כיצד אכתוב מדיניות AI לקורס ואתקשר אותה לסטודנטים?

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

יש לכם תוכנית-קורס אחת, דף-הגשות אחד, וחדר מלא סטודנטים שכבר כתבו כללים פרטיים משלהם אודות בינה מלאכותית יוצרת. כל מה שתפרסמו חייב להיות הוגן כלפי הסטודנט שמשחק לפי הכללים וכלפי זה שלא, וחייב להיות משהו שאתם באמת יכולים ליישם על ארבעים הגשות בלי להפוך לשואף-לרצות או לשוטר.

השורה התחתונה: כתבו פחות כללים ממה שאתם מתפתים לכתוב, קשרו כל אחד לדבר הספציפי שאתם מעריכים, תנו שם למקום תקן בודד שבו סטודנטים מצהירים על שימוש ב-AI, ועשו את נתיב-האכיפה שלכם ראיה שאתם רואים בעיניים עצמכם ולא ציון-גלאי. מדיניות שמסבירה את עצמה עושה עיצוב-הערכה ועבודת-תקשורת בבת-אחת — וזו הסיבה שהיא לוקחת אחר-צוהריים וחוסכת סמסטר של ויכוחים.

העמוד הזה מכסה את המסמך ברמת-הקורס ליחידת-הוראה אחת, קורס אחד או מסלול-תוכנית אחד. ההנחה לאורך כולו היא שהחלטתם מה אתם מעריכים; השאלה היא כיצד לומר זאת ולהפוך את זה לבלתי-נתך.

איך מדיניויות-קורס נראות בפועל כרגע

ניתוח-תוכן של 116 מדיניויות GenAI מוסדיות מ-131 אוניברסיטאות אמריקאיות R1 ו98 תוכניות-קורס למדעי-המחשב מ-54 מתוכן מצא מוסדות broadly pro-use — 63% מעודדים שימוש ב-GenAI, 41% מציעים הנחיית-כיתה מפורטת, 27% מתנגדים לו — בעוד שמחצית תוכניות-הקורס (50%) אוסרות אותו במפורש, 41% מרשות שימוש חלקי עבור פעילויות מוגדרות ו-7% מתקשרות עידוד. Ganguly et al. (2026) קוראים לזה פער ה-top-down לעומת bottom-up: 92% מתוכניות-הקורס נותנות הנחיות מפורשות, אך מרצים כותבים כללים מקומיים שעלולים לא להתאים להנחיה המוסדית, ורק 47 מוסדות היו להם שתי הרמות ניתנות-איתור. ציטוט הוא הדבר היחיד ששתי הרמות מסכימות עליו, ונדרש ב-83% מתוכניות-הקורס. הכלל המקומי שלכם הוא מה שהסטודנטים פוגשים ראשון, ולהיות מחמירים יותר מהמוסד שלכם הוא נורמלי — אך זוהי מחויבות שאתם נוטלים על עצמכם לבד.

Chirikov (2026) עקבו אחר יותר מ-31,000 תוכניות-קורס באוניברסיטת-מחקר ציבורית גדולה בטקסס מ-2021 עד 2025: הרגולציה עלתה מאפס כמעט לפני ChatGPT ל-55% מהקורסים עד סתיו 2025, בעוד שהשותפות של מדיניויות restrictivas-מלאות נפלה כ-5 נקודות-אחוז בשנה. עד סתיו 2025, מרצים הגבילו בדרך-כלל ביותר ניסוח ועריכה-מחדש (79%) והיסק ופתרון בעיות (65%), והרשו בדרך-כלל ביותר עריכה והגהה (83%), תמיכת-לימוד וסינתזה (80%) ותכנות (75%); רעיונות היה השימוש המהוויך ביותר (46% מרשים, 54% מגביל). אזכורי-יושרה-אקדמית נפלו מ-63% ל-49%, בעוד שההפניות להשפעת ה-AI על הלמידה עלו מ-1% ל-29% ודרישות-ייחוס מ-16% ל-43%. מרצים עוברים משפת "אל תרמה לשפה של "הנה למה הגבול הזה מגן על הלמידה שלכם".

Nash and Burriss (2026) ניתחו 27 מדיניויות-AI לכיתה שנכתבו על ידי מורים לפני-הכשרה לאמנות-הלשון באנגלית: 26 מתוך 27 הרשו שימוש כלשהו ב-AI, כמעט תמיד בתנאים, בזמנים ובמקומות שצוינו על ידי המורה, ואחת אסרה אותו לחלוטין. רעיונות היה השימוש המורשה ביותר (22 מתוך 27) והמעורפל ביותר; 22 אסרו או השאירו לא-ברור הרכב-משפטים, פסקאות או חיבורים על ידי AI; 16 הרשו בדיקת-דקדוק והגהה בעוד ש-16 אסרו יצירת-טקסט גדול הנוצר על ידי AI; ו22 מתוך 27 לא התייחסו לקריאה כלל. הכשל החוזר היה תפעוליות: מדיניות אחת הרשה AI "כדי להפעיל את החשיבה שלכם" והכריזה "this is where the line should be drawn" בלי לומר היכן. עורפל זה הוא דפקט, לא פשרה — הוא משאיר סטודנטים בלתי-מסוגלים לציית ואתכם בלתי-מסוגלים ליישם תקן עקבי.

מה לכתוב, והיכן למקם זאת

התחילו ממשימות, לא מפילוסופיה. השיטה-המעובדת הבהירה ביותר היא McCorkle (2025), שהחליף איסור כולל שהסטודנטים לא האמינו שהוא חל עליהם. הבעיה הייתה חוסר-יישור, לא מרד: הסטודנטים לא ראו עצמם מתנהגים באופן לא-כשר. השיטה הייתה למלא מלאי של כל משימה בפרויקט-הסמסטר, לשאול על כל אחת "מה, בספציפיות, אני מעריך?", לשייך לכל משימה שימוש-מקצועי סביר ב-GenAI, ולהחליט משימה-אחר-משימה, תוך שקלילת הצורך להעריך יכולת מול הערך של בניית מיומנות-עובד-כוח. המדיניות שהתקבלה אינה-אחידה בכוונה: סיעור-מוחותין מורשה אך הרכבת מטרות-למידה ספציפיות ומדידות לא, איסוף-תמונות מורשה אך עיצוב-מסר ברמת-שקף לא, תסריטים וקריינות מורשים עם הערכה-נדרשת של פלט-ה-AI.

בתוכנית-הקורס: הסיכום הקצר — המשימות, השימוש המורשה לכל אחת, כיצד עובדת החשיפה, וההשלכה של גבול שנחצה. בדף-ההגשה: הקריאה-לפנייה, משום שסיכום אחד גס מדי לפרויקט מורכב — הכתיבה של McCorkle עבדה כי היא נתנה נימוק המכיוון לסטודנטים בגוף-השני, ותשת שם להערכה שמצדיקה כל הגבלה. בכיתה: אמרו את הכלל בקול רם פעם אחת, ברגע שהוא חל לראשונה, וקשרו אותו לעבודה שלפניהם — כלל שסטודנט פוגש לראשונה לבד הוא אחד שהוא מפרש לבד.

מכניקת-החשיפה ראויה לפסקה משלה בתוכנית-הקורס: סטודנטים שתוכנן-יחד מדיניות-קורס באמצעות חקר-מודרך העדיפו הדרכה לסטודנטים ומרצים, הליכי-חשיפה סטנדרטיים, תמיכה מוסדית חזקה יותר ומעורבות גדולה יותר בהחלטות על AI (Hingle and Johri (2026)). אמרו כיצד, היכן ובאיזו צורה סטודנט מצהיר על שימוש ב-AI, ואמרו זאת פעם אחת. המהלך המקביל של Pisan (2026) היה להפוך את יומן-ההנחיות ליצירת-מדורגת: כשמודל עושה את הייצור, ההנחיה ויומן-האינטראקציה הם הדבר ששווה לגרסה.

כתבו רק כללים שאתם יכולים לאכוף

כלל שדורש ניטור-לכל-משימה, או שיפוט-פסק-דין על מתי הערכה "מתחילה", ייושם באופן לא-עקבי, וחוסר-עקביות הוא עצמו בעיית-שוויון. משטרי-גלאי מביאים onות-מעקב שנופלת באופן לא-אחיד ומעלים שאלות של פיקוח ושמירת-נתונים. הממצא של Chirikov על וריאציה-משמעת ומשימה משמעותית תומך במסגרות שמעניקות למרצים אוטונומיה בתוך התחום שלהם במקום מנדטים one-size-fits-all.

יש כאן מימד של שוויון: מדיניות אטומות מניחות ידע-רקע משותף על ייחוס, ייחוס-מקור ונורמות של עבודה אקדמית, ולכן הן נופלות בחזקה ביותר על סטודנטים המגיעים בלעדיו. הטיעון של McCorkle הוא ששקיפות מפרקת חלק מתכנית-הלימודים הנסתרת הזו ומפחיתה את הסיכון שכשל-מדיניות יהפוך לעניין-משמעתי. הגרסה הזולה ביותר מכל זה היא פחות כללים ויותר ספציפיים — המשימות שאתם מעריכים, השימושים המורשים לכל אחת, מכניקת-החשיפה, וההשלכה של גבול שנחצה — עם הצגת הסיבה לכל גבול.

כיצד לומר זאת כדי שסטודנטים יצייתו

כללי-חשיפה אינם עובדים כמנגנוני-ציות בפני עצמכם; הנחה שכן היא שגיאת-העיצוב הנפוצה ביותר. במחקר שיטות-מעורבות של 409 סטודנטים לתואר-ראשון, Qu and Wang (2026) מצאו שחוסר-חשיפה היה הסתגלות אסטרטגית לנורמות-עמיתים נתפסות ולאמון פרשני נמוך במרצים, לא הזנחה מוסרית: חשיפת-עמיתים נתפסת ונוחות עם מרצים היו החוזים החזקים ביותר לחשיפה של הסטודנטים עצמם, בעוד שלניכור-מוסרי היו השפעות חלשות יותר. אקלים-יחסים הוא משתנה-ניתן-לעיצוב, ומנדטים לבדם אינם מספיקים: מה שהסטודנטים מאמינים שעמיתם עושים, והאם הם סומכים עליכם שתקראו חשיפה בהוגנות, חוזה את הכנותם יותר מחומרת-הנוסח שלכם.

Kim et al. (2026) זיהו חמישה אתרים מובחנים שבהם המדיניות-האמיתית של הקורס חיה — כוונת-סגל, מדיניות-פורמלית, פרשנות-סטודנטים, מדיניות-עצמית של סטודנטים ופרקטיקת-סטודנטים — עם פערים מערכתיים ביניהם, בתוספת 23 רציונליזציות בשש מחלקות שהסטודנטים השתמשו בהן כדי להצדיק שימוש ב-AI בכתיבה אקדמית, מ"אין קורבן אנושי" ל"אדישות-מרצה". הרציונליזציות האלה היו ad hoc ו-post hoc: הסטודנטים הסבירו התנהגות שכבר קרה במקום להסיק מראש, וזו הסיבה שנוסח-בהיר יותר וגילוי-קשה יותר אינם סוגרים את הפער בעצמם. משתתף אחד שרצה לציית לכלל איסור-AI מחמיר המשיך להשתמש ב-AI ודיווח שהאיסור "is creating conflict for me, because I'm breaking the rules" — האיסור הגביר סכסוך-מוסרי במקום למנוע שימוש. אם כלל מייצר אשמה בלי ציות, הוא אינו עושה עבודה; הוא משחת את היחס שאתם זקוקים לו לחשיפה.

שימו לב למה שאתם מדגימים: מכיוון שרוב ההגשות בקורס של Pisan חשפו את ההנחיה שנעשה בהן, סטודנט אחד קרא שקיפות כהרשאה: "the dependency on ai from the teacher for grading and creating assignments also made it difficult to not use ai for assignments in the same way." הדגמת-נורמה היא חלק מהמדיניות כפי שהסטודנטים חווים אותה, whatever אומרת תוכנית-הקורס.

הצהרה-מודל שאתם יכולים להתאים:

שימוש ב-AI בקורס זה. אני רוצה שתעזבו את הקורס הזה מסוגלים לעשות X בעצמכם, ולכן אני מעריך X ישירות. אתם רשאים להשתמש ב-AI עבור [שימושים מורשים] ב[רשימת-משימות]; אתם לא רשאים להשתמש בו עבור [שימושים מוגבלים], מכיון שאלה הם מה שאני נוקד. אם תשתמשו ב-AI בכל מקום בעבודתכם, אמרו לי ב[מקום-בודד-בשם — למשל, שורת-חשיפה בכל הגשה] למה השתמשתם בו והדביקו את ההנחיות. הצהרה על כך לא תוריד את הציון שלכם; אי-הצהרה תוריד. אם אתם לא בטורים האם שימוש מורשה, שאלו אותי לפני שאתם מגישים, לא אחרי.

המשפט האחרון מזיז את נקודת-ההחלטה לפני העבודה.

ארבעת השיחות שמייצרים סכסוך

הסטודנט שהשתמש ב-AI ולא אמר זאת. טפלו בזה כשאלת-תהליך, לא כשאלת-אופי. Mohamed and Temimi (2026) מדגימים הערכה כבעיית-מידע-בלתי-מושלם: הסטודנט יודע כיצד העבודה נוצרה והמוסד רואה רק את היצירה ואת המעקבים החלקיים. מודל-תחום-התגובה שלהם משווה שלוש תגובות — אין שימוש ב-AI, שימוש מודה, ושימוש-מוסתר — ושואל איזו כל מנגנון הופך לאטרקטיבי ביותר. איסור מגדיר את הגבול הפורמלי אך משאיר שימוש-מוסתר אטרקטיבי כשהסטודנטים תופסים את הגילוי כחלש; ניטור מעלה את העלות-הצפויה של שימוש-מוסתר בלי להגדיל חשיפה; סטודנטים הופכים נזהרים בלי להפוך שקופים. רשות עם חשיפה הופכת דיווח-כשר לבעל-משמעות רק כשהעלות של כנות נמוכה. מעשית: שאלו מה העבודה הייתה אמורה להעריך, בקשו מהסטודנט לתת דין-וחשבון על התהליך שלו, ווהתייחסו להצהרה-מאוחרת כמידע, לא כווידוי.

הסטודנט שמציין AI על הכול. זה בדרך-כלל פער-כישורים wearing suit-של-ציות. דרישות-ייחוס בתוכניות-קורס עלו מ-16% ל-43% בעוד שאזכורי-יושרה-אקדמית נפלו מ-63% ל-49% — התחום מבקש ציטוט, לא ווידוי. ציינו את הפורמט פעם אחת, במקום אחד, בדף-ההגשה ולא בהערת-שוליים בתוכנית-הקורס. אמרו מה נחשב לייחוס-מספיק עבור התחום שלכם, ונתנו דוגמה-מעובדת אחת. היכן שהבעיה-האמיתית היא שהסטודנט אינו מסוגל עדיין לעשות את העבודה-היסודית בלי המודל, התשובה היא עיצוב-המשימה, לא הכלל.

עבודת-צוות. משימות-צוות הן היכן שחמשת אתרי-המדיניות מסוטים במהירות ביותר: חמישה סטודנטים יכולים להחזיק חמש פרשניות שונות של משפט אחד ורק הגשה אחת מדורגת. החליטו ופרסמו, לכל תוצאת-צוות, האם שימוש ב-AI מורשה, מי מצהיר עליו, ומה קורה כשחבר יוצא מחוץ לכלל — לפני שהפרויקט מתחיל, לא במהלך הוויכוח. אם אינכם יכולים לציין את התרומה-האינדיבידואלית שחבר אחראי עליה, דרגו את המשימה כעבודת-צוות-בלבד במקום לשפוט ייחוס בדיעבד.

חשיפה שאתם לא יכולים לאמת. חלק מההצהרות יהיו בלתי-שלמות וחלק מההשמטות יהיו בלתי-עומדות-בדיעבד. אל תבנו את הכלל סביב פתרון שאתם לא יכולים להשיג: Bassett et al. (2026) טוענים שגילוי-AI אינו צריך לשמש בחינוך כלל, על שלושה נימוקים הנוגעים ישירות לנוסח-המדיניות. פלט-הגלאי הוא אומד-הסתברותי שלא ניתן לאימות עצמאי, מכיון שמקור-הטקסט במציאות אינו ידוע, ולכן האימות פועל על היסק-מעגלי. ציוני-גלאים אינם עומדים בתקן balance-of-probabilities שבו חקירת יושרה זקוקה. והדיכוטומיה אנושי-לעומת-AI היא חסרת-משמעות עבור עבודה שנוצרה עם ולא על ידי AI. המסקנה שלהם היא שגילוי "does not safeguard academic integrity; it undermines it." הם מסמנים גם בעיית-ניסוח: כללים המגבילים שימוש ב-AI "in assessment" נכשלים בציונו מתי הערכה מתחילה, ולכן מחקר, תכנון או עריכה בסיוע-AI עשויים או לא להפוך להפרה תלוי מי קורא. במקום זאת, תנו שם לראיות-תהליך שאתם יכולים לצפות בהן — הנחיה מוגשה ויומן-אינטראקציה, תרגיל-בכיתה שנוצר בחדר, הסבר-אוראלי — ווהתייחסו לשימוש-ב-AI מוצהר כהקשר. היכן שהמוסד שלכם מפעיל גלאי בכל זאת, האזהרות של אותם מחברים על אחסון-נתונים, שמירה ושימוש-מסחרי בעבודת-סטודנטים חלות; התנגדות הפרטיות ששני מורים לפני-הכשרה העלו היא ההתנגדות שהסטודנטים שלכם יעלו.

"אבל..." — שלוש ההתנגדויות שתשמעו

"הסטודנטים פשוט יסתירו זאת." חלק יסתירו, ושאלת-העיצוב היא אילו סטודנטים הכלל שלכם מפתה. הרתעה פועלת דרך הdiscrimination של גלאי בין שימוש-מוסתר לעבודה-לגיטימית, לא דרך שיעור-הלכידה הגלמי שלו, ולכן כשרגישות-יתר מייצרת יותר חיובים-שווא חדשים מאשר חיובים-אמיתיים חדשים, מעקב-חזק יותר יכול להפוך הסתרה לאטרקטיבי באופן יחסי — סטודנטים כנים נענשים מהר יותר מאשר משתמשים-מוסתרים מזוהים. ורשות וחשיפה הם מנופות שונים: רשות מזיזה את גבול השימוש-המקובל, חשיפה משנה את הנראות. אבחנו היכן המשימה שלכם מושכת ביותר את הסטודנט הפיתה ביותר להסתיר, ועוצבו עבור הסטודנט ההוא, לא עבור המצפוני ביותר.

"אני לא רוצה לאסור כלים שאיני יכול לזהות." אתם לא חייבים. איסור הוא רק אחת מארבע תגובות-עיצוב, לצד ניטור, שימוש-מורשה עם חשיפה, ועיצוב-מחדש. עיצוב-מחדש משנה את מה שהמשימה מתגמלת, ונשאר קוסמטי אם הרובריקה עדיין נוקדת בעיקר את המוצר-הסופי. Pisan (2026) מראה את האפשרויות מפורשות ומדורגות לפי רמה: שימוש ב-AI נאסר בקורס התכנות-המבוא, מכיון שעיבוד-כוח על הלולאות הראשונות מסיר את הדבר שנלמד; מעודד בפרויקטים במבני-נתונים (Copilot מורשה) אך נאסר במבחני-עט-ועפר; עזר-לימוד-וסקירה בקורס-המערכות העליון; ונדרש בקורס ה-AI עצמו, שבו גבול אחד נשא את רוב המשקל — המודל רשאי לכתוב קוד, אך הרפלקציות חייבות להיות בקולו-של-הסטודנט. ההערכה עברה לעבודה שמודל אינו יכול לכתוב-למענה בשקט, עם מבחנים שהוסרו לחלוטין.

"מדיניות המוסד שלי כבר מכסה את זה." פחות ממה שאתם חושבים. פער ה-top-down לעומת bottom-up רץ בשני הכיוונים: 92% מתוכניות-הקורס נותנות הנחיות מפורשות בעוד שכללים-מקומיים נודדים מהנחיה-המוסדית, ורק 47 מוסדות היו להם שתי הרמות ניתנות-איתור. רכש, נתונים ומחזורי-בדיקה שייכים לכיצד נכתוב ונקים מדיניות AI מוסדית?, אך התרגום-לכיתה הוא שלכם. Nash and Burriss מסיקים שמוסדות חייבים להצטיד מורים לסרב כמו גם לאמץ, תוך מתן ההנחיה והההתפתחות המקצועית שמאפשרות למרצה לדחות שימוש-ספציפי ב-AI בלי להיות ממוסגרים כלא-מתעדכנים — ה-technodeterminism של המשתתפים שלהם סתר את המחויבויות הפדגוגיות שלהם. קיום-מדיניות-מוסדית אינו זהה לקיום-כיסוי לשיפוט-הדין שלכם.

השבוע הראשון שלכם: רשימת-פעולה

• מלאו מלאי של המשימות-המדורגות ושאלו על כל אחת, "מה, בספציפיות, אני מעריך?" לפני שאתם מחליטים דבר על AI.
• החליטו משימה-אחר-משימה, ובדקו איזו תגובה ההחלטה הזו הופכת לאטרקטיבית ביותר עבור הסטודנט הפיתה ביותר להסתיר.
• אל תעשו גלאי למנגנון-האכיפה; תנו שם לראיות-תהליך שאתם יכולים לצפות בהן במקום — יומנים, עבודת-כיתה, בדיקה-אוראלית.
• אמרו כיצד והיכן סטודנטים מצהירים על שימוש ב-AI, במקום-תקן אחד, והתייחסו להצהרה כהקשר ולא כווידוי.
• אמרו כל כלל כנימוק, תוך מתן שם להערכה שהוא משרת, עם תזכורות בפרויקטים מורכבים.
• כתבו רק כללים שאתם יכולים ליישם בעקביות across מחזור-ניקוד, וחתכו את אלה שאתם לא יכולים.

לאן ללכת הלאה

ממשל, מדיניות-נתונים, רכש ומחזורי-בדיקה שייכים לכיצד נכתוב ונקים מדיניות AI מוסדית?; כללים-מוסדיים ומחוזיים מחויבים יושבים עם מדיניות חינוכית לבינה מלאכותית וממשל בינה מלאכותית; בנייה-מחדש של המשימה עצמה כדי שציון עדיין יתמוך בהסקה-שאפשר-להגן-עליה יושבת עם כיצד אתכנן מחדש הערכה כך שציון עדיין יגיד לי משהו הגני על מה שהסטודנט יודע או יכול לעשות?.