Kako mogu smanjiti varanje uz umjetnu inteligenciju na svojem kolegiju?

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

Šesti je tjedan. Esej pisan kod kuće vraća se tečan i šupalj i ne možete reći je li ga student napisao. Ili četiri predana rada dijele oblik koji nitko u sobi nije proizveo u rujnu, a ured za akademsku čestitost traži pisani prikaz onoga što je zadatak mjerio. Ili je vaš odjel prošlog mjeseca izglasao ograničenje generativne umjetne inteligencije na obveznim kolegijima i ostavio vama da tom ograničenju date smisao.

Odgovor koji dati kolegi: prestanite dokazivati ko je napisao rad i promijenite uvjete pod kojima nastaje. Otkrivanje je najslabija poluga koju imate. Poluge koje drže jesu zadatak u kojem prečac ostavlja trag, jedan korak bez pomoći koji možete promatrati i kratak poučeni slijed koji drži studente unutar kognitivnog rada.

Kratka verzija

1. Maknite otkrivanje s kritičnog puta. Dokazi u nastavku pokazuju da ono griješi na dopuštenom uređivanju i promašuje namjerno izbjegavanje.

2. Stavite jedan korak bez pomoći koji možete promatrati u svako ocjenjivanje s visokim ulozima i dajte mu stvarnu težinu.

3. Postavite granicu umjetne inteligencije po koraku zadatka, a ne po kolegiju, kako bi slijedila ono što ocjenjujete.

4. Ako je umjetna inteligencija dopuštena, konfigurirajte ju da nagovještava umjesto da odgovara i zahtijevajte pokušaj studenta prije nego odgovori.

5. Učinite prijavu konkretnom i bez kazne. Nejasna i kaznena pravila oboje guraju studente prema skrivanju.

Na otkrivanju se ne može graditi slučaj

Sinteza Akademska čestitost izvješćuje o znatnim ograničenjima otkrivanja teksta nastalog umjetnom inteligencijom i tvrdi da je čestitost u eri generativne umjetne inteligencije sve više pitanje dizajna ocjenjivanja, a ne samo pitanje otkrivanja. Ponesite brojeve na sastanak na kojem to opravdavate nekome ko je već kupio licencu.

U kontroliranoj studiji sa 642 objavljena engleska sažetka dva komercijalna detektora označila su lagano uređivanje uz pomoć umjetne inteligencije koje je bilo u skladu sa smjernicama u 38 do 80% slučajeva. Neizmijenjene izvornike iz 2023. do 2025. označila su u 9 do 15%, pri čemu su radovi izvan STEM područja bili daleko iznad STEM-a uz p<0,001. Nakon „humanizacije“ umjetnom inteligencijom isti su alati uhvatili manje od 4% prepisa označenih kao rad umjetne inteligencije (Why AI Detection Fails for Academic Integrity). Pročitajte to troje po redu. Dopuštena je upotreba označavana češće od zabranjene, a zabranjena je upotreba uglavnom bila nevidljiva kad ju je netko propustio kroz alat za parafraziranje. To je integritetni začarani krug (catch-22): detektor kažnjava poštenu pomoć, a omogućuje namjerno izbjegavanje.

Terenski dokazi idu istim putem. U prikrivenoj studiji 94% potpuno generiranih radova ubačenih u žive mrežne ispite na pet modula psihologije prošlo je neotkriveno, a radovi umjetne inteligencije u prosjeku su nadmašili stvarne studente (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Sveučilište Vanderbilt isključilo je svoj licencirani detektor nakon što nije uspjelo potvrditi oglašenu stopu lažno pozitivnih od 1%, stopu koja bi značila otprilike 750 pogrešno označenih studenata među 75.000 godišnjih predaja.

Ništa od toga ne pokazuje da otkrivanje nikada ne djeluje. Pokazuje profil pogreške s kojim morate živjeti. Označeni student osoba je s pravom na žalbu, a rezultat sa 642 sažetka kaže da oznaka najteže pada na studente koji su učinili dopuštenu stvar. Pun argument o tome zašto to mijenja ono što ocjena može poduprijeti nalazi se u temi redizajn ocjenjivanja u eri umjetne inteligencije.

Promijenite ono što zadatak čini lakim

Sinteza Smanjenje zlouporabe umjetne inteligencije svrstava redizajn u prvi sloj iz strukturnog razloga: djeluje neovisno o tome odabere li student ispravno ponašanje, jer ograničava okruženje umjesto da ovisi o motivaciji.

Počnite s oznakom. Ljestvica ocjenjivanja uz umjetnu inteligenciju (AIAS) daje svakom zadatku razinu upotrebe umjetne inteligencije, od „bez umjetne inteligencije“ preko „umjetna inteligencija samo za osmišljavanje ideja“ i „pomoć umjetne inteligencije uz atribuciju“ do „pune upotrebe umjetne inteligencije“, pa je očekivanje izričito i provedivo, a ne zaključeno.

Zatim promijenite artefakt. Sustavni pregled 72 studije o generativnoj umjetnoj inteligenciji u računalnom obrazovanju ocjenjuje redizajn izvedivim i najdjelotvornijim i izdvaja jedan potez: dodajte usmeni ili na drugi način procesno vidljiv element barem jednom ocjenjivanju s visokim ulozima na kolegiju. Naziva ga jednom najdjelotvornijom intervencijom u korpusu. Otkrivanje je najtanje područje koje pregled pokriva, sa samo 3 studije, nasuprot 60 do 80% studenata računarstva koji izvješćuju o upotrebi generativne umjetne inteligencije u kolegijima, obično bez izričitog odobrenja nastavnika, i 70% jednog nacionalnog uzorka nastavnika koji izričito traže osposobljavanje za dizajn ocjenjivanja otpornog na umjetnu inteligenciju (Generative AI in computing education: A systematic review and a framework for responsible integration).

Izbor, otprilike po redu kako svaka opcija preživljava veliku grupu.

Bez pomoći, na nastavi, bez literature: nadgledani ispiti, kratke provjere, pisanje pod vremenskim ograničenjem. Dajte im veću težinu nego prije, jer je domaća zadaća artefakt koji umjetna inteligencija napuhuje. Usmeni ispiti i obrane djeluju iz istog razloga, jer je dijalog u stvarnom vremenu teško prepustiti (Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future).

Procesni artefakti: nacrti, tragovi zaključivanja, označeno „pokaži svoje razmišljanje“, zapisi revizija, tako da proces bude vidljiv, a ne samo proizvod (From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich). Autentični zadaci rade uz njih: lokalni slučajevi, materijal iz prakse, studentovi vlastiti podaci, sve što je teško delegirati (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It).

Varijacija zadatka po studentu, gdje svaki student dobiva površinski različitu, a po konstruktu ekvivalentnu inačicu, čini prepisivanje strukturno beskorisnim. Jamstvo smatrajte uvjetovanim sposobnošću modela: VARIA je našla da vrhunski generatori dosežu samo 0,81 do 0,88 na zajedničkoj ocjeni integriteta, dok se modeli koji nisu vrhunski ruše na 0,50 do 0,55. Ako vaše inačice nisu ekvivalentne, kupili ste zaštitu od dijeljenja uz nepravednost među studentima.

Zatvorite jaz između vježbe i ispita

To je dio koji nastavnici preskaču, i tu su kauzalni dokazi najsnažniji.

U terenskom randomiziranom kontroliranom pokusu nezaštićeni tutor u stilu ChatGPT-a podigao je uspjeh u vježbi s pomoći za 48% i smanjio ocjene na ispitu bez pomoći za 17%. Inačica s ogradama, koja nagovještava umjesto da odgovara i opskrbljena informacijama o zadatku koje je napisao nastavnik, potpuno je uklonila štetu (Generative AI without guardrails can harm learning: Evidence from high school mathematics). Na većem uzorku, studija sa 26.811 studenata našla je da je prepuštanje domaće zadaće podiglo ocjene iz domaće zadaće za 18%, a snizilo ocjene na ispitu bez literature za 20% unutar šest mjeseci (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).

Zapazite oblik obaju rezultata. Dobitak i gubitak padaju na različite mjere, a samo je jedna od njih ona koju ovjeravate. Jedan eksperiment ne može vam dati veličinu učinka na vašem kolegiju. Daje vam smjer, a obje studije pokazuju istim putem.

Ako ćete studentima dopustiti tutora, konfigurirajte ga prije semestra, a ne nakon prvog prigovora:

1. Postavite ga da daje postupne, sokratske nagovještaje, a ne sljedeći korak odgovora.

2. Opskrbite ga točnim rješenjima i uobičajenim zabludama kako bi mogao ciljati pogreške umjesto da prepričava sadržaj.

3. Zahtijevajte pokušaj prije nego se pojavi bilo kakav izlaz.

4. Primijenite pravilo zamke bez napora: ako puštanje umjetne inteligencije čini zadatak bez napora, ona je na pogrešnom mjestu.

To je posljednje pravilo i mjesto gdje postupna potpora i ograde zaslužuju svoje mjesto, i gdje je simulirani student koristan za ispitivanje vlastitog upita prije nego ga stvarni studenti susretnu.

Tražite od studenata da pokažu što umiju

Nikada nećete utvrditi kako je datoteka nastala. Možete jeftino utvrditi može li student učiniti ono što datoteka naizgled pokazuje.

„Najbolji odgovor na upotrebu umjetne inteligencije nije otkrivanje, nego dijalog“ opisuje mehanizme: dvominutno objašnjenje predanog rada jedan na jedan ili snimljeno objašnjenje, kratku provjeru o istom materijalu bez alata, zahtjev da student revidira uzorak vlastitog rada i objasni promjene. Izvor je praktičarski prikaz, pa ga tretirajte kao obećavajuću praksu, a ne kao dokaz učinka.

Provjera odlučuje i o tome hoće li vaš postupak zbog povrede preživjeti žalbu. Munoz i suradnici (2026) analizirali su stvarne spise optužbi za povrede uz generativnu umjetnu inteligenciju i našli da prirodna pravda zahtijeva da se studentu priopći optužba i da mu se omogući odgovor prije bilo kakve odluke, obično na istražnom sastanku ili razgovoru pred povjerenstvom, pri čemu sve što kaže ulazi u dokazni spis. Njihove kategorije dokaza objašnjavaju zašto to mora biti ugrađeno u kolegij: bihevioralni tragovi koje bilježi sustav postoje samo u nadgledanom ocjenjivanju, a slabiji procesni dokazi poput nacrta, sastanaka sa studentom i prezentacija postoje samo ondje gdje su već bili rutina. Navika provjere postaje dokaz na koji se kasnije možete osloniti.

Napišite i pravilo precizno. Wright (2026) pokazuje da su zabrane koje pretvaranje govora u tekst i generativno sastavljanje teksta tretiraju kao istu „upotrebu umjetne inteligencije“ preširoke i riskiraju sankciju prema studentima koji nisu učinili zabranjenu stvar. To je pitanje pravednosti prije nego pitanje prava, a ostatak pokriva tema pravna pitanja i rizici.

Držite studente u petlji dok rade

Zabrana alata i dopuštenje bez strukture daju isti ishod, a to su studenti koji stoje izvan kognitivnog rada.

Sinteza Smanjenje zlouporabe umjetne inteligencije izlaže osam načela dizajna za dopuštenu inačicu, među njima: sačuvajte poželjne teškoće, postavite umjetnu inteligenciju kao privremenog partnera za razmišljanje, a ne kao autoritet, ugradite kontrolne točke procjene i zahtijevajte metakognitivno vođenje dnevnika i zapise upita.

Slijed koji nosi ta načela dovoljno je kratak da ga otisnete na uputu za zadatak:

1. Prvo razmišljanje. Studenti samostalno osmišljavaju ideje, prave nacrt ili pišu prije nego što išta otvore.

2. Drugo, umjetna inteligencija. Rabe ju za kritiku, proširenje ili stvaranje alternativa prema razmišljanju koje već imaju.

3. Treće, refleksija. Bilježe za što su ju rabili, što su prihvatili i odbili i zašto. Dovoljan je upit uz zapis revizije.

Učinite izjavu konkretnom i jeftinom za ispunjavanje

Zamijenite generičku kućicu „rabio sam umjetnu inteligenciju“ okvirom izjave specifičnim za disciplinu koji upotrebu preslikava na kognitivne faze, poput strukturnog planiranja nasuprot stvaranju sadržaja (Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education). Popratni list koji pita koje faze, koji alat, koje upite i kako je izlaz procijenjen čini više od da ili ne.

Dva uvjeta čine ju iskrenom. Prijava mora biti sigurna, jer kaznene ili nejasne politike aktivno potiču skrivanje (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher), a studenti odmjeravaju rizik da vam kažu prema riziku da ne kažu ("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education).

Aritmetika također mora ići u prilog kazivanju. Mohamed i Temimi modeliraju to kao problem nesavršene informacije, a ne morala. Prijava je privlačna samo dok je cijena iskrenosti niska, a kako lažno pozitivni rezultati detektora padaju i na poštene studente, jači nadzor može skrivanje učiniti relativno privlačnijim kad god dodatna osjetljivost proizvede više novih lažno pozitivnih nego novih istinito pozitivnih rezultata. Čitajte prijavljenu upotrebu kao kontekst, a ne kao priznanje, i dizajnirajte za studenta koji je najviše u iskušenju da skriva.

Poučavajte pismenost koju ocjenjujete

Sinteza Smanjenje zlouporabe umjetne inteligencije svrstava poduku o pismenosti u području umjetne inteligencije i pisanju upita u drugi sloj, ispod strukturne promjene.

Izmjereni primjer je modul u osnovnom i srednjem obrazovanju koji rabi vježbu pisanja upita na scenarijima uz LLM kao automatskog ocjenjivača. Poboljšao je stvarnu vještinu pisanja upita i podigao samopouzdanje u upotrebi umjetne inteligencije za učenje za 10,4%, a 87% ih je izvijestilo da su naučili odgovorno rabiti umjetnu inteligenciju (Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module).

Ono što studenti doista vjeruju manje je cinično nego što panika sugerira. Među 504 studenta sociologije, 65% rabilo je generativnu umjetnu inteligenciju za kolegije, ali samo 3% za stvaranje teksta zadatka i 2% za stvaranje cijelog nacrta. Njih 81% dobilo je neke smjernice o umjetnoj inteligenciji, a samo 46% ocijenilo ih je vrlo jasnima (Student Use of and Views on GenAI for Writing). Dvosmislenost, a ne prkos, praktični je problem, zato jasno pravilo uz poučeni slijed mijenja više ponašanja nego upozorenje. Mulisa i Mezgebu (2026) opisuju studente koji pitaju je li generativna umjetna inteligencija alat koji olakšava varanje ili partner koji podupire učenje, a na to pitanje trebaju odgovoriti vaša očekivanja.

Šteta koju vrijedi izričito poučavati jest jaz između izvedbe i učenja: izvedba raste sada, učenje pada kasnije, a student doživljava samo prvo. Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking i It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing pokrivaju stranu norme vršnjaka i racionalizacija, uključujući obranu „svi to rade“ koju jasna norma ispuhuje. O tome koliko je ta osnova snažna vidi Koji su dokazi o intervencijama za pismenost u području umjetne inteligencije u visokom obrazovanju? i Kojih je 10 najvažnijih nalaza istraživanja umjetne inteligencije u obrazovanju koje bi nastavnici trebali znati?.

U čemu nastavnici ovdje griješe

Detektor je osiguranje. Izračunajte što premija pokriva: po stopi koju Vanderbilt nije mogao potvrditi, 1% od 75.000 godišnjih predaja jest 750 pogrešno označenih studenata, a studija sa 642 sažetka pokazuje da se oznake grupiraju na dopuštenom uređivanju.

Zabrana rješava pitanje. Zabrana napisana jezikom „upotrebe umjetne inteligencije“ obuhvaća i transkripciju uz sastavljanje teksta, što znači da možete kazniti studenta jer je diktirao vlastitu rečenicu (Wright, 2026). O tome što taj student može učiniti ne kaže ništa.

Varanje je pitanje motivacije, pa su kazne alat. Motivacija je stvarna i nije poluga s najboljim dokazima. Redizajn je u prvom sloju jer ne zahtijeva da student dobro odabere, a model područja odgovora kaže da dizajnirate za studenta koji je najviše u iskušenju da skriva.

Ako dopustim umjetnu inteligenciju, zlouporaba prestaje biti moj problem. Dopuštenje bez ograda proizvelo je dobitak od 48% u vježbi i gubitak od 17% na ispitu u istoj studiji. Vratite ogradu i šteta je nestala.

Studenti već znaju gdje je granica. Njih 81% imalo je smjernice, a manje od polovice ocijenilo ih je jasnima. Brojevi od 3% i 2% kažu da većina njih ne generira cijele zadatke; onih 46% kaže da nagađaju o ostatku.

Kućica je izjava. Kućica bilježi da je student kliknuo. Izjava po fazama kaže što je učinio u svakom koraku, a to je jedina inačica koja pomaže vama ili njima.

Što će vam se vratiti kao prigovor

„Nemam vremena ovaj semestar redizajnirati kolegij.“ Ne redizajnirajte kolegij. Redizajnirajte jedan zadatak: jedan korak bez pomoći, jedan redak rubrike s bodovima. To je promjena od dva sata i to je promjena koju pregled od 72 studije izdvaja.

„Usmene obrane nemoguće su sa 300 studenata.“ Onda ih ne provodite 300. Dajte težinu dijelu bez literature, zahtijevajte procesne artefakte i usmeno provjerite uzorak predaja koje izgledaju nekonzistentno s prethodnim radom. Tri stotine studenata ne treba 300 razgovora da bi se promijenila računica.

„Trebam nešto pokazati uredu za akademsku čestitost.“ Procesni dokazi snažniji su od rezultata detektora, jer su Munoz i suradnici našli da se spis oslanja na mogućnost odgovora i na vlastite evidencije kolegija. Označeni postotak je optužba. Snimljeno objašnjenje je zapis.

„Zahtijevanje izjava samo opterećuje poštene.“ Opterećuje, ako prijava izaziva sumnju. Držite cijenu iskrenosti blizu nule: bez kazne za prijavljenu upotrebu i izjava koja se čita kao kontekst. Model predviđa skrivanje upravo onda kad iskrenost postane skupa.

„Studenti će ionako rabiti umjetnu inteligenciju.“ Hoće, a korisno je pitanje koji odgovor vaš zadatak čini najlakšim. U grupi u kojoj 65% izvješćuje o upotrebi, a 2% o stvaranju cijelog nacrta, većina prometa je pomoć koju biste mogli poučavati, a ne prijevara koju trebate uhvatiti.

„Pojačavanje pravila uhvatit će studente koji nisu učinili ništa loše.“ To je dokumentirani obrazac neuspjeha, a ne hipoteza. Preciznost je zaštita: imenujte zabranjenu radnju, a ne alat.

Što učiniti ovog tjedna

1. Prepravite klauzulu o umjetnoj inteligenciji u svojem najspornijem zadatku tako da imenuje konkretne korake i konkretne radnje, i odbacite opću formulaciju.

2. Dodajte tom zadatku jedan korak bez pomoći i dajte mu dovoljnu težinu da bude važan.

3. Stavite procesni artefakt u rubriku s pridruženim bodovima i opišite kako izgleda dobar rezultat jednako precizno kao što opisujete proizvod.

4. Ako dopuštate tutora, provjerite ovog tjedna njegovu konfiguraciju prema četirima postavkama iznad.

5. Recite studentima napismeno da prijavljena upotreba neće biti kažnjena i mislite to ozbiljno.

Kamo dalje

Redizajn ocjenjivanja u eri umjetne inteligencije prati ovu stranicu na strani dizajna ocjenjivanja i mjesto je za početak ako je vaše pitanje što ocjena dokazuje. Trebamo li rabiti detektore umjetne inteligencije izravno obrađuje odluku o detektorima, pravilo o umjetnoj inteligenciji na kolegiju pokriva formulacije koje studenti doista čitaju, a reforma ljestvice ocjenjivanja uz umjetnu inteligenciju daje shemu označavanja. Na nastavnoj strani, dokazi o pismenosti u području umjetne inteligencije i jaz između izvedbe i učenja pokrivaju koliko vrijedi rad na pismenosti i zašto nastaje šteta.