pravidlo, které proti nim nedokážete otestovat.

5. Řekněte pravidlo nahlas v příští hodině, v okamžiku, kdy se poprvé použije, se zdůvodněním u každého omezení.

Kam dál

Správa, datová politika, nákup a revizní cykly patří k Jak napsat a zavést institucionální politiku AI?; nařízená institucionální a okresní pravidla leží u Educational AI Policy a AI Governance. Přestavba úlohy tak, aby známka stále unesla obhajitelnou inferenci, patří k Jak přepracovat hodnocení, aby známka stále říkala něco obhajitelného o tom, co student zná nebo umí?, argument o vymáhání je v Jak omezit podvádění s pomocí AI ve svém kurzu?, rozhodnutí o detektoru v Máme používat AI detektory? a systém štítků v A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform.