Bagaimana Saya Dapat Mengurangi Kecurangan AI di Mata Kuliah Saya?

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

Ini pekan keenam. Sebuah esai tugas rumah kembali dengan bahasa yang lancar tetapi kosong, dan Anda tidak dapat memastikan apakah mahasiswa yang menulisnya. Atau empat pengumpulan berbagi bentuk yang tidak dihasilkan siapa pun di ruangan itu pada September, dan kantor integritas meminta keterangan tertulis tentang apa yang sebenarnya diukur tugas itu. Atau departemen Anda bulan lalu memutuskan membatasi AI generatif di mata kuliah inti dan menyerahkan kepada Anda untuk membuat pembatasan itu bermakna.

Jawaban yang dapat Anda berikan kepada seorang kolega: berhenti mencoba membuktikan siapa yang menulis karya itu dan ubahlah kondisi ketika karya itu ditulis. Deteksi adalah tuas terlemah yang Anda miliki. Tuas yang bertahan adalah tugas yang membuat jalan pintas meninggalkan jejak, satu langkah tanpa bantuan yang dapat Anda amati, dan urutan pengajaran singkat yang menjaga mahasiswa tetap di dalam kerja kognitif.

Versi singkat

1. Keluarkan deteksi dari jalur kritis. Bukti di bawah menunjukkan deteksi salah sasaran pada penyuntingan yang diizinkan dan melewatkan penghindaran yang disengaja.

2. Masukkan satu langkah tanpa bantuan yang dapat diamati ke setiap asesmen berisiko tinggi dan beri bobot yang nyata.

3. Tetapkan batas AI per langkah tugas, bukan per mata kuliah, sehingga batas itu mengikuti apa yang Anda nilai.

4. Jika AI diizinkan, konfigurasikan agar memberi petunjuk alih-alih jawaban, dan wajibkan mahasiswa mencoba sebelum AI merespons.

5. Buat deklarasi spesifik dan bebas dari hukuman. Aturan yang kabur dan aturan yang menghukum sama-sama mendorong mahasiswa ke arah penyembunyian.

Deteksi tidak akan memenangkan kasusnya

Sintesis Integritas Akademik melaporkan keterbatasan besar dalam deteksi teks AI dan berargumen bahwa integritas di era AI generatif makin menjadi masalah desain asesmen, bukan sekadar masalah deteksi. Bawa angka-angka itu ke rapat ketika Anda menjelaskan hal ini kepada seseorang yang sudah membeli lisensi.

Dalam studi terkontrol atas 642 abstrak berbahasa Inggris yang terbit, dua detektor komersial menandai penyuntingan ringan berbantuan AI yang sesuai pedoman pada 38-80%. Keduanya menandai naskah asli 2023-25 yang tidak diubah pada 9-15%, dengan karya non-STEM jauh di atas STEM pada p<0.001. Setelah “humanisasi” AI, alat yang sama hanya menangkap kurang dari 4% tulisan ulang berlabel AI (Karr et al. (2026)). Bacalah ketiga angka itu secara berurutan. Penggunaan yang diizinkan lebih sering ditandai daripada penggunaan yang dilarang, dan penggunaan yang dilarang sebagian besar tak terlihat begitu seseorang menjalankannya melalui parafrase. Itulah dilema catch-22 dalam integritas: detektor menghukum bantuan yang jujur sambil memungkinkan penghindaran yang disengaja.

Bukti lapangan berjalan dengan cara yang sama. Dalam studi senyap, 94% pengumpulan yang sepenuhnya dihasilkan AI dan disisipkan ke ujian daring langsung di lima modul psikologi tidak terdeteksi, dan karya AI itu rata-rata memperoleh nilai lebih tinggi daripada mahasiswa sungguhan (Teichmann et al. (2026)). Universitas Vanderbilt menonaktifkan detektor berlisensinya setelah gagal memvalidasi tingkat positif palsu 1% yang diiklankan, tingkat yang akan menyiratkan sekitar 750 mahasiswa salah label di antara 75.000 pengumpulan per tahun.

Tidak satu pun dari itu membuktikan bahwa deteksi tidak pernah bekerja. Itu menetapkan profil kesalahan yang harus Anda tanggung. Mahasiswa yang ditandai adalah orang yang berhak atas banding, dan hasil 642 abstrak itu mengatakan tanda paling keras jatuh pada mahasiswa yang melakukan hal yang diizinkan. Argumen lengkap tentang mengapa hal ini mengubah apa yang dapat didukung sebuah nilai ada di desain ulang asesmen di era AI.

Ubahlah apa yang dibuat mudah oleh tugas

Sintesis Mengurangi Penyalahgunaan AI menempatkan desain ulang pada Tingkat 1 karena alasan struktural: ia bekerja terlepas dari apakah mahasiswa memilih perilaku yang benar, karena ia membatasi lingkungan alih-alih bergantung pada motivasi.

Mulailah dari label. Skala Asesmen AI (AIAS) memberi setiap tugas satu tingkat penggunaan AI, dari “tanpa AI” melalui “AI hanya untuk curah gagasan” dan “bantuan AI dengan atribusi” hingga “penggunaan AI penuh”, sehingga harapannya eksplisit dan dapat ditegakkan alih-alih disimpulkan.

Lalu ubah artefaknya. Sebuah tinjauan sistematis atas 72 studi tentang AI generatif di pendidikan komputasi menilai desain ulang sebagai layak sekaligus paling berdaya ungkit, dan menyoroti satu langkah: tambahkan unsur lisan atau unsur lain yang menampakkan proses pada setidaknya satu asesmen berisiko tinggi per mata kuliah. Tinjauan itu menyebutnya intervensi paling efektif dalam korpusnya. Deteksi adalah area paling tipis yang dicakup tinjauan, hanya 3 studi, dibandingkan 60-80% mahasiswa komputasi yang melaporkan penggunaan AI generatif dalam tugas kuliah, biasanya tanpa sanksi pengajar yang eksplisit, dan 70% dari satu sampel fakultas nasional yang secara eksplisit meminta pelatihan tentang desain asesmen yang tahan AI (Kumar et al. (2026)).

Menunya, kira-kira menurut urutan seberapa baik setiap opsi bertahan di kelas besar.

Tanpa bantuan, di kelas, buku tertutup: ujian dengan pengawasan, kuis, menulis bertenggat waktu. Beri bobot lebih besar daripada sebelumnya, karena pekerjaan rumah adalah artefak yang digelembungkan AI. Ujian lisan dan pertahanan lisan bekerja karena alasan yang sama, sebab dialog waktu nyata sulit dialihdayakan (Fenton et al. (2025)).

Artefak proses: draf, jejak penalaran, catatan “tunjukkan pemikiran Anda”, log revisi, sehingga prosesnya terlihat dan bukan hanya produknya (produk autentik dengan proses terautentikasi). Tugas autentik bekerja berdampingan dengannya: kasus lokal, materi magang, data mahasiswa sendiri, apa pun yang sulit didelegasikan (Kirsanov et al. (2026)).

Variasi tugas per mahasiswa, ketika setiap mahasiswa mendapat versi yang berbeda di permukaan tetapi setara secara konstruk, membuat penyalinan tidak berguna secara struktural. Perlakukan jaminan itu sebagai bergantung pada kemampuan: VARIA menemukan bahwa generator tercanggih hanya mencapai 0,81-0,88 pada skor integritas gabungan, sementara model non-terdepan merosot ke 0,50-0,55. Jika varian Anda tidak setara, Anda telah membeli perlindungan terhadap berbagi bersama ketidakadilan antar mahasiswa.

Tutup celah antara latihan dan ujian

Ini bagian yang dilewati pengajar, dan di sinilah bukti kausalnya paling kuat.

Dalam sebuah uji acak terkontrol lapangan, tutor bergaya ChatGPT tanpa pagar pengaman menaikkan kinerja latihan berbantuan sebesar 48% dan menurunkan skor ujian tanpa bantuan sebesar 17%. Versi dengan pagar pengaman, yang memberi petunjuk alih-alih jawaban dan diisi informasi masalah tulisan guru, menghapus kerugian itu sepenuhnya (pagar pengaman pada AI generatif dan kerugian pembelajaran). Pada skala yang lebih besar, studi atas 26.811 siswa menemukan bahwa pengalihdayaan pekerjaan rumah menaikkan nilai pekerjaan rumah sebesar 18% sekaligus menurunkan nilai ujian buku tertutup sebesar 20% dalam enam bulan (Stromberg et al. (2026)).

Perhatikan bentuk kedua hasil itu. Keuntungan dan kerugiannya jatuh pada ukuran yang berbeda, dan hanya satu di antaranya yang Anda sertifikasi. Satu RCT tidak dapat memberi Anda besarnya efek di mata kuliah Anda. Ia memberi Anda arah, dan kedua studi menunjuk arah yang sama.

Jika Anda akan membiarkan mahasiswa memakai tutor, konfigurasikan sebelum semester dimulai, bukan setelah keluhan pertama:

1. Atur agar memberi petunjuk Sokratik bertahap alih-alih langkah jawaban berikutnya.

2. Isi dengan solusi yang benar dan miskonsepsi umum agar tutor itu dapat menyasar kesalahan alih-alih mengulang materi.

3. Wajibkan sebuah percobaan sebelum keluaran apa pun muncul.

4. Terapkan aturan jebakan tanpa usaha: jika membiarkan AI masuk membuat tugas terasa tanpa usaha, maka AI ada di tempat yang salah.

Aturan terakhir itu juga tempat perancah dan pagar pengaman membuktikan nilainya, dan tempat mahasiswa simulasi berguna untuk menguji prompt Anda sendiri sebelum mahasiswa sungguhan menghadapinya.

Minta mahasiswa menunjukkan apa yang dapat mereka lakukan

Anda tidak akan pernah memastikan bagaimana sebuah berkas dihasilkan. Anda dapat memastikan, dengan murah, apakah mahasiswa mampu melakukan apa yang tampak ditunjukkan berkas itu.

“Respons Terbaik atas Penggunaan AI oleh Mahasiswa Bukanlah Deteksi, Melainkan Dialog” menjelaskan mekanismenya: penjelasan dua menit secara tatap muka atau direkam atas karya yang dikumpulkan, kuis lanjutan singkat atas materi yang sama yang dikerjakan tanpa alat, permintaan untuk merevisi sampel karya mereka sendiri dan menjelaskan perubahannya. Sumbernya adalah catatan praktisi, jadi perlakukan itu sebagai praktik yang menjanjikan, bukan bukti efek.

Verifikasi juga menentukan apakah proses penanganan pelanggaran Anda bertahan dalam banding. Munoz et al. (2026) menganalisis berkas tuduhan pelanggaran AI generatif yang sebenarnya dan menemukan bahwa keadilan alamiah menuntut mahasiswa diberi tahu tuduhannya dan diberi kesempatan menjawab sebelum keputusan apa pun, biasanya dalam pertemuan investigasi atau wawancara panel, dengan apa pun yang mereka katakan masuk ke dalam catatan pembuktian. Kategori bukti mereka menjelaskan mengapa hal ini harus dibangun ke dalam mata kuliah: jejak perilaku yang direkam sistem hanya ada dalam asesmen tersupervisi, dan bukti proses yang lebih lemah seperti draf, pertemuan supervisi, dan presentasi hanya ada di tempat hal-hal itu sudah rutin. Kebiasaan verifikasi menjadi bukti yang dapat Anda andalkan nanti.

Tulis aturannya secara presisi juga. Wright (2026) menunjukkan bahwa larangan yang memperlakukan transkripsi ucapan-ke-teks dan penyusunan generatif sebagai “penggunaan AI” yang sama bersifat terlalu inklusif dan berisiko memberi sanksi kepada mahasiswa yang tidak melakukan hal yang dilarang. Itu masalah keadilan sebelum menjadi masalah hukum, dan isu dan risiko hukum membahas sisanya.

Jaga mahasiswa tetap di dalam proses saat mereka bekerja

Melarang alatnya dan mengizinkannya tanpa struktur menghasilkan hasil yang sama, yaitu mahasiswa berdiri di luar kerja kognitif.

Sintesis Mengurangi Penyalahgunaan AI menetapkan delapan prinsip desain untuk versi yang diizinkan, termasuk: pertahankan gesekan kognitif, posisikan AI sebagai mitra berpikir sementara alih-alih otoritas, sematkan titik pemeriksaan evaluasi, dan wajibkan jurnal metakognitif serta catatan prompt.

Urutan yang membawa prinsip-prinsip itu cukup singkat untuk dicetak di lembar tugas:

1. Berpikir dulu. Mahasiswa melakukan curah gagasan, membuat kerangka, atau menyusun draf secara mandiri sebelum membuka apa pun.

2. AI kedua. Mereka memakainya untuk mengkritik, memperluas, atau menghasilkan alternatif atas pemikiran yang sudah mereka miliki.

3. Refleksi ketiga. Mereka mencatat untuk apa mereka memakainya, apa yang mereka terima dan tolak, dan mengapa. Satu prompt ditambah log revisi sudah cukup.

Buat deklarasi spesifik, dan murah diisi

Ganti kotak centang generik “Saya memakai AI” dengan kerangka deklarasi yang khas domain yang memetakan penggunaan ke tahap kognitif, misalnya perencanaan struktural versus pembangkitan konten (kerangka deklarasi GenAI di pendidikan tinggi). Lembar sampul yang menanyakan tahap mana, alat mana, prompt mana, dan bagaimana keluarannya dievaluasi melakukan lebih banyak kerja daripada jawaban ya atau tidak.

Dua syarat membuatnya jujur. Deklarasi harus aman, karena kebijakan yang menghukum atau kabur secara aktif mendorong penyembunyian (Gonsalves et al. (2025)), dan mahasiswa menimbang risiko memberi tahu Anda melawan risiko tidak memberitahu (Chang et al. (2026)).

Hitungannya juga harus berpihak pada kejujuran. Mohamed dan Temimi memodelkan ini sebagai masalah informasi tidak sempurna, bukan masalah moralitas. Deklarasi hanya menarik selama biaya kejujuran tetap rendah, dan karena positif palsu detektor juga jatuh pada mahasiswa jujur, pemantauan yang lebih kuat dapat membuat penyembunyian secara relatif lebih menarik setiap kali sensitivitas tambahan menghasilkan lebih banyak positif palsu baru daripada positif benar baru. Bacalah penggunaan yang dideklarasikan sebagai konteks alih-alih pengakuan, dan rancanglah untuk mahasiswa yang paling tergoda menyembunyikan.

Ajarkan literasi yang Anda nilai

Sintesis Mengurangi Penyalahgunaan AI menempatkan pengajaran literasi AI dan rekayasa prompt pada Tingkat 2, di bawah perubahan struktural.

Contoh terukurnya adalah modul K-12 yang memakai latihan prompt berbasis skenario dengan penilai otomatis LLM. Modul itu memperbaiki keterampilan menyusun prompt yang sebenarnya dan menaikkan keyakinan menggunakan AI untuk belajar sebesar 10,4%, dengan 87% melaporkan bahwa mereka telah belajar menggunakan AI secara bertanggung jawab (literasi prompt di K-12, AAAI 2026).

Apa yang sebenarnya diyakini mahasiswa kurang sinis daripada yang disiratkan kepanikan. Di antara 504 mahasiswa sosiologi, 65% pernah memakai AI generatif untuk tugas kuliah, tetapi hanya 3% untuk menghasilkan teks tugas dan 2% untuk menghasilkan draf utuh. 81% pernah menerima semacam panduan AI dan hanya 46% menilainya sangat jelas (pandangan mahasiswa tentang penggunaan GenAI dan penulisan). Ambiguitas, bukan pembangkangan, adalah masalah praktisnya, dan itulah sebabnya aturan yang jelas ditambah urutan yang diajarkan mengubah lebih banyak perilaku daripada peringatan. Mulisa dan Mezgebu (2026) menggambarkan mahasiswa yang bertanya apakah AI generatif adalah alat yang memudahkan kecurangan atau mitra yang mendukung pembelajaran, dan pertanyaan itulah yang seharusnya dijawab oleh harapan Anda.

Kerugian yang layak diajarkan secara eksplisit adalah kesenjangan kinerja-pembelajaran: kinerja naik sekarang, pembelajaran turun kemudian, dan mahasiswa hanya mengalami yang pertama. alat AI dalam kerja akademik dan kecurangan serta rasionalisasi mahasiswa dalam penulisan dengan AI membahas sisi norma rekan dan rasionalisasi, termasuk pembelaan “semua orang melakukannya” yang mengempis oleh sebuah norma yang jelas. Untuk mengetahui seberapa kuat dasar ini, lihat bukti literasi AI dan sepuluh temuan utama pendidikan AI bagi pengajar.

Apa yang salah dipahami pengajar tentang hal ini

Detektor adalah asuransi. Hitung apa yang ditanggung preminya: pada tingkat yang tidak dapat divalidasi Vanderbilt, 1% dari 75.000 pengumpulan per tahun adalah 750 mahasiswa salah label, dan studi 642 abstrak menunjukkan tanda-tanda itu mengelompok pada penyuntingan yang diizinkan.

Larangan menyelesaikan pertanyaan itu. Larangan yang ditulis dengan bahasa “penggunaan AI” menangkap transkripsi bersama penyusunan, yang berarti Anda mungkin memberi sanksi kepada mahasiswa karena mendiktekan kalimatnya sendiri (Wright, 2026). Larangan itu juga tidak memberi tahu apa pun tentang apa yang dapat dilakukan mahasiswa tersebut.

Kecurangan adalah masalah motivasi, jadi hukuman adalah alatnya. Motivasi itu nyata, dan ia bukan tuas dengan bukti terbaik. Desain ulang menempati Tingkat 1 karena tidak menuntut mahasiswa memilih dengan baik, dan model wilayah respons menyarankan merancang untuk mahasiswa yang paling tergoda menyembunyikan.

Jika saya mengizinkan AI, penyalahgunaan berhenti menjadi masalah saya. Izin tanpa pagar pengaman menghasilkan keuntungan latihan 48% dan kerugian ujian 17% dalam studi yang sama. Kembalikan pagar pengamannya dan kerugian itu hilang.

Mahasiswa sudah tahu di mana batasnya. 81% menerima panduan dan kurang dari separuhnya menilainya jelas. Angka 3% dan 2% mengatakan sebagian besar dari mereka tidak menghasilkan tugas utuh; angka 46% mengatakan mereka menebak-nebak tentang sisanya.

Kotak centang adalah deklarasi. Kotak centang mencatat bahwa seorang mahasiswa mengklik. Deklarasi bertahap memberi tahu apa yang mereka lakukan pada setiap langkah, dan itu satu-satunya versi yang membantu Anda atau mereka.

Apa yang akan kembali kepada Anda

“Saya tidak punya waktu merombak satu mata kuliah semester ini.” Jangan rombak mata kuliahnya. Rombak satu tugas: satu langkah tanpa bantuan, satu baris rubrik dengan poin. Itu perubahan dua jam, dan itulah perubahan yang disoroti tinjauan 72 studi.

“Pertahanan lisan mustahil dengan 300 mahasiswa.” Maka jangan jalankan 300 pertahanan lisan. Beri bobot pada komponen buku tertutup, wajibkan artefak proses, dan ambil sampel pemeriksaan lisan pada pengumpulan yang tampak tidak konsisten dengan pekerjaan sebelumnya. Tiga ratus mahasiswa tidak memerlukan 300 percakapan untuk mengubah kalkulasinya.

“Saya butuh sesuatu untuk ditunjukkan kepada kantor integritas.” Bukti proses lebih kuat daripada skor detektor, karena Munoz et al. menemukan bahwa kesempatan menjawab dan catatan mata kuliah itu sendiri adalah dasar berkasnya. Persentase yang ditandai hanyalah tuduhan. Penjelasan yang direkam adalah catatan.

“Mewajibkan deklarasi hanya membebani yang jujur.” Memang, jika deklarasi mengundang curiga. Jaga biaya kejujuran mendekati nol: tanpa hukuman bagi penggunaan yang dideklarasikan, dan deklarasi dibaca sebagai konteks. Model itu memprediksi penyembunyian justru ketika kejujuran menjadi mahal.

“Mahasiswa akan tetap memakai AI.” Mereka akan begitu, dan pertanyaan yang berguna adalah respons mana yang paling dimudahkan oleh tugas Anda. Di kelas ketika 65% melaporkan penggunaan dan 2% melaporkan menghasilkan draf utuh, sebagian besar lalu lintasnya adalah bantuan yang bisa Anda ajarkan, bukan kecurangan yang harus Anda tangkap.

“Memperketat aturan akan menangkap mahasiswa yang tidak bersalah.” Itulah mode kegagalan yang terdokumentasi, bukan hipotesis. Presisi adalah perlindungannya: sebutkan perbuatan yang dilarang, bukan alatnya.

Yang perlu dilakukan pekan ini

1. Tulis ulang klausul AI dalam tugas Anda yang paling diperdebatkan sehingga menyebut langkah spesifik dan perbuatan spesifik, dan buang rumusan menyeluruh.

2. Tambahkan satu langkah tanpa bantuan pada tugas itu dan beri bobot yang cukup agar berarti.

3. Masukkan artefak proses ke dalam rubrik dengan poin yang melekat, dan jelaskan seperti apa yang baik sama presisinya dengan penjelasan Anda tentang produknya.

4. Jika Anda mengizinkan tutor, periksa konfigurasinya pekan ini terhadap empat pengaturan di atas.

5. Beri tahu mahasiswa, secara tertulis, bahwa penggunaan yang dideklarasikan tidak akan dihukum, dan benarlah melakukannya.

Ke mana selanjutnya

Desain ulang asesmen di era AI adalah pendamping desain asesmen, dan tempat memulai jika pertanyaan Anda adalah bukti apa sebuah nilai. Haruskah kita memakai detektor AI menangani keputusan detektor secara langsung, kebijakan AI mata kuliah membahas rumusan yang benar-benar dibaca mahasiswa, dan reformasi skala asesmen AI menyediakan skema pelabelannya. Di sisi pengajaran, bukti literasi AI dan kerugian pembelajaran akibat penyalahgunaan AI membahas seberapa bernilai kerja literasi itu dan mengapa kerugiannya terjadi.