Hvordan kan jeg reducere AI-snyd i mit kursus?

Automatisk maskinoversættelse af denne engelske side, der endnu ikke er blevet gennemgået af en modersmålstalere.

Det er uge seks. Et hjemmeessay kommer tilbage flydende og hult, og du kan ikke afgøre, om den studerende skrev det. Eller fire afleveringer deler en form, som ingen i lokalet frembragte i september, og integritetskontoret vil have en skriftlig redegørelse for, hvad opgaven målte. Eller dit institut stemte sidste måned for at begrænse Generative AI i kernefag og overlod til dig at gøre begrænsningen meningsfuld.

Svaret, du kan give en kollega: stop med at forsøge at bevise, hvem der skrev arbejdet, og ændr de betingelser, det bliver skrevet under. Detektion er den svageste løftestang, du har. De løftestænger, der holder, er en opgave, hvor genvejen efterlader et spor, et enkelt trin uden støtte som du kan observere, og en kort undervist sekvens, der holder de studerende inde i det kognitive arbejde.

Den korte version

1. Tag detektion af den kritiske vej. Belægget nedenfor viser, at det slår fejl på tilladt redigering og overser bevidst omgåelse.

2. Læg et observerbart trin uden støtte ind i hver afgørende bedømmelse, og giv det reel vægt.

3. Sæt AI-grænsen per opgavetrin, ikke per kursus, så den følger det, du bedømmer.

4. Hvis AI er tilladt, konfigurér den til at give hints frem for svar, og kræv et forsøg fra den studerende, før den responderer.

5. Gør deklarationen specifik og fri for straf. Vage regler og straffende regler skubber begge de studerende mod fortielse.

Detektion bærer ikke sagen

Syntesen Akademisk integritet rapporterer betydelige begrænsninger i AI-tekstdetektion og argumenterer for, at integritet i den generative AI-tidsalder i stigende grad er et spørgsmål om bedømmelsesdesign frem for blot et detektionsspørgsmål. Tag tallene med til mødet, hvor du begrunder det over for en, der allerede har købt en licens.

I et kontrolleret studium af 642 offentliggjorte engelske abstracts markerede to kommercielle detektorer retningslinjekonform let AI-redigering i 38-80 % af tilfældene. De markerede uændrede originaler fra 2023-25 i 9-15 %, med ikke-STEM-arbejde langt over STEM ved p<0,001. Efter AI-»humanisering« fangede de samme værktøjer under 4 % af de AI-mærkede omskrivninger (Why AI Detection Fails for Academic Integrity). Læs de tre tal i rækkefølge. Tilladt brug blev markeret oftere end forbudt brug, og forbudt brug var for det meste usynlig, når nogen først havde kørt den gennem en parafraserer. Det er integritetens catch-22: detektoren straffer ærlig hjælp og muliggør samtidig bevidst omgåelse.

Felteviden peger samme vej. I et skjult studium blev 94 % af fuldt AI-genererede afleveringer, der blev injiceret i live-onlineeksamener på tværs af fem psykologimoduler, ikke opdaget, og AI-arbejdet scorede i gennemsnit højere end de rigtige studerende (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Vanderbilt University deaktiverede sin licenserede detektor, efter at det ikke lykkedes at validere en annonceret falsk-positiv-rate på 1 %, en rate der ville indebære omkring 750 fejlmærkede studerende blandt 75.000 årlige afleveringer.

Intet af det fastslår, at detektion aldrig virker. Det fastslår den fejlprofil, du må leve med. En markeret studerende er en person med en klageadgang, og resultatet fra de 642 abstracts siger, at markeringen rammer hårdest på studerende, der gjorde det tilladte. Det fulde argument for, hvorfor dette ændrer, hvad en karakter kan understøtte, står i Hvordan redesigner jeg bedømmelsen, så en karakter stadig siger noget forsvarligt om, hvad den studerende ved eller kan?.

Ændr det, opgaven gør let

Syntesen At reducere misbrug af AI placerer redesign i Tier 1 af en strukturel grund: det virker, uanset om en studerende vælger den rigtige adfærd, fordi det begrænser omgivelserne i stedet for at afhænge af motivation.

Begynd med en etiket. AI Assessment Scale (AIAS) giver hver opgave et AI-brugsniveau, fra »ingen AI« over »AI kun til idéudvikling« og »AI-assistance med kildeangivelse« til »fuld AI-brug«, så forventningen er eksplicit og håndhævelig frem for udledt.

Ændr derefter artefakten. Et systematisk review af 72 studier om generativ AI i datalogiundervisning vurderer redesign som både gennemførligt og med størst effekt og fremhæver ét greb: tilføj et mundtligt eller på anden måde proces-synligt element til mindst én afgørende bedømmelse per kursus. Det kaldes den enkeltstående mest effektive intervention i korpusset. Detektion er det tyndeste område, reviewet dækker, med kun 3 studier, mod at 60-80 % af datalogistuderende rapporterer brug af generativ AI i kursusarbejde, typisk uden udtrykkelig undervisertilladelse, og 70 % af en national underviserstikprøve udtrykkeligt beder om oplæring i AI-resistent bedømmelsesdesign (Generative AI in computing education: A systematic review and a framework for responsible integration).

Menuen, nogenlunde i rækkefølge efter, hvor godt hver mulighed overlever et stort hold.

Uden støtte, i lokalet, lukket bog: eksamener med opsyn, quizzes, tidsbegrænset skrivning. Vægt disse tungere, end du plejede, fordi hjemmearbejde er den artefakt, AI puster op. Mundtlige eksamener og forsvar virker af samme grund, da realtidsdialog er svær at udlicitere (Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future).

Procesartefakter: udkast, ræsonnementsspor, annoteret »vis din tænkning«, revisionslogge, så processen er synlig i stedet for kun produktet (From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich). Autentiske opgaver virker sammen med dem: lokale cases, praktikmateriale, den studerendes egne data, alt hvad der er svært at delegere (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It).

Variation af opgaven per studerende, hvor hver studerende får en overfladisk forskellig, men konstruktækvivalent version, gør kopiering strukturelt ubrugelig. Behandl garantien som betinget af formåen: VARIA fandt, at frontiermodeller kun nåede 0,81-0,88 på en samlet integritetsscore, mens ikke-frontiermodeller kollapser til 0,50-0,55. Hvis dine varianter ikke er ækvivalente, har du købt beskyttelse mod deling med uretfærdighed mellem studerende som følge.

Luk gabet mellem øvelse og eksamen

Det er den del, undervisere springer over, og det er her, det kausale belæg er stærkest.

I et felt-RCT hævede en ubeskyttet ChatGPT-lignende tutor præstationen i øvelse med støtte med 48 % og sænkede scoren på eksamen uden støtte med 17 %. En version med guardrails, der gav hints i stedet for svar og var seedet med lærerskabt probleminformation, eliminerede skaden helt (Generative AI without guardrails can harm learning: Evidence from high school mathematics). I større skala fandt et studium af 26.811 studerende, at udlicitering af hjemmearbejde hævede hjemmearbejdsscore med 18 %, mens den sænkede scoren på lukkede bøgers eksamen med 20 % inden for seks måneder (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).

Bemærk formen på begge resultater. Gevinsten og tabet lander på forskellige mål, og kun ét af dem er det, du certificerer. Et enkelt RCT kan ikke give dig størrelsen af effekten i dit kursus. Det giver dig retningen, og begge studier peger samme vej.

Hvis du vil lade studerende bruge en tutor, skal du konfigurere den før semesteret og ikke efter den første klage:

1. Sæt den til at give trinvise, sokratiske hints i stedet for det næste skridt i svaret.

2. Seed den med korrekte løsninger og almindelige misforståelser, så den kan ramme fejl i stedet for at gentage indhold.

3. Kræv et forsøg, før noget output vises.

4. Anvend den ubesværede fælde-reglen: hvis AI-adgang gør opgaven ubesværet, står den det forkerte sted.

Den sidste regel er også, hvor Scaffolding og Guardrails tjener deres løn, og hvor en simuleret studerende er nyttig til at teste din egen prompt, før rigtige studerende møder den.

Bed studerende vise, hvad de kan

Du vil aldrig kunne fastslå, hvordan en fil blev produceret. Du kan billigt fastslå, om den studerende kan det, filen ser ud til at demonstrere.

»Det bedste svar på studerendes AI-brug er ikke detektion, det er dialog« beskriver mekanismerne: en to minutters en-til-en-forklaring eller en optaget forklaring af et afleveret stykke arbejde, en kort opfølgende quiz om samme materiale taget uden værktøjer, en anmodning om at revidere en stikprøve af deres eget arbejde og forklare ændringerne. Kilden er en praktikerberetning, så behandl den som en lovende praksis frem for bevis for effekt.

Verifikation afgør også, om din uredelighedsproces overlever en klage. Munoz et al. (2026) analyserede faktiske sagsakter om påstået uredelighed med generativ AI og fandt, at retfærdig sagsbehandling kræver, at den studerende får besked om påstanden og mulighed for at svare før enhver afgørelse, normalt i en undersøgelsessamtale eller en panelsamtale, hvor det, de siger, indgår i det bevismæssige grundlag. Deres evidenskategorier forklarer, hvorfor dette skal bygges ind i kurset: systemregistrerede adfærdsspor findes kun i bedømmelse under opsyn, og svagere procesbevis som udkast, vejledningsmøder og præsentationer findes kun, hvor det allerede var rutine. En verifikationsvane bliver til belæg, du kan læne dig på senere.

Skriv også reglen præcist. Wright (2026) viser, at forbud, der behandler tale-til-tekst-transskription og generativ udarbejdelse som samme »AI-brug«, er for brede og risikerer at sanktionere studerende, der ikke gjorde det forbudte. Det er et retfærdighedsproblem, før det er et juridisk, og Legal Issues and Risks dækker resten.

Hold studerende i loopet, mens de arbejder

At forbyde værktøjet og at tillade det uden struktur giver samme resultat, nemlig studerende, der står uden for det kognitive arbejde.

Syntesen om at reducere misbrug af AI opstiller otte designprincipper for den tilladte version, blandt andet: bevar kognitiv friktion, placer AI som en foreløbig tænkepartner frem for en autoritet, indbyg evalueringscheckpoints og kræv metakognitiv journalføring og promptlogge.

Sekvensen, der bærer disse principper, er kort nok til at trykke på en opgavebeskrivelse:

1. Tænk først. Studerende brainstormer, laver disposition eller skriver udkast selvstændigt, før de åbner noget.

2. AI derefter. De bruger den til at kritisere, udvide eller generere alternativer mod tænkning, de allerede har.

3. Reflektér til sidst. De logger, hvad de brugte den til, hvad de accepterede og afviste, og hvorfor. En prompt plus en revisionslog er nok.

Gør deklarationen specifik og billig at udfylde

Erstat den generiske »jeg brugte AI«-afkrydsning med en domænespecifik deklarationsramme, der knytter brug til kognitive stadier, som strukturel planlægning versus indholdsgenerering (Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education). Et forsidedokument, der spørger, hvilke stadier, hvilket værktøj, hvilke prompts og hvordan outputtet blev evalueret, gør mere arbejde end et ja eller nej.

To betingelser gør den ærlig. Deklarationen skal være sikker, fordi straffende eller vage politikker aktivt driver fortielse (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher), og studerende vejer risikoen ved at fortælle dig noget mod risikoen ved ikke at gøre det ("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education).

Aritmetikken skal også tale for at fortælle. Mohamed og Temimi modellerer dette som et problem med ufuldstændig information frem for moral. Deklaration er kun attraktiv, så længe prisen for ærlighed holdes lav, og da en detektors falske positiver også rammer ærlige studerende, kan stærkere overvågning gøre fortielse relativt mere attraktiv, når øget følsomhed producerer flere nye falske positiver end nye sande positiver. Læs en deklareret brug som kontekst frem for en tilståelse, og design for den studerende, der er mest fristet til at fortie.

Undervis i den kompetence, du bedømmer

Syntesen om at reducere misbrug af AI placerer AI-kompetence og prompting-undervisning i Tier 2, under strukturel forandring.

Det målte eksempel er et K-12-modul med scenariebaseret promptøvelse og en Large Language Models (LLMs)-autograder. Det forbedrede den faktiske promptingfærdighed og hævede tilliden til at bruge AI til læring med 10,4 %, hvor 87 % rapporterede, at de havde lært at bruge AI ansvarligt (Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module).

Hvad studerende faktisk tror, er mindre kynisk, end panikken antyder. Blandt 504 sociologistuderende havde 65 % brugt generativ AI til kursusarbejde, men kun 3 % til at generere opgavetekst og 2 % til at generere et helt udkast. 81 % havde fået en eller anden AI-vejledning, og kun 46 % fandt den meget klar (Student Use of and Views on GenAI for Writing). Utydelighed, ikke trods, er det praktiske problem, og derfor flytter en klar regel plus en undervist sekvens mere adfærd end en advarsel. Mulisa og Mezgebu (2026) beskriver studerende, der spørger, om generativ AI er et værktøj, der letter snyd, eller en partner, der støtter læring, og det spørgsmål er, hvad dine forventninger bør svare på.

Den skade, der er værd at undervise eksplicit i, er gabet mellem præstation og læring: præstationen stiger nu, læringen falder senere, og den studerende oplever kun det første. Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking og It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing dækker peer-norm- og rationaliseringssiden, inklusive »alle gør det«-forsvaret, som en klar norm punkterer. For hvor stærkt dette grundlag er, se Hvilken evidens findes der for AI-kompetenceindsatser i videregående uddannelse? og Hvilke ti hovedfund fra forskningen i AI i uddannelse bør undervisere kende til?.

Hvad undervisere gør forkert her

En detektor er en forsikring. Tæl op, hvad præmien dækker: ved den rate, Vanderbilt ikke kunne validere, er 1 % af 75.000 årlige afleveringer 750 fejlmærkede studerende, og studiet med de 642 abstracts viser, at markeringerne klumper sig på tilladt redigering.

Et forbud afgør spørgsmålet. Et forbud skrevet i sproget »AI-brug« fanger transskription sammen med udarbejdelse, hvilket betyder, at du kan sanktionere en studerende for at diktere sin egen sætning (Wright, 2026). Det fortæller dig heller intet om, hvad den studerende kan.

Snyd er et motivationsproblem, så straf er værktøjet. Motivation er reel, og den er ikke den løftestang med det bedste belæg. Redesign ligger i Tier 1, fordi det ikke kræver, at den studerende vælger klogt, og svarregionmodellen siger, at man skal designe for den studerende, der er mest fristet til at fortie.

Hvis jeg tillader AI, holder misbrug op med at være mit problem. Tilladelse uden guardrails gav 48 % gevinst i øvelse og 17 % tab på eksamen i samme studium. Sæt guardrails tilbage, og skaden forsvandt.

Studerende ved allerede, hvor grænsen går. 81 % havde fået vejledning, og færre end halvdelen fandt den klar. Tallene 3 % og 2 % siger, at de fleste ikke genererer hele opgaver; de 46 % siger, at de gætter på resten.

En afkrydsning er en deklaration. En afkrydsning registrerer, at en studerende klikkede. En trinvis deklaration fortæller, hvad de gjorde ved hvert trin, og det er den eneste version, der hjælper dig eller dem.

Hvad du bliver mødt med

»Jeg har ikke tid til at redesigne et kursus i dette semester.« Redesign ikke kurset. Redesign én opgave: et trin uden støtte, en rubriklinje med point. Det er en ændring på to timer, og det er den ændring, reviewet af 72 studier fremhæver.

»Mundtlige forsvar er umulige med 300 studerende.« Så kør ikke 300 af dem. Vægt den lukkede-bogs-komponent, kræv procesartefakter, og tag stikprøver af mundtlige tjek på de afleveringer, der ser inkonsistente ud med tidligere arbejde. 300 studerende behøver ikke 300 samtaler for at ændre kalkulen.

»Jeg har brug for noget at vise integritetskontoret.« Procesbevis er stærkere end en detektorscore, fordi Munoz et al. fandt, at svar-muligheden og kursets egne optegnelser er det, sagen hviler på. En markeret procentdel er en påstand. En optaget forklaring er en optegnelse.

»Krav om deklaration belaster bare de ærlige.« Det gør det, hvis deklaration indbyder til mistanke. Hold prisen for ærlighed tæt på nul: ingen straf for deklareret brug, og en deklaration læst som kontekst. Modellen forudsiger fortielse netop, når ærlighed bliver dyr.

»Studerende bruger AI alligevel.« Det gør de, og det nyttige spørgsmål er, hvilket svar din opgave gør lettest. I en klasse, hvor 65 % rapporterer brug og 2 % rapporterer at generere et helt udkast, er det meste af trafikken assistance, du kunne undervise i, frem for svindel, du skal fange.

»Strammere regler vil fange studerende, der ikke gjorde noget forkert.« Det er det dokumenterede fejlmønster, ikke en hypotese. Præcision er beskyttelsen: navngiv den forbudte handling, ikke værktøjet.

Det kan du gøre i denne uge

1. Skriv AI-klausulen i din mest omstridte opgave om, så den navngiver bestemte trin og bestemte handlinger, og drop den brede formulering.

2. Føj et trin uden støtte til den opgave, og giv det nok vægt til at betyde noget.

3. Sæt en procesartefakt i rubrikken med point på, og beskriv, hvordan godt ser ud, lige så præcist som du beskriver produktet.

4. Hvis du tillader en tutor, tjek dens konfiguration i denne uge op imod de fire indstillinger ovenfor.

5. Fortæl de studerende skriftligt, at en deklareret brug ikke straffes, og gør alvor af det.

Videre herfra

Hvordan redesigner jeg bedømmelsen, så en karakter stadig siger noget forsvarligt om, hvad den studerende ved eller kan? er bedømmelsesdesignets følgesvend og stedet at begynde, hvis dit spørgsmål er, hvad karakteren er belæg for. Skal vi bruge AI-detektorer? håndterer detektorbeslutningen direkte, Hvordan skriver jeg en AI-politik for et kursus og kommunikerer den til studerende? dækker den ordlyd, studerende faktisk læser, og A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform leverer etiketskemaet. På undervisningssiden dækker Hvilken evidens findes der for AI-kompetenceindsatser i videregående uddannelse? og AI Misuse and Learning Harm, hvad kompetencearbejdet er værd, og hvorfor skaden opstår.