Integritas Akademik

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Integritas akademik - kerangka etis yang mengatur kerja akademik yang jujur di era AI. Basis pengetahuan mendokumentasikan bagaimana konsep ini telah dibingkai ulang oleh AI generatif: dari masalah mendeteksi keluaran yang tidak jujur menjadi masalah desain untuk membuat kerja yang jujur terlihat, dapat diverifikasi, dan layak dihasilkan. Penelitian integritas akademik di ruang ini telah berkembang dari pendekatan yang berfokus pada deteksi menuju desain ulang penilaian yang mendasar, tata kelola yang dipimpin pedagogi, dan mengajarkan siswa cara menggunakan AI dengan baik alih-alih sekadar mengawasi apakah mereka menggunakannya.

Pertanyaan yang Perlu Dipertimbangkan

• Pikirkan terakhir kali Anda mendengar pembicaraan tentang 'kecurangan AI'. Apakah pembicaraannya tentang menangkap siswa atau tentang merancang tugas yang ingin dikerjakan siswa secara jujur? Penekanan mana yang terasa lebih akrab bagi Anda, dan mengapa?
• Sebuah karya yang rapi dan masuk akal kini dapat dihasilkan dalam hitungan detik. Jika Anda tidak lagi dapat menilai kemampuan seorang siswa dari produk yang mereka serahkan, apa yang perlu Anda lihat atau dengar untuk merasa yakin bahwa mereka benar-benar mempelajarinya?
• Penelitian menemukan bahwa siswa sering merasionalisasi penggunaan AI ('menyalin teks AI tidak merugikan siapa pun') alih-alih menyalahgunakannya karena niat jahat. Asumsi apa tentang motif siswa yang dibuat oleh kebijakan integritas yang murni bersifat menghukum, dan apa yang mungkin salah dari asumsi tersebut?
• Satu lini penelitian memperlakukan penggunaan AI oleh siswa sebagai masalah koordinasi: perilaku berubah ketika ekspektasi sebaya dan insentif penilaian berubah, bukan ketika aturan diulang. Faktor sebaya atau faktor desain apa dalam konteks Anda sendiri yang mungkin secara diam-diam membentuk apakah penggunaan AI bersifat jujur?
• Studi menunjukkan bahwa rasa takut akan sanksi mendorong siswa menyembunyikan penggunaan AI, dan bahwa siswa yang transparan bahkan dapat menimbulkan kecurigaan. Jika Anda merancang formulir 'pengungkapan penggunaan AI', apa yang akan membuat seorang siswa benar-benar ingin mengisinya dengan jujur?
• Kebijakan AI institusional yang sama ditafsirkan secara berbeda oleh siswa di berbagai budaya - budaya, bukan rumusan kebijakan, yang mendorong apa yang terasa salah. Bagaimana kebijakan integritas harus dikomunikasikan kepada kohort yang beragam secara budaya agar ekspektasinya benar-benar dipahami?

Pendahuluan

Kehadiran AI generatif tidak menciptakan kebutuhan akan integritas akademik - kehadirannya membuat kelemahan dalam pendekatan yang ada lebih sulit diabaikan. Sebuah produk yang rapi dan masuk akal kini dapat dihasilkan dalam hitungan detik, sehingga kemiripan produk menjadi sinyal kemampuan yang semakin tidak dapat diandalkan. Hal ini menggeser pertanyaan integritas dari "dapatkah kita menangkap penggunaan AI?" menjadi "dapatkah penilaian kita masih menjamin inferensi yang kita tarik tentang pembelajaran siswa?"

Evolusi dari deteksi ke desain ulang

• Skeptisisme terhadap deteksi: penelitian AI Detection dan analisis institusional semakin menemukan bahwa alat deteksi AI tidak dapat diandalkan dan tidak adil secara prosedural. Deteksi teks LLM menghadapi keterbatasan mendasar. Kiriman yang sepenuhnya dihasilkan AI dapat melewati sistem ujian langsung sebagian besar tanpa terdeteksi, dan penilai berpengalaman tidak secara andal mengenali karya yang ditulis GenAI. Deteksi, paling baik, adalah alat yang terbatas dan situasional - bukan strategi pilihan pertama. Volume yang tetap diminta untuk ditanganinya jauh dari marginal: analisis enam tahun atas kursus CS2 dengan pendaftaran besar menemukan 45,7% siswa Musim Semi 2026 ditandai karena pola yang konsisten dengan pengodean berbantuan LLM (Racovan et al. (2026)).

• Margin sempit deteksi, dan kecurangan sebagai perilaku terencana: Leaton Gray, Edsall dan Parapadakis (2025) menyusun argumen bahwa AI memperbesar kerentanan yang sudah dimiliki sektor ini. Teks yang dihasilkan AI telah lolos sebagai tulisan manusia dalam hingga 80% kasus, sementara bukti yang mereka kutip menempatkan deteksi mesin sekitar 80% berbanding 78,4% untuk peninjau manusia, margin yang terlalu sempit untuk menopang temuan pelanggaran. Analisis motivasional mereka adalah kontribusi yang lebih khas: berangkat dari Teori Perilaku Terencana Ajzen dan teori efikasi diri Bandura, mereka melaporkan meta-analisis Krou et al. (2021) yang menemukan bahwa efikasi diri berkorelasi negatif dengan kecurangan sementara kemampuan aktual tidak berkorelasi terbalik dengannya sama sekali. Siswa yang mampu dan percaya diri yang membaca sebuah penilaian sebagai tidak adil karena itu dapat melakukan kecurangan untuk mendapatkan kembali kendali. Kesimpulannya mengikuti inversi yang sama yang didokumentasikan halaman ini di tempat lain - penilaian yang dapat dijawab model secara meyakinkan adalah penilaian yang secara intelektual sepele, dan kegagalannya milik penilaian itu, bukan milik siswa.

• Desain ulang penilaian: Authentic Assessment, pendekatan yang melampaui deteksi, dan Skala Penilaian AI menggeser fokus dari menangkap penggunaan AI ke merancang penilaian di mana penggunaan AI tidak relevan, transparan, atau memang diperlukan untuk menunjukkan kemampuan tertentu.

• Kerentanan struktural penilaian nilai: Chan et al. menyediakan studi kasus konkret tentang bagaimana penilaian nilai saat ini secara struktural terekspos pada ketidakjujuran yang dimediasi AI. Di sebuah departemen biologi, pengajar menganggap hanya ujian tatap muka dengan pengawasan yang minim kerentanan; tugas di luar kelas dianggap sangat rentan, sehingga sekitar sepertiga nilai seorang siswa sangat rentan dan 80% setidaknya agak rentan. Hal ini membingkai masalah integritas sebagian sebagai masalah desain penilaian nilai, yang memotivasi penyeimbangan ulang menuju penilaian dengan pengawasan atau di dalam kelas dan desain penilaian autentik yang lebih sulit dialihdayakan. Ivory et al. (2026) menyediakan padanannya di tingkat disiplin dengan seluruh program psikologi tiga tahun: 36 dari 40 penilaian di 16 jenis menghasilkan konten yang lolos dengan usaha minimal, dan empat yang gagal adalah yang menuntut kehadiran, media visual, atau kumpulan data milik siswa sendiri. Pembacaan mereka tentang mengapa hal itu lolos adalah bagian yang dapat digeneralisasi - penilaian nilai yang menghargai struktur yang lancar dan penggunaan analisis yang tepat dengan niat baik menoleransi nilai yang difabrikasi dan referensi yang berhalusinasi, sehingga batas kelulusan, bukan deteksi, yang menentukan apakah keluaran AI dinilai sebagai pencapaian, dan kerentanan penilaian "tidak dapat disalahkan semata-mata pada penggunaan oleh siswa."

• Kiriman sebagai permukaan serangan: injeksi prompt terhadap penilaian AI. Humble (2026) melakukan uji tim merah terhadap alur kerja penilaian nilai sehari-hari dan menunjukkan bahwa kiriman siswa dapat membawa instruksi tersembunyi yang mengubah nilai yang dihasilkan alat AI: dua dari lima strategi injeksi tidak langsung yang disematkan dalam berkas kiriman menaikkan esai yang gagal menjadi lulus tanpa peringatan yang terlihat bagi pengguna, dengan tingkat keberhasilan serangan yang dilaporkan 100% (9/9) dan 94% (17/18), keduanya menggabungkan manipulasi instruksi, permainan peran, dan obfuskasi dalam format docx, pdf, dan htm. Serangan paling dasar gagal sepenuhnya, dan penolakannya senyap - alat tersebut menonaktifkan obrolan tanpa melaporkan upaya itu - sementara satu injeksi yang terdeteksi menghasilkan jaminan bahwa alat akan menilai "hanya sesuai instruksi tugas resmi" sebelum enam eksekusi berikutnya atas berkas yang sama tetap menaikkan nilai. Konsekuensi integritasnya berjalan dua arah: nilai yang dinaikkan oleh instruksi tersembunyi tidak membawa klaim validitas apa pun, teknik yang sama dapat digunakan untuk menurunkan mutu kiriman tanpa jejak yang bertahan dalam keluaran, dan penilai manusia dibiarkan sebagai satu-satunya pemeriksaan nyata terhadap manipulasi yang dirancang agar tidak terlihat.

• Validitas sebagai kerangka pengorganisasi: Assessment Validity membingkai ulang integritas sebagai masalah pembuktian. Penelitian penilaian autentik memperkenalkan substitusi konstruk - produk yang dihasilkan AI diatribusikan kepada siswa, sehingga penilaian menyimpulkan kemampuan alat, bukan kemampuan siswa. Pertanyaan pembuktian bertahan terhadap kebijakan AI apa pun: apakah penggunaannya dilarang, diizinkan, atau diwajibkan, penilaian tetap harus menghasilkan bukti yang menjamin inferensi yang ditarik.

• Variasi dalam skala sebagai mekanisme integritas tanpa pengawasan: VARIA (Lee 2026) memberi Benchmark pada premis di balik Penilaian Autentik Terintegrasi AI (AIAA) - menggantikan pengawasan berbasis pengawasan dengan variasi tugas per siswa sehingga penyalinan menjadi tidak berguna secara struktural. Jaminan integritasnya bersyarat pada kemampuan LLM menghasilkan varian yang berbeda secara permukaan dan ekuivalen secara konstruk; pilot 600 varian VARIA menemukan model terdepan hanya memenuhi ini di batas margin (skor gabungan 0,81-0,88) sementara model non-terdepan kolaps (0,50-0,55), sehingga "variasi dalam skala tidak dapat diselesaikan dengan prompt saja." Hal ini memberi debat deteksi versus desain ulang pemeriksaan empiris yang dapat dipalsukan: janji tanpa pengawasan dari penilaian autentik yang bervariasi tugas kini bergantung pada kemampuan generasi yang terukur (dan masih sempit), bukan pada kemampuan yang diasumsikan.

• Mengautentikasi refleksi siswa terhadap GenAI: Kadel et al. (2026) berargumen bahwa model refleksi tradisional tidak lagi dapat mengautentikasi refleksi siswa begitu GenAI dapat menulis prosa reflektif, dan menyematkan integritas langsung di dalam model refleksi - tahap Pitfalls dalam kerangka 5P secara eksplisit menangani plagiarisme, halusinasi, dan ketergantungan berlebih, sementara tahap Process dan Product-nya mewajibkan pendokumentasian prompt dan validasi keluaran sehingga penalaran pembelajar sendiri dapat dibedakan dari kontribusi yang dihasilkan AI.

• Pengembangan kebijakan: Kebijakan AI institusional dan penelitian Educational AI Policy menelaah bagaimana universitas mengembangkan dan mengomunikasikan ekspektasi integritas - dan mengapa pernyataan kebijakan yang abstrak begitu sering gagal.

• Integritas sebagai masalah tata kelola, bukan masalah deteksi. Coates, Croucher dan Calderon (2025) memindahkan kendala pengikat dari perilaku siswa ke tata kelola akademik, yang mereka sebut tangguh namun "tidak berada dalam posisi atau kesiapan yang baik" untuk menghadapi ancaman terkait GenAI terhadap autentikasi penilaian siswa. Jawaban mereka adalah kerangka indikator integritas berisi 130 butir di delapan dimensi, mulai dari Designing (19 butir) hingga Improving (6 butir), dan terdiri atas pertanyaan tata kelola alih-alih skala psikometrik - apakah dewan tertinggi institusi menerima pembaruan kualitas penilaian, berapa persentase penilaian yang menyerupai masalah yang relevan dan bermakna, berapa persentase siswa yang dikenal secara individual oleh guru yang menilai mereka. Kerangka itu dikembangkan melalui tinjauan penelitian bertahun-tahun, lima studi kasus universitas Australia, pembuatan prototipe, konfirmasi ahli dengan 60 pakar yang diundang dari enam kawasan dunia, dan uji coba kuantitatif, serta dipasangkan dengan reformasi arsitektur tata kelola, orang, dan teknologi serta sumber daya yang menurut penulisnya hanya akan membuahkan hasil di bawah tekanan eksternal dari regulasi, pembandingan, dan persaingan antar institusi; mereka menyajikan kerangka itu sebagai formatif dan menyerukan validasi psikometrik sebelum digunakan untuk perbandingan atau pengukuran.

• Apa yang sebenarnya dikatakan dokumen: integritas mendominasi kebijakan AI institusional. Eldredge et al. (2026) menganalisis dokumen kebijakan dan panduan AI dari seluruh 48 program magister informatika kesehatan dan manajemen informasi kesehatan terakreditasi CAHIIM di Amerika Serikat: 40 (83%) memiliki setidaknya satu dokumen yang memenuhi kualifikasi, dan dokumen-dokumen itu membingkai AI secara sangat dominan sebagai persoalan mencegah penyalahgunaan oleh siswa dalam tugas kuliah, dengan pusat pada integritas akademik dan penggunaan yang dapat diterima. Integritas akademik adalah kata kunci yang paling sering muncul (n = 139, di depan sitasi 59, penilaian 50, dan plagiarisme 38), sementara tema privasi, kekayaan intelektual, dan regulasi hadir tetapi lebih jarang (HIPAA n = 5, FERPA n = 11, panduan IRB n = 8). Pemodelan topik atas korpus yang sama menghasilkan empat tema, yang pertama adalah integritas akademik dan penggunaan AI yang tepat, bersama AI generatif dalam pengajaran, penggunaan AI dan alat data dalam penelitian, serta keterlibatan siswa dengan sistem AI percakapan. Nilai pembuktian bagi halaman ini adalah kuantifikasinya: pembingkaian yang berpusat pada integritas bukan hanya default retoris kebijakan AI institusional, tetapi secara empiris merupakan isi dominannya. Pengamatan paling tajam para penulis adalah tentang di mana perhatian itu berhenti, dengan mencatat bahwa panduan yang relatif sedikit mencakup penggunaan AI dalam pembelajaran terapan, penelitian, dan lingkungan simulasi, tempat berbagai kekhawatiran kurikulum dan tata kelola data bersinggungan, sehingga dokumen-dokumen itu mengatur tugas kuliah sementara konteks yang disiapkan oleh gelar tersebut bagi siswa sebagian besar tidak terjangkau.

• Pembingkaian integritas mulai digantikan oleh regulasi berbasis tugas: studi longitudinal Chirikov (2026) atas 31.000+ silabus mata kuliah menunjukkan kebijakan AI pengajar bergeser menjauh dari kerangka yang murni berbasis integritas: penyebutan integritas akademik dalam silabus turun dari 63% (Musim Semi 2023) menjadi 49% (Musim Gugur 2025), sementara rujukan pada dampak AI terhadap pembelajaran naik dari 1% menjadi 29%. Pengajar semakin mengatur AI menurut jenis tugas - membatasinya untuk penyusunan draf dan penalaran (tempat AI akan menggeser pembelajaran) dan mengizinkannya untuk penyuntingan, pemeriksaan ejaan, dan dukungan belajar - alih-alih menerapkan larangan integritas yang menyeluruh. Hal ini membingkai ulang kebijakan integritas sebagai keputusan desain di tingkat tugas, bukan aturan biner.

• Perlawanan mesin sebagai pencegahan, bukan deteksi. Mengganggu dokumen itu sendiri - jarak karakter, kata, dan baris, jitter opasitas, lapisan garis, dan derau gambar, ditambah serangan adversarial berbasis keputusan - menaikkan usaha yang diperlukan untuk penyalahgunaan LLM berbiaya rendah pada sumbernya sambil tetap mengukur pengetahuan yang sama (Salaun et al. (2026)). Transkripsi manual tetap mungkin, dan serangan adversarial hanya melindungi baris terpilih, sehingga galat karakter seluruh dokumen tetap di bawah 8,44%.

Prosedur pelanggaran dan keruntuhan pembuktiannya

Mesin penegakan yang berada di atas kebijakan integritas itu sendiri merupakan keputusan desain, dan AI generatif telah membongkar fondasi pembuktiannya. Teichmann (2026) berargumen bahwa prosedur pelanggaran yang diimpor universitas dari plagiarisme mengasumsikan penggunaan yang dilarang dapat dideteksi dan dibuktikan - premis yang dilarutkan oleh teknologi ini. Berbeda dengan perangkat lunak pencocokan teks, yang menunjuk ke sumber yang disalin, pengklasifikasi teks AI tidak mengidentifikasi sumber apa pun (tidak ada sumber); ia mengeluarkan penilaian probabilistik tentang gaya yang melemah di bawah parafrase, secara sistematis salah melabeli tulisan bahasa Inggris penutur non-asli, dan tidak dapat dijelaskan atau diperiksa silang, sementara penggunaan yang terampil atau sedikit diedit tidak meninggalkan jejak sama sekali. Tetap melanjutkannya membalik beban pembuktian (siswa diminta membuktikan hal negatif), membebani setiap unsur keadilan prosedural, dan menimpakan kerugian tuduhan palsu paling berat pada mereka yang sudah dirugikan. Perbaikan yang diusulkan ada dua: standar pembuktian di mana skor detektor saja tidak pernah menjadi dasar temuan, dengan respons bertahap yang mengutamakan edukasi, dan pengalihan upaya institusional ke desain penilaian yang berpusat pada validitas dan penilaian autentik - jawaban atas AI yang tidak dapat dideteksi adalah penilaian yang lebih baik, bukan pengawasan yang lebih baik. Kasus batasnya tidak memiliki mesin sama sekali: Isley, Gaebler dan Goel (2026) mendokumentasikan sebuah program magister kebijakan publik di Amerika Serikat yang melarang bantuan AI generatif dalam pernyataan yang ditandatangani dan tidak menyaring kiriman apa pun, di mana 56,1% pelamar 2025 menyerahkan setidaknya satu esai yang diklasifikasikan detektor komersial sebagai terutama ditulis AI dan setiap esai yang ditandai dikaitkan dengan probabilitas penerimaan 1,5 poin persentase lebih rendah (p < .01), naik menjadi 2,6 poin (p < .001) setelah kualitas esai dikontrol. Tanpa langkah deteksi, adjudikasi, atau penegakan antara aturan dan hasil, sanksi diberikan sepenuhnya melalui pertimbangan tak tertulis pembaca penerimaan - larangan ditambah pertimbangan pembaca tanpa bantuan mereproduksi sanksi diskresioner dan tanpa penjelasan yang justru ingin dicegah oleh prosedur yang adil.

Munoz et al. (2026) menyediakan padanan empirisnya dengan mengodekan setiap kasus pelanggaran GenAI di satu universitas regional Australia selama tiga tahun: 1.162 kasus yang membawa 1.855 butir bukti, masing-masing dinilai dari relevansi, kredibilitas, dan kekuatan inferensialnya. Keluaran detektor adalah bukti yang paling sering dijadikan sandaran dan paling tidak mampu menopang beban - laporan Turnitin atau kemiripan membawa 100% kekuatan inferensial Lemah dan keluaran detektor tunggal 100% kredibilitas Rendah, dan bukti detektor turun menjadi 0,5% butir pada 2025 ketika institusi mencerna apa yang tidak dapat dibuktikannya - sementara jenis bukti terkuat adalah yang tidak bersandar pada klasifikasi teks probabilistik: pengakuan siswa, perilaku ujian terlarang yang teramati, dan referensi fabrikasi yang diverifikasi secara independen, yang merupakan pergeseran struktural terbesar pada 22,3% butir. Kritik mereka yang paling tajam bersifat struktural alih-alih pembuktian, karena "tidak ada persyaratan bagi penyidik untuk menilai kualitas probatif bukti sebelum meneruskan tuduhan, tidak ada ambang pembuktian minimum pada tahap mana pun dalam alur," sehingga kualitas bukti tidak memiliki hubungan yang dapat diandalkan dengan hasil kasus. Mereka juga mencatat bagaimana kebijakan menyusul praktik: kebijakan penilaian yang berlaku hingga 2024 tidak mengatakan apa pun tentang AI, dan sejak Januari 2025 kebijakan revisi mengizinkan perangkat lunak autentisitas yang disetujui sekaligus melarang pengunggahan karya siswa ke alat deteksi AI pihak ketiga.

Kegagalan kedua adalah soal cakupan alih-alih pembuktian. Wright (2026) menunjukkan bahwa larangan yang ditulis pada tingkat identitas platform alih-alih fungsi menangkap konversi format nongeneratif - transkripsi ucapan ke teks, OCR, teks biasa ke LATEX - bersama dengan penyusunan draf generatif yang ingin dilarang, padahal literatur ilmu komputer yang ditelaah sejawat memperlakukan pengenalan dan generasi sebagai operasi yang berbeda. Biayanya jatuh tidak merata: siswa dengan kondisi yang memengaruhi kontrol motorik halus, keterbacaan tulisan tangan, atau akurasi mengetik telah mengandalkan persis alat-alat itu, dan ketika produk ucapan-ke-teks mandiri dihentikan atau diturunkan kualitasnya, transkripsi bertenaga AI mengisi celah fungsionalnya, sehingga aturan yang terlalu inklusif menghapus salah satu sarana utama untuk menghasilkan karya yang terbaca, menjadikan perselisihan ini persoalan aksesibilitas dan ekuitas sebelum menjadi persoalan integritas. Perbaikan Wright adalah definisi AI generatif berbasis fungsi ditambah empat kriteria operasional - kesetiaan, non-augmentasi, keterlacakan, dan atestasi - yang memberi siswa jalur terstruktur untuk membantah tuduhan transkripsi saja sambil membiarkan beban pembuktian pada institusi.

Masalah pembuktian deteksi juga merupakan masalah validitas. Karena bantuan AI bersifat iteratif dan terjalin dengan penyusunan draf alih-alih dialihdayakan secara menyeluruh, kepengarangan dan pemilikan makna terpisah, dan produk yang dikirimkan dengan baik mungkin tidak membuktikan bahwa siswa menggunakan pertimbangan yang menjadi sasaran tugas itu. Kinerja detektor bervariasi antar tugas, disiplin, dan versi model, dan penggunaan AI yang diungkapkan atau dicurigai dapat bertindak sebagai petunjuk yang membiaskan penilai, sehingga respons deteksi menambahkan varians yang tidak relevan dengan konstruk alih-alih menghilangkannya. Ketika debat integritas menanyakan siapa yang menghasilkan kata-kata, akun validitas menanyakan klaim apa tentang siswa yang dijamin oleh kinerja itu.

Masalah rasionalisasi

Siswa umumnya tidak menyalahgunakan AI karena niat jahat; mereka merasionalisasikannya. Penelitian wawancara mengidentifikasi setidaknya lima titik keterputusan di mana interpretasi siswa atas kebijakan AI menyimpang dari maksud fakultas, dan taksonomi 20+ rasionalisasi yang berbeda - dari "menyalin teks AI tidak merugikan siapa pun" hingga "teks yang mencerminkan keyakinan saya adalah tulisan saya sendiri." Rasionalisasi ini bersifat ad hoc, post hoc, dan tidak konsisten secara internal, dan menggambarkan "lereng licin etis yang curam" tempat siswa meluncur jauh di luar tujuan pedagogis. Inilah sebabnya miskonsepsi siswa tentang AI adalah penyebab hulu pelanggaran integritas, dan mengapa pendidikan integritas harus menangani penalaran etis, bukan hanya keterampilan teknis.

Tinjauan pelingkupan Ji (2026) atas 38 studi empiris tentang suara siswa menyediakan sintesis yang menjadi dasar bagian ini. Empat temanya adalah ambiguitas (menghasilkan seluruh tugas terbaca sebagai kecurangan, pemeriksaan tata bahasa dan curah pendapat sebagian besar dapat diterima, dan parafrase, pembuatan kerangka, serta penerjemahan berada di wilayah kelabu), agensi etis di mana siswa membangun aturan pribadi dalam kekosongan panduan yang mereka baca sebagai persetujuan diam-diam atas tindakan mereka, kesenjangan antara kesadaran etis dan praktik, serta keragaman menurut gender, jenjang, disiplin, dan budaya. Kesenjangan kesadaran-praktik adalah masalah rasionalisasi yang terukur dalam skala: Indeks Disonansi Etis Huang et al. memilah 522 siswa Tiongkok ke dalam empat klaster, salah satunya sering melakukan apa yang mereka pandang sebagai tidak sah, dan pemodelan persamaan struktural Ofem et al. atas 4.679 siswa Nigeria menemukan bahwa persepsi positif terhadap ChatGPT memprediksi penggunaan yang tidak jujur sementara sikap integritas yang positif bertindak sebagai mediator negatif yang signifikan. Ji membaca siswa bukan sebagai penerima pasif GenAI maupun pelaku tanpa batas moral, melainkan sebagai agen aktif yang menavigasi zona kelabu etis, itulah sebabnya studi yang ditinjau bertemu pada respons yang diciptakan bersama, bersifat edukatif, dan peka konteks alih-alih respons yang bersifat menghukum.

Mengapa kebijakan saja gagal: masalah koordinasi

Kerangka permainan koordinasi memberikan penjelasan pada tingkat mekanisme tentang mengapa pernyataan kebijakan jarang mengubah perilaku: penggunaan AI oleh siswa adalah masalah koordinasi, di mana pilihan individual bergantung pada ekspektasi sebaya dan desain penilaian. Temuan kunci model itu adalah dinamika ambang non-linear - perubahan kecil yang terkalibrasi baik pada insentif penilaian reflektif dapat memicu pergeseran cepat seluruh kohort menuju penggunaan yang bertanggung jawab, sementara insentif yang lemah atau tidak selaras membiarkan praktik oportunistik bertahan. Dalam istilah praktis, desain ulang yang sederhana (misalnya, mewajibkan siswa merefleksikan interaksi mereka dengan AI) dapat memiliki efek yang tidak proporsional di tempat aturan abstrak tidak memiliki efek apa pun.

Akuntabilitas sebaya tidak selalu mengarah pada integritas, sebagaimana ditemukan Chen dan Zou (2026) dalam penilaian kelompok yang dinilai: tujuh dari lima belas kelompok siswa sengaja mengurangi penggunaan GenAI mereka sebagian untuk menghindari membonceng teman kelompok, karena konsekuensi kelompok dibagi alih-alih berdiri sendiri, namun di lima kelompok iklim kolektif yang permisif - "semua orang di kelompok saya menggunakan GenAI" - menurunkan risiko penyalahgunaan yang dipersepsikan dan membalik mekanisme akuntabilitas yang justru ingin diciptakan oleh kerja kelompok. Studi yang sama menemukan siswa membingkai ulang orisinalitas sebagai kesetiaan pada pemahaman yang dibangun bersama oleh teman sekelas mereka, dan rekomendasi praktisnya mengikuti langsung: jadikan negosiasi tentang penggunaan AI yang dapat diterima sebagai hasil yang eksplisit, terdokumentasi, dan dapat dinilai alih-alih membiarkan norma muncul dari tekanan sebaya atau risiko yang dipersepsikan.

Ketidakkonsistenan kebijakan di seluruh institusi menghasilkan tepatnya dugaan yang diprediksi oleh akun koordinasi. Sembilan dari sebelas narasumber dalam Zou et al. (2026) membingkai izin eksplisit mata kuliah mereka sendiri untuk menggunakan AI generatif sebagai kemungkinan "jebakan" - umpan untuk mengidentifikasi siswa yang tidak dapat menahan diri - meskipun kebijakannya terbuka dan tertulis dalam panduan penilaian; siswa menggeneralisasi dari larangan dan peringatan yang mereka temui di tempat lain alih-alih membaca aturan mata kuliah mereka sendiri menurut maknanya sendiri. Kesimpulan penulisnya mengikuti mekanismenya alih-alih rumusannya: kejelasan per mata kuliah tidak cukup, dan konsistensi di tingkat program atau institusi diperlukan agar siswa berhenti menyimpulkan maksud dari budaya di sekitarnya.

Perilaku identik, putusan berbeda - dan pengungkapan yang tidak mengubah apa pun. Poudyal (2026) menerapkan 15 vignette terstandar pada lingkungan kebijakan 20 universitas Australia dan menghasilkan 300 klasifikasi: 120 (40,0%) jelas dilarang, 56 (18,7%) tidak pasti, dan tidak ada yang jelas diizinkan, sementara instrumen yang mengikat tidak menyebut AI generatif dalam 100 kombinasi yang diselesaikan oleh panduan dalam 88 kasus. Pengungkapan tidak menentukan hasil - status pengungkapan yang sama menghasilkan klasifikasi berbeda tergantung pada aturan izin dan instruksi tugas, dan kolom pengungkapan mencatat 117 persyaratan yang terpenuhi dan 80 deklarasi palsu.

Prosedur sama pentingnya dengan kebijakan, dan dasar pembuktiannya telah runtuh untuk AI. Teichmann (2026) berargumen bahwa prosedur pelanggaran yang diimpor universitas dari plagiarisme bersandar pada premis yang dibongkar AI generatif: bahwa penggunaan yang dilarang dapat dideteksi dan dibuktikan. Berbeda dengan perangkat lunak pencocokan teks, yang dapat menunjuk ke sumber yang disalin, pengklasifikasi teks AI tidak mengidentifikasi sumber apa pun karena tidak ada sumber - mereka mengeluarkan penilaian probabilistik tentang gaya yang melemah di bawah parafrase, salah mengklasifikasikan penutur non-asli secara sistematis, dan tidak dapat dijelaskan atau diperiksa silang, sementara penggunaan yang terampil atau sedikit diedit tidak meninggalkan jejak sama sekali. Tetap melanjutkannya membalik beban pembuktian (siswa diminta membuktikan hal negatif), membebani setiap unsur keadilan prosedural, dan menimpakan kerugian tuduhan palsu paling berat pada mereka yang sudah dirugikan. Perbaikan yang diusulkan ada dua: menerbitkan standar pembuktian di mana keluaran detektor saja tidak pernah menjadi dasar temuan, dengan respons bertahap yang mengutamakan edukasi, dan memindahkan upaya institusional ke desain penilaian yang berpusat pada validitas serta penilaian autentik. Mohamed dan Temimi (2026) menyediakan padanan pada tingkat mekanisme dari sisi siswa: karena setiap lingkungan penilaian membuat respons tertentu paling menarik, larangan membiarkan penyembunyian tetap menarik ketika verifikasi tipis, pemantauan membuat penggunaan tersembunyi lebih mahal tanpa membuat pengungkapan aman, dan hanya desain ulang - menurunkan imbalan dari pengalihdayaan sekaligus menaikkan nilai penalaran yang terlihat - yang menggerakkan siswa menuju penggunaan yang bertanggung jawab. Hasil paling tajam mereka adalah bahwa pencegahan berjalan melalui kemampuan detektor membedakan antara penggunaan tersembunyi dan kerja yang sah, bukan melalui tingkat tangkapannya, sehingga ketika positif palsu naik lebih cepat daripada positif benar, pemantauan yang lebih kuat dapat membuat penyembunyian relatif lebih menarik.

• Kewajiban integritas dapat ditulis ulang menjadi kompetensi individual. Di seluruh 366 abstrak pendidikan tinggi GenAI, kata integritas muncul 461 kali tetapi hanya 6 dari 166 ekspresi kewajiban yang menyebut siswa, sehingga verifikasi dan pengungkapan muncul sebagai keterampilan yang diharapkan dimiliki siswa alih-alih kewajiban yang ditegakkan institusi (Poudyal, 2026).

• Seberapa preskriptifnya kebijakan integritas tidak mengungkapkan seberapa terekspos penilaiannya. Dengan mengaudit 15.587 catatan unit, Villanueva (2026) menemukan universitas dengan mandat reformasi seluruh institusi dan universitas dengan kerangka luas tersebar pada rentang eksposur penilaian yang sama - padanan empiris dari akun permainan koordinasi tentang mengapa pernyataan jarang mengubah perilaku.

Dimensi sosio-emosional

Penegakan integritas memiliki biaya emosional yang terabaikan. Penelitian rasa malu dan rasa bersalah pada siswa menunjukkan emosi-emosi ini mengatur kapan dan bagaimana penggunaan AI menjadi terlihat, menghasilkan perilaku menyembunyikan dan pengungkapan selektif - dan bahwa emosi itu hidup berdampingan dengan penggunaan yang berlanjut, menciptakan siklus berkurangnya agensi dan ketegangan moral alih-alih perubahan perilaku. Itulah sebabnya norma seputar penggunaan AI mengatur visibilitas lebih efektif daripada mengatur penggunaan. Siswa bahkan menggambarkan penggunaan AI mereka dengan bahasa kecanduan. Implikasinya: kebijakan yang berat pada deteksi dan berorientasi pengawasan berisiko mendorong penyalahgunaan ke bawah permukaan alih-alih menanganinya, sehingga merusak negosiasi terbuka yang dibutuhkan oleh penggunaan yang produktif.

Sisi lain dari menyembunyikan adalah menolak, dan itu membawa biaya emosionalnya sendiri. Di antara 85 guru siswa yang disurvei Zou et al. (2026) di bawah kebijakan penilaian yang secara eksplisit mengizinkan AI generatif, 62,4% (53) memilih untuk tidak menggunakannya sama sekali, dan penggunaan oleh yang mengadopsinya bersifat dangkal dan korektif - pemeriksaan ejaan dan tata bahasa (43,8%) serta pemeriksaan kejelasan (34,4%) jauh melebihi pembuatan teks (18,8%) dan curah pendapat (12,5%). Rasa takut akan tuduhan yang salah, bukan kesulitan teknis, yang melakukan banyak kerja: 41,5% dari yang tidak mengadopsi menyebutnya, berbanding 13,2% yang menyebut kurangnya pengetahuan atau keterampilan, sementara 77,4% membingkai tidak menggunakan sebagai preferensi sederhana untuk bekerja sendiri. Ketika kebijakan yang permisif dibaca sebagai jebakan, respons yang aman adalah menolak tawaran itu - yang membuat institusi kehilangan kerja terintegrasi AI yang justru ingin diundangnya.

Pernyataan pengungkapan penggunaan AI

Pernyataan penggunaan dan pengungkapan AI adalah mekanisme konkret yang melaluinya ekspektasi integritas dioperasionalkan - dan penelitian menunjukkan bahwa pernyataan itu sering gagal ketika diperlakukan sebagai formulir kepatuhan yang netral. Gonsalves (2025) menemukan 74% siswa gagal mendeklarasikan penggunaan AI pada lembar sampul tugas wajib, yang didorong oleh rasa takut akan sanksi, ambiguitas panduan, penegakan yang tidak konsisten, dan norma sebaya. Kirsanov et al. (2026) dan Vetter et al. (2026) menegaskan bahwa rasa takut akan pembalasan dan kebijakan yang tidak jelas mendinginkan pengungkapan - dan bahwa siswa yang transparan bahkan dapat menarik kecurigaan. Chang et al. (2026) membingkai ulang pengungkapan sebagai perilaku mencari bantuan/regulasi diri yang dialihkan kecemasan kepada teman sebaya. Pelajaran kolektifnya: kebijakan pengungkapan harus menangani hambatan afektif dan sosial, harus jelas dan konsisten, dan harus memperlakukan pengungkapan sebagai pedagogi formatif alih-alih pengawasan. Luo & Dawson (2026) menambahkan sisi guru dalam persamaan ini: penilaian nilai oleh guru atas karya berbantuan GenAI didorong oleh pertimbangan nilai tentang kejujuran, ketekunan, dan kepercayaan pada siswa, dan banyak guru menghukum (atau tergoda menghukum) siswa yang mengungkapkan penggunaan GenAI - bahkan ketika kualitas karyanya kuat. Inilah masalah "transparansi dua arah": siswa diharapkan mendeklarasikan penggunaan, tetapi guru jarang memperjelas bagaimana deklarasi itu akan memengaruhi nilai, sehingga pengungkapan yang jujur dapat membawa sanksi penilaian yang tidak dinyatakan. Studi itu mendasarkan masalah pengungkapan pada kenyataan penilaian guru yang sarat nilai dan berargumen bahwa transparansi harus berjalan dua arah.

Laporan siswa sendiri mengukur seberapa buruk pesan itu diterima. Dalam survei terhadap 504 mahasiswa sarjana sosiologi, 81 persen mengatakan pengajar atau asisten pengajar mereka telah memberikan panduan tentang penggunaan AI, tetapi hanya 46 persen menyebut instruksi itu sangat jelas; 19 persen melaporkan tidak menerima panduan sama sekali dan sisanya menggambarkannya paling baik sebagai agak jelas (Kuznetsov, Sheely & Baker, 2026). Rasa takut melakukan pelanggaran akademik adalah kekhawatiran kedua yang paling sering muncul (28 persen) - biaya yang dibebankan oleh ambiguitas alih-alih oleh penegakan, karena hanya 3 persen melaporkan menggunakan GenAI untuk menghasilkan teks tugas dan 2 persen untuk menghasilkan draf lengkap. Implikasi praktisnya adalah bahwa kejelasan komunikasi itu sendiri merupakan mekanisme integritas, dan bahwa siswa yang tidak dapat mengetahui apa yang diizinkan menanggung risiko yang tidak pernah ingin dibebankan oleh institusi.

Izin di tingkat mata kuliah juga tidak menyelesaikan dilema pengungkapan. Dalam studi Zou et al. (2026) atas 85 guru siswa yang penilaiannya secara eksplisit mengizinkan AI generatif, deklarasi diri berjumlah 28 pengguna berbanding 32 dalam survei anonim, dan kedua sumber tidak sepakat dalam arah berlawanan menurut mata kuliah - Mata Kuliah A mencatat 14 pengguna survei tetapi hanya 8 deklarasi, sementara Mata Kuliah C membalik polanya (8 survei, 12 deklarasi). Para penulis membaca perbedaan itu sebagai konsekuensi yang dinilai yang membentuk apa yang bersedia ditampilkan siswa, menambahkan bukti dari guru siswa bahwa sistem deklarasi mengukur perilaku pengungkapan sama besarnya dengan mengukur penggunaan.

Variasi budaya dan kontekstual

Teks kebijakan tidak sama dengan persepsi kebijakan. Penelitian lintas negara menemukan bahwa, meskipun kebijakan institusional secara fungsional identik, siswa di universitas berbeda menilai praktik berbantuan AI yang sama secara berbeda - budaya, bukan rumusan kebijakan, yang mendorong persepsi tentang apa yang salah. Harmonisasi kebijakan tidak menghasilkan harmonisasi persepsi, sehingga kohort yang beragam secara budaya menafsirkan aturan yang sama secara berbeda, sebuah kekhawatiran ekuitas bagi penegakan dan penilaian nilai yang berargumen untuk penjelasan berbasis skenario alih-alih pernyataan aturan abstrak.

Latar bahasa alih-alih budaya adalah sumbu variasi kedua. Li (2026) berargumen bahwa karena antarmuka yang sama melakukan penyuntingan bahasa yang diizinkan dan penyusunan draf substantif yang dilarang, aturan integritas yang memperlakukan GenAI sebagai satu kategori bantuan tidak sah mengubah kerugian linguistik menjadi risiko integritas: larangan menyeluruh menghapus bentuk dukungan bahasa yang dapat diskalakan, rezim izinkan-tetapi-ungkapkan membebani kerja kepatuhan pada siswa EAL yang penggunaannya lebih sering dan iteratif, dan larangan penyuntingan di luar perubahan kecil memusatkan kecurigaan pada penulis yang kelancarannya paling banyak berubah. Batas yang diusulkan Li berbasis tujuan alih-alih berbasis alat - dukungan yang diizinkan tidak menambahkan ide baru, sumber baru, atau penataan ulang analisis secara material, sementara substitusi menciptakan atau membentuk ulang secara material kerja intelektual yang dinilai - dan itu berjangkar pada konstruk penilaian karena rubrik yang memberi nilai untuk kelancaran dan ekspresi idiomatik memasukkan varians yang tidak relevan dengan konstruk bagi penulis EAL (Assessment Validity). Kerangka itu menurunkan keluaran detektor menjadi sinyal triase yang jarang merupakan bukti, lebih memilih triangulasi melalui kiriman bertahap, riwayat draf, jejak sumber yang dapat diverifikasi, dan percakapan singkat yang selaras konstruk, dan mengalibrasi pengungkapan sehingga dukungan rutin tidak membawa biaya kepatuhan yang melebihi biaya yang ditanggung rekan monolingual.

Dari pengawasan ke pedagogi

Basis pengetahuan mendokumentasikan pergeseran paradigma: dari AI sebagai ancaman integritas yang harus diawasi, menjadi AI sebagai alat yang penggunaan tepatnya harus diajarkan. Ini adalah dimensi etis dari Literasi AI dan terwujud dalam desain praktis:

• Deklarasi penggunaan AI yang spesifik tugas: Kerangka deklarasi spesifik domain menggantikan kotak centang generik "saya menggunakan AI" dengan deklarasi terstruktur yang memetakan penggunaan ke tahap kognitif (misalnya, perencanaan struktural versus pembuatan konten), memaksa refleksi dan menggeser fokus dari pengawasan ke praktik profesional.

• Penilaian yang transparan prosesnya: arsitektur seperti pengelolaan kognitif, kiriman bertahap, pertahanan lisan, dan AI Viva (agen percakapan yang menyelidiki apakah siswa memahami kiriman mereka) membuat pertimbangan manusia, verifikasi, dan tanggung jawab terlihat. Miles, Haber-Curran dan Arar (2026) mendorong logika yang sama sampai ke prompt itu sendiri: rubrik contoh mereka menilai penyempurnaan iteratif, interpretasi kritis atas keluaran, dan revisi reflektif, sehingga yang dinilai adalah keterlibatan siswa dengan alat alih-alih artefak yang dihasilkannya, dan mereka berargumen bahwa mengajarkan siswa hanya untuk mengoptimalkan keluaran membiarkan dimensi etis dan epistemologis penggunaan tidak tersentuh.

• Mengurangi penyalahgunaan: integritas berdampingan dengan AI Misuse and Learning Harm (biaya pembelajaran dari penyalahgunaan) dan Mengurangi Penyalahgunaan AI (intervensi yang mencegahnya), mengikat kejujuran pada pembelajaran yang sesungguhnya alih-alih pada kepatuhan aturan.

• Transparansi sebagai strategi integritas, bukan sekadar kesopanan: studi desain McCorkle (2025) memperlakukan alasan di balik setiap penggunaan GenAI yang diizinkan atau tidak diizinkan sebagai mekanisme integritas itu sendiri. Siswa yang diwawancarai setelah mengabaikan kebijakan larangan menjelaskan bahwa mereka tidak memandang diri mereka berperilaku tidak jujur, yang membingkai ulang kegagalan itu sebagai ambiguitas alih-alih ketidakpatuhan - sehingga desain ulangnya menjawabnya dengan membenarkan setiap pembatasan dengan penilaian spesifik yang dilindunginya, dan dengan merancang untuk kelompok tengah "20-60-20" McCabe yang dapat dibujuk alih-alih segelintir yang bertekad. Kasus ini juga menamai biaya ekuitas dari kebijakan yang kabur: ekspektasi yang tidak jelas dan tidak merata di antara pengajar adalah yang mengubah kegagalan kebijakan menjadi tindakan disipliner (Equity).

• Desain, bukan deteksi: kasus Bochum. Desain ulang Ruhr University Bochum atas fisika nuklir dan partikel pengantar (Mikhasenko et al., 2026) mengaitkan kebijakan AI mereka dengan kegagalan integritas praktis alih-alih dengan deteksi: karena soal tutorial diumumkan sebelumnya, sebagian siswa menyiapkan solusi yang dihasilkan AI dan menyalinnya ke papan tulis tanpa terlibat dalam penalaran yang dimaksudkan. Para penulis memperlakukan ini sebagai masalah desain - memindahkan soal tutorial ke diskusi kelas yang disiapkan dan menjadikan ujian tertulis sebagai penentu nilai - alih-alih masalah pengawasan, sambil secara eksplisit mengizinkan AI dalam belajar, menjelaskan mengapa verifikasi adalah tanggung jawab siswa, dan mencatat bahwa pekerjaan rumah terbuka yang mengizinkan AI juga menaikkan ketergantungan, akses yang tidak merata ke model berbayar, dan beban kerja asisten pengajar.

Pernyataan paling jelas tentang inversi pedagogis datang dari El Khoury dan Ma (2026), yang berargumen bahwa reformasi yang dimulai dari kecurigaan menyempitkan imajinasi pendidikan menjadi kendali, kepatuhan, dan pengawasan, dan bahwa integritas seharusnya menjadi konsekuensi dari penilaian yang dirancang untuk keterlibatan alih-alih titik awalnya. Pengamatan pendukung mereka adalah mekanisme yang sudah terlihat di tempat lain dalam basis pengetahuan ini: ketidakterlibatan adalah salah satu kondisi yang membuat ketidakjujuran lebih mungkin terjadi, sehingga agenda yang menguji ketahanan penilaian atau membatasi penggunaan AI tanpa menangani keterlibatan membiarkan sebagian masalah tidak tersentuh.

Siswa di luar pendidikan tinggi Anglofon menggambarkan ketegangan yang sama dengan istilah mereka sendiri. Mulisa dan Mezgebu (2026) mewawancarai 27 mahasiswa sarjana di sebuah universitas Ethiopia dan menemukan bahwa badan mahasiswa terbelah terhadap dirinya sendiri: hampir semua menggunakan GenAI atau menyaksikan teman sebayanya menggunakannya, sebagian besar menganggapnya meningkatkan prestasi akademik mereka, sebagian kecil menyebut penggunaan semacam itu sebagai pelanggaran, dan hampir semua menggambarkan medan permainan yang tidak seimbang di mana karya berbantuan AI memperoleh nilai lebih baik daripada usaha jujur sementara pekerja mandiri kehilangan rasa ketekunannya. Ciri paling tajam dari kisah itu adalah definisi plagiarisme menurut siswa, yang secara teknis dapat dipertahankan namun tidak lengkap - jika plagiarisme berarti mereproduksi kata-kata orang lain, teks yang ditulis mesin yang tidak menyalin apa pun bukanlah plagiarisme - itulah sebabnya para penulis berargumen definisi itu harus diperluas melampaui salin dan tempel, mengikuti "AI-plagiarisme" dari Ka dan Chan (2025), dan mengapa mereka menempatkan keyakinan siswa sendiri, bukan hanya aturan institusional, di pusat penggunaan etis.

Sharma (2026) membawa inversi pedagogis selangkah lebih jauh dengan memperluas kerangka pascaplagiarisme Eaton dari orientasi etis menjadi desain penilaian. Integritas, dalam akun ini, diwujudkan melalui pertimbangan evaluatif - kapasitas pembelajar untuk menimbang opsi, membenarkan pilihan akademik, dan mengambil tanggung jawab di bawah ketidakpastian epistemik - dan dibuat terlihat melalui empat praktik: jejak keputusan yang beranotasi, praktik verifikasi dan akuntabilitas, pertahanan lisan dan akuntabilitas dialogis, serta perbedaan antardraf dengan riwayat versi. Deteksi dipertahankan hanya sebagai lapisan tambahan untuk salah penyajian yang jelas atau pengalihdayaan kerja intelektual secara sengaja, tidak pernah sebagai infrastruktur utama integritas, karena deteksi menanyakan apakah GenAI digunakan alih-alih bagaimana keputusan di balik karya itu dibuat; argumen itu juga menamai risiko ekuitas bahwa model yang berpusat pada deteksi paling berat menimpa pembelajar yang mengandalkan alat generatif untuk perancah linguistik atau kognitif.

Rute ketiga berada di antara deteksi dan desain ulang. Akçapınar (2026) memprediksi risiko kecurangan berbantuan AI dari jejak LMS awal semester dengan AUC 0,763, dan membingkai keluarannya sebagai panduan akademik berisiko rendah - pengingat, tindak lanjut tugas, percakapan singkat - alih-alih bukti pelanggaran, dengan menegaskan bahwa skor itu harus tetap terpisah dari penilaian nilai dan catatan disipliner.

Koneksi

Integritas akademik terhubung dengan Assessment Validity, Literasi AI, AI Detection, Authentic Assessment, Assessment, Educational AI Policy, AI Regulation in Education, Ethics, dan Equity. Ini adalah dimensi etis dari AI dalam pendidikan, tak terpisahkan dari Ketergantungan Berlebih dan pertanyaan yang lebih luas tentang bagaimana Generative AI membentuk ulang pembelajaran di Higher Education dan K-12.

• Sintesis tinjauan sistematis. Tinjauan PRISMA atas 25 studi (Balalle & Pannilage 2025) menemukan AI bertindak sebagai ancaman (tulisan yang dihasilkan AI, alat parafrase) sekaligus alat deteksi (skor AI Turnitin), bahwa perangkat lunak deteksi tidak dapat diandalkan untuk karya yang dihasilkan AI, dan bahwa institusi harus membangun budaya integritas akademik melalui kebijakan yang jelas, desain ulang penilaian, dan pelatihan etika alih-alih pengawasan semata.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Integritas adalah perhatian sentral tetapi hasil yang jarang. Di seluruh 394 studi pendidikan tinggi GenAI, integritas akademik dan etika termasuk di antara hasil yang paling jarang menjadi sasaran (Lin et al. (2026)).

• Dari pengawasan ke dialog: verifikasi pembelajaran. Sebuah laporan praktisi tentang kerangka seluruh institusi Grand Canyon University (Mandernach 2026) berargumen bahwa deteksi tidak dapat diandalkan dan proses integritas formal jarang mencapai penyelesaian, sehingga fakultas dibiarkan dengan "kecurigaan tanpa jalan keluar." GCU justru mengadopsi verifikasi pembelajaran - meminta siswa menunjukkan pemahaman atas karya yang mereka kirimkan dalam percakapan singkat - membingkai ulang integritas dari masalah kepatuhan menjadi masalah penilaian. Ini memulihkan otoritas fakultas, menggeser siswa dari "bagaimana tidak tertangkap" ke keterlibatan yang sesungguhnya, dan memperlakukan penggunaan AI sebagai dapat diterima ketika siswa dapat menunjukkan pembelajaran; kecemasan awal siswa tentang verifikasi menegaskan bahwa kebijakan yang berat pada pengawasan dapat mengikis kepercayaan.

• GenAI mengalahkan pekerjaan rumah yang dapat dinilai otomatis (2026): ChatGPT lulus setiap satu dari 150 sesi uji pada desain pekerjaan rumah Qiskit (komputasi kuantum) yang sengaja diperkeras dan dapat dinilai otomatis - personalisasi, referensi tersembunyi, refleksi, eksekusi simulator - menunjukkan bahwa penilai berbasis rubrik tidak dapat secara andal membedakan karya yang diselesaikan AI dari karya yang diselesaikan siswa dan berargumen untuk penilaian langsung atas pemahaman (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Evaluasi di era AI - keluaran sebagai bukti (2026): sebuah analisis tingkat universitas berargumen bahwa krisis penilaian AI adalah ketidakselarasan antara desain penilaian dan hasil pembelajaran, bukan sekadar ketidakjujuran; analisis itu mendokumentasikan kerugian pengawasan (peramban yang terkunci, pelacakan mata), sebuah "Jebakan Pengungkapan" (siswa takut mendeklarasikan penggunaan AI menurunkan nilai), kesenjangan kinerja yang menilai status sosial ekonomi (tingkat Large Language Models (LLMs) berbayar versus gratis), dan "kelelahan pedagogis" di antara fakultas yang mengawasi AI - merekomendasikan evaluasi berbasis proses alih-alih deteksi (Evaluation in the Age of AI: Output as Evidence of Learning).

Bukti yang lebih baru: penalaran etis, batas deteksi, pemasaran AI, dan siswa hantu

Gelombang penelitian terkini mempertajam gambaran integritas akademik di era AI generatif:

• Siswa sekolah menengah menalar tentang AI-giarisme secara situasional, bukan sebagai aturan tetap. Chan (2026) menunjukkan bahwa penalaran etis siswa sekolah menengah tentang "AI-giarisme" bersifat bernuansa dan bergantung konteks - banyak yang memandang karya berbantuan AI dapat diterima ketika mendukung pemahaman tetapi bermasalah ketika menggantikan usaha mereka sendiri - menantang asumsi bahwa siswa sekadar kurang integritas atau bahwa satu kebijakan dapat menangkap etika mereka.

• Penilaian autentik saja tidak dapat menjaga integritas. Kofinas et al. (2025) menemukan bahwa penilai umumnya tidak dapat membedakan penilaian dengan masukan GenAI dari yang tanpa, dan bahwa tingkat autentisitas penilaian tidak memiliki dampak pada kemampuan menjaga terhadap atau mendeteksi penggunaan GenAI. Sektor pendidikan tinggi "tidak dapat mengandalkan penilaian autentik saja untuk mengendalikan dampak GenAI" - tantangan langsung bagi strategi desain ulang penilaian, yang harus dipasangkan dengan langkah-langkah lain.

• Panduan integritas harus meluas ke proses penelitian, bukan hanya pengajaran. Dai & Chan (2026) menemukan peneliti pascasarjana menerapkan Literasi AI di seluruh tugas penelitian dan berargumen bahwa kebijakan penggunaan yang bertanggung jawab, yang saat ini berfokus pada pengajaran dan penilaian, harus merancah dimensi etis penggunaan GenAI dalam penelitian - tempat kekhawatirannya berpusat pada orisinalitas, kepengarangan, privasi data, dan degradasi keterampilan alih-alih plagiarisme semata.

• Tujuan harus mendahului kebijakan. Taylor & LaCroix (2026) berargumen bahwa apakah penggunaan GenAI merupakan pelanggaran bergantung pada tujuan universitas. Meningkatnya kasus pelanggaran mencerminkan inkoherensi struktural dalam universitas neoliberal, tempat antusiasme teknologi, pengaruh korporasi, dan penegakan kebijakan saling bertentangan - sehingga siswa bertanggung jawab atas perilaku yang secara implisit dibentuk oleh institusi. Universitas tidak dapat secara kredibel menegakkan integritas tanpa koherensi antara misi yang dinyatakan, pedagogi, dan praktik teknologi.

• Determinan psikologis dan perilaku. Penelitian Frontiers memetakan mekanisme psikologis dan determinan perilaku integritas akademik di bawah AI - bagaimana sikap, efikasi diri, norma, dan konsekuensi yang dipersepsikan membentuk penggunaan yang jujur - menghubungkan integritas dengan motivasi, efikasi diri, dan Literasi AI sebagai konstruk perilaku alih-alih kepatuhan aturan semata. Tabares-Cruz et al. (2026) mengkuantifikasi hal ini dalam SEM atas 980 mahasiswa Ekuador, dengan urutan disposisi integritas akademik dan transparansi lebih dahulu, diikuti literasi AI, verifikasi kritis, panduan institusional, regulasi diri, dan perlindungan data - dengan disposisi integritas dan Literasi AI bersama-sama menjelaskan porsi substansial penggunaan GenAI yang etis dan melampaui aturan institusional semata.

• Pemasaran AI menormalkan penggunaan dan membingkai "kecurangan versus bersaing." Sobo et al. (2025) menunjukkan AI dipasarkan kepada siswa sebagai kebutuhan praktis ("Buat tulisan Anda terdengar lebih alami agar tidak keliru ditandai"), dan siswa merasa terdorong mengadopsinya agar tetap kompetitif bahkan sambil khawatir tentang ketergantungan dan hilangnya kesempatan belajar - sebuah imperatif kewirausahaan yang terinternalisasi. Hal ini menunjukkan perlunya literasi pemasaran sebagai bagian dari pendidikan integritas AI.

• Humanizer AI mengekspos siklus performatif deteksi. Roe et al. (2026) mengatalogkan 55 situs humanizer AI yang mengubah teks hasil AI untuk menghindari deteksi, dibingkai melalui dramaturgi Goffman. Humanizer membuat pelanggaran absen secara diskursif dan menampilkan legitimasi, menunjukkan bahwa perlombaan senjata deteksi versus pengelakan tidak berakhir secara struktural - memperkuat pergeseran dari pengawasan ke desain penilaian dan Literasi AI.

• Penegakan, bukan deteksi, adalah tempat percakapan berlangsung. Di seluruh 270.929 catatan terkait AI dari 26 subreddit pendidikan yang mencakup tiga setengah tahun, klaster integritas akademik memegang 37,1% diskusi dan Penegakan Pelanggaran menjadi tema tunggal terbesar pada 12,1%, sementara 32,3% utas fakultas-siswa berada di dalam perselisihan deteksi dan penegakan (Yüce et al. (2026)).

• Siswa hantu dan kesenjangan verifikasi AI agensik. Bozkurt, Crompton & Fell Kurban (2026) memperkenalkan "siswa hantu": sebuah pengganti digital yang diciptakan dengan menggabungkan LLM ("pikiran") dan peramban AI agensik ("tubuh") yang dapat menavigasi LMS, terlibat dengan konten, dan menyelesaikan penilaian dengan mimikri menyerupai manusia, membuat kehadiran pembelajar yang sebenarnya menjadi opsional. Hal ini menciptakan kesenjangan verifikasi yang secara struktural tidak dapat ditutup oleh pengawasan dan deteksi tradisional - ancaman integritas yang tumbuh seiring AI menjadi agensik alih-alih sekadar generatif.

Kasus disipliner paling jelas untuk desain ulang alih-alih deteksi datang dari pendidikan komputasi. Sebuah tinjauan sistematis atas 72 studi AI generatif dalam pendidikan pemrograman dan komputasi (Kumar, Wongsirichot dan Nanthaamornphong 2026) menemukan hanya tiga studi yang menelaah mekanisme deteksi AI - basis bukti tertipis dari 14 tema yang dikonsolidasikannya - sementara desain ulang mata kuliah dan penilaian didukung oleh 25 studi. Tinjauan itu memperlakukan ketidakseimbangan ini sebagai diagnostik alih-alih kebetulan: institusi sebagian besar telah memperbarui dokumen kebijakan tanpa mendesain ulang penilaian, dan sebagian besar pengajar berada pada tingkat integrasi toleransi alih-alih transformasi, dengan 70% dari satu sampel fakultas nasional secara eksplisit meminta pelatihan tentang desain penilaian yang tahan AI. Respons yang direkomendasikannya bersifat konkret: tambahkan komponen lisan atau unsur lain yang membuat proses terlihat pada setidaknya satu penilaian berisiko tinggi per mata kuliah, dan jadikan keterlibatan kritis dengan keluaran AI (membaca, menguji, memodifikasi, menjelaskan, mengkritik) sebagai komponen karya siswa yang dinilai dan dapat diamati alih-alih aspirasi yang diserahkan pada kebijaksanaan siswa (Assessment Validity). Tinjauan PRISMA atas 72 studi penilaian pendidikan tinggi menemukan tiga respons desain yang berulang sebagai jawaban atas GenAI - orientasi proses, autentisitas, serta pendekatan lisan dan dialogis - dibingkai sebagai pelapisan pada prinsip validitas, autentisitas, dan keselarasan yang sudah ada alih-alih menggantikannya (Crompton dan Burke (2026)).

• Referensi yang difabrikasi telah mencapai catatan pendidikan komputasi yang terbit. Denny et al. (2026) melacak 113.588 referensi dari 5.225 makalah pendidikan komputasi di ACM Digital Library terhadap seluruh korpus 723.930 publikasi dan 15.872.533 referensi, memverifikasi secara manual 828 catatan yang mencurigakan, dan mengonfirmasi 30 referensi yang memuat informasi bibliografis yang terbukti difabrikasi di 14 makalah, semuanya terbit pada 2025 atau 2026. Di SIGCSE Technical Symposium jumlah yang terverifikasi naik dari 3 pada 2025 menjadi 17 pada 2026, berada di 2,3% makalah prosiding 2026, dan referensi yang berhalusinasi muncul di lima venue yang disponsori atau bekerja sama dengan SIGCSE pada 2025. Angka itu hanya utuh bersama penyeimbangnya: sebagian besar referensi yang ditandai bersifat jinak - 229 adalah ketidakcocokan metadata ACM di mana PDF-nya benar dan 188 adalah varian bibliografis yang sah - sehingga angka venue itu merupakan batas bawah yang disengaja. Hal ini menimpa penulis, bukan hanya penilaian sejawat, karena peninjau yang memeriksa daftar referensi tidak dapat memverifikasi setiap entri, dan penyusunan draf berbantuan Large Language Models (LLMs) membuat sitasi yang diciptakan tetapi masuk akal murah untuk dihasilkan.

• Kejelasan tanpa desain ulang memindahkan penyalahgunaan ke samping alih-alih menghilangkannya. Petricini & Zipf (2026) memetakan penggunaan AI pada dua sumbu - niat dan usaha siswa berbanding kejelasan dan dukungan yang disediakan lingkungan - dan melaporkan bahwa kuadran paling padat dalam data wawancara mereka adalah kepatuhan cemas, di mana siswa menyembunyikan bantuan yang sah (dukungan tata bahasa, penjelasan konsep, penataan ide mereka sendiri) untuk menghindari tuduhan palsu. Peringatan mereka bersifat terarah: ketika aturan menjadi jelas tetapi penilaian tetap menghargai kecepatan dan produk, siswa yang sadar kebijakan bergeser ke pengelakan efisien alih-alih ke penggunaan alat yang berbudi. Austin (2026) mencapai titik yang sama dari sisi tugas - ketika agen memenuhi setiap kriteria rubrik tanpa penalaran yang terlihat, menilai jejak keputusan (kalibrasi keyakinan, saran AI yang ditolak, kendala spesifik mata kuliah) menggantikan deteksi, yang ia catat salah sasaran di kedua arah.

• Pemberi kerja mendiskon nilai yang mereka yakini dihasilkan AI - dan bertemu pada verifikasi tatap muka. Dalam eksperimen survei dengan sekitar 1.750 profesional perekrutan di Amerika Serikat, Boyd-Swan & Reynolds (2026) menunjukkan bahwa membingkai penggunaan AI oleh siswa sebagai alat bantu membuat pelamar tidak dihukum, sementara membingkainya sebagai substitusi atas usaha dan kemampuan siswa menurunkan kemungkinan wawancara dan - lebih tajam - kesediaan bernegosiasi gaji, terkonsentrasi pada pelamar dengan IPK tinggi tanpa memandang ras atau jenis kelamin. Ketika ditanya apa yang akan meredakan kekhawatiran, kedua kelompok pembingkaian hanya memilih satu solusi yang sama: tes tatap muka. Eksperimen itu mengisolasi keyakinan (bukan penggunaan AI yang sebenarnya), sehingga menunjukkan bagaimana saluran sinyaling saja menggerakkan hasil perekrutan - bukti awal bahwa pasar tenaga kerja mungkin mendorong penilaian kembali ke format yang dapat diverifikasi kehadirannya, arah desain yang sama yang didesak literatur siswa hantu untuk diadopsi institusi.

Studi Teori Perilaku Terencana pertama tentang niat pelanggaran berbasis GAIT memperluas gambaran ini: di antara 186 mahasiswa sarjana, Baig dan Paparo (2026) menemukan sikap terhadap pelanggaran, norma subjektif tentangnya, dan sikap positif terhadap AI masing-masing memprediksi niat, sementara sikap negatif terhadap AI tidak, dan persepsi yang lebih tinggi tentang kemungkinan deteksi memprediksi niat yang lebih rendah - efek jera yang dilemahkan oleh ketidakandalan alat deteksi AI yang terdokumentasi.

Kebijakan integritas bergeser dari siapa yang menulis kata-kata menjadi siapa yang memiliki ide, dan detektornya sedang dibangun ulang agar sesuai. IdeaLens memprediksi asal usul ide dari kerangka alih-alih dari prosa: pada 50 cerita yang ditulis orang dari awal mengikuti rencana yang dihasilkan AI, alat itu menandai 68% sebagai AI, berbanding 8% untuk Pangram 4 dan 0% untuk kontrol yang dilatih pada prosa, dan alat itu melabeli 94,7% teks manusia yang dipoles AI sebagai manusia (Rajendhran et al. (2026)). Pernyataan etikanya sendiri menyebut keluarannya sebagai estimasi statistik yang tidak boleh digunakan sendiri sebagai bukti konklusif penggunaan AI.

Gillette et al. (2026) mendokumentasikan rezim itu dari dalam satu fakultas: guru yang telah mengubah format penilaian mengatakan "hampir tidak mungkin untuk mengatakan apakah seorang siswa telah menggunakan AI dalam penulisan tugas", sementara siswa yang marah meminta banding pada hati nurani dan "rasa malu" alih-alih deteksi.

• Penginderaan yang lebih baik tidak mengubah apa yang dapat disertifikasi oleh penilaian. Sistem pengawasan estimasi pose YOLOv11 yang melaporkan akurasi klasifikasi 99,56% menggambarkan batas rute deteksi: sistem itu mengukur postur terhadap label perilaku, tidak melaporkan kebenaran dasar tentang pelanggaran, dan tidak menawarkan analisis subkelompok (Arif et al., 2026). Perbaikan yang diperjuangkan Villanueva adalah bukti pembelajaran yang cukup pada tahap-tahap kunci, bukan pengawasan maksimal atas setiap kiriman.

Miskonsepsi Umum

• "Alat deteksi mengidentifikasi tulisan AI." Teks yang dihasilkan AI telah lolos sebagai tulisan manusia dalam hingga 80% kasus, sementara bukti untuk deteksi menempatkan deteksi mesin sekitar 80% berbanding 78,4% untuk penilai manusia. Pertimbangan manusia dan mesin hampir sama (tidak) dapat diandalkannya, sehingga putusan deteksi bukanlah bukti kepengarangan.
• "Masalahnya marginal." Volumenya jauh dari itu: analisis enam tahun atas kursus CS2 dengan pendaftaran besar menemukan 45,7% siswa Musim Semi 2026 ditandai. Hampir setengah kohort, yang menjadikan ini masalah desain arus utama alih-alih kasus pinggiran.
• "Pengajar tahu penilaian mana yang rentan." Di sebuah departemen biologi, pengajar menganggap hanya ujian tatap muka dengan pengawasan yang minim kerentanan, sementara tugas di luar kelas dianggap terekspos. Persepsi itu cocok dengan kasus yang jelas dan menganggap segala hal lain aman.

Konsep Terhubung

• Pedagogical Patterns - Urutan verifikasi yang diadopsi sebagai respons terhadap AI generatif
• AI Use and Disclosure Statements - Pernyataan penggunaan dan pengungkapan AI
• Assessment Validity
• Literasi AI
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Offloading Kognitif
• AI Misuse and Learning Harm
• Mengurangi Penyalahgunaan AI
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• AI dalam Pendidikan
• Legal Issues and Risks
• Social Norms of AI Use - aturan informal yang berada di bawah kebijakan formal

Artikel Terhubung

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Seluruh program psikologi dapat dilalui dengan usaha minimal, dan kriteria penilaian yang membiarkannya lolos (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Guru siswa menolak GenAI di bawah kebijakan yang permisif; pembingkaian "jebakan" dan kesenjangan survei-deklarasi

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agen AI, penilaian yang menyenangkan, dan ruang ketiga

• Generative AI in computing education: A systematic review and a framework for responsible integration — Bukti deteksi tipis (3 studi dari 72); desain ulang yang menanggung beban

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Kebijakan mata kuliah GenAI yang selaras: izin yang diturunkan dari penilaian, alasan yang transparan (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Pembuatan varian penilaian yang ekuivalen secara konstruk (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Bagaimana pengajar mengatur AI di 31.000 silabus mata kuliah; pembingkaian integritas menurun (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 — Dapatkah siswa menyontek sampai mendapat gelar biologi? Studi kasus kerentanan nilai mata kuliah biologi terhadap ketidakjujuran akademik di era AI generatif

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Ketidakpatuhan siswa terhadap deklarasi penggunaan AI

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Mendeteksi Teks yang Dihasilkan LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Melampaui Deteksi: Penilaian Autentik dalam Dunia yang Dimediasi AI

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Skala Penilaian AI dan Reformasi Penilaian

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Dari Produk Autentik ke Proses yang Terautentikasi

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Tidak Apa-Apa Karena... Rasionalisasi Siswa atas Penggunaan AI

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Kerangka Permainan Koordinasi untuk Penggunaan AI yang Etis

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Rasa Malu dan Rasa Bersalah sebagai Pengatur Sosial Penggunaan AI

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Apakah Alice Berbuat Salah? Persepsi Lintas Budaya atas Penggunaan AI

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Pertimbangan nilai dalam menilai karya berbantuan GenAI: kejujuran, kepercayaan, validitas, dan transparansi dua arah (Luo & Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Akuntabilitas sebaya dan orisinalitas dalam penilaian kelompok yang dimediasi GenAI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Keruntuhan pembuktian deteksi dan argumen untuk keadilan prosedural, proporsionalitas, dan desain

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Pencegahan, pengungkapan, dan desain ulang sebagai masalah desain penilaian di bawah informasi yang tidak sempurna

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Apa yang sebenarnya menjadi dasar 1.162 berkas pelanggaran GenAI, dan ambang pembuktian yang hilang

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Aturan AI yang terlalu inklusif dan perbedaan antara transkripsi dan generasi

• AI-based digital cheating at university, and the case for new ethical pedagogies — Kecurangan digital berbasis AI dan pedagogi etis berbasis pencegahan: kasus pelanggaran dari 183 menjadi 27 dan lima desain ulang spesifik disiplin (Leaton Gray, Edsall & Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Integritas sebagai masalah tata kelola: kerangka indikator 130 butir untuk pengelola akademik (Coates, Croucher & Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Tinjauan pelingkupan atas 38 studi tentang suara mahasiswa pendidikan tinggi mengenai integritas akademik dan GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Menetapkan garis antara dukungan dan substitusi bagi penulis EAL, dan ketidakadilan aturan yang mengabaikan latar bahasa (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injeksi prompt terhadap penilaian nilai yang dimediasi AI: instruksi tersembunyi yang mengubah nilai tanpa terdeteksi (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Matriks Etika Penggunaan AI: kepatuhan cemas, dan mengapa kejelasan saja dapat mendorong siswa ke pengelakan efisien (Petricini & Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Menilai jejak penalaran ketika agen AI dapat menyelesaikan tugas (Austin 2026)

• AI-written admissions essays are widespread but penalized — Esai penerimaan yang ditulis AI tersebar luas tetapi dihukum

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Siapa yang Bertindak, Siapa yang Tahu, Siapa yang Bertanggung Jawab? Analisis Wacana Berbantuan Korpus atas Agensi, Tanggung Jawab Epistemik, dan Akuntabilitas dalam Penelitian Pendidikan Tinggi AI Generatif

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Memetakan Batas yang Diotorisasi: Studi Vignette Kebijakan Komparatif tentang Tata Kelola AI Generatif di Pendidikan Tinggi Australia

• Argus: Academic Integrity in the Era of Generative AI — Argus: Integritas Akademik di Era AI Generatif

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Temuan audit sektor: universitas dengan mandat dan universitas dengan kerangka tidak menunjukkan perbedaan dalam eksposur penilaian, padanan empiris dari masalah koordinasi

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) - Prediksi awal risiko kecurangan berbantuan AI dari jejak LMS, dibingkai sebagai panduan akademik alih-alih bukti pelanggaran

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Tiga setengah tahun Reddit pendidikan: penegakan mendominasi, dan perselisihan integritas adalah forum utama fakultas-siswa (Yüce et al. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Eksperimen survei: pembingkaian substitusi atas penggunaan AI oleh siswa menghukum pelamar dengan IPK tinggi dalam perekrutan dan gaji; tes tatap muka adalah satu-satunya solusi yang dipilih kedua kelompok

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Menuju Antarmuka Bacaan yang Terbaca Manusia dan Tahan Mesin