צמצום שימוש לרעה בבינה מלאכותית

תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.

צמצום שימוש לרעה בבינה מלאכותית — הדוושות של עיצוב, פדגוגיה ומדיניות המונעות מסטודנטים להחליף בינה מלאכותית יוצרת את העבודה הקוגניטיבית שלהם, ומכוונות אותם במקום זאת לשימוש אתי ופרודוקטיבי. הגישות היעילות ממוינות לפי השפעה ולא לפי פופולריות, והראיות החזקות ביותר מעדיפות דוושות מבניות — מעקות בטיחות של כלים ועיצוב מחדש של ההערכה — שמשנות את הסביבה כך ששימוש לרעה קשה יותר, ללא קשר למוטיבציה של הסטודנט, על פני דוושות חינוכיות שנסמכות על בניית יכולת עמידה ועל ספיגת הסטודנטים.

שאלות למחשבה

• סטודנטים שמפריקים שיעורי בית לבינה מלאכותית יכולים לראות את ציוני שיעורי הבית שלהם עולים בעוד ציוני המבחן הספרים הסגורים שלהם יורדים. לפני הקריאה, מדוע ביצועים ולמידה עשויים להתבדר באופן כה חד — ומה הפער הזה מעיד על המשמעות האמיתית של 'הצלחה' עם בינה מלאכותית?
• העמוד מדרג התערבויות לפי ראיות סיבתיות והישג, והוא ממקם מבניות (מעקות בטיחות של כלים, עיצוב מחדש של ההערכה) מעל חינוכיות (הוראה של פרקטיקה טובה) — בדיוק מכיוון שדוושות מבניות פועלות ללא קשר למוטיבציה של הסטודנט. האם אתם מסכימים ששינוי הסביבה גובר על שינוי תודעות? מה הסיכון שבהסתמכות על כל אחת מהן?
• חונך 'רמז-ולא-תשובה' עם מעקות בטיחות ביטל את נזק הלמידה שגרם חונך ללא מעקים, למרות ששניהם נראו מועילים. חשבו על כלי למידה שראיתם שמספק תשובות ביתר קלות. היכן הקו בין רמז שמפיגם לבין תשובה שמחליפה — והאם תוכלו לנסח אותו לפני הקריאה?
• התיקון החזק ביותר כולל עיצוב מחדש של ההערכה: מבחני כיתה ללא סיוע, הגנות בעל-פה, תוצרי תהליך, חשיבה מתגמלת על פני שטנות פני השטח. כיצד הייתם מרגישים לקחת קורס שנמדד כך, והאם הרגשה הזו אומרת לכם משהו על הסיבה שהדוושה הזו הן יעילה והן לא-פופולרית?
• מסגרות הצהרת בינה מלאכותית שמכריחות סטודנטים למפות את השימוש שלהם לשלבים קוגניטיביים (תכנון לעומת הפקת תוכן) מזיזות את ההדגשה מפיקוח לפרקטיקה מקצועית. האם אתם חושבים שרפלקציה כזו בונה באמת שיפוט טוב יותר, או שהיא רק מלמדת סטודנטים לתאר שימוש לרעה בצורה חכמה יותר?
• קבעו מטרה לפני הקריאה: זהו שינוי קונקרטי אחד בקורס או בזרימת העבודה שלכם שהיה הופך שימוש לרעה לקשה יותר, ואחד שהיה הופך שימוש פרודוקטיבי לקל יותר. לאיזו מהדרגות בעמוד כל אחד מהן היה שייך?

מבוא

המושג נשען על הראיות ששימוש לרעה בבינה מלאכותית פוגע באופן פעיל בלמידה עמידה — פער הביצועים–למידה המתועד בשימוש לרעה בבינה מלאכותית ונזק ללמידה — אפילו תוך ניפוח ביצועים מיידיים. ההתערבויות מכוונות לכן למנגנונים של הנזק הזה: העתקת תשובות, פריקת עומס קוגניטיבי, שחיקת מוטיבציה, והזזת למידה. הן אינן הדדית-בלעדיות; גישה עמידה משלבת רצף מבני עם בניית יכולת חינוכית.

מדוע דוושות מבניות חשובות ביותר

התערבויות ניתנות למיון לפי ראיות סיבתיות × הישג מבני × סקלאביליות × קיימות. על בסיס זה, שתי הדוושות המבניות מדורגות גבוה ביותר, מכיוון שהן פועלות אם הסטודנטים בוחרים בהתנהגות הנכונה או לא — הן contraining את הסביבה במקום להסתמך על מוטיבציה פנימית. הדוושות החינוכיות הן חיוניות אך יעילות רק כשהסטודנטים נספגים, ולכן נחשבות לדרג השנייה למרות ההבטחה הקונספטואלית שלהן. Coates, Croucher and Calderon (2025) דוחפים את הטיעון המבני דרגה למעלה, מתייחסים לממשל ולא להתנהגות הסטודנטים כקובע-האילוץ, ומציעים מסגרת מחווני יושר בת 130 פריטים כדי ששומרי היושר האקדמי יוכלו לראות אם ההערכה אותנטית, אם הסטודנטים מוכרים באופן אינדיבידואלי על ידי המורים המעריכים אותם, ואם יושר מופיע בקליטה ובהתמצאות. הרפורמות שלהם מכוונות לארכיטקטורות ממשל, אנשים וטכנולוגיות ומשאבים, והם מציעים לשאול את צוות האדום מאבטחת סייבר כדי לחשוף פגיעויות הערכה לפני שהסטודנטים מוצאים אותן — תזכורת שהרצף המבני מתוחזק על ידי מוסדות שצריכים גם את המידע וגם את הרצון לתחזק אותו.

דרג 1 — הוכח ישירות כמפחית נזק למידה

עיצוב כלי בינה מלאכותית עם מעקות בטיחות (פיגום "רמז-ולא-תשובה"). בממצא הסיבתי החזק ביותר במאגר הידע, RCT שדה הראה שחונך בסגנון ChatGPT ללא מעקים העלה ביצועי תרגול בסיוע ב-+48% אך הוריד ציוני מבחן ללא סיוע ב-−17%, בעוד חונך עם מעקות בטיחות (רמזים במקום תשובות, בתוסף מידע בעיות מחבר-מורים) ביטל את הנזק לחלוטין. זה מונע מכנית את התנהגות ה"קב" של העתקת תשובות שמאחורי הנזק. הפעילויות כוללות חונכות רמז-ולא-תשובה, זרע הנחיות עם פתרונות נכונים ותפיסות שגויות נפוצות, ודרישת נסיון סטודנט לפני שחשיפת פלט הבינה המלאכותית.

עיצוב מחדש של ההערכה (עמיד-בבינה מלאכותית + מדדים ללא סיוע). מכיוון שנזק השימוש לרעה תלוי-הערכה — מתגלה במדדים תחת פיקוח, ספרים סגורים וללא סיוע, תוך ניפוח עבודות קורס מדורגות רגילות — שינוי מה שנחשב כהישג גם מרתיע שימוש לרעה וגם חושף אותו. הפעילויות כוללות מבחני כיתה ללא סיוע והגנות בעל-פה, דרישת תוצרי תהליך (טיוטות, רפלקציות, היסק מוסבר), מתן תגמול לחשיבה על פני שטנות פני השטח, וייעוד אזורים נקיים-מבינה מלאכותית. Ivory et al. (2026) מעניקים לדרישת תוצר-התהליך מכשיר קונקרטי: היסטוריות גרסאות מחייבות ומסמכי ניתוח שניתנים לשחזור, כך שהגשה חשודה ניתנת לבדיקה כציר זמן של אופן פיתוח העבודה, וכמות החומר המפוקק שהסטודנט יהיה חייב להפיק עולה הרבה מעבר למה שההפרקה חוסכת לו. ראיות שדה בקנה מידה גדול מדגישות זאת: Strömberg, Lei, & Wu (2026) מצאו שהפרקת שיעורי בית שיפרה ציוני שיעורי בית ב-18% בעוד הורידה ציוני מבחן ספרים סגורים ב-20% — בדיוק האות שמדדים ללא סיוע ותחת פיקוח מתוכננים לחשוף, והמחקר ממליץ לשקול הערכת פרונטלית ספרים סגורים ביתר משקל. Leaton Gray, Edsall and Parapadakis (2025) מעניקים לאותה לוגיקה את הצהרת מניעת-פשע-סיטואציונלי המפורשת ביותר, בטענה שהכשל שייך להערכות שהמודל יכול לענות עליהן משכנע ולא לסטודנטים, ומדווחים על מקרה שבו 25 טכניקות מניעה שהוחלו על פרויקט גמר עסקי אוסטרלי — אינטראקציות סטודנטים עוקבות, גילוי דגל-אדום של עבודה מומחית-יתר, הקצאת צוותים מחדש אקראית, מבחני פיקוח בכתה שבועיים, הודעות הסרה לחומרי קורס שהסטודנטים פרסמו — לפי הדיווח קיצצו תיקי התנהגות בלתי הולמת מ-183 ל-27 בתוך שנה. ההנחיות שלהם הן מוטיבציוניות ולא חקירתיות: העלו את הנמפתח הנתפס של ההערכה, בנו מסוגלות עצמית, והגבירו את העלות החברתית הנתפסת של רמאות, עם אזהרת המחברים שמתן מענה לאחד או שניים מתוך השלושה בלבד ייכשל, ונתמכת בחמישה עיצובי מחדש ספציפיים-תחום שהופכים מבחני פתרון בעיות מתוזמנים לפתרון בעיות ספרים פתוחים עם רפלקציה כתובה על התהליך של הסטודנט עצמו, חיבורים מסכמים לשיתופיים פרויקטי מחקר ארכיוניים, ותיקי עבודות לתהליכי עיצוב עמיתים-בקורת איטרטיביים.

לדוושות המבניות יש זרוע אכיפה, ובסיס הראיות שלה חלש יותר מההישג שהיא מציגה. Munoz et al. (2026) קידדו 1,162 תיקי התנהגות בלתי הולמת בגין בינה מלאכותית יוצרת, ומצאו שהראיות הנצטלות לרואו בנקודת ההאשמה — פלט גלאים, דוחות דמיון, דפוסי תוכן טיפוסיים-בינה מלאכותית — נשאו את הערך הראייתי החלש ביותר, בעוד הודאות, התנהגות מבחן נצפית והפניות מפוקקות מאומתות באופן עצמאי היו החזקות ביותר; מכיוון שנהלים מוסדיים לא קבעו סף ראייתי מינימלי, איכות הראיות לא נשאה קשר אמין לתוצאות התיקים, ולסטודנטים שתיקיהם נשענו על ראיות דקות הייתה דרכה בעיקר ערעורים. Wright (2026) מראה עלות שנייה של אותה חוסר-דיוק: איסורים שנכתבים סביב "בינה מלאכותית יוצרת" ולא סביב הפונקציה לוכדים כלים שממירים רק את הפורמט של עבודה שהסטודנט כבר חיבר, ולכן שימוש-תמלול בלבד יכול להיענש כהתנהגות בלתי הולמת — הכללת-יתר הנופלת בחדות על לומדים עם מוגבלות ועל לומדים חשופים לשוויון, ואינה עושה דבר לתוקף. Harerimana, Mtshali and Mchunu (2026) מוסיפים שפיקוח מרחוק, הבקרה היעילה ביותר ביושר אקדמי, נשענת את טענת ההרתעה שלה על כך כיצד סטודנטים אומרים שהם מרגישים ולא על ירידה בהתנהגות בלתי הולמת, ומטילה חרדה, אובדן ריכוז והדרה הקשורה-תשתית שאין הוכחה שנענת על ידי שימוש לרעה נמוך יותר. Li (2026) מוסיף את ממד עיצוב הכללים: מכיון שאותו ממשק מבצע עריכת שפה מותרת ונוסח מהותי אסור, כללי GenAI בלתי-מבדילים מטילים נטלי תאימות מוטים-קוהורט על סטודנטים שמשתמשים באנגלית כשפה נוספת, ולכן המניעה ההגנתית יותר היא גבול תמיכה-החלפה מבוסס-מטרה, מעוגן בקונסטרוקט ההערכה, עם חשיפה מכוילת, פרופורציונליות המופגת לאורך החלטות סף, ראייתיות ועונש, ודוושות עיצוב — הגשות מופגות, אימות בעל-פה קצר ומותאם-קונסטרוקט, שאלות מבוססות-ביקורת — העושות את העבודה שהגילוי אינו מסוגל. המניעה חייבת לכסות גם את המדרג עצמו: הערכת צוות-אדום של Humble (2026) מצאה ששתיים מתוך חמש אסטרטגיות הזרקת-הנחיה עקיפות המוטבעות בקובץ הגשה העלו חיבור נכשל לעובר ללא זיהוי, בשיעורי הצלחה מדווחים של 100% ו-94%, ולכן היכן שכלי בינה מלאכותית מדרגים עבודת סטודנטים, בקרה אנושית, הפרדה ברורה יותר של הוראות מתוכן מוגש, ובדיקות חוסן שייכים לרצף המבני ולא לדרג אופציונלי.

דרג 2 — תמיכת מסגרת חזקה, פוטנציאל גבוה

רצפי שימוש מפוגמים: תחילה חשיבה, שנית בינה מלאכותית, שלישית רפלקציה. שמונה עקרונות עיצוב לשילוב מודלים לשוניים גדולים ללא הזזת חשיבה ביקורתית: שמרו על חיכוך קוגניטיבי, ממקמים בינה מלאכותית כשותפת חשיבה פרוביזיונית ולא כסמכות, מטמיעים נקודות בקורת הערכה, דורשים יומנות מטאקוגניטיבית ויומני הנחיות, ומאזנים פאזות מתווכות-בינה מלאכותית עם פאזות נקיות-מבינה מלאכותית. ראיות מתאמות (עבודה עצמאית לפני בינה מלאכותית מפיקה פלטים חזקים יותר) חזקות; זו הגרסה הפדגוגית-השלמה של דרג 1.

אוריינות AI ואוריינות הנחיה עם תרגול מכוון ומשוב מיידי. מודול גן עד תיכון המשתמש בתרגול הנחיה מבוסס-תרחיש עם מדרג אוטומטי מודלים לשוניים גדולים שיפר מיומנויות הנחיה בפועל והעלה את הביטחון בשימוש בבינה מלאכותית ללמידה ב-+10.4%, עם 87% שדיווחו שלמדו כיצד להשתמש בבינה מלאכותית באחריות. רווחי מיומנות מוכחים; השאלה הפתוחה היא האם אלו מומרים לתוצאות למידה במורד הזרם. זה מתייחס גם לפער השוויון בגישה קודמת לבינה מלאכותית.

מסגרות הצהרת שימוש בבינה מלאכותית מובנות. החלפת תיבות סימון גנריות של "השתמשתי בבינה מלאכותית" בהצהרות ספציפיות-תחום שמפות שימוש לשלבים קוגניטיביים (תכנון מבני לעומת הפקת תוכן) מאלצת רפלקציה על תהליך הלמידה ומבהירה את הגבול בין סיוע מקובל להתנהגות בלתי הולמת, ומזיזה את ההדגשה מפיקוח לפרקטיקה מקצועית.

דוושות חינוכיות נראות שוב אחרת ברגע שהיושר מתייחס כפרקטיקה שיש ללמד ולא ככלל שיש לאכוף. Sharma (2026) טוען שמשטרים של יושר מבוססי-גילוי ואימות אינם מיושרים לעבודה מוגברת-GenAI, וממסגר מחדש את היושר כפרקטיקה פדגוגית המופעלת דרך שיפוט הערכתי — יכולתו של הלומד לשקול אפשרויות, להצדיק בחירות אקדמיות ולקחת אחריות תחת אי-ודאות — המוגש באמצעות תוצרים כמו שבילי החלטות מוסברים, אימות מתועד, הגנה בעל-פה והיסטוריות גרסאות טיוטה-לטיוטה, עם גילוי שמורד לשכבת משנה אחת ולא לתשתית הראשית. Mulisa and Mezgebu (2026) מוצאים את הפתיחה הזו מהצד של הסטודנטים: לאורך 27 ראיונות באוניברסיטה אתיופית, השימוש היה כמעט אוניברסלי, רוב המשתתפים ייחסו ל-GenAI העלאת ההישג שלהם, והתלונה החדה ביותר נמשכה בכיוון הנגדי — משתמשי בינה מלאכותית שקיבלו ציונים גבוהים מעובדים עצמאיים חרוצים, מה שהמשתתפים תיארו כמנתק מוטיבציה. המחברים מסיקים שאמונות הסטודנטים מנבאות שימוש אתי ביתר עוצמה מכללים מוסדיים, ולכן מודעות, מדיניות ברורה ועיצוב מחדש של ההערכה חייבים להגיע יחד — שהיא דרג החינוך של העמוד כמצוין כתנאי: בניית יכולת משנה התנהגות רק דרך ספיגת הסטודנטים שמולה רצף מבני. Ji (2026) בסקירת ההיקף שלו על 38 מחקרים של קולות סטודנטים מספקת את הגרסה ברמת-התחום של אותה מסקנה: המחקרים שנסקרו מתכנסים על מעבר מגילוי רטרוספקטיבי להיסק אתי פרואקטיבי, על הוראת אתיקת בינה מלאכותית ו-AI-giarism בתוכנית הלימודים ולא במפגשי אוריינות חד-פעמיים, ועל הנחיות מפורטות שנוצרו בשיתוף מנהיגים, סגל וסטודנטים, מכיוון שהנחיה לא ברורה נקראת כהסכמה טקטית ולא כאזהרה. הקריאה של Ji עצמו היא שבעלות והיגון מוסלי מעוררים סטודנטים ביתר עוצמה מפחד מעונש, ושסטודנטים אינם מקבלים פסיביים של GenAI ולא אשמים ללא קונסטרינט מוסלי אלא סוכנים מוסליים העובדים אזור אפור — הצהרת הדרג הזה, כמצוין כממצא.

דרג 3 — מבטיח, ראיות סיבתיות ישירות נמוכות יותר

התערבויות מטאקוגניטיביות והערכה עצמית. יומנים רפלקטיביים, יומני הנחיות ואימון כיול בונים מחדש את "קו הבסיס הקוגניטיבי הנעדר" של סטודנטים ילידי-בינה מלאכותית שאינם יכולים לאתר את הגבול הקוגניטיבי שלהם מכיוון שהשטנות המופקת-בינה מלאכותית מסתירה אותו. מרכזי קונספטואלית אך עדיין לא נבדק סיבתית.

עיצוב מחדש של מוטיבציה. מכיוון שנגישות הבינה המלאכותית מחלישה מוטיבציה אוטונומית ("למה להשקיע מאמץ?"), מבנה מחדש של משימות סביב מטרות שבינה מלאכותית אינה מסוגלת לקיים וסביב סוכנות הלומד מכוון ישירות לשחיקת ההתמדה שמגבירה את הנזק הישיר.

אוריינות AI ביקורתית. מסגור כוח-ידע המלמד לומדים לחקור, לאתגר ולהשתתף בממשל בינה מלאכותית במקום לצרכו. לטווח ארוך, מוכוון-שוויון, ומבני בשאיפותיו, אם כי אפקטי הלמידה שלו נבדקים ברובם מעט.

זיהוי חנופה כדי למנוע קבלה בלתי-ביקורתית. מכיוון שבינה מלאכותית חנופתית מאשרת ולא מאתגרת את המשתמש, היא וקטור שימוש לרעה ישיר: סטודנטים שמקבלים הסכמה מאשרת על חשיבה שגויה מעודדים להחליף בינה מלאכותית בעבודה הקוגניטיבית שלהם. חנופה הקשרית מראה שאוריינות AI ואימון הנחיה מפחיתים אך לא מבטלים את לולאת השגיאה, ולכן מניעת שימוש לרעה חייבת לצמד אימון זיהוי חינוכי עם עיצוב חיכוך-מתקני ברמת המערכת (ראו מעקות בטיחות של דרג 1).

• חיכוך פרודוקטיבי ופונקציה פדגוגית. הסקירה המהירה של סידני טוענת ש-GenAI מחליש למידה כאשר הוא מאפשר לסטודנטים לעקוף את החיכוך הקוגניטיבי/המטאקוגניטיבי הנדרש ללמידה, ושכלים שתוכננו במטרה מכירים חיכוך פרודוקטיבי (עיכוב תשובות, הנחיית הסבר). היא מבדילה ארבע פונקציות פדגוגיות — למידה מן, עם, אודות, או על ידי עיצוב GenAI — כל אחת עם דרישות שונות על סוכנות והערכה.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

מושגים מחוברים

• שימוש לרעה בבינה מלאכותית ונזק ללמידה
• פריקת עומס קוגניטיבי
• יושרה אקדמית
• הערכה
• אוריינות AI
• פיגום
• למידה עצמית מוסדרת
• מטאקוגניציה
• מוטיבציה
• הנדסת הנחיות
• הסכמה מחניפה (AI Sycophancy)
• כיול אמון
• מסגור שימוש בבינה מלאכותית עבור סטודנטים
• כניעה קוגניטיבית

מאמרים מחוברים

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — שבילי ראיות בקרת-גרסאות ומסמכי ניתוח הניתנים לשחזור כמרתיעי שימוש לרעה (Ivory et al. 2026)
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — GenAI Without Guardrails Can Harm Learning
• Distinguishing performance gains from learning when using generative AI — Distinguishing Performance Gains from Learning
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — The AI Assessment Scale and Assessment Reform
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Scaffolding Critical Thinking with Generative AI
• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Learning to Use AI for Learning (K-12 AI Literacy Module)
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Structuring Transparency: GenAI Declaration Frameworks
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — The Absent Cognitive Baseline
• AI Literacy: An Exercise in Power-Knowledge — AI Literacy: An Exercise in Power-Knowledge
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Sycophantic AI makes human interaction feel more effortful and less satisfying over time
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Culture-building and assessment redesign over detection policing
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Cognitive surrender, productive friction, and metacognitive inequity
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsidering oral exams as authentic, AI-resistant assessment
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — The generative AI learning penalty: homework outsourcing harms learning
• Modeling AI Overreliance as a Complex Adaptive System — AI overreliance modeled as a complex adaptive system
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — Guardrails removed harm without improving exam scores
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — What misconduct allegation files actually contain as evidence
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Over-inclusive AI rules and the students they catch
• Educational integrity in GenAI-augmented assessment: making judgment visible — Integrity as evaluative judgment rather than compliance
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Students on whether GenAI is a cheating tool or a learning partner
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — What remote proctoring does to students, and to equity
• AI-based digital cheating at university, and the case for new ethical pedagogies — Situational crime prevention against AI-facilitated cheating: 183 to 27 cases, and five discipline-specific redesigns (Leaton Gray, Edsall & Parapadakis 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — What 38 studies of student voices recommend: co-created clarity and educative reasoning over detection (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Where language support ends and substitution begins for EAL writers (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection as a misuse vector against AI grading (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Governance as the binding constraint on integrity: a 130-item indicator framework (Coates, Croucher & Calderon 2025)