Mengurangi Penyalahgunaan AI

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

Mengurangi penyalahgunaan AI - tuas desain, pedagogi, dan kebijakan yang mencegah siswa menggantikan AI generatif untuk kerja kognitif mereka sendiri dan sebaliknya mengarahkan mereka ke penggunaan yang etis dan produktif. Pendekatan yang efektif diurutkan menurut dampak alih-alih popularitas, dan bukti terkuat mendukung tuas struktural - pagar pengaman alat dan desain ulang penilaian - yang mengubah lingkungan sehingga penyalahgunaan menjadi lebih sulit, terlepas dari motivasi siswa, di atas tuas edukatif yang bergantung pada pembangunan kapasitas yang bertahan lama dan penerimaan siswa.

Pertanyaan yang Perlu Dipertimbangkan

• Siswa yang mengalihdayakan pekerjaan rumah ke AI dapat melihat nilai pekerjaan rumah mereka naik sementara nilai ujian buku tertutup mereka turun. Sebelum membaca, mengapa kinerja dan pembelajaran bisa menyimpang begitu tajam - dan apa yang disiratkan oleh kesenjangan itu tentang makna 'keberhasilan' dengan AI?
• Halaman ini memeringkat intervensi menurut bukti kausal dan jangkauan, dan menempatkan tuas struktural (pagar pengaman alat, desain ulang penilaian) di atas tuas edukatif (pengajaran praktik yang baik) - justru karena tuas struktural bekerja terlepas dari motivasi siswa. Apakah Anda setuju bahwa mengubah lingkungan mengalahkan mengubah pola pikir? Apa risiko mengandalkan masing-masing?
• Tutor 'petunjuk-bukan-jawaban' dengan pagar pengaman menghilangkan kerugian pembelajaran yang disebabkan tutor tanpa pagar, meskipun keduanya tampak membantu. Pikirkan alat belajar yang pernah Anda lihat dan terlalu cepat memberikan jawaban. Di mana batas antara petunjuk yang merancah dan jawaban yang menggantikan - dan dapatkah Anda menyatakannya sebelum membaca?
• Perbaikan terkuat mencakup desain ulang penilaian: ujian di kelas tanpa bantuan, pertahanan lisan, artefak proses, penalaran yang dihargai di atas kelancaran permukaan. Bagaimana perasaan Anda mengikuti mata kuliah yang dinilai dengan cara ini, dan apakah perasaan itu memberi tahu Anda sesuatu tentang mengapa tuas ini efektif sekaligus tidak populer?
• Kerangka deklarasi AI yang memaksa siswa memetakan penggunaan mereka ke tahap kognitif (perencanaan versus pembuatan konten) menggeser penekanan dari pengawasan ke praktik profesional. Menurut Anda, apakah refleksi semacam itu benar-benar membangun pertimbangan yang lebih baik, atau hanya mengajarkan siswa cara menggambarkan penyalahgunaan dengan lebih cerdik?
• Tetapkan tujuan sebelum membaca: identifikasi satu perubahan konkret dalam mata kuliah atau alur kerja Anda sendiri yang akan membuat penyalahgunaan AI lebih sulit, dan satu perubahan yang akan membuat penggunaan produktif lebih mudah. Ke tingkat mana dalam halaman ini masing-masing termasuk?

Pendahuluan

Konsep ini bersandar pada bukti bahwa penyalahgunaan AI secara aktif merugikan pembelajaran yang bertahan lama - kesenjangan kinerja-pembelajaran yang didokumentasikan dalam AI Misuse and Learning Harm - bahkan sambil mengembungkan kinerja langsung. Karena itu intervensi menyasar mekanisme kerugian tersebut: penyalinan jawaban, pengalihan kognitif, erosi motivasi, dan penggeseran pembelajaran. Intervensi-intervensi itu tidak saling eksklusif; pendekatan yang kokoh menggabungkan lantai struktural dengan pembangunan kapasitas yang edukatif.

Mengapa tuas struktural paling penting

Intervensi dapat diurutkan menurut bukti kausal x jangkauan struktural x skalabilitas x keberlanjutan. Atas dasar ini, dua tuas struktural menempati peringkat tertinggi karena keduanya bekerja terlepas dari apakah siswa memilih perilaku yang benar - keduanya membatasi lingkungan alih-alih bergantung pada motivasi internal. Tuas edukatif penting tetapi hanya efektif ketika siswa menerimanya, sehingga diperlakukan sebagai tingkat kedua meskipun janji konseptualnya besar. Coates, Croucher dan Calderon (2025) menaikkan argumen struktural satu tingkat ke atas, memperlakukan tata kelola alih-alih perilaku siswa sebagai kendala pengikat dan mengusulkan kerangka indikator integritas 130 butir agar pengelola akademik dapat melihat apakah penilaian autentik, apakah siswa dikenal secara individual oleh guru yang menilai mereka, dan apakah integritas muncul dalam induksi dan orientasi. Reformasi mereka menyasar arsitektur tata kelola, orang, dan teknologi serta sumber daya, dan mereka mengusulkan meminjam uji tim merah dari keamanan siber untuk mengekspos kerentanan penilaian sebelum siswa menemukannya - sebuah pengingat bahwa lantai struktural dipelihara oleh institusi yang membutuhkan informasi sekaligus kemauan untuk memeliharanya.

Tingkat 1 - Terbukti langsung mengurangi kerugian pembelajaran

Desain alat AI dengan pagar pengaman (Scaffolding "petunjuk-bukan-jawaban"). Dalam temuan kausal terkuat di basis pengetahuan, sebuah RCT lapangan menunjukkan tutor bergaya ChatGPT tanpa pagar menaikkan kinerja latihan berbantuan +48% tetapi menurunkan skor ujian tanpa bantuan -17%, sementara tutor dengan pagar pengaman (petunjuk alih-alih jawaban, ditambah informasi soal yang ditulis guru) menghilangkan kerugian itu sepenuhnya. Ini secara mekanis mencegah perilaku "tongkat penyangga" penyalinan jawaban yang menjadi dasar kerusakan tersebut. Kegiatannya mencakup tutoring petunjuk-bukan-jawaban, menyemai prompt dengan solusi yang benar dan miskonsepsi umum, serta mewajibkan siswa mencoba terlebih dahulu sebelum keluaran AI ditampilkan.

Menahan jawaban melindungi selama sesi tanpa membangun keterampilan. Tuo et al. (2026) menahan posisi agregat dalam debat multi-agen dan memangkas peralihan ke posisi AI yang salah dari 42-60,5% menjadi 5,7-8,2%, tetapi tidak menemukan efek pembelajaran dalam sesi tersebut (β = 0,03, p = 0,18) - pagar pengaman bertahan selama dipasang dan membiarkan pertimbangan tanpa bantuan tidak berubah.

Desain ulang penilaian (tahan AI + ukuran tanpa bantuan). Karena kerugian penyalahgunaan bergantung pada penilaian - muncul pada ukuran dengan pengawasan, buku tertutup, dan tanpa bantuan sambil mengembungkan tugas kuliah biasa yang dinilai - mengubah apa yang dianggap sebagai pencapaian sekaligus mencegah penyalahgunaan dan memunculkannya. Kegiatannya mencakup ujian di kelas tanpa bantuan dan pertahanan lisan, mewajibkan artefak proses (draf, refleksi, penalaran beranotasi), menghargai penalaran di atas kelancaran permukaan, dan menetapkan zona bebas AI. Ivory et al. (2026) memberikan instrumen konkret untuk persyaratan artefak proses: riwayat versi yang diwajibkan dan dokumen analisis yang dapat direproduksi, sehingga kiriman yang dicurigai dapat diperiksa sebagai garis waktu bagaimana karya itu berkembang, dan jumlah materi fabrikasi yang harus dihasilkan siswa naik jauh melampaui penghematan yang diperoleh dari pengalihdayaan. Bukti lapangan berskala besar menegaskan hal ini: Strömberg, Lei, & Wu (2026) menemukan bahwa pengalihdayaan pekerjaan rumah menaikkan nilai pekerjaan rumah 18% sementara menurunkan nilai ujian buku tertutup 20% - tepatnya sinyal yang dirancang untuk dimunculkan oleh ukuran tanpa bantuan dengan pengawasan, dan studi itu merekomendasikan pemberian bobot lebih besar pada penilaian buku tertutup yang dilakukan secara langsung. Leaton Gray, Edsall dan Parapadakis (2025) memberikan logika yang sama dalam pernyataan pencegahan kejahatan situasionalnya yang paling eksplisit, dengan berargumen bahwa kegagalannya milik penilaian yang dapat dijawab model secara meyakinkan alih-alih milik siswa, dan melaporkan kasus di mana 25 teknik pencegahan yang diterapkan pada tugas akhir bisnis di Australia - interaksi siswa yang dilacak, deteksi bendera merah atas karya yang terlalu ahli, penugasan ulang tim secara acak, tes berpengawasan mingguan di kelas, pemberitahuan penurunan materi kuliah yang telah diterbitkan siswa - dilaporkan memangkas kasus pelanggaran dari 183 menjadi 27 dalam satu tahun. Resep mereka bersifat motivasional alih-alih investigatif: naikkan tujuan penilaian yang dipersepsikan, bangun efikasi diri, dan tingkatkan biaya sosial kecurangan yang dipersepsikan, dengan para penulis memperingatkan bahwa menangani hanya satu atau dua dari ketiganya akan gagal, didukung oleh lima desain ulang spesifik disiplin yang mengubah ujian pemecahan masalah berwaktu menjadi pemecahan masalah buku terbuka dengan refleksi tertulis atas proses siswa sendiri, esai sumatif menjadi proyek penelitian arsip kolaboratif, dan portofolio menjadi proses desain iteratif yang ditelaah sejawat.

Tuas struktural memiliki lengan penegakan, dan basis buktinya lebih lemah daripada yang disiratkan jangkauannya. Munoz et al. (2026) mengodekan 1.162 kasus pelanggaran AI generatif dan menemukan bahwa bukti yang paling sering dikutip pada titik tuduhan - keluaran detektor, laporan kemiripan, pola konten khas AI - membawa nilai probatif paling lemah, sementara pengakuan, perilaku ujian yang teramati, dan referensi fabrikasi yang diverifikasi secara independen adalah yang terkuat; karena prosedur institusional tidak menetapkan ambang pembuktian minimum, kualitas bukti tidak memiliki hubungan yang dapat diandalkan dengan hasil kasus, dan siswa yang kasusnya bersandar pada bukti tipis memiliki jalan keluar terutama melalui banding. Wright (2026) menunjukkan biaya kedua dari ketidaktepatan yang sama: larangan yang ditulis seputar "AI generatif" alih-alih seputar fungsi menangkap alat yang sekadar mengonversi format karya yang telah ditulis siswa, sehingga penggunaan transkripsi saja dapat disanksi sebagai pelanggaran - inklusi berlebih yang paling berat menimpa mereka yang terekspos oleh ekuitas, termasuk pembelajar penyandang disabilitas, dan tidak melakukan apa pun untuk pembelajar itu maupun untuk validitas. Harerimana, Mtshali dan Mchunu (2026) menambahkan bahwa pengawasan jarak jauh, kontrol integritas yang paling luas diadopsi, mendasarkan argumen pencegahannya pada bagaimana siswa mengatakan mereka merasa alih-alih pada berkurangnya pelanggaran, dan menimbulkan kecemasan, hilangnya konsentrasi, dan eksklusi terkait infrastruktur yang tidak terbukti terimbangi oleh penyalahgunaan yang lebih rendah. Li (2026) menambahkan dimensi desain aturan: karena antarmuka yang sama melakukan penyuntingan bahasa yang diizinkan dan penyusunan draf substantif yang dilarang, aturan GenAI yang tidak dibedakan membebani siswa yang menggunakan bahasa Inggris sebagai bahasa tambahan dengan biaya kepatuhan yang miring per kohort, sehingga pencegahan yang lebih dapat dipertahankan adalah batas dukungan-substitusi berbasis tujuan yang berjangkar pada konstruk penilaian, dengan pengungkapan yang terkalibrasi, proporsionalitas yang bertahap di seluruh keputusan ambang, pembuktian, dan sanksi, serta tuas desain - kiriman bertahap, verifikasi lisan singkat yang selaras konstruk, pertanyaan berbasis kritik - yang melakukan kerja yang tidak dapat dilakukan deteksi. Pencegahan juga harus mencakup penilai itu sendiri: evaluasi tim merah Humble (2026) menemukan bahwa dua dari lima strategi injeksi prompt tidak langsung yang disematkan dalam berkas kiriman menaikkan esai yang gagal menjadi lulus tanpa terdeteksi, pada tingkat keberhasilan yang dilaporkan 100% dan 94%, sehingga ketika alat AI menilai karya siswa, tinjauan manusia, pemisahan instruksi dari konten kiriman yang lebih jelas, dan pengujian ketahanan termasuk dalam lantai struktural alih-alih dalam tingkat opsional.

Tingkat 2 - Dukungan kerangka kuat, potensi tinggi

Urutan penggunaan yang dirancah: berpikir dulu, AI kedua, refleksi ketiga. Delapan prinsip desain untuk mengintegrasikan LLM tanpa menggeser berpikir kritis: pertahankan gesekan kognitif, posisikan AI sebagai mitra berpikir sementara alih-alih otoritas, sematkan titik pemeriksaan evaluasi, wajibkan jurnal metakognitif dan catatan prompt, serta seimbangkan fase yang dimediasi AI dengan fase bebas AI. Bukti korelasional (kerja mandiri sebelum AI menghasilkan keluaran yang lebih kuat) kuat; ini adalah versi lengkap secara pedagogis dari Tingkat 1.

Literasi AI dan literasi prompt dengan latihan sengaja dan umpan balik langsung. Sebuah modul K-12 yang menggunakan latihan prompt berbasis skenario dengan penilai otomatis Large Language Models (LLMs) meningkatkan keterampilan prompt yang sebenarnya dan menaikkan keyakinan dalam menggunakan AI untuk belajar +10,4%, dengan 87% melaporkan mereka belajar cara menggunakan AI secara bertanggung jawab. Keuntungan keterampilan terbukti; pertanyaan terbukanya adalah apakah hal itu berubah menjadi hasil pembelajaran di hilir. Modul itu juga menangani kesenjangan ekuitas dalam akses AI sebelumnya.

Kerangka deklarasi penggunaan AI yang terstruktur. Menggantikan kotak centang generik "saya menggunakan AI" dengan deklarasi spesifik domain yang memetakan penggunaan ke tahap kognitif (perencanaan struktural versus pembuatan konten) memaksa refleksi atas proses belajar dan memperjelas batas antara bantuan yang dapat diterima dan pelanggaran, menggeser penekanan dari pengawasan ke praktik profesional.

Tuas edukatif terlihat berbeda lagi begitu integritas diperlakukan sebagai praktik yang harus diajarkan alih-alih aturan yang harus ditegakkan. Sharma (2026) berargumen bahwa rezim integritas berbasis deteksi dan verifikasi tidak selaras dengan kerja yang diperkaya GenAI, dan membingkai ulang integritas sebagai praktik pedagogis yang diwujudkan melalui pertimbangan evaluatif - kapasitas pembelajar untuk menimbang opsi, membenarkan pilihan akademik, dan mengambil tanggung jawab di bawah ketidakpastian - yang dibuat terlihat melalui artefak seperti jejak keputusan beranotasi, verifikasi terdokumentasi, pertahanan lisan, dan riwayat versi antardraf, dengan deteksi diturunkan menjadi satu lapisan tambahan alih-alih infrastruktur utama. Mulisa dan Mezgebu (2026) menemukan celah yang sama dari sisi siswa: di seluruh 27 wawancara di sebuah universitas Ethiopia, penggunaan hampir universal, sebagian besar peserta menganggap GenAI menaikkan prestasi mereka, dan keluhan paling tajam berjalan sebaliknya - pengguna AI mendapat nilai di atas pekerja mandiri yang tekun, yang digambarkan peserta sebagai menurunkan motivasi. Para penulis menyimpulkan bahwa keyakinan siswa memprediksi penggunaan etis lebih kuat daripada aturan institusional, sehingga kesadaran, kebijakan yang jelas, dan desain ulang penilaian harus datang bersamaan - yang merupakan tingkat edukatif halaman ini yang dinyatakan sebagai syarat: pembangunan kapasitas mengubah perilaku hanya melalui penerimaan siswa yang disertai lantai struktural. Tinjauan pelingkupan Ji (2026) atas 38 studi tentang suara siswa menyediakan versi tingkat bidang dari kesimpulan yang sama: studi yang ditinjau bertemu pada pergeseran dari deteksi retrospektif ke penalaran etis proaktif, pada pengajaran etika AI dan AI-giarisme dalam kurikulum alih-alih dalam sesi literasi sekali jalan, dan pada panduan terperinci yang diciptakan bersama oleh pemimpin, fakultas, dan siswa, karena panduan yang tidak jelas dibaca sebagai izin tersirat alih-alih sebagai kehati-hatian. Pembacaan Ji sendiri adalah bahwa kepemilikan dan penalaran moral memotivasi siswa lebih dari rasa takut akan hukuman, dan bahwa siswa bukan penerima pasif GenAI maupun pelaku tanpa batas moral melainkan agen moral yang bekerja di zona kelabu - premis tingkat ini, dinyatakan sebagai temuan.

Tingkat 3 - Menjanjikan, bukti kausal langsung lebih rendah

Intervensi metakognitif dan penilaian diri. Jurnal reflektif, catatan prompt, dan pelatihan kalibrasi membangun kembali "dasar kognitif yang absen" pada siswa asli AI yang tidak dapat menemukan batas kognitif mereka sendiri karena kelancaran yang dihasilkan AI menutupinya. Sentral secara konseptual tetapi belum diuji secara kausal.

Desain ulang motivasi. Karena ketersediaan AI mengikis motivasi otonom ("mengapa harus berusaha?"), merestrukturisasi tugas di sekitar tujuan yang tidak dapat dipenuhi AI dan di sekitar agensi pembelajar secara langsung menyasar erosi kegigihan yang memperbesar kerugian langsung.

Literasi AI kritis. Pembingkaian pengetahuan-kekuasaan yang mengajarkan pembelajar untuk menginterogasi, menantang, dan berpartisipasi dalam tata kelola AI alih-alih mengonsumsinya. Berjangka panjang, berorientasi ekuitas, dan struktural dalam ambisinya, meskipun efek pembelajarannya sebagian besar belum teruji.

Mengenali sikofansi untuk mencegah penerimaan tanpa kritik. Karena AI yang sikofantik memvalidasi alih-alih menantang pengguna, ia merupakan vektor penyalahgunaan langsung: siswa yang menerima persetujuan afirmatif atas pemikiran yang keliru terdorong untuk menggantikan AI dengan kerja kognitif mereka sendiri. Sikofansi kontekstual menunjukkan literasi AI dan pelatihan prompt mengurangi tetapi tidak menghilangkan lingkaran kesalahan, sehingga pencegahan penyalahgunaan harus memasangkan pelatihan pengenalan yang edukatif dengan desain gesekan korektif di tingkat sistem (lihat pagar pengaman Tingkat 1).

• Gesekan produktif dan fungsi pedagogis. Tinjauan cepat Sydney berargumen bahwa GenAI merusak pembelajaran ketika membiarkan siswa melewati gesekan kognitif/metakognitif yang dibutuhkan untuk belajar, dan bahwa alat yang dirancang dengan sengaja memasukkan gesekan produktif (menahan jawaban, mendorong penjelasan). Tinjauan itu membedakan empat fungsi pedagogis - belajar dari, dengan, tentang, atau dengan membentuk GenAI - masing-masing dengan tuntutan berbeda pada agensi dan penilaian.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

Miskonsepsi Umum

"Mengajarkan siswa tentang risikonya adalah tuas utama melawan penyalahgunaan." Itu adalah tuas yang bergantung pada kerja sama siswa, itulah sebabnya peringkatnya di bawah tuas struktural di sini. Pagar pengaman dan desain ulang penilaian bekerja terlepas dari apakah siswa memilih perilaku yang benar; pendekatan edukatif bekerja hanya dengan penerimaan. Perbedaannya bukan moral melainkan mekanis - lingkungan yang berubah membatasi perilaku secara langsung, sementara keyakinan yang berubah harus bertahan sampai malam sebelum tenggat.

"Jika pagar pengaman bertahan selama sesi, pembelajarannya aman." Bertahan dan mengajar adalah hasil yang berbeda, dan korpus memuat hasil ganda yang bersih. Menahan posisi agregat dalam debat multi-agen memangkas peralihan siswa ke posisi AI yang salah dari 42-60,5% menjadi 5,7-8,2% - efek perlindungan yang besar - tetapi menghasilkan tidak ada efek pembelajaran dalam sesi tersebut (β = 0,03, p = 0,18). Pagar itu menjalankan tugasnya sebagai pagar dan tidak menjadi pengajaran. Merancang untuk pencegahan penyalahgunaan tidak sama dengan merancang untuk pembelajaran.

"Mendeteksi penyalahgunaan dan menghukumnya adalah strategi pencegahan." Pencegahan harus mencakup penilai itu sendiri. Evaluasi tim merah Humble (2026) menemukan bahwa dua dari lima strategi injeksi prompt tidak langsung yang disematkan dalam berkas kiriman menaikkan skor esai yang gagal. Alur yang mendeteksi penyalahgunaan oleh siswa sambil memercayai konten kiriman yang tidak diperiksa hanya dipertahankan di satu sisi.

"Penyalahgunaan adalah masalah motivasi siswa." Coates, Croucher dan Calderon (2025) menaikkan kendala pengikat satu tingkat ke atas, memperlakukan tata kelola alih-alih perilaku siswa sebagai hal yang harus diubah dan mengusulkan kerangka indikator integritas 130 butir. Dan kerugian pembelajaran dapat diukur dalam skala: Strömberg, Lei dan Wu (2026) menemukan pengalihdayaan pekerjaan rumah menaikkan nilai pekerjaan rumah 18% sementara menurunkan nilai ujian buku tertutup 20% - kegagalan desain yang muncul tepat pada kesenjangan yang menjadi pokok halaman ini.

Panduan Penerapan menurut Peran

Untuk pengajar dan tim mata kuliah

• Mulailah dari penilaian, bukan dari teks kebijakan. Tanyakan pada setiap tugas yang dinilai apakah versi tanpa bantuan akan menunjukkan apa yang ingin Anda sertifikasi, dan perbaiki tugasnya lebih dahulu - itu adalah tuas yang tidak memerlukan persetujuan siswa.
• Adopsi perangkat petunjuk-bukan-jawaban di tempat tutor AI tersedia, karena RCT lapangan tentang tutoring dengan dan tanpa pagar adalah bukti kausal terkuat di bidang ini.
• Periksa kewajaran bahwa alur penilaian Anda sendiri menahan instruksi yang disuntikkan dalam berkas kiriman sebelum memperlakukan penyalahgunaan oleh siswa sebagai satu-satunya ancaman.
• Perlakukan kinerja yang mengizinkan AI dan kinerja tanpa bantuan sebagai dua pengukuran yang berbeda; perpecahan 18%/20% di atas tidak terlihat kecuali Anda mengumpulkan keduanya.

Untuk pengembang

• Bangun pembatasan ke dalam antarmuka alih-alih ke dalam peringatan. Tutor yang dapat menghasilkan jawaban jadi akan, di bawah tekanan tenggat, menghasilkan jawaban jadi.
• Jangan menyimpulkan pembelajaran dari kepatuhan terhadap pagar pengaman. Hasil debat menunjukkan perilaku bertahan sementara ukuran pembelajaran tetap datar, sehingga instrumentasikan hasil secara terpisah dari interaksi.
• Tampilkan sinyal penyalahgunaan kepada pengajar sebagai diagnostik alih-alih sebagai putusan, karena pembingkaian tata kelola dalam bukti berada di atas perilaku siswa individual.

Untuk administrator dan pembuat kebijakan

• Letakkan kendala pengikat di tempat bukti meletakkannya. Indikator dan struktur tata kelola menyasar lingkungan; seruan kepada siswa menyasar orang yang paling tidak mampu mengubah desain institusional.

Konsep Terhubung

• AI Misuse and Learning Harm
• Offloading Kognitif
• Integritas Akademik
• Assessment
• Literasi AI
• Scaffolding
• Self-Regulated Learning
• Metacognition
• Motivation
• Prompt Engineering
• AI Sycophancy
• Trust Calibration
• Membingkai Penggunaan AI bagi Siswa
• Penyerahan Kognitif

Artikel Terhubung

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Jejak bukti kendali versi dan dokumen analisis yang dapat direproduksi sebagai pencegah penyalahgunaan (Ivory et al. 2026)
• Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — Menahan rekomendasi sebagian besar mencegah ketergantungan berlebih tanpa membangun pertimbangan yang dilindunginya
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — GenAI Tanpa Pagar Pengaman Dapat Merugikan Pembelajaran
• Distinguishing performance gains from learning when using generative AI — Membedakan Keuntungan Kinerja dari Pembelajaran
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Skala Penilaian AI dan Reformasi Penilaian
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Merancah Berpikir Kritis dengan AI Generatif
• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Belajar Menggunakan AI untuk Belajar (Modul Literasi AI K-12)
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Menstrukturkan Transparansi: Kerangka Deklarasi GenAI
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — Dasar Kognitif yang Absen
• AI Literacy: An Exercise in Power-Knowledge — Literasi AI: Sebuah Latihan Pengetahuan-Kekuasaan
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Biaya Tersembunyi Sikofansi Kontekstual: Sebuah Intervensi Literasi AI
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — AI yang sikofantik membuat interaksi manusia terasa lebih melelahkan dan kurang memuaskan seiring waktu
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Pembangunan budaya dan desain ulang penilaian di atas pengawasan deteksi
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Penyerahan kognitif, gesekan produktif, dan ketidakadilan metakognitif
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Meninjau ulang ujian lisan sebagai penilaian autentik yang tahan AI
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Penalti pembelajaran AI generatif: pengalihdayaan pekerjaan rumah merugikan pembelajaran
• Modeling AI Overreliance as a Complex Adaptive System — Ketergantungan berlebih pada AI dimodelkan sebagai sistem adaptif kompleks
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — Pagar pengaman menghilangkan kerugian tanpa meningkatkan skor ujian
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Apa yang sebenarnya terkandung sebagai bukti dalam berkas tuduhan pelanggaran
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Aturan AI yang terlalu inklusif dan siswa yang tertangkap olehnya
• Educational integrity in GenAI-augmented assessment: making judgment visible — Integritas sebagai pertimbangan evaluatif alih-alih kepatuhan
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Pandangan siswa tentang apakah GenAI adalah alat menyontek atau mitra belajar
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Apa yang dilakukan pengawasan jarak jauh pada siswa, dan pada ekuitas
• AI-based digital cheating at university, and the case for new ethical pedagogies — Pencegahan kejahatan situasional terhadap kecurangan berbantuan AI: dari 183 menjadi 27 kasus, dan lima desain ulang spesifik disiplin (Leaton Gray, Edsall & Parapadakis 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Apa yang direkomendasikan 38 studi tentang suara siswa: kejelasan yang diciptakan bersama dan penalaran edukatif di atas deteksi (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Di mana dukungan bahasa berakhir dan substitusi dimulai bagi penulis EAL (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injeksi prompt sebagai vektor penyalahgunaan terhadap penilaian AI (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Tata kelola sebagai kendala pengikat integritas: kerangka indikator 130 butir (Coates, Croucher & Calderon 2025)