Akademska čestitost

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Akademska čestitost: etički okvir koji uređuje pošten akademski rad u doba umjetne inteligencije. Baza znanja dokumentira kako je koncept preoblikovala generativna umjetna inteligencija: od problema otkrivanja nepoštenih rezultata do problema oblikovanja koji pošten rad čini vidljivim, provjerljivim i vrijednim truda. Istraživanje akademske čestitosti na ovom području razvilo se od pristupa usredotočenih na otkrivanje prema temeljnom preoblikovanju procjene, upravljanju koje vodi pedagogija i podučavanju učenika kako dobro upotrebljavati umjetnu inteligenciju, umjesto pukog nadziranja upotrebljavaju li je.

Pitanja za razmatranje

• Sjetite se posljednjeg puta kada ste čuli raspravu o „varanju s umjetnom inteligencijom“. Je li razgovor bio o hvatanju učenika ili o oblikovanju zadataka koje bi učenici htjeli pošteno raditi? Koji vam je naglasak poznatiji i zašto?
• Uredan i uvjerljiv rad sada se može generirati u nekoliko sekundi. Ako sposobnost učenika više ne možete procijeniti prema proizvodu koji predaje, što biste trebali vidjeti ili čuti da biste bili sigurni da je to doista naučio?
• Istraživanja pokazuju da učenici upotrebu umjetne inteligencije često racionaliziraju („prepisivanje teksta umjetne inteligencije nikome ne šteti“), a ne zloupotrebljavaju je iz zlobe. Koje pretpostavke o motivima učenika donosi isključivo kaznena politika čestitosti, i u čemu bi te pretpostavke mogle biti pogrešne?
• Jedna istraživačka linija tretira upotrebu umjetne inteligencije među učenicima kao problem koordinacije: ponašanje se mijenja kada se promijene očekivanja vršnjaka i poticaji u procjeni, a ne kada se pravila ponovno izgovore. Koji čimbenici vršnjaka ili oblikovanja u vašem vlastitom kontekstu mogu tiho oblikovati to je li upotreba umjetne inteligencije poštena?
• Istraživanja pokazuju da strah od kazne navodi učenike da skrivaju upotrebu umjetne inteligencije, i da transparentni učenici mogu čak izazvati sumnju. Kada biste oblikovali obrazac „izjave o upotrebi umjetne inteligencije“, što bi navelo učenika da ga doista želi istinito ispuniti?
• Ista institucionalna politika o umjetnoj inteligenciji različito se tumači u različitim kulturama: kultura, a ne formulacija politike, određuje što se osjeća pogrešnim. Kako bi politiku čestitosti trebalo priopćiti kulturno raznolikoj generaciji kako bi očekivanja doista bila shvaćena?

Uvod

Dolazak generativne umjetne inteligencije nije stvorio potrebu za akademskom čestitošću: učinio je slabosti postojećih pristupa teže zanemarivima. Uredan i uvjerljiv proizvod sada se može generirati u nekoliko sekundi, pa je sličnost proizvoda sve nepouzdaniji signal sposobnosti. To pomiče pitanje čestitosti s „možemo li uhvatiti upotrebu umjetne inteligencije?“ na „mogu li naše procjene još uvijek opravdati zaključke koje izvodimo o učenju učenika?“

Razvoj od otkrivanja prema preoblikovanju

• Skepticizam prema otkrivanju: istraživanje otkrivanja umjetne inteligencije i institucionalne analize sve više pokazuju da su alati za otkrivanje umjetne inteligencije nepouzdani i postupovno nepravedni. Otkrivanje teksta koji generira LLM suočava se s temeljnim ograničenjima. Radovi u cijelosti generirani umjetnom inteligencijom mogu proći kroz sustave ispita uživo uglavnom neotkriveni, a iskusni ocjenjivači ne prepoznaju pouzdano radove koje je napisala generativna umjetna inteligencija. Otkrivanje je u najboljem slučaju ograničen, situacijski alat, a ne strategija prvog izbora. Opseg koji se ipak od njega traži daleko je od marginalnog: šestogodišnja analiza velikog kolegija CS2 pokazala je da je 45,7% učenika u proljetnom semestru 2026. označeno zbog obrazaca koji odgovaraju programiranju uz pomoć LLM-a (Racovan i sur. (2026.)).
• Uski raspon otkrivanja i varanje kao planirano ponašanje: Leaton Gray, Edsall i Parapadakis (2025.) sastavljaju argument da umjetna inteligencija pojačava ranjivost koju je sektor već imao: tekst koji je generirala umjetna inteligencija prošao je kao ljudski napisan u do 80% slučajeva, dok dokazi koje citiraju smještaju automatsko otkrivanje na oko 80% nasuprot 78,4% za ljudske preglednike, što je preuzak raspon da bi nosio nalaz o nedoličnom ponašanju. Njihova je motivacijska analiza osebujniji doprinos: polazeći od Ajzenove teorije planiranog ponašanja i Bandurine teorije samoučinkovitosti, izvješćuju o metaanalizi Kroua i sur. (2021.) koja nalazi da je samoučinkovitost negativno povezana s varanjem, dok stvarna sposobnost uopće nije obrnuto povezana s njim. Sposoban i samouvjeren učenik koji procjenu doživljava nepravednom može stoga varati kako bi vratio kontrolu. Zaključak slijedi istu inverziju koju ova stranica dokumentira i drugdje: procjena na koju model može uvjerljivo odgovoriti intelektualno je trivijalna procjena, a propust pripada procjeni, a ne učeniku.
• Preoblikovanje procjene: autentična procjena, pristupi koji idu dalje od otkrivanja i Skala procjene s umjetnom inteligencijom pomiču fokus s hvatanja upotrebe umjetne inteligencije na oblikovanje procjena u kojima je upotreba umjetne inteligencije ili nevažna, ili transparentna, ili nužna za pokazivanje određene sposobnosti.
• Strukturna ranjivost ocjenjivanja: Chan i sur. daju konkretnu studiju slučaja o tome kako je trenutačno ocjenjivanje strukturno izloženo nepoštenju posredovanom umjetnom inteligencijom. Na odsjeku za biologiju nastavnici su samo nadzirane ispite uživo doživljavali minimalno ranjivima; zadatke izvan nastave vidjeli su kao vrlo ranjive, što je ostavilo oko trećine ocjene učenika vrlo ranjivom, a 80% barem donekle ranjivom. To uokviruje problem čestitosti dijelom kao problem oblikovanja ocjenjivanja, što motivira ponovno uravnoteženje prema nadziranoj procjeni ili procjeni u nastavi i prema oblicima autentične procjene koje je teže prenijeti na drugoga. Ivory i sur. (2026.) daju disciplinarnu protutežu s cijelim trogodišnjim programom psihologije: 36 od 40 procjena, kroz 16 vrsta, proizvelo je prolazni sadržaj uz najmanji trud, a četiri koje nisu bile one koje su zahtijevale prisutnost, vizualne medije ili vlastiti skup podataka učenika. Njihovo čitanje zašto prolazi dio je koji se generalizira: ocjenjivanje koje nagrađuje tečnu strukturu i upotrebu ispravne analize u dobroj vjeri tolerira izmišljene vrijednosti i halucinirane reference, pa granica prolaza, a ne otkrivanje, odlučuje hoće li se rezultat umjetne inteligencije ocijeniti kao postignuće, a ranjivost procjene „ne može se pripisati isključivo upotrebi učenika“.
• Predaja kao napadna površina: ubacivanje poticaja protiv ocjenjivanja umjetnom inteligencijom. Humble (2026.) provodi crveni tim na svakodnevnom tijeku ocjenjivanja i pokazuje da predaja učenika može nositi skrivene upute koje mijenjaju ocjenu koju alat umjetne inteligencije proizvodi: dvije od pet strategija neizravnog ubacivanja ugrađenih u datoteku predaje podigle su esej koji nije prolazio do prolaza bez vidljivog upozorenja korisniku, uz prijavljene stope uspjeha napada od 100% (9/9) i 94% (17/18), obje kombinirajući manipulaciju uputama, igranje uloga i zamućivanje u formatima docx, pdf i htm. Najosnovniji napad u potpunosti je propao, a njegovo je odbijanje bilo tiho: alat je onesposobio razgovor bez izvješća o pokušaju, dok je jedno otkriveno ubacivanje proizvelo uvjeravanje da će alat ocjenjivati „samo prema službenim uputama zadatka“ prije nego što je šest daljnjih pokretanja iste datoteke ipak podiglo ocjenu. Posljedica za čestitost teče u oba smjera: ocjena podignuta skrivenom uputom ne nosi nikakav zahtjev za valjanošću, ista bi se tehnika mogla upotrijebiti za degradiranje predaje bez trajnog traga u rezultatu, a osoba koja ocjenjuje ostaje jedina stvarna provjera manipulacije osmišljene da ne bude vidljiva.
• Valjanost kao organizacijski okvir: valjanost procjene preoblikuje čestitost u dokazni problem. Istraživanje autentične procjene uvodi zamjenu konstrukta: proizvod koji je generirala umjetna inteligencija pripisuje se učeniku, pa procjena zaključuje o sposobnosti alata, a ne učenika. Dokazno pitanje nadživljava svaku politiku o umjetnoj inteligenciji: bilo da je upotreba zabranjena, dopuštena ili obvezna, procjena i dalje mora proizvesti dokaze koji opravdavaju zaključak koji se izvodi.
• Varijacija na razini opsega kao mehanizam čestitosti bez nadzora: VARIA (Lee 2026.) mjernim ogledalom provjerava premisu koja stoji iza autentične procjene integrirane s umjetnom inteligencijom (AIAA): zamjenu nadzora utemeljenog na promatranju varijacijom zadatka za svakog učenika, tako da je prepisivanje strukturno beskorisno. Jamstvo čestitosti uvjetno je: ovisi o tome da LLM-ovi generiraju varijante koje su površinski različite i ekvivalentne po konstruktu; pilot VARIA-e sa 600 varijanti nalazi da vrhunski modeli to zadovoljavaju samo na granici (zajednička ocjena 0,81 do 0,88), dok se modeli koji nisu vrhunski urušavaju (0,50 do 0,55), pa se „varijacija na razini opsega ne može riješiti samo inženjerstvom poticaja“. To raspravi o otkrivanju nasuprot preoblikovanju daje empirijsku provjeru koja se može opovrgnuti: obećanje autentične, po zadatku varirane procjene bez nadzora sada ovisi o izmjerenoj (i još uvijek uskoj) sposobnosti generiranja, a ne o pretpostavljenoj.
• Provjera autentičnosti učenikove refleksije nasuprot generativnoj umjetnoj inteligenciji: Kadel i sur. (2026.) tvrde da tradicionalni modeli refleksije više ne mogu potvrditi autentičnost učenikove refleksije kada generativna umjetna inteligencija može napisati refleksivnu prozu, i ugrađuju čestitost izravno u model refleksije: faza zamki okvira 5P izričito obrađuje plagiranje, halucinacije i pretjerano oslanjanje, dok njezine faze procesa i proizvoda zahtijevaju dokumentiranje poticaja i provjeru rezultata kako bi se vlastito razmišljanje učenika razlikovalo od doprinosa koje generira umjetna inteligencija.
• Razvoj politike: institucionalne politike o umjetnoj inteligenciji i istraživanje obrazovne politike ispituju kako sveučilišta razvijaju i priopćuju očekivanja o čestitosti, i zašto apstraktne političke izjave tako često propadaju.
• Čestitost kao problem upravljanja, a ne otkrivanja. Coates, Croucher i Calderon (2025.) premještaju obvezujuće ograničenje s ponašanja učenika na akademsko upravljanje, koje nazivaju otpornim, ali „ne dobro postavljenim ni spremnim“ za suočavanje s prijetnjama povezanima s generativnom umjetnom inteligencijom za potvrdu autentičnosti učenikove procjene. Njihov je odgovor okvir pokazatelja čestitosti sa 130 čestica kroz osam dimenzija, od oblikovanja (19 čestica) do unapređivanja (6), sačinjen od pitanja o upravljanju, a ne od psihometrijskih skala: prima li najviši odbor institucije izvješća o kvaliteti procjene, koji se postotak procjene odnosi na relevantne i smislene probleme, koji je postotak učenika nastavnicima koji ih ocjenjuju poznat pojedinačno. Razvijen je kroz višegodišnji pregled istraživanja, pet studija slučaja australskih sveučilišta, izradu prototipa, stručnu potvrdu sa 60 pozvanih stručnjaka iz šest svjetskih regija i kvantitativni pilot, a popraćen je reformama arhitektura upravljanja, ljudi te tehnologija i resursa za koje autori očekuju da će se isplatiti samo pod vanjskim pritiskom regulacije, uspoređivanja i međuinstitucionalnog natjecanja; okvir predstavljaju kao formativan i pozivaju na psihometrijsku validaciju prije nego što se upotrijebi za usporedbu ili mjerenje.
• Što dokumenti doista kažu: čestitost dominira institucionalnom politikom o umjetnoj inteligenciji. Eldredge i sur. (2026.) analizirali su dokumente politike i smjernica o umjetnoj inteligenciji svih 48 CAHIIM-akreditiranih diplomskih programa zdravstvene informatike i upravljanja zdravstvenim informacijama u SAD-u: 40 (83%) imalo je barem jedan odgovarajući dokument, a ti su dokumenti umjetnu inteligenciju u velikoj većini uokvirivali kao pitanje sprječavanja zloupotrebe među učenicima u kolegijima, sa središtem na akademskoj čestitosti i prihvatljivoj upotrebi. Akademska čestitost bila je daleko najčešća ključna riječ (n = 139, ispred citiranja s 59, procjene s 50 i plagiranja s 38), dok su teme privatnosti, intelektualnog vlasništva i regulacije bile prisutne, ali rjeđe (HIPAA n = 5, FERPA n = 11, smjernice IRB-a n = 8). Modeliranje tema na istom korpusu dalo je četiri teme, prva od kojih je akademska čestitost i prikladna upotreba umjetne inteligencije, uz generativnu umjetnu inteligenciju u poučavanju, upotrebu umjetne inteligencije i alata za podatke u istraživanju te angažman učenika sa sustavima konverzacijske umjetne inteligencije. Dokazna vrijednost za ovu stranicu je kvantifikacija: uokvirivanje sa središtem na čestitost nije samo retorička zadana postavka institucionalne politike o umjetnoj inteligenciji, ono je empirijski njezin dominantni sadržaj. Najoštrije zapažanje autora odnosi se na mjesto gdje se ta pažnja zaustavlja: primjećuju da razmjerno malo smjernica pokriva upotrebu umjetne inteligencije u primijenjenom učenju, istraživanju i simuliranim okruženjima, gdje se sijeku kurikularna pitanja i pitanja upravljanja podacima, pa dokumenti uređuju kolegije, dok okruženja za koja diploma priprema učenike ostaju uglavnom neobrađena.
• Uokvirivanje čestitosti ustupa mjesto regulaciji prema vrsti zadatka: longitudinalna studija Chirikova (2026.) o više od 31.000 kolegijskih programa pokazuje da se politike nastavnika o umjetnoj inteligenciji odmiču od okvira koji se bavi isključivo čestitošću: spominjanja akademske čestitosti u programima pala su sa 63% (proljeće 2023.) na 49% (jesen 2025.), dok su reference na utjecaj umjetne inteligencije na učenje porasle s 1% na 29%. Nastavnici sve više reguliraju umjetnu inteligenciju prema vrsti zadatka: ograničavaju je za sastavljanje i rasuđivanje (gdje bi umjetna inteligencija potisnula učenje), a dopuštaju za uređivanje i lekturu te potporu učenju, umjesto da primjenjuju sveobuhvatnu zabranu zbog čestitosti. To preoblikuje politiku čestitosti u dizajnersku odluku na razini zadatka, a ne u binarno pravilo.
• Otpor stroju kao prevencija, a ne otkrivanje. Remećenje samog dokumenta (razmaci među znakovima, riječima i recima, podrhtavanje neprozirnosti, slojevi pruga i šum slike, uz protivničke napade utemeljene na odlukama) podiže trud potreban za niskotrudnu zloupotrebu LLM-a na samom izvoru, dok se mjeri isto znanje (Salaun i sur. (2026.)). Ručno prepisivanje ostaje moguće, a protivnički napadi štite samo odabrane retke, što pogrešku znakova u cijelom dokumentu ostavlja ispod 8,44%.

Postupak zbog nedoličnog ponašanja i njegov dokazni slom

Provedbeni aparat koji stoji na vrhu politike čestitosti i sam je dizajnerska odluka, a generativna umjetna inteligencija razgradila je njegov dokazni temelj. Teichmann (2026.) tvrdi da postupak zbog nedoličnog ponašanja koji su sveučilišta preuzela iz plagiranja pretpostavlja da se zabranjena upotreba može otkriti i dokazati, a tu premisu tehnologija razgrađuje. Za razliku od softvera za usporedbu tekstova, koji upućuje na prepisani izvor, klasifikator teksta umjetne inteligencije ne identificira nikakav izvor (jer on ne postoji); daje probabilističku prosudbu o stilu koja se degradira pod parafrazom, sustavno pogrešno označava pisanje neizvornih govornika engleskog i ne može se objasniti ni unakrsno ispitati, dok vješta ili malo uređena upotreba ne ostavlja nikakav trag. Ustrajanje unatoč tome preokreće teret dokazivanja (od učenika se traži da dokaže negativno), napreže svaki element postupovne pravde i najteže pogađa štetom lažne optužbe one koji su već u nepovoljnom položaju. Predloženi je lijek dvostruk: dokazni standard prema kojem sam rezultat detektora nikada ne utemeljuje nalaz, uz stupnjevane odgovore koji prvo educiraju, i premještanje institucionalnog truda u oblikovanje procjene usredotočene na valjanost i autentične procjene: odgovor na neotkrivljivu umjetnu inteligenciju jest bolja procjena, a ne bolji nadzor. Granični slučaj uopće nema aparata: Isley, Gaebler i Goel (2026.) dokumentiraju diplomski program javne politike na jednom američkom državnom sveučilištu koji je potpisanom izjavom zabranjivao pomoć generativne umjetne inteligencije i nije pregledavao nijednu predaju, gdje je 56,1% kandidata 2025. predalo barem jedan esej koji je komercijalni detektor klasificirao kao pretežno napisan umjetnom inteligencijom, a svaki je označeni esej bio povezan s 1,5 postotnih bodova nižom vjerojatnošću upisa (p < .01), što se popelo na 2,6 boda (p < .001) kada je kvaliteta eseja držana konstantnom. Bez koraka otkrivanja, prosudbe ili provedbe između pravila i ishoda, kazna je u cijelosti izrečena kroz nepisanu prosudbu čitatelja prijava: zabrana plus nepotpomognuta prosudba čitatelja reproducira diskrecijsku, neobjašnjenu sankciju koju pošten postupak postoji da spriječi.

Munoz i sur. (2026.) daju empirijsku protutežu kodiranjem svakog slučaja nedoličnog ponašanja s generativnom umjetnom inteligencijom na jednom regionalnom australskom sveučilištu kroz tri godine: 1.162 slučaja s 1.855 dokaznih čestica, svaka ocijenjena po relevantnosti, vjerodostojnosti i inferencijskoj snazi. Rezultat detektora bio je dokaz kojemu se najviše posezalo i koji je najmanje mogao nositi težinu: izvješća Turnitina ili sličnosti nosila su 100% slabu inferencijsku snagu, a samostalni rezultat detektora 100% nisku vjerodostojnost, i dokazi detektora pali su na 0,5% čestica do 2025. kako su institucije usvajale ono što on ne može dokazati; najsnažnije vrste dokaza bile su one koje se ne oslanjaju na probabilističku klasifikaciju teksta: priznanja učenika, opaženo zabranjeno ponašanje na ispitu i neovisno provjerene izmišljene reference, što je bio najveći strukturni pomak s 22,3% čestica. Njihova najoštrija kritika strukturna je, a ne dokazna, jer „ne postoji zahtjev da istražitelji procijene dokaznu kvalitetu dokaza prije nego što pokrenu optužbu, ni minimalni dokazni prag u bilo kojoj fazi postupka“, pa kvaliteta dokaza nije imala pouzdan odnos s ishodima slučajeva. Bilježe i kako je politika sustigla praksu: politika procjene na snazi do 2024. nije govorila ništa o umjetnoj inteligenciji, a od siječnja 2025. revidirana je politika dopuštala odobreni softver za autentičnost, istodobno zabranjujući učitavanje radova učenika u alate trećih strana za otkrivanje umjetne inteligencije.

Drugi je propust u opsegu, a ne u dokazu. Wright (2026.) pokazuje da zabrane napisane na razini identiteta platforme, a ne funkcije, obuhvaćaju i negenerativnu pretvorbu formata (transkripciju govora u tekst, OCR, obični tekst u LATEX) uz generativno sastavljanje koje žele zabraniti, iako recenzirana literatura iz računalnih znanosti tretira prepoznavanje i generiranje kao različite operacije. Trošak pada neravnomjerno: učenici sa stanjima koja utječu na finu motoričku kontrolu, čitljivost rukopisa ili točnost tipkanja oslanjali su se upravo na te alate, a kako se samostalni proizvodi za govor u tekst ukidaju ili degradiraju, transkripcija pokretana umjetnom inteligencijom popunjava tu funkcionalnu prazninu, pa preširoko pravilo uklanja glavno sredstvo za proizvodnju čitljivog rada, što spor čini pitanjem pristupačnosti i ravnopravnosti prije nego pitanjem čestitosti. Wrightov je lijek definicija generativne umjetne inteligencije utemeljena na funkciji, uz četiri operativna kriterija (vjernost, neproširivanje, sljedivost i potvrda) koji učeniku daju strukturiran put da pobije optužbu koja se odnosi samo na transkripciju, dok teret dokazivanja ostaje na instituciji.

Dokazni problem otkrivanja ujedno je problem valjanosti. Budući da je pomoć umjetne inteligencije iterativna i isprepletena sa sastavljanjem, a ne u cijelosti prenesena na vanjskog izvođača, autorstvo i vlasništvo nad značenjem razilaze se, i ispravan predani proizvod možda ne dokazuje da je učenik primijenio prosudbu koju je zadatak trebao ciljati. Rad detektora varira po zadatku, disciplini i verziji modela, a objavljena ili naslućena upotreba umjetne inteligencije može djelovati kao pristrano usmjerenje za ocjenjivače, pa odgovor utemeljen na otkrivanju dodaje varijancu nevažnu za konstrukt, umjesto da je ukloni. Gdje rasprave o čestitosti pitaju tko je proizveo riječi, račun valjanosti pita koji tvrdnju o učeniku izvedba opravdava.

Problem racionalizacije

Učenici općenito ne zloupotrebljavaju umjetnu inteligenciju iz zlobe; oni je racionaliziraju. Istraživanje intervjuima identificira barem pet točaka raskida na kojima se tumačenje politike o umjetnoj inteligenciji među učenicima razilazi s namjerom nastavnika, i taksonomiju od više od 20 različitih racionalizacija, od „prepisivanje teksta umjetne inteligencije nikome ne šteti“ do „tekst koji odražava moja uvjerenja moje je vlastito pisanje“. Te su racionalizacije ad hoc, naknadne i unutarnje nedosljedne, i opisuju „strmu etičku nizbrdicu“ po kojoj učenici klize daleko izvan pedagoških ciljeva. Zato su zablude učenika o umjetnoj inteligenciji uzvodni uzrok kršenja čestitosti, i zato obrazovanje o čestitosti mora obraditi etičko rasuđivanje, a ne samo tehničku vještinu.

Ji (2026.) u pregledu opsega 38 empirijskih studija o glasovima učenika daje sintezu na kojoj počiva ovaj odjeljak. Njegove su četiri teme dvosmislenost (generiranje cijelog zadatka čita se kao varanje, provjera gramatike i brainstorming uglavnom su prihvatljivi, a parafraziranje, izrada nacrta i prevođenje nalaze se u sivoj zoni), etička djelotvornost u kojoj učenici grade osobna pravila u vakuumu smjernica koji čitaju kao nijemo odobrenje svojih postupaka, jaz između etičke svijesti i prakse te razlike po spolu, razini, disciplini i kulturi. Jaz između svijesti i prakse problem je racionalizacije izmjeren na razini opsega: Indeks etičke disonance Huang i sur. razvrstao je 522 kineska učenika u četiri skupine, od kojih je jedna često činila ono što je smatrala nelegitimnim, a modeliranje strukturnih jednadžbi Ofema i sur. s 4.679 nigerijskih učenika pokazalo je da pozitivne percepcije ChatGPT-a predviđaju nepoštenu upotrebu, dok pozitivni stavovi prema čestitosti djeluju kao značajan negativni posrednik. Ji učenike čita ni kao pasivne primatelje generativne umjetne inteligencije ni kao krivce bez moralnog ograničenja, nego kao aktivne aktere koji se snalaze u etičkoj sivoj zoni, i zato pregledane studije konvergiraju prema suoblikovanim, obrazovnim i kontekstualno osjetljivim odgovorima, a ne kaznenima.

Zašto sama politika propada: problem koordinacije

Okvir koordinacijske igre daje objašnjenje na razini mehanizma zašto političke izjave rijetko mijenjaju ponašanje: upotreba umjetne inteligencije među učenicima problem je koordinacije, u kojem pojedinačne odluke ovise o očekivanjima vršnjaka i oblikovanju procjene. Ključni nalaz modela jesu nelinearna dinamika praga: male, dobro kalibrirane promjene poticaja u refleksivnoj procjeni mogu potaknuti brze pomake cijele generacije prema odgovornoj upotrebi, dok slabi ili neusklađeni poticaji dopuštaju da oportunistička praksa potraje. U praktičnim terminima, skromno preoblikovanje (primjerice, zahtjev da učenici razmisle o svojim interakcijama s umjetnom inteligencijom) može imati nerazmjerne učinke tamo gdje apstraktna pravila nemaju nikakve.

Odgovornost među vršnjacima ne upućuje uvijek prema čestitosti, kako su Chen i Zou (2026.) našli u ocjenjivanoj grupnoj procjeni: sedam od petnaest studentskih grupa svjesno je smanjilo upotrebu generativne umjetne inteligencije dijelom kako bi izbjeglo oslanjanje na trud drugih, jer su posljedice za grupu bile zajedničke, a ne pojedinačne, no u pet grupa permisivna kolektivna klima („svi u mojoj grupi upotrebljavaju generativnu umjetnu inteligenciju“) snizila je percipirani rizik od zloupotrebe i preokrenula upravo onaj mehanizam odgovornosti koji rad u grupi treba stvoriti. Ista studija našla je da učenici originalnost preoblikuju kao vjernost razumijevanju koje su njihovi kolege zajedno izgradili, a njezina praktična preporuka slijedi izravno: pregovaranje o prihvatljivoj upotrebi umjetne inteligencije treba učiniti izričitim, dokumentiranim i ocjenjivim ishodom, umjesto da se norma prepusti nastajanju iz pritiska vršnjaka ili percipiranog rizika.

Nedosljednost politike unutar institucije proizvela je upravo ono nagađanje koje koordinacijski prikaz predviđa. Devet od jedanaest sugovornika u Zou i sur. (2026.) protumačilo je izričito dopuštenje vlastitog kolegija za upotrebu generativne umjetne inteligencije kao moguću „zamku“, mamac za prepoznavanje učenika koji se ne mogu suzdržati, iako je politika bila otvorena i zapisana u smjernicama za procjenu; učenici su generalizirali iz zabrana i upozorenja na koje su nailazili drugdje, umjesto da su pravila vlastitog kolegija čitali u njihovim vlastitim terminima. Zaključak autora slijedi mehanizam, a ne formulaciju: jasnoća na razini kolegija nije bila dovoljna, i potrebna je dosljednost na razini programa ili institucije kako bi učenici prestali zaključivati o namjeri iz kulture koja ih okružuje.

Jednako ponašanje, različite presude, i izjava koja ništa ne mijenja. Poudyal (2026.) primijenio je 15 standardiziranih vinjeta na politička okruženja 20 australskih sveučilišta i dobio 300 klasifikacija: 120 (40,0%) jasno zabranjenih, 56 (18,7%) neodređenih i nijednu jasno dopuštenu, dok su obvezujući instrumenti šutjeli o generativnoj umjetnoj inteligenciji u 100 kombinacija koje su smjernice riješile u 88. Izjava nije određivala ishode: isti status izjave dao je različite klasifikacije ovisno o pravilima dopuštenja i uputama zadatka, a polje izjave zabilježilo je 117 ispunjenih zahtjeva i 80 lažnih izjava.

Postupci su jednako važni kao politike, a njihova dokazna osnova za umjetnu inteligenciju se urušila. Teichmann (2026.) tvrdi da postupak zbog nedoličnog ponašanja koji su sveučilišta preuzela iz plagiranja počiva na premisi koju je generativna umjetna inteligencija razgradila: da se zabranjena upotreba može otkriti i dokazati. Za razliku od softvera za usporedbu tekstova, koji može uputiti na prepisani izvor, klasifikatori teksta umjetne inteligencije ne identificiraju nikakav izvor jer on ne postoji: daju probabilističku prosudbu o stilu koja se degradira pod parafrazom, sustavno pogrešno klasificiraju neizvorne govornike i ne mogu se objasniti ni unakrsno ispitati, dok vješta ili malo uređena upotreba ne ostavlja nikakav trag. Ustrajanje unatoč tome preokreće teret dokazivanja (od učenika se traži da dokaže negativno), napreže svaki element postupovne pravde i najteže pogađa štetom lažne optužbe one koji su već u nepovoljnom položaju. Predloženi je lijek dvostruk: objaviti dokazni standard prema kojem sam rezultat detektora nikada ne utemeljuje nalaz, uz stupnjevane odgovore koji prvo educiraju, i premjestiti institucionalni trud u oblikovanje procjene usredotočene na valjanost i autentične procjene. Mohamed i Temimi (2026.) daju protutežu na razini mehanizma s učenikove strane: budući da svako okruženje procjene jedan odgovor čini najprivlačnijim, zabrana ostavlja skrivanje privlačnim kada je provjera slaba, praćenje poskupljuje skrivenu upotrebu, a da pritom ne čini objavljivanje sigurnim, i samo preoblikovanje (snižavanje dobiti od prijenosa na vanjskog izvođača uz podizanje vrijednosti vidljivog rasuđivanja) pomiče učenike prema odgovornoj upotrebi. Njihov najoštriji rezultat jest da odvraćanje prolazi kroz razlučivanje detektora između skrivene upotrebe i legitimnog rada, a ne kroz njegovu stopu uhvaćenih slučajeva, pa kada lažno pozitivni rezultati rastu brže od istinito pozitivnih, jače praćenje može skrivanje učiniti relativno privlačnijim.

• Dužnost čestitosti može se prepisati kao pojedinačna kompetencija. U 366 sažetaka o generativnoj umjetnoj inteligenciji u visokom obrazovanju riječ čestitost pojavljuje se 461 put, ali samo 6 od 166 izraza obveze imenuje učenike, pa se provjera i objavljivanje pojavljuju kao vještine koje se od učenika očekuju, a ne kao obveze koje institucije provode (Poudyal, 2026.).

• Koliko je politika čestitosti propisujuća ne otkriva koliko je procjena izložena. Provjeravajući 15.587 zapisa kolegija, Villanueva (2026.) našao je da su sveučilišta s mandatima za reformu na razini institucije i ona sa širokim okvirima raspoređena po istom rasponu izloženosti procjene: empirijska protuteža koordinacijskom prikazu o tome zašto izjave rijetko mijenjaju ponašanje.

Socioemocionalna dimenzija

Provedba čestitosti ima zanemaren emocionalni trošak. Istraživanje srama i krivnje s učenicima pokazuje da ti osjećaji uređuju kada i kako upotreba umjetne inteligencije postaje vidljiva, proizvodeći ponašanja skrivanja i selektivno objavljivanje, i da supostoje s nastavljenom upotrebom, stvarajući cikluse smanjene djelotvornosti i moralne napetosti, a ne promjenu ponašanja. Zato norme oko upotrebe umjetne inteligencije uređuju vidljivost učinkovitije nego što uređuju upotrebu. Učenici svoju upotrebu umjetne inteligencije čak opisuju jezikom ovisnosti. Posljedica je da politika usredotočena na otkrivanje i usmjerena na nadzor riskira potiskivanje zloupotrebe u podzemlje, umjesto da joj se bavi, i time potkopava iskreno pregovaranje koje produktivna upotreba zahtijeva.

Naličje skrivanja je odbijanje, i ono nosi vlastiti emocionalni trošak. Među 85 budućih nastavnika koje su Zou i sur. (2026.) anketirali pod politikom procjene koja je izričito dopuštala generativnu umjetnu inteligenciju, 62,4% (53) odlučilo ju je uopće ne upotrebljavati, a upotreba onih koji su je prihvatili bila je plitka i korektivna: lektura (43,8%) i provjere jasnoće (34,4%) daleko su nadmašile generiranje teksta (18,8%) i brainstorming (12,5%). Strah od neopravdane optužbe, a ne tehnička teškoća, odradio je velik dio posla: navelo ga je 41,5% onih koji je nisu prihvatili, nasuprot 13,2% koji su naveli nedostatak znanja ili vještina, dok je 77,4% neupotrebu jednostavno uokvirilo kao sklonost samostalnom radu. Kada se permisivna politika čita kao zamka, siguran je odgovor odbiti ponudu, što instituciju košta rada integriranog s umjetnom inteligencijom koji je pokušavala pozvati.

Izjave o upotrebi umjetne inteligencije

Izjave o upotrebi i objavljivanju umjetne inteligencije konkretan su mehanizam kroz koji se operacionaliziraju očekivanja o čestitosti, a istraživanje pokazuje da često propadaju kada se tretiraju kao neutralni obrasci za usklađenost. Gonsalves (2025.) našao je da 74% učenika nije objavilo upotrebu umjetne inteligencije na obveznom naslovnom listu kolegija, potaknuto strahom od kazni, dvosmislenošću smjernica, nedosljednom provedbom i normama vršnjaka. Kirsanov i sur. (2026.) i Vetter i sur. (2026.) potvrđuju da strah od odmazde i nejasna politika hlade objavljivanje, i da transparentni učenici mogu čak izazvati sumnju. Chang i sur. (2026.) preoblikuju objavljivanje u ponašanje traženja pomoći i samoregulacije koje anksioznost preusmjerava prema vršnjacima. Kolektivna je pouka da politike objavljivanja moraju obraditi afektivne i socijalne prepreke, biti jasne i dosljedne, i tretirati objavljivanje kao formativnu pedagogiju, a ne kao nadzor. Luo i Dawson (2026.) dodaju nastavničku stranu jednadžbe: nastavničko ocjenjivanje rada uz pomoć generativne umjetne inteligencije pokreću vrijednosne prosudbe o poštenju, marljivosti i povjerenju prema učeniku, a mnogi nastavnici kažnjavaju (ili su u iskušenju kazniti) učenike koji objave upotrebu generativne umjetne inteligencije, čak i kada je kvaliteta rada visoka. To je problem „dvosmjerne transparentnosti“: od učenika se očekuje da objave upotrebu, ali nastavnici rijetko pojašnjavaju kako će ta izjava utjecati na ocjene, pa pošteno objavljivanje može nositi neizrečenu kaznu u ocjenjivanju. Studija smješta problem objavljivanja u vrijednosno nabijenu stvarnost nastavničkog ocjenjivanja i tvrdi da transparentnost mora teći u oba smjera.

Vlastita izvješća učenika kvantificiraju koliko loše ta poruka stiže. U anketi sa 504 studenta preddiplomskog studija sociologije 81 posto njih reklo je da su njihovi nastavnici ili asistenti dali smjernice o upotrebi umjetne inteligencije, no samo je 46 posto te upute nazvalo vrlo jasnima; 19 posto izvijestilo je da uopće nije dobilo smjernice, a ostali su ih opisali kao u najboljem slučaju donekle jasne (Kuznetsov, Sheely i Baker, 2026.). Strah od počinjenja akademskog prekršaja bio je druga najčešća briga koju su učenici izrazili (28 posto): trošak koji nameće dvosmislenost, a ne provedba, jer samo je 3 posto izvijestilo da upotrebljava generativnu umjetnu inteligenciju za generiranje teksta zadatka, a 2 posto za izradu cijelog nacrta. Praktična je posljedica da je jasnoća komunikacije i sama mehanizam čestitosti, i da učenik koji ne može znati što je dopušteno nosi rizik koji institucija nikada nije namjeravala nametnuti.

Dopuštenje na razini kolegija također ne rješava dilemu objavljivanja. U studiji Zou i sur. (2026.) sa 85 budućih nastavnika čije su procjene izričito dopuštale generativnu umjetnu inteligenciju, samostalne izjave zbrojile su 28 korisnika nasuprot 32 u anonimnoj anketi, a dva su se izvora razišla u suprotnim smjerovima po kolegiju: kolegij A zabilježio je 14 korisnika u anketi, ali samo 8 izjava, dok je kolegij C preokrenuo obrazac (8 u anketi, 12 izjava). Autori razilaženje čitaju kao ocjenjivane posljedice koje oblikuju ono što su učenici bili spremni učiniti vidljivim, dodajući dokaz iz obrazovanja nastavnika da sustav izjava mjeri ponašanje objavljivanja jednako kao i upotrebu.

Kulturna i kontekstualna varijacija

Tekst politike nije isto što i percepcija politike. Međunarodno istraživanje našlo je da su, unatoč funkcionalno identičnim institucionalnim politikama, učenici na različitim sveučilištima različito ocjenjivali iste prakse uz pomoć umjetne inteligencije: kultura, a ne formulacija politike, pokretala je percipiranu pogrešnost. Usklađivanje politika ne proizvodi usklađivanje percepcija, pa kulturno raznolike generacije različito tumače ista pravila, što je pitanje ravnopravnosti za provedbu i ocjenjivanje i zagovara pojašnjenje kroz scenarije umjesto apstraktnih izjava pravila.

Jezično podrijetlo, a ne kultura, druga je os varijacije. Li (2026.) tvrdi da, budući da isto sučelje obavlja dopušteno jezično uređivanje i zabranjeno sadržajno sastavljanje, pravila čestitosti koja generativnu umjetnu inteligenciju tretiraju kao jednu kategoriju nedopuštene pomoći pretvaraju jezični nedostatak u rizik za čestitost: potpuna zabrana uklanja skalabilan oblik jezične potpore, režim „dopusti, ali objavi“ prebacuje obvezu usklađenosti na učenike koji engleski uče kao dodatni jezik i čija je upotreba češća i iterativnija, a zabrane uređivanja izvan manjih promjena koncentriraju sumnju na pisce čija se tečnost najviše promijenila. Granica koju Li predlaže utemeljena je na svrsi, a ne na alatu: dopuštena potpora ne dodaje nove ideje, ni nove izvore, ni bitno preslagivanje analize, dok zamjena stvara ili bitno preoblikuje intelektualni rad koji se ocjenjuje; utemeljena je u konstruktu procjene jer rubrike koje dodjeljuju bodove za tečnost i idiomatski izraz unose varijancu nevažnu za konstrukt kod pisaca koji engleski uče kao dodatni jezik (valjanost procjene). Okvir degradira rezultat detektora na trijažni signal koji rijetko čini dokaz, preferira triangulaciju kroz stupnjevane predaje, povijesti nacrta, provjerljive tragove izvora i kratak razgovor usklađen s konstruktom, i kalibrira objavljivanje tako da rutinska potpora ne nosi troškove usklađenosti veće od onih koje nose njihovi jednojezični vršnjaci.

Od nadzora prema pedagogiji

Baza znanja dokumentira promjenu paradigme: od umjetne inteligencije kao prijetnje čestitosti koju treba nadzirati do umjetne inteligencije kao alata čiju prikladnu upotrebu treba poučavati. To je etička dimenzija pismenosti o umjetnoj inteligenciji i utjelovljena je u praktičnom oblikovanju:

• Izjave o upotrebi umjetne inteligencije specifične za zadatak: okviri izjava specifični za domenu zamjenjuju generičke kućice „upotrebljavao sam umjetnu inteligenciju“ strukturiranim izjavama koje upotrebu preslikavaju na kognitivne faze (primjerice, strukturno planiranje nasuprot generiranju sadržaja), što iznuđuje refleksiju i pomiče fokus s nadzora na profesionalnu praksu.

• Procjena s transparentnim procesom: arhitekture kao što su kognitivno upravljanje, stupnjevane predaje, usmjerene obrane i AI Viva (konverzacijski agent koji ispituje razumiju li učenici svoje predaje) čine vidljivima ljudsku prosudbu, provjeru i odgovornost. Miles, Haber-Curran i Arar (2026.) spuštaju istu logiku do samog poticaja: njihova primjerna rubrika ocjenjuje iterativno dotjerivanje, kritičko tumačenje rezultata i refleksivnu reviziju, pa se ocjenjuje učenikov angažman s alatom, a ne artefakt koji je proizveo, i tvrde da poučavanje učenika samo optimizaciji rezultata ostavlja etičke i epistemološke dimenzije upotrebe netaknutima.

• Smanjenje zloupotrebe: čestitost stoji uz zloupotrebu umjetne inteligencije i štetu za učenje (trošak zloupotrebe za učenje) i smanjenje zloupotrebe umjetne inteligencije (intervencije koje je sprječavaju), povezujući poštenje s istinskim učenjem, a ne s praćenjem pravila.

• Transparentnost kao strategija čestitosti, a ne samo kurtoazija: studija slučaja oblikovanja McCorklea (2025.) tretira obrazloženje svake dopuštene ili nedopuštene upotrebe generativne umjetne inteligencije kao sam mehanizam čestitosti. Učenici intervjuirani nakon što su ignorirali politiku zabrane objasnili su da se nisu vidjeli kao nekoga tko se ponaša nepošteno, što propust preoblikuje kao dvosmislenost, a ne kao neposluh, pa ga je preoblikovanje riješilo tako da je svako ograničenje opravdalo konkretnom procjenom koju štiti i da je oblikovano za McCabeovu „20-60-20“ sredinu koja se može uvjeriti, a ne za nekolicinu odlučnih. Slučaj imenuje i trošak nejasne politike za ravnopravnost: očekivanja koja su nejasna i nejednaka među nastavnicima ono je što propust politike pretvara u disciplinski postupak (ravnopravnost).

• Oblikovanje, a ne otkrivanje: slučaj Bochuma. Preoblikovanje uvoda u nuklearnu i čestičnu fiziku na Sveučilištu Ruhr u Bochumu (Mikhasenko i sur., 2026.) povezalo je svoju politiku o umjetnoj inteligenciji s praktičnim propustom čestitosti, a ne s otkrivanjem: budući da su zadaci za vježbe bili objavljeni unaprijed, dio učenika pripremao je rješenja generirana umjetnom inteligencijom i prepisivao ih na ploču bez angažmana u predviđenom rasuđivanju. Autori to tretiraju kao problem oblikovanja (premještanje zadataka za vježbe u pripremljenu raspravu u nastavi i činjenje pisanog ispita odlučujućim za ocjenu), a ne kao problem nadzora, dok izričito dopuštaju umjetnu inteligenciju u učenju, objašnjavaju zašto je provjera odgovornost učenika i primjećuju da su otvoreni zadaci koji dopuštaju umjetnu inteligenciju također podigli ovisnost, nejednak pristup plaćenim modelima i radno opterećenje asistenata.

Najjasniju formulaciju pedagoške inverzije daju El Khoury i Ma (2026.), koji tvrde da reforma koja polazi od sumnje sužava obrazovnu imaginaciju na kontrolu, usklađenost i nadzor, i da bi čestitost trebala biti posljedica procjene oblikovane za angažman, a ne njezino polazište. Njihovo potkrepljujuće zapažanje mehanizam je već vidljiv drugdje u ovoj bazi znanja: nezainteresiranost je jedan od uvjeta pod kojima nepoštenje postaje vjerojatnije, pa programi koji testiraju procjene ili ograničavaju upotrebu umjetne inteligencije bez bavljenja angažmanom ostavljaju dio problema netaknutim.

Učenici izvan anglofonog visokog obrazovanja istu napetost opisuju vlastitim riječima. Mulisa i Mezgebu (2026.) intervjuirali su 27 studenata preddiplomskog studija na jednom etiopskom sveučilištu i našli studentsko tijelo podijeljeno protiv sebe: gotovo svi upotrebljavali su generativnu umjetnu inteligenciju ili gledali kolege kako je upotrebljavaju, većina joj je pripisivala poboljšanje akademskog postignuća, mala manjina takvu je upotrebu nazvala izravno nedoličnim ponašanjem, a gotovo svi opisivali su neravnopravno igralište na kojem rad uz pomoć umjetne inteligencije dobiva bolje ocjene od poštenog truda, dok oni koji rade samostalno gube osjećaj marljivosti. Najoštrije obilježje tog prikaza jest definicija plagiranja koju daju učenici, tehnički obranjiva i nepotpuna: ako plagiranje znači reproduciranje tuđih riječi, tekst koji je napisao stroj i koji ništa ne prepisuje nije plagiranje. Zato autori tvrde da se definicija mora proširiti izvan kopiranja i lijepljenja, slijedeći „AI-plagiranje“ Ka i Chana (2025.), i zato vlastita uvjerenja učenika, a ne samo institucionalna pravila, smještaju u središte etičke upotrebe.

Sharma (2026.) vodi pedagošku inverziju korak dalje proširujući Eatonin okvir postplagiranja iz etičke orijentacije u oblikovanje procjene. Čestitost se, prema tom prikazu, ostvaruje kroz procjenjivačku prosudbu, sposobnost učenika da odvaže mogućnosti, opravda akademske odluke i preuzme odgovornost u uvjetima epistemičke nesigurnosti, i čini se vidljivom kroz četiri prakse: anotirane tragove odluka, prakse provjere i odgovornosti, usmenu obranu i dijalošku odgovornost te razlike među nacrtima s poviješću verzija. Otkrivanje se zadržava samo kao dopunski sloj za jasno krivotvorenje ili namjerno prenošenje intelektualnog rada na vanjskog izvođača, nikada kao glavna infrastruktura čestitosti, jer pita je li generativna umjetna inteligencija upotrijebljena, a ne kako su donesene odluke koje stoje za radom; argument imenuje i rizik za ravnopravnost da modeli usredotočeni na otkrivanje najteže pogađaju učenike koji se oslanjaju na generativne alate za jezično ili kognitivno postupno skidanje potpore.

Treći put smješten je između otkrivanja i preoblikovanja. Akçapınar (2026.) predviđa rizik varanja uz pomoć umjetne inteligencije iz tragova u LMS-u s početka semestra s AUC-om od 0,763 i rezultat uokviruje kao akademsko usmjeravanje s niskim ulozima (podsjetnici, praćenje zadataka, kratki razgovori), a ne kao dokaz nedoličnog ponašanja, inzistirajući da rezultat ostane odvojen od ocjena i disciplinskih evidencija.

Veze

Akademska čestitost povezuje se s valjanošću procjene, pismenošću o umjetnoj inteligenciji, otkrivanjem umjetne inteligencije, autentičnom procjenom, procjenom, obrazovnom politikom o umjetnoj inteligenciji, regulacijom, etikom i ravnopravnošću. To je etička dimenzija umjetne inteligencije u obrazovanju, neodvojiva od pretjeranog oslanjanja i šireg pitanja kako generativna umjetna inteligencija preoblikuje učenje u visokom obrazovanju i u školama K-12.

• Sinteza sistematskog pregleda. PRISMA pregled 25 studija (Balalle i Pannilage 2025.) nalazi da umjetna inteligencija djeluje i kao prijetnja (pisanje koje generira umjetna inteligencija, alati za parafraziranje) i kao alat za otkrivanje (Turnitinove ocjene umjetne inteligencije), da je softver za otkrivanje nepouzdan za rad koji generira umjetna inteligencija, i da institucije moraju izgraditi kulturu akademske čestitosti kroz jasnu politiku, preoblikovanje procjene i obuku o etici, a ne samo kroz nadzor (Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity).

Čestitost je središnja briga, ali rijedak ishod. U 394 studije o generativnoj umjetnoj inteligenciji u visokom obrazovanju akademska čestitost i etika bile su među najrjeđe ciljanim ishodima (Lin i sur. (2026.)).

• Od nadzora prema dijalogu: provjera učenja. Praktičarski prikaz institucionalnog okvira Sveučilišta Grand Canyon (Mandernach 2026.) tvrdi da je otkrivanje nepouzdano i da formalni postupci čestitosti rijetko dolaze do rješenja, ostavljajući nastavnike sa „sumnjom bez lijeka“. GCU je umjesto toga prihvatio provjeru učenja, koja traži od učenika da u kratkom razgovoru pokažu razumijevanje predanog rada, preoblikujući čestitost iz problema usklađenosti u problem procjene. To vraća autoritet nastavnicima, pomiče učenike s „kako ne biti uhvaćen“ na istinski angažman i smatra upotrebu umjetne inteligencije prihvatljivom kada učenik može pokazati učenje; početna anksioznost učenika zbog provjere naglašava da politika preopterećena nadzorom može nagristi povjerenje.

• Generativna umjetna inteligencija pobjeđuje domaće zadaće koje se mogu automatski ocijeniti (2026.): ChatGPT je prošao svih 150 testnih sesija na namjerno ojačanim, automatski ocjenjivim zadacima iz Qiskita (kvantno računarstvo): personalizacija, skrivene reference, refleksije, izvršavanje u simulatoru. To pokazuje da ocjenjivači utemeljeni na rubrikama ne mogu pouzdano razlikovati rad koji je dovršila umjetna inteligencija od rada koji su dovršili učenici i zagovara izravnu procjenu razumijevanja (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Procjena u doba umjetne inteligencije: rezultat kao dokaz (2026.): analiza na razini sveučilišta tvrdi da je kriza procjene s umjetnom inteligencijom neusklađenost između oblikovanja procjene i ishoda učenja, a ne samo nepoštenje; dokumentira štete nadzora (preglednici pod ključem, praćenje pogleda), „zamku objavljivanja“ (učenici se boje da će objavljivanje upotrebe umjetne inteligencije sniziti ocjenu), jaz u postignuću koji ocjenjuje socioekonomski status (plaćene nasuprot besplatnim razinama LLM-a) i „pedagoško sagorijevanje“ nastavnika koji nadziru umjetnu inteligenciju, te preporučuje procjenu utemeljenu na procesu umjesto otkrivanja (Evaluation in the Age of AI: Output as Evidence of Learning).

Noviji dokazi: etičko rasuđivanje, granice otkrivanja, marketing umjetne inteligencije i učenici duhovi

Val novijeg istraživanja izoštrava sliku akademske čestitosti u doba generativne umjetne inteligencije:

• Učenici srednjih škola o „AI-plagiranju“ rasuđuju situacijski, a ne kao o fiksnom pravilu. Chan (2026.) pokazuje da je etičko rasuđivanje učenika srednjih škola o „AI-plagiranju“ nijansirano i ovisno o kontekstu: mnogi rad uz pomoć umjetne inteligencije smatraju prihvatljivim kada podupire razumijevanje, ali problematičnim kada zamjenjuje njihov vlastiti trud, što dovodi u pitanje pretpostavku da učenicima jednostavno nedostaje čestitosti ili da jedna politika može obuhvatiti njihovu etiku.

• Same autentične procjene ne mogu zaštititi čestitost. Kofinas i sur. (2025.) nalaze da oni koji ocjenjuju općenito ne mogu razlikovati procjene s unosom generativne umjetne inteligencije od onih bez njega, i da razina autentičnosti procjene nema utjecaja na sposobnost zaštite od upotrebe generativne umjetne inteligencije ili njezina otkrivanja. Sektor visokog obrazovanja „ne može se osloniti samo na autentične procjene da bi kontrolirao utjecaj generativne umjetne inteligencije“, što je izravan izazov strategiji preoblikovanja procjene, koja se mora upariti s drugim mjerama.

• Smjernice o čestitosti moraju se proširiti na istraživački proces, a ne samo na poučavanje. Dai i Chan (2026.) nalaze da poslijediplomski istraživači ostvaruju pismenost o umjetnoj inteligenciji kroz istraživačke zadatke i tvrde da politike odgovorne upotrebe, koje se sada usredotočuju na poučavanje i procjenu, moraju postupno poduprijeti etičke dimenzije upotrebe generativne umjetne inteligencije u istraživanju, gdje se brige usredotočuju na originalnost, autorstvo, privatnost podataka i degradaciju vještina, a ne samo na plagiranje.

• Svrha mora prethoditi politici. Taylor i LaCroix (2026.) tvrde da to čini li upotreba generativne umjetne inteligencije nedolično ponašanje ovisi o svrsi sveučilišta. Rastući broj slučajeva nedoličnog ponašanja odražava strukturnu nedosljednost neoliberalnog sveučilišta, gdje se tehnološki entuzijazam, korporativni utjecaj i provedba politike sukobljavaju, ostavljajući učenike odgovornima za ponašanja koja je institucija implicitno oblikovala. Sveučilišta ne mogu vjerodostojno provoditi čestitost bez dosljednosti između izrečene misije, pedagogije i tehnološke prakse.

• Psihološke i ponašajne odrednice. Istraživanje Frontiersa mapira psihološke mehanizme i ponašajne odrednice akademske čestitosti pod umjetnom inteligencijom (kako stavovi, samoučinkovitost, norme i percipirane posljedice oblikuju poštenu upotrebu), povezujući čestitost s motivacijom, samoučinkovitosti i pismenošću o umjetnoj inteligenciji kao ponašajnim konstruktima, a ne pukim praćenjem pravila. Tabares-Cruz i sur. (2026.) kvantificiraju ih u modelu strukturnih jednadžbi sa 980 ekvatorskih studenata, redajući prvo dispozicije akademske čestitosti i transparentnosti, a zatim pismenost o umjetnoj inteligenciji, kritičku provjeru, institucionalne smjernice, samoregulaciju i zaštitu podataka, pri čemu dispozicije čestitosti i pismenost o umjetnoj inteligenciji zajedno objašnjavaju znatan dio etičke upotrebe generativne umjetne inteligencije i nadmašuju sama institucionalna pravila.

• Marketing umjetne inteligencije normalizira upotrebu i uokviruje „varanje nasuprot natjecanju“. Sobo i sur. (2025.) pokazuju da se umjetna inteligencija učenicima plasira kao praktična nužnost („Neka vaše pisanje zvuči prirodnije kako vas ne bi pogrešno označili“) i da se učenici osjećaju prisiljenima prihvatiti je kako bi ostali konkurentni, iako ih brine ovisnost i gubitak učenja: internalizirani poduzetnički imperativ. To upućuje na potrebu za pismenošću o marketingu kao dijelom obrazovanja o čestitosti s umjetnom inteligencijom.

• Humanizatori umjetne inteligencije razotkrivaju performativni ciklus otkrivanja. Roe i sur. (2026.) katalogiziraju 55 web-mjesta humanizatora umjetne inteligencije koji mijenjaju tekst generiran umjetnom inteligencijom da bi izbjegli otkrivanje, uokvireno kroz Goffmanovu dramaturgiju. Humanizatori čine nedolično ponašanje diskurzivno odsutnim i izvode legitimnost, pokazujući da je utrka u naoružanju između otkrivanja i zaobilaženja strukturno beskrajna, što pojačava pomak s nadzora na oblikovanje procjene i pismenost o umjetnoj inteligenciji.

• Provedba, a ne otkrivanje, mjesto je na kojem živi razgovor. Kroz 270.929 zapisa povezanih s umjetnom inteligencijom s 26 obrazovnih subreddita u tri i pol godine, klaster akademske čestitosti držao je 37,1% rasprave, a Provedba nedoličnog ponašanja bila je pojedinačno najveća tema s 12,1%, dok je 32,3% niti između nastavnika i učenika bilo unutar sporova oko otkrivanja i provedbe (Yüce i sur. (2026.)).

• Učenici duhovi i jaz provjere agentske umjetne inteligencije. Bozkurt, Crompton i Fell Kurban (2026.) uvode „učenika duha“: digitalnu zamjenu nastalu spajanjem LLM-ova („uma“) s agentskim preglednicima umjetne inteligencije („tijelom“) koja može navigirati LMS-om, angažirati se sa sadržajem i dovršavati procjene uz oponašanje čovjeka, čineći prisutnost stvarnog učenika neobveznom. To stvara jaz provjere koji tradicionalni nadzor i otkrivanje strukturno ne mogu zatvoriti: prijetnju čestitosti koja raste kako umjetna inteligencija postaje agentska, a ne samo generativna.

Najjasniji disciplinarni argument za preoblikovanje umjesto otkrivanja dolazi iz obrazovanja u računarstvu. Sistematski pregled 72 studije o generativnoj umjetnoj inteligenciji u računalnim znanostima i poučavanju programiranja (Kumar, Wongsirichot i Nanthaamornphong 2026.) našao je samo tri studije koje ispituju mehanizme otkrivanja umjetne inteligencije, najtanju bazu dokaza od 14 tema koje je konsolidirao, dok je preoblikovanje kolegija i procjene podupiralo 25 studija. Pregled neravnotežu tretira kao dijagnostičku, a ne slučajnu: institucije su uvelike ažurirale političke dokumente bez preoblikovanja procjena, a većina nastavnika nalazi se na razini integracije tolerancije, a ne preobrazbe, pri čemu je 70% jednog nacionalnog uzorka nastavnika izričito zatražilo obuku o oblikovanju procjene otporne na umjetnu inteligenciju. Njegov preporučeni odgovor konkretan je: dodati usmenu komponentu ili drugi element koji čini proces vidljivim barem jednoj procjeni s visokim ulozima po kolegiju i učiniti kritički angažman s rezultatom umjetne inteligencije (čitanje, testiranje, mijenjanje, objašnjavanje, kritiziranje) ocjenjivanom, vidljivom komponentom rada učenika, a ne aspiracijom prepuštenom diskreciji učenika (valjanost procjene). PRISMA pregled 72 studije o procjeni u visokom obrazovanju nalazi tri dizajnerska odgovora koji se ponavljaju kao reakcija na generativnu umjetnu inteligenciju (orijentacija na proces, autentičnost te usmeni i dijaloški pristupi), uokvirena kao slojevi koji se dodaju postojećim načelima valjanosti, autentičnosti i usklađenosti, a ne da ih zamjenjuju (Crompton i Burke (2026.)).

• Izmišljene reference stigle su u objavljeni zapis obrazovanja u računarstvu. Denny i sur. (2026.) pratili su 113.588 referenci iz 5.225 radova o obrazovanju u računarstvu u ACM Digital Library prema cijelom korpusu od 723.930 publikacija i 15.872.533 reference, ručno provjerili 828 sumnjivih zapisa i potvrdili 30 referenci s provjerljivo izmišljenim bibliografskim podacima u 14 radova, svih objavljenih 2025. ili 2026. Na SIGCSE Technical Symposiumu potvrđeni broj porastao je s 3 u 2025. na 17 u 2026., što se nalazi u 2,3% radova iz zbornika 2026., a halucinirane reference pojavile su se na pet mjesta koje SIGCSE sponzorira ili s njim surađuje 2025. Brojka vrijedi samo sa svojom protutežom: većina označenih referenci bila je bezazlena (229 su bile neusklađenosti ACM-ovih metapodataka gdje je PDF bio ispravan, a 188 valjane bibliografske varijante), pa je brojka za mjesta namjerno donja granica. To pogađa autore, a ne samo međusobnu procjenu, jer recenzenti koji provjeravaju popise referenci ne mogu provjeriti svaki zapis, a sastavljanje uz pomoć LLM-a čini izmišljeni, ali uvjerljivi citat jeftinim za proizvesti.

• Jasnoća bez preoblikovanja pomiče zloupotrebu u stranu, umjesto da je ukloni. Petricini i Zipf (2026.) smještaju upotrebu umjetne inteligencije na dvije osi (namjeru i trud učenika nasuprot jasnoći i potpori koju pruža okruženje) i izvješćuju da je najnaseljeniji kvadrant u njihovim podacima iz intervjua bio anksiozna usklađenost, u kojem učenici skrivaju legitimnu pomoć (gramatičku potporu, objašnjenja koncepata, organiziranje vlastitih ideja) kako bi izbjegli lažnu optužbu. Njihovo je upozorenje usmjereno: kada pravila postanu jasna, ali procjena i dalje nagrađuje brzinu i proizvod, učenici svjesni politike prelaze u učinkovito zaobilaženje, a ne u vrlinsku upotrebu alata. Austin (2026.) dolazi do istog mjesta sa strane zadatka: kada agenti zadovolje svaki kriterij rubrike bez vidljivog rasuđivanja, ocjenjivanje traga odluka (kalibracija pouzdanja, odbijeni prijedlozi umjetne inteligencije, ograničenja specifična za kolegij) zamjenjuje otkrivanje, koje, kako primjećuje, griješi u oba smjera.

• Poslodavci diskontiraju ocjene za koje vjeruju da ih je proizvela umjetna inteligencija i konvergiraju prema provjeri uživo. U eksperimentu ankete s oko 1.750 američkih stručnjaka za zapošljavanje Boyd-Swan i Reynolds (2026.) pokazuju da uokvirivanje upotrebe umjetne inteligencije među učenicima kao pomoćnog alata nije kaznilo kandidate, dok je uokvirivanje kao zamjene za trud i sposobnost učenika smanjilo vjerojatnost intervjua i, još oštrije, spremnost na pregovaranje o plaći, koncentrirano među kandidatima s visokim prosjekom ocjena, neovisno o rasi i spolu. Na pitanje što bi ublažilo zabrinutost, obje skupine uokvirivanja odabrale su samo jedan zajednički lijek: testove uživo. Eksperiment izolira uvjerenje (a ne stvarnu upotrebu umjetne inteligencije), pa pokazuje kako samo kanal signaliziranja pomiče ishode zapošljavanja: rani dokaz da tržišta rada mogu gurnuti procjenu natrag prema formatima provjerljivima u prisutnosti, istom smjeru oblikovanja koji literatura o učenicima duhovima poziva institucije da prihvate.

Prva studija teorije planiranog ponašanja o namjeri nedoličnog ponašanja utemeljenoj na GAIT-u proširuje tu sliku: među 186 studenata preddiplomskog studija Baig i Paparo (2026.) našli su da stavovi prema nedoličnom ponašanju, subjektivne norme o njemu i pozitivni stavovi prema umjetnoj inteligenciji svaki zasebno predviđaju namjeru, dok negativni stavovi prema umjetnoj inteligenciji to nisu, i da je veća percipirana vjerojatnost otkrivanja predviđala manju namjeru: odvraćanje koje potkopava dokumentirana nepouzdanost alata za otkrivanje umjetne inteligencije.

Politike čestitosti pomiču se s pitanja tko je napisao riječi na pitanje tko je imao ideje, a detektori se obnavljaju da bi se uskladili. IdeaLens predviđa podrijetlo ideja iz nacrta, a ne iz proze: na 50 priča koje su ljudi napisali od nule slijedeći planove koje je generirala umjetna inteligencija označio je 68% kao umjetnu inteligenciju, nasuprot 8% za Pangram 4 i 0% za svoju kontrolu treniranu na prozi, a 94,7% ljudskih tekstova koje je umjetna inteligencija doradila označio je kao ljudske (Rajendhran i sur. (2026.)). Njihova vlastita etička izjava rezultat naziva statističkom procjenom koja se ne smije sama upotrebljavati kao konačan dokaz upotrebe umjetne inteligencije.

Gillette i sur. (2026.) dokumentiraju taj režim iznutra jednog fakulteta: nastavnici koji su promijenili formate procjene rekli su da je „praktički nemoguće reći je li učenik upotrijebio umjetnu inteligenciju pri pisanju zadaća“, dok su bijesni učenici tražili pozivanje na savjest i „sramoćenje“, a ne otkrivanje.

• Bolje osjetilo ne mijenja ono što procjena može potvrditi. Sustav nadzora s procjenom držanja YOLOv11 koji prijavljuje 99,56% točnosti klasifikacije ilustrira granicu puta otkrivanja: mjeri držanje prema ponašajnoj oznaci, ne izvješćuje o nikakvoj stvarnoj referenci o nedoličnom ponašanju i ne nudi analizu po podskupinama (Arif i sur., 2026.). Lijek koji Villanueva zagovara jesu dovoljni dokazi učenja u ključnim fazama, a ne najveći mogući nadzor svake predaje.

Uobičajene zablude

• „Alati za otkrivanje prepoznaju pisanje umjetne inteligencije.“ Tekst koji generira umjetna inteligencija prošao je kao ljudski napisan u do 80% slučajeva, dok dokazi o otkrivanju smještaju automatsko otkrivanje na oko 80% nasuprot 78,4% za ljudske ocjenjivače. Ljudska i strojna prosudba gotovo su jednako (ne)pouzdane, pa presuda detektora nije dokaz autorstva.
• „Problem je marginalan.“ Opseg je daleko od toga: šestogodišnja analiza velikog kolegija CS2 našla je da je 45,7% učenika u proljetnom semestru 2026. označeno. Gotovo polovica generacije, što to čini glavnim dizajnerskim problemom, a ne rubnim slučajem.
• „Nastavnici znaju koje su procjene ranjive.“ Na odsjeku za biologiju nastavnici su samo nadzirane ispite uživo doživljavali minimalno ranjivima, dok su zadatke izvan nastave vidjeli kao izložene. Percepcija se poklopila s očitim slučajem i sve ostalo tretirala kao sigurno.

Povezani koncepti

• Pedagogical Patterns - Sekvence provjere prihvaćene kao odgovor na generativnu umjetnu inteligenciju
• AI Use and Disclosure Statements - Izjave o upotrebi i objavljivanju umjetne inteligencije
• Assessment Validity
• Pismenost u području umjetne inteligencije
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Kognitivno rasterećenje
• AI Misuse and Learning Harm
• Smanjenje zloupotrebe umjetne inteligencije
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• Umjetna inteligencija u obrazovanju
• Legal Issues and Risks
• Social Norms of AI Use - neformalna pravila koja stoje ispod formalne politike

Povezani članci

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Cijeli program psihologije prolazan uz najmanji trud, i kriteriji ocjenjivanja koji su to propustili (Ivory i sur. 2026.)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Budući nastavnici odbili su generativnu umjetnu inteligenciju pod permisivnom politikom; uokvirivanje „zamke“ i jaz između ankete i izjava

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agenti umjetne inteligencije, radosna procjena i treći prostor

• Generative AI in computing education: A systematic review and a framework for responsible integration — Dokazi o otkrivanju su tanki (3 studije od 72); preoblikovanje nosi težinu

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Usklađena politika kolegija o generativnoj umjetnoj inteligenciji: dopuštenja izvedena iz procjene, transparentno obrazloženje (McCorkle 2025.)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Generiranje varijanti procjene ekvivalentnih po konstruktu (Lee 2026.)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Kako nastavnici reguliraju umjetnu inteligenciju u 31.000 kolegijskih programa; uokvirivanje čestitosti u padu (Chirikov 2026.)

• Can students cheat their way to a biology degree? A case study of the vulnerability of biology course grades to academic dishonesty in the era of generative AI — Mogu li se učenici varanjem dokopati diplome iz biologije? Studija slučaja ranjivosti ocjena na kolegijima biologije na akademsko nepoštenje u doba generativne umjetne inteligencije

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Nepoštivanje izjava o upotrebi umjetne inteligencije među učenicima

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Otkrivanje teksta koji generira LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Dalje od otkrivanja: autentična procjena u svijetu posredovanom umjetnom inteligencijom

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Skala procjene s umjetnom inteligencijom i reforma procjene

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Od autentičnih proizvoda do potvrđenih procesa

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — U redu je jer… racionalizacija upotrebe umjetne inteligencije među učenicima

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Okvir koordinacijske igre za etičku upotrebu umjetne inteligencije

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Sram i krivnja kao socijalni regulatori upotrebe umjetne inteligencije

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Je li Alice postupila pogrešno? Međukulturalne percepcije upotrebe umjetne inteligencije

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Vrijednosne prosudbe u ocjenjivanju rada uz pomoć generativne umjetne inteligencije: poštenje, povjerenje, valjanost i dvosmjerna transparentnost (Luo i Dawson 2026.)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Odgovornost među vršnjacima i originalnost u grupnoj procjeni posredovanoj generativnom umjetnom inteligencijom

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Dokazni slom otkrivanja i argument za postupovnu pravdu, proporcionalnost i oblikovanje

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Odvraćanje, objavljivanje i preoblikovanje kao problem oblikovanja procjene pod nesavršenim informacijama

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Na čemu je doista počivalo 1.162 spisa o nedoličnom ponašanju s generativnom umjetnom inteligencijom, i nedostajući dokazni prag

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Preširoka pravila o umjetnoj inteligenciji i razlika između transkripcije i generiranja

• AI-based digital cheating at university, and the case for new ethical pedagogies — Digitalno varanje uz umjetnu inteligenciju i etičke pedagogije utemeljene na prevenciji: slučaj pada s 183 na 27 i pet disciplinski specifičnih preoblikovanja (Leaton Gray, Edsall i Parapadakis 2025.)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Čestitost kao problem upravljanja: okvir od 130 pokazatelja za akademske upravljačke strukture (Coates, Croucher i Calderon 2025.)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Pregled opsega 38 studija o glasovima studenata visokog obrazovanja o akademskoj čestitosti i generativnoj umjetnoj inteligenciji (Ji 2026.)

• GenAI assessment and language equity: Drawing the line between support and substitution — Povlačenje granice između potpore i zamjene za pisce koji engleski uče kao dodatni jezik, i nepravednost pravila koja zanemaruju jezično podrijetlo (Li 2026.)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Ubacivanje poticaja protiv ocjenjivanja posredovanog umjetnom inteligencijom: skrivene upute koje mijenjaju ocjenu neotkriveno (Humble 2026.)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Matrica etike upotrebe umjetne inteligencije: anksiozna usklađenost i zašto sama jasnoća može gurnuti učenike u učinkovito zaobilaženje (Petricini i Zipf 2026.)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Ocjenjivanje traga rasuđivanja kada agenti umjetne inteligencije mogu dovršiti zadatak (Austin 2026.)

• AI-written admissions essays are widespread but penalized — Eseji za upis koje je napisala umjetna inteligencija rašireni su, ali se kažnjavaju

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Tko djeluje, tko zna, tko odgovara? Analiza diskursa uz pomoć korpusa o djelotvornosti, epistemičkoj odgovornosti i odgovornosti u istraživanju generativne umjetne inteligencije u visokom obrazovanju

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapiranje ovlaštene granice: komparativna studija političkih vinjeta o upravljanju generativnom umjetnom inteligencijom u australskom visokom obrazovanju

• Argus: Academic Integrity in the Era of Generative AI — Argus: akademska čestitost u doba generativne umjetne inteligencije

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Nalaz revizije sektora: sveučilišta s mandatom i ona s okvirom ne pokazuju razliku u izloženosti procjene, empirijska protuteža problemu koordinacije

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026.) - Rano predviđanje rizika varanja uz pomoć umjetne inteligencije iz tragova u LMS-u, uokvireno kao akademsko usmjeravanje, a ne kao dokaz nedoličnog ponašanja

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Tri i pol godine obrazovnog Reddita: provedba dominira, a sporovi o čestitosti glavno su mjesto susreta nastavnika i učenika (Yüce i sur. 2026.)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Eksperiment ankete: uokvirivanje upotrebe umjetne inteligencije među učenicima kao zamjene kažnjava kandidate s visokim prosjekom ocjena pri zapošljavanju i plaći; test uživo jedini je lijek koji su obje skupine odabrale

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface