Akadémiai integritás

Ennek az angol oldalnak a gépi fordítása, amelyet még nem ellenőrzött anyanyelvi beszélő.

Akadémiai integritás - az etikai keretrendszer, amely a becsületes akadémiai munkát szabályozza az MI korában. A tudásbázis dokumentálja, hogyan értelmezte újra a fogalmat a generatív MI: a tisztességtelen kimenet felismerésének problémájából a becsületes munka láthatóvá, ellenőrizhetővé és érdemes munkává tételének tervezési problémájává. Az akadémiai integritás kutatása ezen a területen a detektálásra összpontosító megközelítésektől az értékelés alapvető újratervezése, a pedagógia vezette irányítás és az annak megtanítása, hogy a diákok hogyan használják jól az MI-t felé fejlődött, ahelyett hogy csupán azt ellenőrizné, használják-e egyáltalán.

Megfontolandó kérdések

• Gondoljon arra, amikor legutóbb „MI-segítséggel történő csalásról” hallott beszélgetést. A beszélgetés arról szólt, hogyan kapják el a diákokat, vagy arról, hogyan tervezzenek olyan feladatokat, amelyeket a diákok becsületesen szeretnének megoldani? Melyik hangsúly áll Önhöz közelebb, és miért?
• Ma már másodpercek alatt generálható kifogástalan, hihető munka. Ha már nem tudja a leadott produktumból megítélni egy diák képességét, mit kellene látnia vagy hallania ahhoz, hogy biztos legyen abban, hogy a diák valóban megtanulta?
• A kutatások szerint a diákok inkább racionalizálják az MI használatát („az MI-szöveg másolása senkinek nem árt”), mintsem rosszindulatból élnének vissza vele. Milyen feltevéseket tesz a diákok motivációiról egy tisztán büntető integritásszabályzat, és miben tévedhetnek ezek a feltevések?
• A kutatások egyik iránya a diákok MI-használatát koordinációs problémaként kezeli: a viselkedés akkor változik, amikor a társak elvárásai és az értékelési ösztönzők változnak, nem akkor, amikor a szabályokat megismétlik. Milyen társas vagy tervezési tényezők alakíthatják csendben az Ön saját környezetében azt, hogy az MI-használat becsületes-e?
• A vizsgálatok szerint a büntetéstől való félelem arra készteti a diákokat, hogy elrejtsék MI-használatukat, és az átlátható diákok akár gyanút is kelthetnek. Ha Ön „MI-használati nyilatkozat” űrlapot tervezne, mi tenné azt, hogy egy diák valóban őszintén szeretné kitölteni?
• Ugyanazt az intézményi MI-szabályzatot a különböző kultúrákban élő diákok eltérően értelmezik: nem a szabályzat szövege, hanem a kultúra határozza meg, mi tűnik helytelennek. Hogyan kellene egy integritásszabályzatot kulturálisan sokszínű csoportnak kommunikálni, hogy az elvárásokat valóban megértsék?

Bevezetés

A generatív MI megjelenése nem teremtette meg az akadémiai integritás szükségletét: csak nehezebbé tette a meglévő megközelítések gyengeségeinek figyelmen kívül hagyását. Ma már másodpercek alatt generálható kifogástalan, hihető produktum, így a produktum hasonlósága egyre megbízhatatlanabb jelzése a képességnek. Ez az integritás kérdését innen tolja el: „el tudjuk-e kapni az MI-használatot?”, ide: „az értékeléseink még mindig megalapozzák-e azokat a következtetéseket, amelyeket a diákok tanulásáról levonunk?”

A detektálástól az újratervezésig

• Detektálási szkepticizmus: az AI Detection kutatás és az intézményi elemzések egyre inkább azt találják, hogy az MI-detektáló eszközök megbízhatatlanok és eljárásilag tisztességtelenek. A LLM-szöveg detektálása alapvető korlátokkal küzd. A teljes egészében MI által generált beadandók nagyrészt észrevétlenül átjuthatnak az élő vizsgarendszereken, és a tapasztalt javítók sem ismerik fel megbízhatóan a GenAI által írt munkákat. A detektálás legjobb esetben is korlátozott, helyzetfüggő eszköz, nem elsőként választandó stratégia. A mennyiség, amelyet mégis kezelnie kell, korántsem marginális: egy nagy létszámú CS2 kurzus hatéves elemzése szerint a 2026 tavaszi diákok 45,7%-át jelölték meg az LLM-támogatott kódolással összeegyeztethető mintázatok miatt (Racovan és mtsai (2026)).
• A detektálás szűk mozgástere, és a csalás mint tervezett viselkedés: Leaton Gray, Edsall és Parapadakis (2025) összegyűjtik azokat az érveket, amelyek szerint az MI felerősít egy sebezhetőséget, amely a szektorban már korábban is megvolt. Az MI által generált szöveg az esetek akár 80%-ában emberi szerzőségűnek ment át, miközben az általuk idézett bizonyítékok a gépi detektálást mintegy 80%-ra teszik a humán bírálók 78,4%-ával szemben, ami túl szűk különbség ahhoz, hogy kötelességszegési megállapítást hordozzon. Motivációs elemzésük az egyedibb hozzájárulás: Ajzen tervezett viselkedés elméletéből és Bandura önhatékonyság-elméletéből kiindulva Krou és mtsai (2021) metaanalízisét idézik, amely szerint az Self-Efficacy negatívan korrelál a csalással, míg a tényleges képesség egyáltalán nem korrelál fordítottan vele. Egy rátermett, magabiztos diák, aki az értékelést igazságtalannak tartja, ezért csalhat, hogy visszanyerje az irányítást. A következtetés ugyanazt a megfordítást követi, amelyet ez az oldal másutt dokumentál: az az értékelés, amelyre egy modell meggyőzően tud válaszolni, szellemileg triviális értékelés, és a hiba az értékelésé, nem a diáké.
• Az értékelés újratervezése: az Authentic Assessment, a detektáláson túli megközelítések és az MI-értékelési skála a figyelmet az MI-használat elkapásáról annak megtervezésére irányítják, hogy az MI-használat közömbös, átlátható vagy egy konkrét képesség bemutatásához szükséges legyen.
• Az osztályozás strukturális sebezhetősége: Chan és mtsai konkrét esettanulmányt adnak arról, hogyan kitett szerkezetileg a jelenlegi osztályozás az MI-közvetített tisztességtelenségnek. Egy biológia tanszéken az oktatók csak a személyes felügyelettel tartott vizsgákat érzékelték minimálisan sebezhetőnek; a tanórán kívüli feladatokat erősen sebezhetőnek látták, ami a diák jegyének mintegy egyharmadát erősen sebezhetővé, 80%-át pedig legalább valamelyest sebezhetővé tette. Ez részben az integritás problémáját osztályozástervezési problémaként keretezi, ami a felügyelt vagy tanórai értékelés és a nehezebben kihelyezhető autentikus értékelési konstrukciók felé való újraegyensúlyozást indokolja. Ivory és mtsai (2026) a tudományterületi szintű megfelelőjét adják egy teljes hároméves pszichológiai programmal: 40 értékelésből 16 típusban 36 állított elő minimális erőfeszítéssel átmenő tartalmat, és a négy, amely nem, azok voltak, amelyek jelenlétet, vizuális médiát vagy a diák saját adatkészletét igényelték. Az okára adott olvasatuk az általánosítható rész: az az osztályozás, amely a gördülékeny szerkezetet és a helyes elemzés jóhiszemű használatát jutalmazza, eltűri a kitalált értékeket és a hallucinált hivatkozásokat, így nem a detektálás, hanem az átmenési küszöb dönti el, hogy az MI-kimenet teljesítményként kerül-e osztályozásra, és az értékelés sebezhetősége „nem írható kizárólag a diákok használatának rovására”.
• A beadandó mint támadási felület: promptinjektálás az MI-osztályozás ellen. Humble (2026) red team gyakorlatot folytat egy mindennapi osztályozási munkafolyamaton, és megmutatja, hogy egy diák beadandója rejtett utasításokat hordozhat, amelyek megváltoztatják az MI-eszköz által adott jegyet: a beadandó fájljába ágyazott öt közvetett injektálási stratégia közül kettő egy elégtelen esszét vitt át sikeresre anélkül, hogy bármilyen látható figyelmeztetést adott volna a felhasználónak, a jelentett támadási sikerarány 100% (9/9) és 94% (17/18) volt, mindkettő utasításmanipulációt, szerepjátékot és elfedést kombinálva docx, pdf és htm formátumokban. A legalapvetőbb támadás teljesen kudarcot vallott, és az elutasítása csendes volt: az eszköz letiltotta a csevegést anélkül, hogy jelentette volna a kísérletet, míg egyetlen észlelt injektálás azt a megnyugtatást eredményezte, hogy az eszköz „csak a feladat hivatalos utasításai szerint” fog osztályozni, majd ugyanazon fájl további hat futtatása mégis megemelte a jegyet. Az integritásbeli következmény mindkét irányba mutat: a rejtett utasítással megemelt jegy nem hordoz érvényességi igényt, ugyanez a technika alkalmas lehet egy beadandó lerontására is anélkül, hogy tartós nyomot hagyna a kimenetben, és az emberi javító marad az egyetlen valódi ellenőrzés egy olyan manipuláció felett, amelyet arra terveztek, hogy ne legyen látható.
• Az érvényesség mint szervező keret: az Assessment Validity az integritást bizonyítási problémaként keretezi újra. Az autentikus értékelés kutatása bevezeti a konstruktumhelyettesítést: egy MI által generált produktumot a diáknak tulajdonítanak, így az értékelés nem a diák, hanem az eszköz képességére következtet. A bizonyítási kérdés minden MI-szabályzatot túlél: akár tiltott, akár engedett, akár kötelező a használat, az értékelésnek továbbra is olyan bizonyítékot kell termelnie, amely megalapozza a levont következtetést.
• A nagy léptékű variálás mint megfigyelés nélküli integritási mechanizmus: VARIA (Lee 2026) Benchmarkolja az MI-integrált autentikus értékelés (AIAA) mögötti premisszát: a megfigyelésalapú felügyelet helyettesítését diákonkénti feladatvariációval, hogy a másolás szerkezetileg hasznavehetetlen legyen. Az integritási garancia feltételes: az LLM-eknek felületileg különböző és konstruktumequivalens variánsokat kell generálniuk; VARIA 600 variánsos kísérlete szerint a frontier modellek ezt csak a határon teljesítik (együttes pontszám 0,81 és 0,88 között), míg a nem frontier modellek összeomlanak (0,50 és 0,55 között), így „a nagy léptékű variálás nem oldható meg egyedül promptolással”. Ez a detektálás kontra újratervezés vitának empirikus, cáfolható ellenőrzést ad: az autentikus, feladatvariált értékelés megfigyelés nélküli ígérete most mért (és még mindig szűk) generálási képességen múlik, nem feltételezetten.
• A diák önreflexiójának hitelesítése a GenAI-val szemben: Kadel és mtsai (2026) amellett érvelnek, hogy a hagyományos reflexiós modellek már nem tudják hitelesíteni a diákok reflexióját, ha a GenAI képes reflexiós prózát írni, ezért az integritást közvetlenül beágyazzák egy reflexiós modellbe: az 5P keretrendszer Buktatók (Pitfalls) szakasza kifejezetten kezeli a plágiumot, a hallucinációt és a túlzott támaszkodást, míg Folyamat (Process) és Produktum (Product) szakaszai a promptok dokumentálását és a kimenetek érvényesítését írják elő, hogy a Learners saját érvelése megkülönböztethető legyen az MI által generált hozzájárulásoktól.
• Szabályzatfejlesztés: a intézményi MI-szabályzatok és az Educational AI Policy kutatás azt vizsgálja, hogyan alakítják ki és kommunikálják az egyetemek az integritási elvárásokat, és hogy az absztrakt szabályzati megállapítások miért vallanak kudarcot oly gyakran.
• Az integritás mint irányítási, nem detektálási probléma. Coates, Croucher és Calderon (2025) a kötelező korlátot a diákok viselkedésétől az akadémiai AI Governance felé helyezik át, amelyet rugalmasnak, de „nincs jól pozicionálva vagy felkészítve” arra, hogy megfeleljen a GenAI-val kapcsolatos, a diákértékelés hitelesítését fenyegető veszélyeknek. Válaszuk egy 130 tételből álló integritásmutató keretrendszer nyolc dimenzióban, a Tervezéstől (19 tétel) a Fejlesztésig (6), amely irányítási kérdéseket tartalmaz pszichometriai skálák helyett: kap-e az intézmény legfelső testülete értékelési minőségről szóló tájékoztatást, az értékelések mekkora hányada hasonlít releváns és értelmes problémákhoz, a diákok mekkora hányadát ismerik személyesen az őket értékelő tanárok. Többéves kutatási áttekintésen, öt ausztrál egyetemi esettanulmányon, prototípus-készítésen, hat világrégión átívelő 60 meghívott szakértővel folytatott szakértői megerősítésen és kvantitatív kísérleti bevezetésen keresztül fejlesztették ki, és olyan reformokkal párosítják, amelyek az irányítási architektúrákat, a személyeket, valamint a technológiákat és erőforrásokat érintik; a szerzők szerint ezek megtérülése csak külső nyomás alatt várható, amely a AI Regulation in Education, a benchmarking és az intézményközi verseny felől érkezik. A keretrendszert formatívként mutatják be, és pszichometriai érvényesítést kérnek, mielőtt összehasonlításra vagy mérésre használnák.
• Amit a dokumentumok valójában mondanak: az integritás uralja az intézményi MI-szabályzatot. Eldredge és mtsai (2026) elemezték mind a 48 CAHIIM-akkreditált egészségügyi informatika és egészségügyi információmenedzsment mesterprogram MI-szabályzati és útmutató dokumentumait az Egyesült Államokban: 40-nek (83%) volt legalább egy megfelelő dokumentuma, és ezek a dokumentumok elsöprő többségben a diákok kurzusmunka során elkövetett visszaélésének megelőzéseként keretezték az MI-t, az akadémiai integritást és az elfogadható használatot állítva a középpontba. Az akadémiai integritás messze a leggyakoribb kulcsszó volt (n = 139, megelőzve a hivatkozást 59-cel, az értékelést 50-nel és a plágiumot 38-cal), míg az adatvédelem, a szellemi tulajdon és a szabályozási témák jelen voltak, de ritkábban (HIPAA n = 5, FERPA n = 11, IRB-útmutatás n = 8). Ugyanezen a korpuszon végzett témamodellezés négy témát adott, az első az akadémiai integritás és a megfelelő MI-használat, mellette a generatív MI a tanításban, az MI és adateszközök használata a kutatásban, valamint a diákok elköteleződése a beszélgetős MI-rendszerekkel. Ennek az oldalnak a bizonyítási értéke a számszerűsítés: az integritásközpontú keretezés nem csupán retorikai alapértelmezése az intézményi MI-szabályzatnak, hanem empirikusan annak domináns tartalma. A szerzők legélesebb megfigyelése arról szól, hol áll meg ez a figyelem: viszonylag kevés útmutatás fedi le az MI használatát az alkalmazott tanulásban, a kutatásban és a szimulált környezetekben, ahol a tantervi és adatkezelési szempontok metszik egymást, így a dokumentumok a kurzusmunkát szabályozzák, miközben a környezetek, amelyekre a diploma felkészít, nagyrészt tárgyalatlanok maradnak.
• Az integritási keretezést felváltja a feladatalapú szabályozás: Chirikov (2026) 31 000+ kurzustematika longitudinális vizsgálata szerint az oktatók MI-szabályzatai eltávolodnak a tisztán integritásalapú kerettől: a tematikákban az akadémiai integritás említése 63%-ról (2023 tavasza) 49%-ra (2025 ősze) esett, míg az MI tanulásra gyakorolt hatására való hivatkozás 1%-ról 29%-ra nőtt. Az oktatók egyre inkább feladattípus szerint szabályozzák az MI-t: korlátozzák a vázlatíráshoz és az érveléshez (ahol az MI helyettesítené a tanulást), és engedélyezik a szerkesztéshez, a korrektúrához és a tanulástámogatáshoz, ahelyett hogy általános integritási tilalmat alkalmaznának. Ez az integritásszabályozást feladatszintű tervezési döntésként keretezi újra, nem bináris szabályként.
• A gépi ellenállás mint megelőzés, nem detektálás. Magának a dokumentumnak a perturbálása (karakter-, szó- és sorköz, átlátszatlanság-ingadozás, csíkos átfedések és képi zaj, valamint döntésalapú adverzariális támadások) növeli az alacsony erőfeszítésű LLM-visszaéléshez szükséges erőfeszítést a forrásnál, miközben ugyanazt a tudást méri (Salaun és mtsai (2026)). A kézi átírás továbbra is lehetséges, és az adverzariális támadások csak kiválasztott sorokat védenek, a teljes dokumentumra vonatkozó karakterhiba 8,44% alatt marad.

A kötelességszegési eljárás és bizonyítékalapjának összeomlása

Az integritásszabályzat fölött működő kikényszerítő gépezet maga is tervezési döntés, és a generatív MI lebontotta annak bizonyítékalapját. Teichmann (2026) amellett érvel, hogy az egyetemek által a plágiumtól átvett kötelességszegési eljárás azt feltételezi, hogy a tiltott használat felismerhető és bizonyítható: ez az a premissza, amelyet a technológia felold. A szövegegyezés-kereső szoftverrel ellentétben, amely egy másolt forrásra mutat, az MI-szövegosztályozó semmilyen forrást nem azonosít (nincs is); a stílusról ad valószínűségi ítéletet, amely a parafrázis alatt leromlik, szisztematikusan félrecímkézi a nem anyanyelvi angol írást, és nem magyarázható, illetve nem kérdezhető keresztül, miközben a szakértői vagy enyhén szerkesztett használat egyáltalán nem hagy nyomot. A továbbra is fenntartott eljárás megfordítja a bizonyítási terhet (a diákot arra kérik, bizonyítson negatívumot), megterheli az eljárási igazságosság minden elemét, és a hamis vád ártalmát a már eleve hátrányos helyzetűekre terheli a legjobban. A javasolt orvosság kettős: olyan bizonyítási standard, amely szerint önmagában egy detektor-pontszám soha nem alapoz meg megállapítást, fokozatos, oktatásközpontú válaszokkal, valamint az intézményi erőfeszítés áthelyezése az érvényességközpontú és autentikus értékelési tervezésbe: a felismerhetetlen MI-re adott válasz a jobb értékelés, nem a jobb megfigyelés. A határesetben egyáltalán nincs gépezet: Isley, Gaebler és Goel (2026) egy amerikai közpolitika mesterprogramot dokumentálnak, amely aláírt nyilatkozatban tiltotta a generatív MI-támogatást, és egyetlen beadandót sem szűrt: az 2025-ös jelentkezők 56,1%-a beadott legalább egy olyan esszét, amelyet egy kereskedelmi detektor elsősorban MI-írásúnak minősített, és minden megjelölt esszé 1,5 százalékponttal alacsonyabb felvételi valószínűséggel járt (p < 0,01), ami 2,6 pontra nőtt (p < 0,001), ha az esszé minőségét állandónak vették. Mivel a szabály és az eredmény között nem volt detektálási, elbírálási vagy kikényszerítési lépés, a büntetés teljes egészében a felvételi olvasók nem írott ítéletén keresztül érvényesült: a tilalom és a segítség nélküli olvasói ítélet újraalkotta azt a diszkrecionális, meg nem indokolt szankciót, amelynek megelőzésére a tisztességes eljárás létezik.

Munoz és mtsai (2026) az empirikus megfelelőt adják azzal, hogy egy regionális ausztrál egyetem minden GenAI-kötelességszegési esetét kódolták három év alatt: 1 162 eset, 1 855 bizonyítékelemmel, mindegyiket relevancia, hitelesség és következtetési erő szempontjából értékelve. A detektor-kimenet volt a leggyakrabban elővett és a legkevésbé terhelhető bizonyíték: a Turnitin- vagy hasonlósági jelentések 100%-ban gyenge következtetési erővel bírtak, az önálló detektor-kimenet 100%-ban alacsony hitelességű volt, és a detektor-bizonyíték 2025-re a tételek 0,5%-ára esett vissza, ahogy az intézmények feldolgozták, mit nem tud bizonyítani. A legerősebb bizonyítéktípusok azok voltak, amelyek nem valószínűségi szövegosztályozáson nyugszanak: a diák felvételi adatai, a vizsgán megfigyelt tiltott viselkedés és a függetlenül ellenőrzött kitalált hivatkozások, amelyek a legnagyobb strukturális elmozdulást jelentették a tételek 22,3%-ával. Legélesebb kritikájuk szerkezeti, nem bizonyítási jellegű, mivel „nincs követelmény arra, hogy a vizsgálók értékeljék a bizonyítékok bizonyító erejét, mielőtt egy vádat továbbvinnének, és nincs minimális bizonyítási küszöb az eljárás egyetlen szakaszában sem”, így a bizonyíték minősége nem állt megbízható kapcsolatban az ügyek kimenetelével. Azt is rögzítik, hogyan zárkózott fel a szabályzat a gyakorlathoz: a 2024-ig hatályos értékelési szabályzat semmit nem mondott az MI-ről, és 2025 januárjától egy felülvizsgált szabályzat engedélyezte a jóváhagyott hitelességi szoftvert, miközben megtiltotta a diákok munkáinak feltöltését harmadik féltől származó MI-detektáló eszközökbe.

A második kudarc nem a bizonyításé, hanem a hatóköré. Wright (2026) megmutatja, hogy a platformidentitás, nem pedig a funkció szintjén megfogalmazott tilalmak a nem generatív formátumkonverziót is elkapják (a beszéd-szöveg átírást, az OCR-t, a sima szöveg LaTeX-re alakítását), miközben a tiltani kívánt generatív vázlatírást is érintik, noha a lektorált számítástechnikai szakirodalom a felismerést és a generálást külön műveletként kezeli. A költség egyenetlenül terhel: azok a diákok, akiknek finommotoros kontrollt, kézírás-olvashatóságot vagy gépelési pontosságot érintő állapotuk van, pontosan ezekre az eszközökre támaszkodtak, és ahogy az önálló beszéd-szöveg termékeket megszüntetik vagy lerontják, az MI-vezérelt átírás tölti be a funkcionális rést, így egy túl széles tilalom eltávolítja az olvasható munka előállításának elsődleges eszközét, ami a vitát Accessibility és esélyegyenlőségi kérdéssé teszi, mielőtt integritási kérdéssé válna. Wright orvossága a generatív MI funkcióalapú meghatározása, négy operatív kritériummal (hűség, nem-bővítés, nyomon követhetőség és tanúsítás), amelyek strukturált utat adnak a diáknak a csak átírásra vonatkozó vád megcáfolására, miközben a bizonyítási teher az intézménynél marad.

A detektálás bizonyítási problémája egyben érvényességi probléma is. Mivel az MI-támogatás iteratív és a vázlatírással összeszövődik, nem pedig teljes egészében kihelyezett, a szerzőség és a jelentés birtoklása szétválik, és egy megalapozott beadott produktum nem feltétlenül bizonyítja, hogy a diák azt az ítéletet gyakorolta, amelyet a feladat célozni kívánt. A detektor teljesítménye feladatonként, tudományterületenként és modellverziónként változik, és a nyilatkozott vagy gyanított MI-használat elfogultsági jelzésként hathat a javítókra, így a detektálási válasz konstruktumtól független varianciát ad hozzá, nem pedig eltávolít. Ahol az integritási viták azt kérdezik, ki állította elő a szavakat, az érvényességi számadás azt kérdezi, milyen állítást tesz a diákról a teljesítmény.

A racionalizálási probléma

A diákok általában nem rosszindulatból élnek vissza az MI-vel; racionalizálják. Interjúkutatás legalább öt szakadási pontot azonosít, ahol a diákok MI-szabályzat-értelmezése eltér az oktatói szándéktól, valamint több mint 20 különböző racionalizáció taxonómiáját, az „az MI-szöveg másolása senkinek nem árt” állítástól a „a saját nézeteimet tükröző szöveg a saját írásom” állításig. Ezek a racionalizációk eseti jellegűek, utólagosak és belsőleg inkonzisztensek, és egy „meredek, etikai csúszós lejtőt” írnak le, amelyen a diákok messze kicsúsznak a pedagógiai célokon túlra. Ezért a diákok MI-vel kapcsolatos tévhitei az integritássértések felsőbb okai, és ezért kell az integritásnevelésnek az etikai érvelésre irányulnia, nem csupán a technikai készségekre.

Ji (2026) 38 empirikus, diákhangokat vizsgáló kutatás áttekintő tanulmánya adja azt a szintézist, amelyre ez a szakasz támaszkodik. Négy témája: a kétértelműség (egy teljes feladat generálása csalásként olvasódik, a nyelvtani ellenőrzés és az ötletelés nagyrészt elfogadható, a parafrázis, a vázlatkészítés és a fordítás szürke zónában van); az etikai Learner Agency, amelyben a diákok személyes szabályokat építenek egy olyan útmutatási vákuumban, amelyet cselekvéseik hallgatólagos jóváhagyásaként olvasnak; az etikai tudatosság és a gyakorlat közötti szakadék; valamint a nem, szint, tudományterület és kultúra szerinti sokféleség. A tudatosság és a gyakorlat közötti szakadék a racionalizálási probléma nagy léptékben mérve: Huang és mtsai Etikai disszonancia indexe 522 kínai diákot sorolt négy klaszterbe, amelyek közül az egyik gyakran tette azt, amit illegitimnek tartott, Ofem és mtsai 4 679 nigériai diákot vizsgáló strukturális egyenletmodellje pedig azt találta, hogy a ChatGPT-ről alkotott pozitív képzetek előre jelezték a tisztességtelen használatot, míg a pozitív integritási attitűdök szignifikáns negatív mediátorként működtek. Ji a diákokat nem a GenAI passzív befogadóiként és nem erkölcsi korlát nélküli bűnösökként, hanem etikai szürke zónában navigáló aktív szereplőkként olvassa, ezért konvergálnak az áttekintett kutatások a közösen létrehozott, nevelő és kontextusérzékeny válaszok felé a büntető válaszok helyett.

Miért vall kudarcot önmagában a szabályzat: a koordinációs probléma

A koordinációs játék keretrendszere mechanizmus szintű magyarázatot ad arra, miért ritkán változtatja meg a viselkedést a szabályzati nyilatkozat: a diákok MI-használata koordinációs probléma, ahol az egyéni döntések a társak elvárásaitól és az értékelés tervezésétől függenek. A modell kulcsfontosságú eredménye a nemlineáris küszöbdinamika: a reflektív értékelési ösztönzők kis, jól kalibrált változtatásai gyors, kohorszszintű elmozdulást válthatnak ki a felelős használat felé, míg a gyenge vagy rosszul illesztett ösztönzők fennmaradni engedik az opportunista gyakorlatot. Gyakorlati értelemben a szerény újratervezés (például hogy a diákok reflektáljanak MI-interakcióikra) aránytalan hatást gyakorolhat ott, ahol az absztrakt szabályok semmilyet.

A társak elszámoltathatósága nem mindig mutat az integritás felé, ahogy Chen és Zou (2026) osztályozott csoportértékelésben találták: tizenöt diákcsoportból hét szándékosan csökkentette GenAI-használatát, részben hogy elkerülje a csoporttársakon való potyautaskodást, mivel a csoportkövetkezmények megosztottak voltak, nem önmagukra korlátozottak; öt csoportban viszont egy megengedő kollektív klíma („a csoportomban mindenki GenAI-t használ”) csökkentette az visszaélés érzékelt kockázatát, és megfordította magát az elszámoltathatósági mechanizmust, amelyet a csoportmunka hivatott létrehozni. Ugyanez a kutatás azt találta, hogy a diákok az eredetiséget újraértelmezik hűségként ahhoz a megértéshez, amelyet osztálytársaik közösen építettek fel, és gyakorlati ajánlásuk közvetlenül ebből következik: az elfogadható MI-használatról való tárgyalást tegyék kifejezett, dokumentált és értékelhető kimenetté, ahelyett hogy a normát a társnyomásra vagy az érzékelt kockázatra hagynák kialakulni.

Az intézményen belüli szabályzati következetlenség pontosan azt a találgatást termelte ki, amelyet a koordinációs magyarázat előre jelez. Zou és mtsai (2026) tizenegy interjúalanyából kilenc a saját kurzusának a generatív MI használatára adott kifejezett engedélyét lehetséges „csapdaként” keretezte: csalétekként azok azonosítására, akik nem tudnak ellenállni neki. Ezt annak ellenére tették, hogy a szabályzat nyitott volt, és be volt írva az értékelési útmutatóba; a diákok inkább a máshol tapasztalt tilalmakból és figyelmeztetésekből általánosítottak, mintsem hogy saját kurzusuk szabályait a maguk értelmében olvasták volna. A szerzők következtetése a mechanizmust követi, nem a megfogalmazást: a kurzusszintű tisztaság nem volt elég, és program- vagy intézményszintű következetességre van szükség ahhoz, hogy a diákok ne a környező kultúrából következtessenek a szándékra.

Azonos viselkedés, eltérő ítéletek, és a közzététel, amely semmit nem változtat. Poudyal (2026) 15 szabványos vignettát alkalmazott 20 ausztrál egyetem szabályzati környezetére, és 300 besorolást kapott: 120 (40,0%) egyértelműen tiltotta a szóban forgó gyakorlatot, 56 (18,7%) meghatározhatatlan volt, egyetlen eset sem volt egyértelműen engedélyezett, míg a kötelező erejű eszközök 100 kombinációban hallgattak a generatív MI-ről, amelyeket az útmutatás 88 esetben oldott fel. A közzététel nem döntötte el a kimeneteleket: ugyanaz a közzétételi státusz eltérő besorolást eredményezett az engedélyezési szabályoktól és a feladati utasításoktól függően, és a közzétételi mező 117 teljesített követelményt és 80 hamis nyilatkozatot rögzített.

Az eljárások ugyanolyan fontosak, mint a szabályzatok, és ezek bizonyítékalapja az MI számára összeomlott. Teichmann (2026) amellett érvel, hogy az egyetemek által a plágiumtól átvett kötelességszegési eljárás egy olyan premisszán nyugszik, amelyet a generatív MI lebontott: hogy a tiltott használat felismerhető és bizonyítható. A szövegegyezés-kereső szoftverrel ellentétben, amely egy másolt forrásra tud mutatni, az MI-szövegosztályozók semmilyen forrást nem azonosítanak, mert nincs ilyen: a stílusról adnak valószínűségi ítéletet, amely a parafrázis alatt leromlik, szisztematikusan félreosztályozza a nem anyanyelvi beszélőket, és nem magyarázható, illetve nem kérdezhető keresztül, miközben a szakértői vagy enyhén szerkesztett használat egyáltalán nem hagy nyomot. A továbbra is fenntartott eljárás megfordítja a bizonyítási terhet (a diákot arra kérik, bizonyítson negatívumot), megterheli az eljárási igazságosság minden elemét, és a hamis vád ártalmát a már eleve hátrányos helyzetűekre terheli a legjobban. A javasolt orvosság kettős: tegyenek közzé olyan bizonyítási standardot, amely szerint önmagában a detektor-kimenet soha nem alapoz meg megállapítást, fokozatos, oktatásközpontú válaszokkal, és helyezzék át az intézményi erőfeszítést az érvényességközpontú és autentikus értékelési tervezésbe. Mohamed és Temimi (2026) a diák oldaláról adják a mechanizmus szintű megfelelőt: mivel minden értékelési környezet bizonyos válaszokat vonzóbbá tesz, a tilalom vonzóvá teszi a rejtegetést, ha az ellenőrzés vékony, a megfigyelés költségesebbé teszi a rejtett használatot anélkül, hogy biztonságossá tenné a közzétételt, és csak az újratervezés (a kihelyezésből származó haszon csökkentése, miközben a látható érvelés értéke nő) mozdítja a diákokat a felelős használat felé. Legélesebb eredményük, hogy az elrettentés egy detektor rejtett használat és legitim munka közötti megkülönböztetésén keresztül hat, nem a tettenérési arányán, így amikor a hamis pozitívok gyorsabban nőnek, mint a valódi pozitívok, az erősebb megfigyelés viszonylag vonzóbbá teheti a rejtegetést.

• Az integritási kötelezettség átírható egyéni kompetenciává. 366 GenAI felsőoktatási absztraktban az integritás szó 461 alkalommal szerepel, de a 166 kötelezettségkifejezés közül csak 6 nevez meg diákokat, így az ellenőrzés és a közzététel olyan készségként jelenik meg, amelyet a diákoktól elvárnak, nem olyan kötelezettségként, amelyet az intézmények kikényszerítenek (Poudyal, 2026).

• Az, hogy mennyire előíró egy integritásszabályzat, nem árulja el, mennyire kitett az értékelés. 15 587 képzési egységrekord auditálásával Villanueva (2026) azt találta, hogy az intézményi szintű reformmandátummal rendelkező egyetemek és a széles keretrendszerekkel rendelkezők ugyanazon értékelési kitettségi tartományba esnek: ez a koordinációs játék magyarázatának empirikus megfelelője arra, miért ritkán változtatják meg a viselkedést a nyilatkozatok.

A szocio-emocionális dimenzió

Az integritás kikényszerítésének elhanyagolt érzelmi költsége van. A szégyennel és bűntudattal foglalkozó kutatás diákok körében megmutatja, hogy ezek az érzelmek szabályozzák, mikor és hogyan válik láthatóvá az MI-használat, rejtőzködő viselkedést és szelektív közzétételt eredményezve, és hogy ezek együtt léteznek a folytatódó használattal, a csökkent cselekvőképesség és az erkölcsi feszültség ciklusait hozva létre a viselkedésváltozás helyett. Ezért az MI-használat körüli normák hatékonyabban szabályozzák a láthatóságot, mint magát a használatot. A diákok még a függőség nyelvén is leírják MI-használatukat. A következmény: a detektálásvezérelt, megfigyelésközpontú szabályzat kockázata, hogy a felszín alá űzi a visszaélést ahelyett hogy kezelné, aláásva azt az őszinte tárgyalást, amelyet a termékeny használat igényel.

A rejtőzködés ellentéte a visszautasítás, és ennek is megvan a maga érzelmi költsége. Azon 85 tanárjelölt között, akiket Zou és mtsai (2026) olyan értékelési szabályzat mellett kérdeztek meg, amely kifejezetten engedélyezte a generatív MI-t, 62,4% (53 fő) egyáltalán nem használta, és az alkalmazók használata sekélyes és korrekciós jellegű volt: a korrektúra (43,8%) és a tisztaságellenőrzés (34,4%) messze felülmúlta a szöveggenerálást (18,8%) és az ötletelést (12,5%). A jogtalan vádtól való félelem, nem a technikai nehézség végezte a munka nagy részét: a nem használók 41,5%-a nevezte meg ezt, szemben a hiányzó tudást vagy készséget említő 13,2%-kal, míg 77,4% egyszerűen az egyedül végzett munka preferenciájaként keretezte a nem használatot. Amikor egy megengedő szabályzatot csapdaként olvasnak, a biztonságos válasz az ajánlat visszautasítása, ami az intézménynek éppen azt az MI-integrált munkát veszíti el, amelyet be kívánt hívni.

MI-használati nyilatkozatok

Az MI-használati és közzétételi nyilatkozatok az a konkrét mechanizmus, amelyen keresztül az integritási elvárások működővé válnak, és a kutatás szerint gyakran kudarcot vallanak, ha semleges megfelelési űrlapként kezelik őket. Gonsalves (2025) szerint a diákok 74%-a nem nyilatkozott MI-használatról egy kötelező kurzusmunka-fedőlapon, amit a büntetéstől való félelem, az útmutatás kétértelműsége, a következetlen kikényszerítés és a társnormák hajtottak. Kirsanov és mtsai (2026) és Vetter és mtsai (2026) megerősítik, hogy a megtorlástól való félelem és a nem egyértelmű szabályzat hűti a közzétételt, és hogy az átlátható diákok akár gyanút is kelthetnek. Chang és mtsai (2026) a közzétételt Help-Seeking/önszabályozó viselkedésként keretezik újra, amelyet a szorongás a társak felé terel. A közös tanulság: a közzétételi szabályzatoknak kezelniük kell az affektív és társas akadályokat, egyértelműnek és következetesnek kell lenniük, és a közzétételt formatív pedagógiaként kell kezelniük, nem megfigyelésként. Luo és Dawson (2026) hozzáadják az egyenlet tanári oldalát: a GenAI-támogatott munka osztályozását a diák őszinteségéről, szorgalmáról és megbízhatóságáról alkotott értékítéletek vezérlik, és sok tanár bünteti (vagy kísértést érez, hogy büntesse) azokat a diákokat, akik nyilatkoznak GenAI-használatról, még akkor is, ha a munka minősége erős. Ez a „kétirányú átláthatóság” problémája: a diákoktól elvárják a használat bejelentését, de a tanárok ritkán tisztázzák, hogyan befolyásolja a nyilatkozat a jegyet, így az őszinte közzététel kimondatlan osztályozási büntetést hordozhat. A kutatás a közzététel problémáját a tanári osztályozás értéktelített valóságába ágyazza, és amellett érvel, hogy az átláthatóságnak mindkét irányba működnie kell.

A diákok saját beszámolói számszerűsítik, mennyire rosszul ér célba ez az üzenet. 504 szociológia szakos egyetemi hallgató felmérésében 81 százalék mondta, hogy oktatói vagy tanársegédei útmutatást adtak az MI-használatról, mégis csak 46 százalék nevezte ezeket az utasításokat nagyon egyértelműnek; 19 százalék számolt be arról, hogy egyáltalán nem kapott útmutatást, a többiek pedig legjobb esetben valamennyire egyértelműnek írták le (Kuznetsov, Sheely és Baker, 2026). Az akadémiai vétség elkövetésétől való félelem volt a diákok által említett második leggyakoribb aggodalom (28 százalék), ami a kétértelműség, nem a kikényszerítés által kiszabott költség, hiszen csak 3 százalék számolt be arról, hogy GenAI-t használt feladat szövegének generálására, és 2 százalék teljes vázlat előállítására. A gyakorlati következmény, hogy a kommunikáció tisztasága maga is integritási mechanizmus, és hogy az a diák, aki nem tudja megállapítani, mi megengedett, olyan kockázatot visel, amelyet az intézmény soha nem szándékozott kiszabni.

A kurzusszintű engedély sem oldja fel a közzétételi dilemmát. Zou és mtsai (2026) 85 tanárjelöltet vizsgáló kutatásában, akiknek értékelése kifejezetten engedélyezte a generatív MI-t, az önbejelentések összesen 28 felhasználót tettek ki a névtelen felmérés 32-jével szemben, és a két forrás kurzusonként ellentétes irányban tért el: az A kurzus 14 felmérésbeli felhasználót rögzített, de csak 8 nyilatkozatot, míg a C kurzus megfordította a mintát (8 felmérés, 12 nyilatkozat). A szerzők az eltérést az osztályozott következményekkel magyarázzák, amelyek alakítják, mit hajlandóak a diákok láthatóvá tenni, hozzátéve azt a tanárjelölti bizonyítékot, hogy egy nyilatkozatrendszer legalább annyira méri a közzétételi viselkedést, mint a használatot.

Kulturális és kontextuális eltérések

A szabályzat szövege nem egyenlő a szabályzat érzékelésével. Nemzetközi kutatás azt találta, hogy funkcionálisan azonos intézményi szabályzatok ellenére a különböző egyetemek diákjai eltérően értékelték ugyanazokat az MI-támogatott gyakorlatokat: a helytelenség érzékelését nem a szabályzat megfogalmazása, hanem a kultúra vezérelte. A szabályzatok harmonizálása nem hoz létre észlelési harmonizációt, így a kulturálisan sokszínű csoportok ugyanazokat a szabályokat eltérően értelmezik, ami a kikényszerítés és az osztályozás esélyegyenlőségi aggálya, és az absztrakt szabálykimondások helyett forgatókönyvalapú tisztázást indokol.

Nem a kultúra, hanem a nyelvi háttér a variáció második tengelye. Li (2026) amellett érvel, hogy mivel ugyanaz a felület végzi az engedélyezett nyelvi szerkesztést és a tiltott tartalmi vázlatírást, azokat a GenAI-t egyetlen, nem engedélyezett segítségkategóriaként kezelő integritási szabályok a nyelvi hátrányt integritási kockázattá alakítják: a teljes tilalom eltávolítja a nyelvi támogatás skálázható formáját, az engedélyezés-de-közzététel rendszer a megfelelési munkát azokra az EAL-diákokra terheli, akiknek a használata gyakoribb és iteratívabb, az apró változtatásokon túli szerkesztés tilalma pedig a gyanút azokra az írókra összpontosítja, akiknek a folyékonysága a leginkább megváltozott. A Li által javasolt határ nem eszközalapú, hanem célalapú: az engedélyezett támogatás nem ad új ötletet, új forrást, és nem rendez át jelentősen elemzést, míg a helyettesítés létrehozza vagy lényegesen átformálja az értékelt szellemi munkát. A határ az értékelési konstruktumban horgonyzódik, mert a folyékonyságért és idiomatikus kifejezésért pontot adó rubrikák konstruktumtól független varianciát vezetnek be az EAL-írók számára (Assessment Validity). A keretrendszer a detektor kimenetét triázsjelzéssé minősíti le, amely ritkán jelent bizonyítékot, előnyben részesítve a háromszögelést szakaszos beadásokon, vázlattörténeteken, ellenőrizhető forrásnyomokon és egy rövid, konstruktumhoz illeszkedő beszélgetésen keresztül, és úgy kalibrálja a közzétételt, hogy a rutinszerű támogatás ne hordozzon nagyobb megfelelési költséget, mint amekkorát az egynyelvű társak viselnek.

A rendészetből a pedagógiába

A tudásbázis paradigmaváltást dokumentál: az MI-től mint rendészettel kezelendő integritási fenyegetéstől az MI mint olyan eszköz felé, amelynek megfelelő használatát tanítani kell. Ez az MI-írástudás etikai dimenziója, és gyakorlati tervezésben testesül meg:

• Feladatspecifikus MI-használati nyilatkozatok: a területspecifikus nyilatkozatkeretrendszerek az általános „használtam MI-t” jelölőnégyzeteket strukturált nyilatkozatokkal váltják fel, amelyek a használatot kognitív szakaszokhoz rendelik (például szerkezeti tervezés kontra tartalomgenerálás), reflexióra kényszerítve és a fókuszt a rendészetből a szakmai gyakorlat felé tolva.

• Folyamatátlátható értékelés: az olyan architektúrák, mint a kognitív gyámság, a szakaszos beadások, a szóbeli védések és az MI Viva (egy beszélgetős ágens, amely azt vizsgálja, értik-e a diákok beadandóikat) láthatóvá teszik az emberi ítéletet, az ellenőrzést és a felelősséget. Miles, Haber-Curran és Arar (2026) ugyanezt a logikát a promptig viszik le: mintarubrikájuk az iteratív finomítást, a kimenet kritikai értelmezését és a reflektív revíziót osztályozza, így az kerül értékelésre, ahogyan a diák az eszközzel foglalkozik, nem az az artefaktum, amelyet előállított, és amellett érvelnek, hogy a diákoknak csak a kimenet optimalizálására tanítása érintetlenül hagyja a használat etikai és ismeretelméleti dimenzióit.

• A visszaélés csökkentése: az integritás az AI Misuse and Learning Harm (a visszaélés tanulási költsége) és a Az MI-visszaélés csökkentése (a megelőző beavatkozások) mellett áll, a tisztességességet a valódi tanuláshoz kötve, nem a szabálykövetéshez.

• Az átláthatóság mint integritási stratégia, nem csupán udvariasság: McCorkle (2025) tervezési esete az egyes engedélyezett vagy nem engedélyezett GenAI-használatok indoklását magát tekinti az integritási mechanizmusnak. A tiltó szabályzatot figyelmen kívül hagyó, majd megkérdezett diákok elmagyarázták, hogy nem látták magukat tisztességtelenül viselkedőnek, ami a kudarcot nem engedetlenségként, hanem kétértelműségként keretezi újra; az újratervezés ezért úgy válaszolt, hogy minden korlátozást azzal a konkrét Assessment indokolt, amelyet véd, és McCabe „20-60-20” meggyőzhető közepére tervezett, nem az elszánt kevesekre. Az eset megnevezi a homályos szabályzat esélyegyenlőségi költségét is: a tisztázatlan és oktatónként egyenetlen elvárások azok, amelyek a szabályzati kudarcot fegyelmi eljárássá alakítják (Equity).

• Tervezés, nem detektálás: a bochumi eset. A Ruhr University Bochum bevezető nukleáris és részecske-fizika újratervezése (Mikhasenko és mtsai, 2026) MI-szabályzatát gyakorlati integritási kudarchoz, nem detektáláshoz kötötte: mivel a gyakorlófeladatokat előre közzétették, néhány diák MI-generált megoldásokat készített, és azokat a táblára másolta anélkül, hogy a szándékolt érveléssel foglalkozott volna. A szerzők ezt tervezési problémaként kezelik (a gyakorlófeladatok áthelyezése előkészített tanórai megbeszélésbe, és az írásbeli vizsga tétele a jegy meghatározójává), nem rendészeti problémaként, miközben kifejezetten engedélyezik az MI-t a tanulásban, elmagyarázzák, miért a diák felelőssége az ellenőrzés, és megjegyzik, hogy a nyitott végű, MI-t engedélyező házi feladat növelte a függőséget, a fizetős modellekhez való egyenetlen hozzáférést és a tanársegédek munkaterhét.

A pedagógiai megfordítás legvilágosabb megfogalmazása El Khoury és Ma (2026) tollából származik, akik amellett érvelnek, hogy a gyanúból kiinduló reform az oktatási képzeletet irányításra, megfelelésre és megfigyelésre szűkíti, és hogy az integritásnak az elköteleződésre tervezett értékelés következményének kell lennie, nem a kiindulópontjának. Támogató megfigyelésük egy olyan mechanizmus, amely e tudásbázis más helyein már látható: az elkötelezettség hiánya az egyik olyan feltétel, amely mellett a tisztességtelenség valószínűbbé válik, így azok a programok, amelyek stressztesztekkel terhelik az értékeléseket, vagy korlátozzák az MI-használatot anélkül, hogy az elköteleződéssel foglalkoznának, a probléma egy részét érintetlenül hagyják.

Az angol nyelvű felsőoktatáson kívüli diákok ugyanezt a feszültséget írják le a saját szavaikkal. Mulisa és Mezgebu (2026) 27 egyetemi hallgatót kérdeztek meg egy etióp egyetemen, és a diákságot önmagával szemben megosztottnak találták: szinte mindenki használt GenAI-t vagy látta társait használni, a legtöbben annak tulajdonították, hogy javította tanulmányi eredményüket, egy kis kisebbség egyenesen kötelességszegésnek nevezte az ilyen használatot, és szinte mindenki egyenetlen versenypályát írt le, ahol az MI-támogatott munka jobb jegyeket ért el a becsületes erőfeszítésnél, míg az önállóan dolgozók elveszítették szorgalmuk érzését. A beszámoló legélesebb vonása a diákok plágiumdefiníciója, amely technikailag védhető és hiányos: ha a plágium más szavainak reprodukálását jelenti, akkor egy gép által írt szöveg, amely semmit nem másol, nem plágium. Ezért érvelnek a szerzők amellett, hogy a definíciónak túl kell lépnie a másoláson és beillesztésen, Ka és Chan (2025) „MI-plágiumát” követve, és ezért helyezik a diákok saját meggyőződéseit, nem csupán az intézményi szabályokat az etikus használat középpontjába.

Sharma (2026) egy lépéssel továbbviszi a pedagógiai megfordítást azzal, hogy Eaton posztplágium-keretét etikai orientációból értékelési tervezéssé bővíti. Az integritás ebben az értelemben az értékelő ítélet által valósul meg (a tanuló képessége a lehetőségek mérlegelésére, az akadémiai döntések indoklására és a felelősségvállalásra ismeretelméleti bizonytalanság mellett), és négy gyakorlaton keresztül válik láthatóvá: annotált döntési nyomok, ellenőrzési és elszámoltathatósági gyakorlatok, szóbeli védelem és dialogikus elszámoltathatóság, valamint vázlatkülönbségek verziótörténettel. A detektálás csak kiegészítő rétegként marad meg egyértelmű téves bemutatás vagy a szellemi munka szándékos kihelyezése esetére, soha nem az integritás elsődleges infrastruktúrájaként, mert azt kérdezi, használtak-e GenAI-t, nem pedig azt, hogyan születtek a munka mögötti döntések; az érvelés megnevezi azt az esélyegyenlőségi kockázatot is, hogy a detektálásközpontú modellek a legjobban azokra a tanulókra nehezednek, akik nyelvi vagy kognitív Scaffolding céljából támaszkodnak generatív eszközökre.

Egy harmadik út a detektálás és az újratervezés között helyezkedik el. Akçapınar (2026) a félév eleji LMS-nyomokból jósolja az MI-támogatott csalási kockázatot 0,763-as AUC-val, és a kimenetet alacsony tétű akadémiai útmutatásként keretezi (emlékeztetők, feladatkövetés, rövid egyeztetések), nem kötelességszegési bizonyítékként, ragaszkodva ahhoz, hogy a pontszám maradjon elválasztva az osztályozástól és a fegyelmi nyilvántartásoktól.

Kapcsolódások

Az akadémiai integritás az Assessment Validity, az MI-írástudás, az AI Detection, az Authentic Assessment, az Assessment, az Educational AI Policy, a AI Regulation in Education, az Ethics és az Equity fogalmaihoz kapcsolódik. Ez az MI az oktatásban etikai dimenziója, elválaszthatatlan a túlzott támaszkodástól és attól a tágabb kérdéstől, hogyan formálja át a Generative AI a Higher Education és a K-12 tanulást.

• Szemlebírálati szintézis. 25 kutatás PRISMA-áttekintése (Balalle és Pannilage 2025) szerint az MI egyszerre fenyegetés (MI-generált írások, parafrazáló eszközök) és detektálási eszköz (Turnitin MI-pontszámok), hogy a detektáló szoftver megbízhatatlan MI-generált munkák esetében, és hogy az intézményeknek az akadémiai integritás kultúráját egyértelmű szabályzattal, az értékelés újratervezésével és etikai képzéssel kell felépíteniük, nem csupán rendészettel.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Az integritás központi aggodalom, de ritka kimenet. 394 GenAI felsőoktatási kutatás között az akadémiai integritás és az etika a legritkábban célzott kimenetek közé tartozott (Lin és mtsai (2026)).

• A rendészetből a dialógusba: tanulásellenőrzés. A Grand Canyon University intézményi szintű keretrendszerének gyakorlati beszámolója (Mandernach 2026) amellett érvel, hogy a detektálás megbízhatatlan, és a formális integritási eljárások ritkán jutnak megoldásra, ami az oktatókat „gyanúval, jogorvoslat nélkül” hagyja. A GCU helyette a tanulásellenőrzést vezette be: arra kéri a diákokat, hogy egy rövid beszélgetésben mutassák be beadott munkájuk megértését, ezzel az integritást megfelelési problémából értékelési problémává keretezve. Ez helyreállítja az oktatói tekintélyt, a diákokat a „hogyan ne kapjanak el” állapotból a valódi elköteleződés felé mozdítja, és az MI-használatot elfogadhatónak tekinti, ha a diák bizonyítani tudja a tanulást; a diákok kezdeti szorongása az ellenőrzés miatt rávilágít arra, hogy a megfigyelésvezérelt szabályzat kikezdheti a Trust légkörét.

• A GenAI legyőzi az automatikusan osztályozható házi feladatot (2026): a ChatGPT mind a 150 tesztmenetben átment a szándékosan megerősített, automatikusan osztályozható Qiskit (kvantumszámítástechnika) házi feladat konstrukciókon (személyre szabás, rejtett hivatkozások, reflexiók, szimulátor-végrehajtás), megmutatva, hogy a rubrikaalapú osztályozók nem tudják megbízhatóan megkülönböztetni az MI-vel elkészített munkát a diákok által elkészítettől, és a megértés közvetlen értékelését javasolják (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Értékelés az MI korában: a kimenet mint bizonyíték (2026): egy egyetemi szintű elemzés szerint az MI-értékelési válság az értékelési tervezés és a tanulási eredmények közötti illeszkedés hiánya, nem csupán a tisztességtelenség; dokumentálja a megfigyelés ártalmait (lezárt böngészők, szemmozgáskövetés), egy „közzétételi csapdát” (a diákok félnek nyilatkozni az MI-használatról, mert az csökkenti a jegyet), a társadalmi-gazdasági státuszt osztályozó teljesítményrést (fizetős kontra ingyenes Large Language Models (LLMs) szintek) és a tanári „pedagógiai kiégést” az MI rendészetében, és a folyamatalapú értékelést javasolja a detektálás helyett (Evaluation in the Age of AI: Output as Evidence of Learning).

Újabb bizonyítékok: etikai érvelés, a detektálás korlátai, MI-marketing és szellemdiákok

Az újabb kutatások hulláma élesíti az akadémiai integritás képét a generatív MI korában:

• A középiskolás diákok az MI-plágiumról helyzetfüggően, nem rögzített szabályként érvelnek. Chan (2026) megmutatja, hogy a középiskolás diákok „MI-plágiumról” szóló etikai érvelése árnyalt és kontextusfüggő: sokan elfogadhatónak tartják az MI-támogatott munkát, amikor a megértést támogatja, de problematikusnak, amikor saját erőfeszítésüket helyettesíti. Ez kihívást jelent azzal a feltevéssel szemben, hogy a diákok egyszerűen híján vannak az integritásnak, vagy hogy egyetlen szabályzat megragadhatja etikájukat.

• Az autentikus értékelés önmagában nem védi meg az integritást. Kofinas és mtsai (2025) szerint a javítók általában nem tudják megkülönböztetni a GenAI-bemenettel készült értékeléseket az ilyen nélküliektől, és az értékelés autentikusságának szintje nincs hatással a GenAI-használat elleni védelemre vagy annak detektálására. A felsőoktatási szektor „nem támaszkodhat egyedül az autentikus értékelésre a GenAI hatásának ellenőrzésére”, ami közvetlen kihívás az értékelés-újratervezési stratégiával szemben, amelyet más intézkedésekkel kell párosítani.

• Az integritási útmutatásnak ki kell terjednie a kutatási folyamatra is, nem csupán a tanításra. Dai és Chan (2026) szerint a posztgraduális kutatók kutatási feladatokon keresztül valósítják meg az MI-írástudás, és amellett érvelnek, hogy a felelős használat szabályzatainak, amelyek jelenleg a tanításra és az értékelésre összpontosítanak, támogatniuk kell a GenAI-használat etikai dimenzióit a kutatásban, ahol az aggodalmak az eredetiségre, a szerzőségre, a adatvédelemre és a készségek leromlására összpontosítanak, nem csupán a plágiumra.

• A célnak meg kell előznie a szabályzatot. Taylor és LaCroix (2026) amellett érvelnek, hogy az, hogy a GenAI-használat kötelességszegésnek minősül-e, az egyetem céljától függ. A növekvő kötelességszegési esetek a neoliberális egyetem strukturális inkoherenciáját tükrözik, ahol a technológiai lelkesedés, a vállalati befolyás és a szabályzat kikényszerítése ütközik, ami a diákokat az intézmény által implicit módon formált viselkedésekért teszi felelőssé. Az egyetemek nem tudják hitelesen kikényszeríteni az integritást a kimondott küldetés, a pedagógia és a technológiai gyakorlat közötti koherencia nélkül.

• Pszichológiai és viselkedési meghatározók. Frontiers-kutatás feltérképezi az akadémiai integritás pszichológiai mechanizmusait és viselkedési meghatározóit az MI mellett: hogyan alakítják az attitűdök, az önhatékonyság, a normák és az érzékelt következmények a becsületes használatot. Ez az integritást a Motivation, az Self-Efficacy és az MI-írástudás viselkedési konstruktumaihoz köti mint viselkedési konstruktumokhoz, nem pusztán szabálykövetéshez. Tabares-Cruz és mtsai (2026) ezeket 980 ecuadori egyetemi hallgató SEM-modelljében számszerűsítik, az akadémiai integritási és átláthatósági diszpozíciókat helyezve első helyre, majd az MI-írástudatosságot, a kritikai ellenőrzést, az intézményi útmutatást, az önszabályozást és az adatvédelmet, ahol az integritási diszpozíciók és az MI-írástudás együtt az etikus GenAI-használat jelentős részét magyarázzák, és felülmúlják az intézményi szabályokat önmagukban.

• Az MI-marketing normalizálja a használatot, és a „csalás kontra versenyzés” keretébe állítja. Sobo és mtsai (2025) megmutatják, hogy az MI-t gyakorlati szükségszerűségként marketingelik a diákoknak („Tegye természetesebbé az írását, hogy ne jelöljék meg tévesen”), és a diákok kényszert éreznek az átvételére, hogy versenyképesek maradjanak, miközben aggódnak a függőség és a tanulás elvesztése miatt: ez egy internalizált vállalkozói imperatívusz. Ez rámutat arra, hogy a marketingírástudatosságnak az MI-integritás oktatásának részévé kell válnia.

• Az MI-humanizálók leleplezik a detektálás performatív ciklusát. Roe és mtsai (2026) 55 MI-humanizáló weboldalt katalogizálnak, amelyek az MI-generált szöveget a detektálás elkerülésére módosítják, Goffman dramaturgiáján keresztül keretezve. A humanizálók diszkurzívan távollévővé teszik a kötelességszegést, és legitimitást performálnak, megmutatva, hogy a detektálás kontra megkerülés fegyverkezési versenye szerkezetileg végtelen, ami megerősíti az rendészet felől az értékelési tervezés és az MI-írástudás felé való elmozdulást.

• A beszélgetés a kikényszerítésnél, nem a detektálásnál él. 270 929 MI-vel kapcsolatos rekordot átvizsgálva 26 oktatási subredditből, három és fél évet átfogva, az akadémiai integritási klaszter a vita 37,1%-át tette ki, és a kötelességszegés kikényszerítése volt a legnagyobb egyedi téma 12,1%-kal, míg az oktató-diák szálak 32,3%-a detektálási és kikényszerítési vitákban helyezkedett el (Yüce és mtsai (2026)).

• Szellemdiákok és az ágens MI ellenőrzési rése. Bozkurt, Crompton és Fell Kurban (2026) bevezetik a „szellemdiákot”: egy digitális helyettest, amelyet LLM-ek (a „szellem”) és ágens MI-böngészők (a „test”) összekapcsolásával hoznak létre, és amely képes az LMS-ben navigálni, tartalommal foglalkozni és értékeléseket emberhez hasonló utánzással teljesíteni, a tényleges tanuló jelenlétét opcionálissá téve. Ez egy ellenőrzési rést hoz létre, amelyet a hagyományos felügyelet és detektálás szerkezetileg képtelen bezárni: olyan integritási fenyegetés, amely nő, ahogy az MI ágenssé válik, nem csupán generatívvá.

A detektálással szembeni újratervezés legvilágosabb tudományterületi esete a számítástechnika oktatásából származik. A generatív MI 72 kutatását áttekintő szisztematikus áttekintés a számítástechnika és a programozás oktatásában (Kumar, Wongsirichot és Nanthaamornphong 2026) csak három olyan kutatást talált, amely MI-detektálási mechanizmusokat vizsgál: ez a 14 konszolidált téma közül a legvékonyabb bizonyítékbázis, míg a kurzus- és értékelés-újratervezést 25 támogatta. Az áttekintés a kiegyensúlyozatlanságot diagnosztikusnak, nem esetlegesnek tekinti: az intézmények nagyrészt frissítették a szabályzati dokumentumokat anélkül, hogy újratervezték volna az értékeléseket, és a legtöbb oktató az integráció tolerancia, nem transzformáció szintjén áll, egy nemzeti oktatói minta 70%-a pedig kifejezetten MI-ellenálló értékeléstervezési képzést kért. Az ajánlott válasz konkrét: adjanak szóbeli elemet vagy más folyamatlátható elemet kurzusonként legalább egy nagy tétű értékeléshez, és tegyék az MI-kimenettel való kritikai foglalkozást (olvasás, tesztelés, módosítás, elmagyarázás, kritizálás) a diákmunkák osztályozott, megfigyelhető részévé, ne a diák belátására hagyott óhajjá (Assessment Validity). 72 felsőoktatási értékelési kutatás PRISMA-áttekintése három, a GenAI-ra adott, ismétlődő tervezési választ talál: folyamatorientáció, autentikusság, valamint szóbeli és dialogikus megközelítések. Ezeket a meglévő érvényességi, autentikussági és illesztési elvek rétegzésének tekinti, nem azok helyettesítésének (Crompton és Burke (2026)).

• A kitalált hivatkozások elérték a publikált számítástechnikai oktatási rekordot. Denny és mtsai (2026) 113 588 hivatkozást követtek nyomon 5 225 számítástechnikai oktatási cikkből az ACM Digital Libraryben a 723 930 publikáció és 15 872 533 hivatkozás teljes korpuszával szemben, 828 gyanús rekordot ellenőriztek kézzel, és 30 olyan hivatkozást igazoltak, amely ellenőrizhetően kitalált bibliográfiai információt tartalmazott, 14 cikkben, mind 2025-ben vagy 2026-ban publikálva. A SIGCSE Technical Symposiumon az igazolt szám 3-ról 17-re nőtt 2025 és 2026 között, ami a 2026-os közlemények 2,3%-át teszi ki, és hallucinált hivatkozások öt SIGCSE által szponzorált vagy együttműködésben működtetett fórumon jelentek meg 2025-ben. A szám csak az ellensúlyával együtt érvényes: a megjelölt hivatkozások többsége jóindulatú volt (229 ACM metaadat-eltérés, ahol a PDF helyes volt, és 188 érvényes bibliográfiai változat), így a fórumra vonatkozó szám szándékos alsó korlát. Ez a szerzőket terheli, nem csupán a Peer Assessment gyakorlatát, mert a hivatkozásjegyzéket ellenőrző bírálók nem tudnak minden tételt ellenőrizni, és az Large Language Models (LLMs)-támogatott vázlatírás olcsóvá teszi egy kitalált, de hihető hivatkozás előállítását.

• Az újratervezés nélküli tisztázás oldalra tolja a visszaélést, nem megszünteti. Petricini és Zipf (2026) két tengelyen ábrázolják az MI-használatot: a diákok szándéka és erőfeszítése a környezet által nyújtott tisztaság és támogatás ellenében. Jelentésük szerint interjúadataikban a legnépesebb kvadráns a szorongó megfelelés volt, ahol a diákok legitim segítséget rejtenek el (nyelvtani támogatás, fogalommagyarázatok, saját ötleteik rendszerezése), hogy elkerüljék a hamis vádat. Figyelmeztetésük irányt mutat: ahol a szabályok egyértelművé válnak, de az Assessment még mindig a gyorsaságot és a produktumot jutalmazza, a szabályzattudatos diákok az eredményes megkerülés felé mozdulnak el, nem az erényes eszközhasználat felé. Austin (2026) ugyanerre a pontra jut a feladat oldaláról: amikor az ágensek látható érvelés nélkül teljesítenek minden rubrikakritériumot, a döntési nyom osztályozása (konfidenciakalibráció, elutasított MI-javaslatok, kurzusspecifikus megkötések) váltja fel a detektálást, amely megjegyzése szerint mindkét irányban tévesen jelez.

• A munkáltatók diszkontálják azokat a jegyeket, amelyekről azt hiszik, hogy MI állította elő, és a személyes ellenőrzés felé konvergálnak. Egy mintegy 1 750 amerikai állásinterjú-szakemberrel végzett felmérési kísérletben Boyd-Swan és Reynolds (2026) megmutatják, hogy a diákok MI-használatának segédeszközként való keretezése büntetlenül hagyta a jelentkezőket, míg a helyettesítőjeként való keretezés a diák erőfeszítésének és képességének csökkentette az interjú valószínűségét és még élesebben a fizetéstárgyalási hajlandóságot, ami a magas tanulmányi átlagú jelentkezőkre összpontosult fajtól és nemtől függetlenül. Arra a kérdésre, mi enyhítené az aggodalmakat, mindkét keretezési csoport csak egyetlen közös megoldást választott: a személyes tesztet. A kísérlet a hitet izolálja (nem a tényleges MI-használatot), így megmutatja, hogyan mozgatja önmagában a jelzési csatorna a felvételi kimeneteleket: korai bizonyíték arra, hogy a munkaerőpiacok visszafelé tolhatják az értékelést a jelenléttel ellenőrizhető formátumok felé, ugyanabba a tervezési irányba, amelyet a szellemdiák-szakirodalom az intézményeknek javasol.

A GAIT-alapú kötelességszegési szándék első tervezett viselkedés elméleti vizsgálata kiterjeszti ezt a képet: 186 egyetemi hallgató körében Baig és Paparo (2026) azt találták, hogy a kötelességszegéshez való attitűdök, a róla szóló szubjektív normák és az MI-hez való pozitív attitűdök egyaránt előre jelezték a szándékot, míg az MI-hez való negatív attitűdök nem, és a detektálás érzékelt valószínűsége alacsonyabb szándékot jósolt: egy elrettentő tényező, amelyet aláás az MI-detektáló eszközök dokumentált megbízhatatlansága.

Az integritási szabályzatok a szavak szerzőjétől a gondolatok birtokosához tolódnak, és a detektorokat ennek megfelelően építik újjá. Az IdeaLens vázlatból, nem prózából jósolja a gondolatok származását: 50 olyan történeten, amelyet emberek a semmiből írtak MI-generált tervek alapján, 68%-ukat MI-ként jelölte meg, szemben a Pangram 4 8%-ával és a prózára tanított kontroll 0%-ával, és az MI-vel csiszolt emberi szöveg 94,7%-át emberinek címkézte (Rajendhran és mtsai (2026)). Saját etikai nyilatkozata a kimenetet statisztikai becslésnek nevezi, amelyet önmagában nem szabad az MI-használat meggyőző bizonyítékaként használni.

Gillette és mtsai (2026) egy kar belsejéből dokumentálják a rendszert: azok a tanárok, akik megváltoztatták az értékelési formátumokat, azt mondták, „gyakorlatilag lehetetlen megmondani, használt-e egy diák MI-t a feladatok írásakor”, míg a dühös diákok a lelkiismeretre való felhívást és a „szégyenítést” kérték a detektálás helyett.

• A jobb érzékelés nem változtat azon, mit tud az értékelés tanúsítani. Egy 99,56%-os osztályozási pontosságot jelentő YOLOv11 pózbecslő felügyeleti rendszer illusztrálja a detektálási út korlátját: a testtartást egy viselkedési címkével szemben méri, nem jelent valós alapigazságot a kötelességszegésről, és nem kínál alcsoport-elemzést (Arif és mtsai, 2026). A Villanueva által javasolt orvosság a tanulás elegendő bizonyítéka a kulcsfontosságú szakaszokban, nem minden beadandó maximális megfigyelése.

Gyakori tévhitek

• „A detektáló eszközök azonosítják az MI-írást.” Az MI-generált szöveg az esetek akár 80%-ában emberi szerzőségűnek ment át, míg a detektálás melletti bizonyítékok a gépi detektálást mintegy 80%-ra teszik a humán bírálók 78,4%-ával szemben. Az emberi és a gépi ítélet közel egyformán (meg)bízhatatlan, így a detektálási ítélet nem bizonyíték a szerzőségre.
• „A probléma marginális.” A mennyiség korántsem az: egy nagy létszámú CS2 kurzus hatéves elemzése a 2026 tavaszi diákok 45,7%-át találta megjelöltnek. Majdnem egy fél kohorsz, ami ezt mainstream tervezési problémává teszi, nem szélsőséges esetté.
• „Az oktatók tudják, mely értékelések sebezhetők.” Egy biológia tanszéken az oktatók csak a személyes felügyelettel tartott vizsgákat érzékelték minimálisan sebezhetőnek, míg a tanórán kívüli feladatokat kitettnek látták. Az észlelés a nyilvánvaló esetnek felelt meg, és minden mást biztonságosnak tekintett.

Kapcsolódó fogalmak

• Pedagogical Patterns - A generatív MI-re válaszul átvett ellenőrzési szekvenciák
• AI Use and Disclosure Statements - MI-használati és közzétételi nyilatkozatok
• Assessment Validity
• MI-írástudás
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Kognitív tehermentesítés
• AI Misuse and Learning Harm
• Az MI-visszaélés csökkentése
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• Mesterséges intelligencia az oktatásban
• Legal Issues and Risks
• Social Norms of AI Use - a formális szabályzat alatt fekvő informális szabályok

Kapcsolódó cikkek

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Egy teljes pszichológiai program minimális erőfeszítéssel átmenővé téve, és az osztályozási kritériumok, amelyek ezt átengedték (Ivory és mtsai 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — A tanárjelöltek visszautasították a GenAI-t egy megengedő szabályzat mellett; a „csapda” keretezés és a felmérés-nyilatkozat rés

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — MI-ágensek, örömteli értékelés és harmadik tér

• Generative AI in computing education: A systematic review and a framework for responsible integration — A detektálási bizonyíték vékony (3 kutatás a 72-ből); az újratervezés viseli a terhet

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Összehangolt GenAI kurzus-szabályzat: értékelésből levezetett engedélyek, átlátható indoklás (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Konstruktumequivalens értékelési variánsgenerálás (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Hogyan szabályozzák az oktatók az MI-t 31 000 kurzustematikán át; az integritási keretezés hanyatlik (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 — Végig lehet-e csalni magát valaki egy biológia diplomáig? Esettanulmány a biológiai kurzusjegyek sebezhetőségéről a generatív MI korában

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — A diákok nem-megfelelése az MI-használati nyilatkozatoknak

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — LLM-generált szöveg detektálása

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — A detektáláson túl: autentikus értékelés egy MI-közvetített világban

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Az MI-értékelési skála és az értékelési reform

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Az autentikus produktumoktól a hitelesített folyamatokig

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — „Rendben van, mert…” A diákok racionalizálják az MI-használatot

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Koordinációs játék keretrendszer az etikus MI-használathoz

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — A szégyen és a bűntudat mint az MI-használat társas szabályozói

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Vétkezett-e Alice? Az MI-használat kultúrák közötti észlelése

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Értékítéletek a GenAI-támogatott munka osztályozásában: őszinteség, bizalom, érvényesség és kétirányú átláthatóság (Luo és Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Társak elszámoltathatósága és eredetiség a GenAI-közvetített csoportértékelésben

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — A detektálás bizonyítékalapjának összeomlása és az eljárási igazságosság, az arányosság és a tervezés melletti érv

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Elrettentés, közzététel és újratervezés mint értékeléstervezési probléma tökéletlen információ mellett

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Mire is nyugodott valójában 1 162 GenAI-kötelességszegési ügy bizonyítéka, és a hiányzó bizonyítási küszöb

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Túl széles MI-tilalmak és az átírás kontra generálás megkülönböztetése

• AI-based digital cheating at university, and the case for new ethical pedagogies — MI-alapú digitális csalás és megelőzésalapú etikai pedagógiák: a 183-ról 27-re csökkenő kötelességszegési eset és öt tudományterületspecifikus újratervezés (Leaton Gray, Edsall és Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Az integritás mint irányítási probléma: 130 tételes mutatókeretrendszer akadémiai irányítók számára (Coates, Croucher és Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — 38 kutatás áttekintő vizsgálata a felsőoktatási diákhangokról az akadémiai integritás és a GenAI kapcsán (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — A támogatás és a helyettesítés közötti határvonal meghúzása az EAL-írók számára, és a nyelvi hátteret figyelmen kívül hagyó szabályok egyenlőtlensége (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Promptinjektálás az MI-közvetített osztályozás ellen: rejtett utasítások, amelyek észrevétlenül változtatják meg a jegyet (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Az MI-használati etikai mátrix: szorongó megfelelés, és hogy a puszta tisztázás miért tolonthatja a diákokat eredményes megkerülésbe (Petricini és Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Az érvelési nyom osztályozása, amikor az MI-ágensek teljesíteni tudják a feladatot (Austin 2026)

• AI-written admissions essays are widespread but penalized — Az MI-vel írt felvételi esszék elterjedtek, de büntetettek

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Ki cselekszik, ki tud, ki felel? Korpuszalapú diskurzuselemzés a cselekvőképességről, episztemikus felelősségről és elszámoltathatóságról a generatív MI felsőoktatási kutatásában

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — A felhatalmazott határ feltérképezése: összehasonlító szabályzat-vignetta vizsgálat a generatív MI irányításáról az ausztrál felsőoktatásban

• Argus: Academic Integrity in the Era of Generative AI — Argus: akadémiai integritás a generatív MI korában

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Ágazati audit eredmény: a mandátummal és a keretrendszerrel rendelkező egyetemek nem mutatnak különbséget az értékelési kitettségben, a koordinációs probléma empirikus megfelelője

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026): az MI-támogatott csalási kockázat korai előrejelzése LMS-nyomokból, akadémiai útmutatásként keretezve, nem kötelességszegési bizonyítékként

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Három és fél év oktatási Reddit: a kikényszerítés dominál, és az integritási viták a fő oktató-diák színtér (Yüce és mtsai 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Felmérési kísérlet: a diákok MI-használatának helyettesítő keretezése bünteti a magas tanulmányi átlagú jelentkezőket a felvételnél és a fizetésnél; a személyes teszt az egyetlen megoldás, amelyet mindkét csoport választott

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: egy ember számára olvasható, gép számára ellenálló olvasási felület felé