Academische integriteit

Automatische machinale vertaling van deze Engelse pagina, nog niet nagekeken door een moedertaalspreker.

Academische integriteit - het ethische kader dat eerlijk academisch werk in het AI-tijdperk beheerst. De kennisbank documenteert hoe het concept opnieuw is geformuleerd door generatieve AI: van een probleem van het opsporen van oneerlijke output naar een ontwerpprobleem van het zichtbaar, verifieerbaar en de moeite waard maken van eerlijk werk. Onderzoek naar academische integriteit op dit terrein is geëvolueerd van detectiegerichte benaderingen naar fundamenteel herontwerp van beoordeling, pedagogiegedreven governance en studenten leren hoe ze AI goed kunnen gebruiken in plaats van alleen te controleren of ze dat doen.

Vragen om over na te denken

• Denk aan de laatste keer dat u 'AI-fraude' hoorde bespreken. Ging het gesprek over het betrappen van studenten of over het ontwerpen van opdrachten die studenten eerlijk zouden willen maken? Welke nadruk voelt voor u vertrouwder, en waarom?
• Een gepolijst, aannemelijk stuk werk kan nu in seconden worden gegenereerd. Als u de bekwaamheid van een student niet meer kunt beoordelen aan het product dat hij inlevert, wat zou u dan moeten zien of horen om erop te vertrouwen dat hij het echt heeft geleerd?
• Onderzoek vindt dat studenten AI-gebruik vaak rationaliseren ('AI-tekst kopiëren is slachtofferloos') in plaats van het uit kwaadwilligheid te misbruiken. Welke aannames over de motieven van studenten maakt een puur punitief integriteitsbeleid - en wat zouden die aannames verkeerd kunnen hebben?
• Een onderzoekslijn behandelt het AI-gebruik van studenten als een coördinatieprobleem: gedrag verandert wanneer verwachtingen van medestudenten en beoordelingsprikkels veranderen, niet wanneer regels opnieuw worden herhaald. Welke factoren rond medestudenten of ontwerp in uw eigen context zouden stilletjes kunnen bepalen of AI-gebruik eerlijk is?
• Studies tonen dat angst voor straf studenten ertoe drijft AI-gebruik te verbergen, en dat transparante studenten zelfs verdenking kunnen wekken. Als u een formulier voor 'melding van AI-gebruik' zou ontwerpen, wat zou een student dan echt ertoe brengen het naar waarheid in te vullen?
• Hetzelfde institutionele AI-beleid wordt door studenten uit verschillende culturen anders geïnterpreteerd - cultuur, niet de formulering van het beleid, bepaalt wat als verkeerd voelt. Hoe moet een integriteitsbeleid worden gecommuniceerd naar een cultureel diverse cohort, zodat verwachtingen ook echt worden begrepen?

Inleiding

De komst van generatieve AI heeft de behoefte aan academische integriteit niet gecreëerd - ze heeft zwakheden in bestaande benaderingen moeilijker te negeren gemaakt. Een gepolijst, aannemelijk product kan nu in seconden worden gegenereerd, dus de gelijkenis van het product is een steeds onbetrouwbaarder signaal van bekwaamheid. Dit verschuift de integriteitsvraag van "kunnen we AI-gebruik betrappen?" naar "kunnen onze beoordelingen nog steeds de gevolgtrekkingen rechtvaardigen die we over het leren van studenten maken?"

De evolutie van detectie naar herontwerp

• Scepsis over detectie: onderzoek naar AI Detection en institutionele analyses vinden steeds vaker dat AI-detectietools onbetrouwbaar en procedureel oneerlijk zijn. Detectie van LLM-tekst stuit op fundamentele beperkingen. Volledig door AI gegenereerde inzendingen kunnen grotendeels ongedetecteerd door live examensystemen komen, en ervaren beoordelaars herkennen door GenAI geschreven werk niet betrouwbaar. Detectie is in het beste geval een beperkt, situationeel hulpmiddel - geen strategie van eerste keuze. Het volume dat er niettemin aan wordt toevertrouwd, is verre van marginaal: een analyse over zes jaar van een CS2-vak met grote inschrijving vond dat 45,7% van de studenten in het voorjaar van 2026 werd gemarkeerd voor patronen die passen bij LLM-ondersteund programmeren (Racovan et al. (2026)).
• De smalle marge van detectie, en fraude als gepland gedrag: Leaton Gray, Edsall en Parapadakis (2025) bundelen het argument dat AI een kwetsbaarheid versterkt die de sector al had. Door AI gegenereerde tekst is in tot 80% van de gevallen als door mensen geschreven doorgegaan, terwijl het bewijs dat zij aanhalen machinale detectie op ongeveer 80% plaatst tegen 78,4% voor menselijke beoordelaars - een te smalle marge om een vaststelling van wangedrag te dragen. Hun motivationele analyse is de meest onderscheidende bijdrage: uitgaand van Ajzens Theory of Planned Behavior en Bandura's zelfeffectiviteitstheorie rapporteren zij Krou et al.'s (2021) meta-analyse, die vindt dat Self-Efficacy negatief correleert met fraude, terwijl werkelijke bekwaamheid er helemaal niet omgekeerd mee correleert. Een capabele, zelfverzekerde student die een beoordeling als oneerlijk ervaart, kan dus frauderen om de controle terug te krijgen. De conclusie volgt dezelfde omkering die deze pagina elders documenteert - een beoordeling die een model overtuigend kan beantwoorden is een intellectueel triviale beoordeling, en de fout ligt bij de beoordeling en niet bij de student.
• Herontwerp van beoordeling: Authentic Assessment, benaderingen voorbij detectie en de AI Assessment Scale verschuiven de aandacht van het betrappen van AI-gebruik naar het ontwerpen van beoordelingen waarin AI-gebruik irrelevant, transparant of juist vereist is om een specifieke bekwaamheid aan te tonen.
• Structurele kwetsbaarheid van cijfergeving: Chan et al. leveren een concrete casestudy van hoe de huidige cijfergeving structureel blootstaat aan AI-gemedieerde oneerlijkheid. In een biologie-afdeling zagen docenten alleen fysieke afgenomen examens onder toezicht als minimaal kwetsbaar; opdrachten buiten de les werden als zeer kwetsbaar gezien, waardoor ongeveer een derde van het cijfer van een student zeer kwetsbaar was en 80% ten minste enigszins kwetsbaar. Dit kadert het integriteitsprobleem deels als een probleem van cijferontwerp, wat een herweging motiveert naar beoordeling onder toezicht of in de les en naar ontwerpen van authentieke beoordeling die moeilijker uit te besteden zijn. Ivory et al. (2026) leveren het disciplinebrede tegenhanger met een heel psychologieprogramma van drie jaar: 36 van de 40 beoordelingen, verdeeld over 16 typen, leverden met minimale inspanning voldoende inhoud op, en de vier die faalden waren juist die welke aanwezigheid, visuele media of de eigen dataset van de student vereisten. Hun lezing van waarom het slaagt is het deel dat generaliseert - een beoordeling die vlotte structuur en een goede trouw gebruik van de juiste analyse beloont, gedoogt verzonnen waarden en gehallucineerde referenties, zodat de slaaggrens en niet de detectie bepaalt of AI-output als prestatie wordt beoordeeld, en de kwetsbaarheid van de beoordeling "niet uitsluitend aan het gebruik door studenten kan worden verweten."
• De inzending als aanvalsoppervlak: promptinjectie tegen AI-beoordeling. Humble (2026) doet een red-team-oefening op een alledaagse beoordelingsworkflow en toont aan dat een inzending van een student verborgen instructies kan bevatten die het cijfer veranderen dat een AI-tool produceert: twee van de vijf indirecte injectiestrategieën die in het inzendingsbestand waren ingebed, verhoogden een onvoldoende essay naar een voldoende zonder zichtbare waarschuwing aan de gebruiker, met gerapporteerde aanvalssuccessen van 100% (9/9) en 94% (17/18), beide door een combinatie van instructiemanipulatie, rollenspel en obfuscatie in docx-, pdf- en htm-formaten. De meest basale aanval faalde volledig, en de weigering verliep stil - de tool schakelde de chat uit zonder de poging te melden - terwijl een enkele gedetecteerde injectie een geruststelling opleverde dat de tool "alleen volgens de officiële opdrachtinstructies" zou beoordelen, waarna zes verdere runs van hetzelfde bestand het cijfer alsnog verhoogden. De integriteitsconsequentie werkt in beide richtingen: een cijfer dat door een verborgen instructie is verhoogd, draagt geen enkele aanspraak op validiteit, dezelfde techniek zou kunnen worden gebruikt om een inzending te verlagen zonder duurzaam spoor in de output, en de menselijke beoordelaar blijft als enige echte controle op manipulatie die is ontworpen om niet zichtbaar te zijn.
• Validiteit als ordenend kader: Assessment Validity herformuleert integriteit als een bewijsprobleem. Onderzoek naar authentieke beoordeling introduceert constructsubstitutie - een door AI gegenereerd product wordt aan de student toegeschreven, zodat de beoordeling de bekwaamheid van de tool afleidt en niet die van de student. De bewijsvraag overleeft elk AI-beleid: of gebruik nu verboden, toegestaan of vereist is, de beoordeling moet nog steeds bewijs opleveren dat de gevolgtrekking rechtvaardigt.
• Variatie op schaal als integriteitsmechanisme zonder toezicht: VARIA (Lee 2026) nemen de premisse achter AI-Integrated Authentic Assessment (AIAA) onder de loep met een Benchmark - surveillancegebaseerd toezicht vervangen door taakvariatie per student, zodat kopiëren structureel nutteloos wordt. De integriteitsgarantie is voorwaardelijk: LLM's moeten varianten genereren die oppervlakkig verschillend en constructequivalent zijn. VARIA's pilot met 600 varianten vindt dat frontiermodellen hier alleen marginaal aan voldoen (gezamenlijke score 0,81-0,88), terwijl niet-frontiermodellen instorten (0,50-0,55), zodat "variatie op schaal niet alleen met prompting kan worden opgelost." Dit geeft het debat detectie-tegen-herontwerp een empirische, falsifieerbare toets: de belofte van authenticiteit zonder toezicht via taakvariatie hangt nu af van een gemeten (en nog steeds smalle) generatiecapaciteit in plaats van een veronderstelde.
• Het authentiek maken van reflectie van studenten tegenover GenAI: Kadel et al. (2026) stellen dat traditionele reflectiemodellen de reflectie van studenten niet langer kunnen authentiseren zodra GenAI reflectieve prose kan schrijven, en bouwen integriteit direct in een reflectiemodel in - de Pitfalls-fase van het 5P-kader behandelt expliciet plagiaat, hallucinatie en overafhankelijkheid, terwijl de fasen Process en Product vereisen dat prompts worden gedocumenteerd en outputs gevalideerd, zodat het eigen redeneren van Learners te onderscheiden is van door AI gegenereerde bijdragen.
• Beleidsontwikkeling: Institutioneel AI-beleid en onderzoek naar Educational AI Policy onderzoeken hoe universiteiten integriteitsverwachtingen ontwikkelen en communiceren - en waarom abstracte beleidsverklaringen zo vaak falen.
• Integriteit als governanceprobleem, niet als detectieprobleem. Coates, Croucher en Calderon (2025) verplaatsen de bindende beperking van het gedrag van studenten naar academische AI Governance, die zij veerkrachtig noemen maar "niet goed gepositioneerd of toegerust" om GenAI-gerelateerde bedreigingen voor de authenticatie van studentenbeoordeling het hoofd te bieden. Hun antwoord is een kader van integriteitsindicatoren met 130 items over acht dimensies, van Ontwerpen (19 items) tot Verbeteren (6), bestaande uit governancevragen in plaats van psychometrische schalen - of de hoogste raad van de instelling updates over beoordelingskwaliteit ontvangt, welk percentage van de beoordeling lijkt op relevante en betekenisvolle problemen, welk percentage van de studenten individueel bekend is bij de docenten die hen beoordelen. Het werd ontwikkeld via een meerjarige onderzoeksreview, vijf casestudy's bij Australische universiteiten, prototyping, expertbevestiging met 60 uitgenodigde experts uit zes wereldregio's en kwantitatieve piloting, en het gaat vergezeld van hervormingen van governancearchitecturen, mensen en technologieën en middelen waarvan de auteurs verwachten dat ze pas renderen onder externe druk van AI Regulation in Education, benchmarking en concurrentie tussen instellingen; zij presenteren het kader als formatief en vragen om psychometrische validatie voordat het voor vergelijking of meting wordt gebruikt.
• Wat de documenten werkelijk zeggen: integriteit domineert het institutionele AI-beleid. Eldredge et al. (2026) analyseerden de AI-beleids- en begeleidingsdocumenten van alle 48 door CAHIIM geaccrediteerde masteropleidingen health informatics en health information management in de VS: 40 (83%) hadden ten minste één kwalificerend document, en die documenten kadruiden AI overweldigend als een kwestie van het voorkomen van misbruik door studenten in cursuswerk, met de nadruk op academische integriteit en aanvaardbaar gebruik. Academische integriteit was veruit het meest voorkomende trefwoord (n = 139, vóór citatie met 59, beoordeling met 50 en plagiaat met 38), terwijl privacy, intellectueel eigendom en regelgevende thema's aanwezig maar minder vaak voorkomend waren (HIPAA n = 5, FERPA n = 11, IRB-begeleiding n = 8). Topicmodellering over hetzelfde corpus leverde vier thema's op, waarvan het eerste academische integriteit en passend AI-gebruik was, naast generatieve AI in het onderwijs, AI- en datatoolgebruik in onderzoek, en betrokkenheid van studenten bij conversationele AI-systemen. De bewijswaarde voor deze pagina is de kwantificering: een integriteitsgerichte framing is niet alleen de retorische standaard van institutioneel AI-beleid, zij is er empirisch de dominante inhoud van. De scherpste observatie van de auteurs betreft waar die aandacht ophoudt: zij merken op dat betrekkelijk weinig begeleiding AI-gebruik in toegepast leren, onderzoek en gesimuleerde omgevingen dekt, waar curriculum- en datagovernancekwesties elkaar kruisen, zodat de documenten het cursuswerk regelen terwijl de situaties waarvoor de opleiding studenten klaarstoomt grotendeels onbehandeld blijven.
• Integriteitsframing maakt plaats voor regulering per taaktype: Chirikov's (2026) longitudinale studie van meer dan 31.000 cursusbeschrijvingen toont dat AI-beleid van docenten verschuift van een puur op integriteit gebaseerd kader: vermeldingen van academische integriteit in cursusbeschrijvingen daalden van 63% (voorjaar 2023) naar 49% (najaar 2025), terwijl verwijzingen naar de invloed van AI op leren stegen van 1% naar 29%. Docenten reguleren AI steeds vaker per taaktype - beperkend voor het schrijven van concepten en redeneren (waar AI het leren zou verdringen) en toestemmend voor redigeren, proeflezen en studieondersteuning - in plaats van een algemeen integriteitsverbod toe te passen. Dit herformuleert integriteitsbeleid als een ontwerpbeslissing op taakniveau in plaats van een binaire regel.
• Machinale weerstand als preventie, niet als detectie. Het verstoren van het document zelf - teken-, woord- en regelafstand, variatie in dekking, streepoverlays en beeldruis, plus beslissingsgebaseerde adversariële aanvallen - verhoogt de inspanning die nodig is voor laag-inspanning LLM-misbruik aan de bron, terwijl dezelfde kennis wordt gemeten (Salaun et al. (2026)). Handmatig overtypen blijft mogelijk, en adversariële aanvallen beschermen alleen geselecteerde regels, waardoor de tekenfout over het hele document onder 8,44% blijft.

De wangedragprocedure en haar bewijskundige instorting

De handhavingsmachinerie bovenop het integriteitsbeleid is zelf een ontwerpbeslissing, en generatieve AI heeft haar bewijskundige fundament ontmanteld. Teichmann (2026) betoogt dat de wangedragprocedure die universiteiten van plagiaat hebben overgenomen, veronderstelt dat verboden gebruik kan worden gedetecteerd en bewezen - een premisse die de technologie oplost. Anders dan tekstvergelijktingssoftware, die naar een gekopieerde bron wijst, identificeert een AI-tekstclassificator geen bron (er bestaat er geen); hij levert een probabilistisch oordeel over stijl dat achteruitgaat bij parafraseren, systematisch schrijfwerk van niet-moedertaalsprekers verkeerd labelt, en niet kan worden uitgelegd of ondervraagd, terwijl vakkundig of licht bewerkt gebruik helemaal geen spoor achterlaat. Toch doorgaan keert de bewijslast om (de student wordt gevraagd een negatief te bewijzen), belast elk element van procedurele rechtvaardigheid, en laat de schade van een valse beschuldiging het zwaarst neerkomen op wie toch al benadeeld is. De voorgestelde remedie is tweeledig: een bewijsstandaard waarbij een detectorscore alleen nooit een bevinding grondvest, met gedifferentieerde, onderwijs-eerst-reacties, en een verschuiving van institutionele inspanning naar validiteitsgericht en authentiek beoordelingsontwerp - het antwoord op ondetecteerbare AI is betere beoordeling in plaats van beter toezicht. Het grensgeval heeft helemaal geen machinerie: Isley, Gaebler en Goel (2026) documenteren een Amerikaanse masteropleiding public policy die generatieve AI-hulp verbood in een ondertekende verklaring en geen enkele inzending screende, waarbij 56,1% van de aanvragers van 2025 ten minste één essay indiende dat een commerciële detector als hoofdzakelijk AI-geschreven classificeerde en elk gemarkeerd essay samenhang met een 1,5 procentpunt lagere toelatingskans (p < .01), oplopend tot 2,6 punt (p < .001) zodra de kwaliteit van het essay constant werd gehouden. Zonder enige stap van detectie, beoordeling of handhaving tussen de regel en de uitkomst werd de straf volledig uitgedeeld via het ongeschreven oordeel van de toelatingslezers - een verbod plus een hulploze lezersblik die de discretionaire, onverklaarde sanctie reproduceert die een eerlijke procedure juist moet voorkomen.

Munoz et al. (2026) leveren de empirische tegenhanger door elke GenAI-wangedragzaak bij één regionale Australische universiteit over drie jaar te coderen: 1.162 zaken met 1.855 bewijsitems, elk beoordeeld op relevantie, geloofwaardigheid en bewijskracht. Detectoroutput was het bewijs waarnaar het meest werd gegrepen en dat het minst gewicht kon dragen - Turnitin- of gelijkenisrapporten droegen 100% zwakke bewijskracht en op zichzelf staande detectoroutput 100% lage geloofwaardigheid, en detectorbewijs zakte naar 0,5% van de items in 2025 toen instellingen verwerkten wat het niet kon bewijzen - terwijl de sterkste bewijstypen juist die waren die niet op probabilistische tekstclassificatie rusten: toelatingsgegevens van studenten, waargenomen verboden examengedrag en onafhankelijk geverifieerde verzonnen referenties, dat laatste de grootste structurele verschuiving met 22,3% van de items. Hun scherpste kritiek is structureel in plaats van bewijskundig, want "er is geen vereiste dat onderzoekers de bewijskwaliteit beoordelen voordat een beschuldiging wordt voortgezet, geen minimale bewijsdrempel in enige fase van de pijplijn", zodat de kwaliteit van het bewijs geen betrouwbare relatie had met de uitkomsten van zaken. Zij registreren ook hoe het beleid de praktijk inhalade: het beoordelingsbeleid dat tot en met 2024 van kracht was, zei niets over AI, en vanaf januari 2025 stond een herzien beleid goedgekeurde authenticiteitsoftware toe terwijl het uploaden van studentenwerk naar AI-detectietools van derden werd verboden.

Een tweede falen betreft de reikwijdte in plaats van het bewijs. Wright (2026) toont aan dat verboden die zijn geschreven op het niveau van platformidentiteit in plaats van functie, niet-generatieve formaatconversie meepakken - spraak-naar-tekst-transcriptie, OCR, platte tekst naar LATEX - naast het generatieve schrijven dat ze willen weren, ook al behandelt de peer-reviewed informaticalliteratuur herkenning en generatie als verschillende bewerkingen. De kosten vallen ongelijk: studenten met aandoeningen die de fijne motoriek, leesbaarheid van handschrift of nauwkeurigheid van typen beïnvloeden, hebben juist op die tools vertrouwd, en naarmate losse spraak-naar-tekstproducten worden stopgezet of verslechterd, vult AI-aangedreven transcriptie de functionele leemte, zodat een te ruimverbod een primair middel om leesbaar werk te produceren wegneemt en het geschil een kwestie van Accessibility en gelijkwaardigheid maakt voordat het een integriteitskwestie is. Wrights remedie is een functiegebaseerde definitie van generatieve AI plus vier operationele criteria - getrouwheid, non-augmentatie, traceerbaarheid en attestatie - die een student een gestructureerde route geven om een beschuldiging van louter transcriptie te weerleggen, terwijl de bewijslast bij de instelling blijft.

Het bewijsprobleem van detectie is ook een validiteitsprobleem. Omdat AI-hulp iteratief en verweven is met het schrijven in plaats van in zijn geheel uitbesteed, raken auteurschap en eigenaarschap van betekenis los van elkaar, en een degelijk ingeleverd product bewijst mogelijk niet dat de student het oordeel heeft geoefend waarop de taak was gericht. Detectorprestaties variëren per taak, discipline en modelversie, en gemeld of vermoed AI-gebruik kan als vertekenende aanwijzing werken voor beoordelaars, zodat een detectierespons construct-irrelevante variantie toevoegt in plaats van wegneemt. Waar integriteitsdebatten vragen wie de woorden heeft geproduceerd, vraagt een validiteitsbenadering welke aanspraak over de student de prestatie rechtvaardigt.

Het rationaliseringsprobleem

Studenten misbruiken AI over het algemeen niet uit kwaadwilligheid; ze rationaliseren het. Interviewonderzoek identificeert ten minste vijf breukpunten waar de interpretatie van AI-beleid door studenten afwijkt van de bedoeling van docenten, en een taxonomie van meer dan 20 verschillende rationalisaties - van "AI-tekst kopiëren is slachtofferloos" tot "tekst die mijn overtuigingen weergeeft is mijn eigen schrijfwerk." Deze rationalisaties zijn ad hoc, post hoc en innerlijk inconsistent, en ze beschrijven een "steile, ethische helling" waarop studenten ver buiten pedagogische doelen glijden. Daarom zijn misvattingen van studenten over AI de stroomopwaartse oorzaak van integriteitsschendingen, en daarom moet integriteitsonderwijs ethisch redeneren behandelen en niet alleen technische vaardigheid.

Ji's (2026) scopingreview van 38 empirische studies naar de stem van studenten levert de synthese waarop deze paragraaf rust. De vier thema's zijn ambiguïteit (een hele taak genereren geldt als fraude, grammaticacontrole en brainstormen zijn grotendeels aanvaardbaar, en parafraseren, schetsen en vertalen zitten in een grijs gebied), ethische Learner Agency waarbij studenten persoonlijke regels bouwen in een begeleidingsvacuüm dat zij lezen als een stilzwijgende goedkeuring van hun handelen, de kloof tussen ethisch bewustzijn en praktijk, en diversiteit naar geslacht, niveau, discipline en cultuur. De kloof tussen bewustzijn en praktijk is het rationaliseringsprobleem op schaal gemeten: Huang et al.'s Ethical Dissonance Index verdeelde 522 Chinese studenten in vier clusters, waarvan één vaak deed wat het zelf als onrechtmatig beschouwde, en Ofem et al.'s structural-equation-modeling van 4.679 Nigeriaanse studenten vond dat positieve percepties van ChatGPT oneerlijk gebruik voorspelden, terwijl positieve integriteitshoudingen als significant negatieve mediator werkten. Ji leest studenten als noch passieve ontvangers van GenAI noch daders zonder morele beperking, maar als actieve actoren die een ethische grijze zone navigeren, en daarom komen de besproken studies uit op co-gecreëerde, educatieve en contextsensitieve reacties in plaats van punitieve.

Waarom beleid alleen faalt: het coördinatieprobleem

Een coördinatiespelkader biedt een verklaring op mechanismeniveau voor waarom beleidsverklaringen gedrag zelden veranderen: het AI-gebruik van studenten is een coördinatieprobleem, waarbij individuele keuzes afhangen van verwachtingen van medestudenten en van beoordelingsontwerp. De centrale bevinding van het model is niet-lineaire drempeldynamiek - kleine, goed gekalibreerde veranderingen in prikkels voor reflectieve beoordeling kunnen snelle verschuivingen in het hele cohort naar verantwoord gebruik veroorzaken, terwijl zwakke of slecht afgestemde prikkels opportunistische praktijken laten voortbestaan. Praktisch gezien kan bescheiden herontwerp (bijvoorbeeld studenten vragen te reflecteren op hun AI-interacties) onevenredig grote effecten hebben waar abstracte regels er geen hebben.

Verantwoording onder medestudenten wijst niet altijd richting integriteit, zoals Chen en Zou (2026) vonden in beoordeelde groepsbeoordeling: zeven van de vijftien studentengroepen verminderden opzettelijk hun GenAI-gebruik, deels om niet te profiteren van groepsgenoten, omdat groepsconsequenties gedeeld werden in plaats van op zichzelf staand, maar in vijf groepen verlaagde een permissief collectief klimaat - "iedereen in mijn groep gebruikt GenAI" - het waargenomen risico op misbruik en keerde het juist het verantwoordingsmechanisme om dat groepswerk zou moeten creëren. Dezelfde studie vond dat studenten originaliteit herformuleerden als trouw aan het begrip dat hun medestudenten samen opbouwden, en haar praktische aanbeveling volgt direct daaruit: maak de onderhandeling over aanvaardbaar AI-gebruik een expliciete, gedocumenteerde en beoordeelbare uitkomst in plaats van de norm te laten ontstaan uit groepsdruk of waargenomen risico.

Beleidsinconsistentie binnen de instelling leidde precies tot het gissen dat het coördinatieverhaal voorspelt. Negen van de elf geïnterviewden bij Zou et al. (2026) zagen de expliciete toestemming van hun eigen vak voor generatieve AI als een mogelijke "val" - een lokaas om studenten te identificeren die geen weerstand konden bieden - ook al was het beleid open en in de beoordelingsrichtlijnen opgenomen; studenten generaliseerden vanuit verboden en waarschuwingen die ze elders waren tegengekomen in plaats van de regels van hun eigen vak op hun eigen merites te lezen. De conclusie van de auteurs volgt het mechanisme en niet de formulering: duidelijkheid per vak was niet genoeg, en consistentie op opleidings- of instellingsniveau is nodig zodat studenten ophouden bedoelingen af te leiden uit de omringende cultuur.

Identiek gedrag, verschillende verdicts - en meldingen die niets veranderen. Poudyal (2026) paste 15 gestandaardiseerde vignetten toe op de beleidsomgevingen van 20 Australische universiteiten en produceerde 300 classificaties: 120 (40,0%) duidelijk verboden, 56 (18,7%) onbepaald, en geen enkele duidelijk toegestaan, terwijl bindende instrumenten in 100 combinaties zwegen over generatieve AI die begeleiding in 88 gevallen oploste. Melding bepaalde de uitkomsten niet - dezelfde meldingsstatus leidde tot verschillende classificaties afhankelijk van toestemmingsregels en taakinstructies, en het meldingsveld registreerde 117 nagekomen vereisten en 80 valse verklaringen.

Procedures doen er net zo veel toe als beleid, en hun bewijsbasis is voor AI ingestort. Teichmann (2026) betoogt dat de wangedragprocedure die universiteiten van plagiaat hebben overgenomen, rust op een premisse die generatieve AI heeft ontmanteld: dat verboden gebruik kan worden gedetecteerd en bewezen. Anders dan tekstvergelijktingssoftware, die naar een gekopieerde bron kan wijzen, identificeren AI-tekstclassificatoren geen bron omdat er geen bestaat - zij leveren een probabilistisch oordeel over stijl dat achteruitgaat bij parafraseren, niet-moedertaalsprekers systematisch verkeerd classificeert, en niet kan worden uitgelegd of ondervraagd, terwijl vakkundig of licht bewerkt gebruik helemaal geen spoor achterlaat. Toch doorgaan keert de bewijslast om (de student wordt gevraagd een negatief te bewijzen), belast elk element van procedurele rechtvaardigheid, en laat de schade van een valse beschuldiging het zwaarst neerkomen op wie toch al benadeeld is. De voorgestelde remedie is tweeledig: publiceer een bewijsstandaard waarbij detectoroutput alleen nooit een bevinding grondvest, met gedifferentieerde onderwijs-eerst-reacties, en verplaats institutionele inspanning naar validiteitsgericht en authentiek beoordelingsontwerp. Mohamed en Temimi (2026) leveren het mechanisme tegenhanger van de kant van de student: omdat elke beoordelingsomgeving sommige reacties aantrekkelijker maakt, laat een verbod verberging aantrekkelijk wanneer verificatie dun is, maakt monitoring verborgen gebruik duurder zonder melding veilig te maken, en alleen herontwerp - het verlagen van de opbrengst van uitbesteden terwijl de waarde van zichtbaar redeneren stijgt - beweegt studenten naar verantwoord gebruik. Hun scherpste resultaat is dat afschrikking verloopt via het onderscheidend vermogen van een detector tussen verborgen gebruik en legitiem werk, en niet via de trefkans, zodat wanneer valse positieven sneller stijgen dan terechte positieven, sterker toezicht verberging relatief aantrekkelijker kan maken.

• Integriteitsplicht kan worden herschreven als individuele competentie. Over 366 abstracts over GenAI in het hoger onderwijs komt het woord integriteit 461 keer voor, maar slechts 6 van de 166 uitdrukkingen van verplichting noemen studenten, zodat verificatie en melding naar voren komen als vaardigheden waarvan wordt verwacht dat studenten ze hebben, in plaats van verplichtingen die instellingen handhaven (Poudyal, 2026).

• Hoe voorschrijvend een integriteitsbeleid is, verraadt niet hoe blootgesteld de beoordeling is. Bij het auditen van 15.587 vakrecords vond Villanueva (2026) dat universiteiten met instellingsbrede hervormingsmandaten en die met brede kaders over dezelfde bandbreedte van beoordelingsblootstelling waren verdeeld - de empirische tegenhanger van het coördinatiespelverhaal over waarom verklaringen gedrag zelden veranderen.

De socio-emotionele dimensie

Handhaving van integriteit heeft een verwaarloosde emotionele prijs. Onderzoek naar schaamte en schuld onder studenten toont dat deze emoties bepalen wanneer en hoe AI-gebruik zichtbaar wordt, wat verbergingsgedrag en selectieve openbaarmaking oplevert - en dat ze samengaan met voortgezet gebruik, wat cycli van verminderde agency en morele spanning oplevert in plaats van gedragsverandering. Daarom reguleren de normen rond AI-gebruik de zichtbaarheid effectiever dan het gebruik zelf. Studenten beschrijven hun AI-gebruik zelfs in de taal van verslaving. De implicatie: een detectie- en surveillancezwaar beleid riskeert misbruik ondergronds te drijven in plaats van het aan te pakken, en ondermijnt de open onderhandeling die productief gebruik vereist.

De keerzijde van verbergen is afzien, en dat draagt zijn eigen emotionele prijs. Van de 85 student-leraren die Zou et al. (2026) ondervroegen onder een beoordelingsbeleid dat generatieve AI uitdrukkelijk toestond, koos 62,4% (53) ervoor het helemaal niet te gebruiken, en het gebruik van degenen die het wel gebruikten was oppervlakkig en corrigerend - proeflezen (43,8%) en controle op duidelijkheid (34,4%) overtroffen tekstgeneratie (18,8%) en brainstormen (12,5%) ruim. Angst voor een valse beschuldiging, niet technische moeilijkheid, deed veel van het werk: 41,5% van de niet-gebruikers noemde die angst, tegen 13,2% die ontbrekende kennis of vaardigheden aanvoerde, terwijl 77,4% niet-gebruik eenvoudigweg kadruide als een voorkeur om alleen te werken. Wanneer een permissief beleid als val wordt gelezen, is de veilige reactie het aanbod weigeren - wat de instelling het AI-geïntegreerde werk kost dat zij probeerde uit te nodigen.

Verklaringen over AI-gebruik

Verklaringen over AI-gebruik en openbaarmaking zijn het concrete mechanisme waarmee integriteitsverwachtingen worden geoperationaliseerd - en het onderzoek toont dat ze vaak falen wanneer ze als neutrale complianceformulieren worden behandeld. Gonsalves (2025) vond dat 74% van de studenten naliet AI-gebruik te verklaren op een verplicht voorblad bij cursuswerk, gedreven door angst voor sancties, onduidelijkheid in de richtlijnen, inconsistente handhaving en groepsnormen. Kirsanov et al. (2026) en Vetter et al. (2026) bevestigen dat angst voor vergelding en onduidelijk beleid openbaarmaking afremmen - en dat transparante studenten zelfs verdenking kunnen wekken. Chang et al. (2026) herformuleren openbaarmaking als een Help-Seeking/zelfreguleringsgedrag dat angst afleidt naar medestudenten. De gezamenlijke les: meldingsbeleid moet de affectieve en sociale drempels aanpakken, duidelijk en consistent zijn, en openbaarmaking behandelen als formatieve pedagogie in plaats van toezicht. Luo & Dawson (2026) voegen de docentkant van de vergelijking toe: het beoordelen van GenAI-ondersteund werk door docenten wordt gedreven door waardeoordelen over eerlijkheid, ijver en vertrouwen van studenten, en veel docenten bestraffen (of zijn geneigd te bestraffen) studenten die GenAI-gebruik melden - zelfs wanneer de kwaliteit van het werk sterk is. Dit is het probleem van "tweerichtings-transparantie": van studenten wordt verwacht dat zij gebruik melden, maar docenten verduidelijken zelden hoe die melding het cijfer beïnvloedt, zodat eerlijke openbaarmaking een onuitgesproken beoordelingsstraf kan dragen. De studie verankert het meldingsprobleem in de waarde-geladen realiteit van docentbeoordeling en betoogt dat transparantie in beide richtingen moet lopen.

De eigen rapportages van studenten kwantificeren hoe slecht die boodschap aankomt. In een enquête onder 504 sociologiestudenten zei 81 procent dat hun docenten of assistenten begeleiding over AI-gebruik hadden gegeven, maar slechts 46 procent noemde die instructies zeer duidelijk; 19 procent meldde helemaal geen begeleiding te hebben ontvangen en de rest beschreef die als hooguit enigszins duidelijk (Kuznetsov, Sheely & Baker, 2026). Angst om een academische overtreding te begaan was de op een na meest genoemde zorg van studenten (28 procent) - een prijs die door ambiguïteit wordt opgelegd in plaats van door handhaving, aangezien slechts 3 procent meldde GenAI te gebruiken om opdrachttekst te genereren en 2 procent om een volledig concept te produceren. De praktische implicatie is dat duidelijkheid van communicatie zelf een integriteitsmechanisme is, en dat een student die niet kan vaststellen wat is toegestaan een risico draagt dat de instelling nooit heeft bedoeld op te leggen.

Toestemming op vakniveau lost het meldingsdilemma evenmin op. In Zou et al.'s (2026) studie onder 85 student-leraren wier beoordelingen generatieve AI uitdrukkelijk toestonden, bedroegen de zelfverklaringen 28 gebruikers tegen 32 in de anonieme enquête, en de twee bronnen verschilden in tegengestelde richtingen per vak - vak A registreerde 14 enquêtegebruikers maar slechts 8 verklaringen, terwijl vak C het patroon omkeerde (8 enquête, 12 verklaringen). De auteurs lezen de divergentie als het effect van beoordeelde consequenties op wat studenten bereid waren zichtbaar te maken, en voegen daarmee bewijs uit de lerarenopleiding toe dat een verklaringssysteem evenzeer meldingsgedrag meet als gebruik.

Culturele en contextuele variatie

Beleidstekst is niet gelijk aan beleidsperceptie. Crossnationaal onderzoek vond dat, ondanks functioneel identieke institutionele beleidsregels, studenten aan verschillende universiteiten dezelfde AI-ondersteunde praktijken anders beoordeelden - cultuur, niet de formulering van het beleid, dreef de waargenomen onjuistheid. Beleidsharmonisatie levert geen perceptieharmonisatie op, dus cultureel diverse cohorten interpreteren dezelfde regels anders, een gelijkwaardigheidskwestie voor handhaving en beoordeling die pleit voor scenariogebaseerde verduidelijking boven abstracte regelverklaringen.

Taalachtergrond in plaats van cultuur is een tweede variatieas. Li (2026) betoogt dat, omdat dezelfde interface zowel toegestaan taalredigeren als verboden inhoudelijk schrijven uitvoert, integriteitsregels die GenAI als één categorie ongeoorloofde hulp behandelen taalachterstand omzetten in integriteitsrisico: een algeheel verbod neemt een schaalbare vorm van taalondersteuning weg, een regime van toestaan-maar-melden legt compliancewerk bij EAL-studenten wier gebruik frequenter en iteratiever is, en verboden op redigeren verder dan kleine wijzigingen concentreren verdenking op schrijvers wier vlotheid het meest is verschoven. De grens die Li voorstelt is op doel gebaseerd in plaats van op tool - toegestane ondersteuning voegt geen nieuwe ideeën, geen nieuwe bronnen en geen materiële herordening van de analyse toe, terwijl substitutie het intellectuele werk dat wordt beoordeeld creëert of materieel hervormt - en zij is verankerd in het beoordelingsconstruct, omdat rubrieken die punten geven voor vlotheid en idiomatische expressie construct-irrelevante variantie introduceren voor EAL-schrijvers (Assessment Validity). Het kader degradeert de output van detectie tot een triagesignaal dat zelden bewijs vormt, en verkiest triangulatie via gefaseerde inzendingen, versiegeschiedenissen van concepten, verifieerbare bronpaden en een kort constructgerelateerd gesprek, en het kalibreert openbaarmaking zodat routinematige ondersteuning geen compliancekosten met zich meebrengt die die van eentalige medestudenten overstijgen.

Van handhaving naar pedagogie

De kennisbank documenteert een paradigmaverschuiving: van AI als een te bestrijden integriteitsbedreiging naar AI als een tool waarvan passend gebruik moet worden onderwezen. Dit is de ethische dimensie van AI-geletterdheid en zij is belichaamd in concreet ontwerp:

• Taakspecifieke verklaringen van AI-gebruik: Domeinspecifieke verklaringskaders vervangen generieke selectievakjes "ik heb AI gebruikt" door gestructureerde verklaringen die gebruik aan cognitieve fasen koppelen (bijvoorbeeld structurele planning versus inhoudsgeneratie), wat reflectie afdwingt en de aandacht verschuift van handhaving naar professionele praktijk.

• Proces transparant beoordelen: architecturen zoals cognitief rentmeesterschap, gefaseerde inzendingen, mondelinge verdedigingen en de AI Viva (een conversationele agent die onderzoekt of studenten hun inzendingen begrijpen) maken menselijk oordeel, verificatie en verantwoordelijkheid zichtbaar. Miles, Haber-Curran en Arar (2026) duwen dezelfde logica door tot in de prompt zelf: hun voorbeeldrubriek beoordeelt iteratieve verfijning, kritische interpretatie van output en reflectieve revisie, zodat wordt beoordeeld hoe de student met de tool omgaat in plaats van het artefact dat die opleverde, en zij betogen dat studenten alleen leren om output te optimaliseren de ethische en epistemologische dimensies van gebruik onaangeroerd laat.

• Misbruik verminderen: integriteit staat naast AI Misuse and Learning Harm (de leerkosten van misbruik) en AI-misbruik verminderen (de interventies die het voorkomen), en verbindt eerlijkheid met echt leren in plaats van met het volgen van regels.

• Transparantie als integriteitsstrategie, niet alleen als beleefdheid: McCorkle's (2025) ontwerpcase behandelt de rationale voor elk toegestaan of niet toegestaan GenAI-gebruik als het integriteitsmechanisme zelf. Studenten die na het negeren van een verbod werden geïnterviewd, legden uit dat zij zichzelf niet als oneerlijk beschouwden, wat het falen herformuleert als ambiguïteit in plaats van niet-naleving - dus beantwoordde het herontwerp dat door elke beperking te rechtvaardigen met de specifieke Assessment die zij beschermt, en door te ontwerpen voor McCabe's "20-60-20" overtuigbare midden in plaats van de vastberaden enkelen. De case benoemt ook de gelijkwaardigheidsprijs van vaag beleid: verwachtingen die onduidelijk en ongelijk zijn tussen docenten, zijn wat beleidsfalen omzet in disciplinaire maatregelen (Equity).

• Ontwerp, niet detectie: de Bochum-case. Het herontwerp van de inleidende natuurkunde over nucleaire en deeltjesfysica aan de Ruhr-Universität Bochum (Mikhasenko et al., 2026) koppelde haar AI-beleid aan een praktisch integriteitsfalen in plaats van aan detectie: omdat werkcollegeopgaven vooraf werden gedeeld, bereidden sommige studenten AI-gegenereerde oplossingen voor en schreven die op het bord zonder zich in te laten met de bedoelde redenering. De auteurs behandelen dit als een ontwerpprobleem - werkcollegeopgaven verplaatsen naar voorbereide discussie in de les en een schriftelijk examen de cijferbepalende factor maken - in plaats van als een handhavingsprobleem, terwijl zij AI bij het studeren uitdrukkelijk toestaan, uitleggen waarom verificatie de verantwoordelijkheid van de student is, en opmerken dat open AI-toegestane huiswerkopgaven ook de afhankelijkheid, de ongelijke toegang tot betaalde modellen en de werklast van assistenten deden stijgen.

De duidelijkste formulering van de pedagogische omkering komt van El Khoury en Ma (2026), die betogen dat hervorming die van wantrouwen vertrekt de onderwijsimaginatie vernauwt tot controle, compliance en toezicht, en dat integriteit een gevolg zou moeten zijn van beoordeling die op betrokkenheid is ontworpen in plaats van het uitgangspunt daarvan. Hun ondersteunende observatie is een mechanisme dat elders in deze kennisbank al zichtbaar is: desbetrokkenheid is een van de omstandigheden waarin oneerlijkheid waarschijnlijker wordt, dus agenda's die beoordelingen stresstesten of AI-gebruik beperken zonder betrokkenheid aan te pakken, laten een deel van het probleem ongemoeid.

Studenten buiten het Angelsaksische hoger onderwijs beschrijven dezelfde spanning in hun eigen termen. Mulisa en Mezgebu (2026) interviewden 27 studenten aan een Ethiopische universiteit en vonden de studentenpopulatie in zichzelf verdeeld: bijna allen gebruikten GenAI of zagen medestudenten het gebruiken, de meesten schreven er verbeterde academische prestaties aan toe, een kleine minderheid noemde zulk gebruik ronduit wangedrag, en bijna iedereen beschreef een ongelijk speelveld waarin AI-ondersteund werk betere cijfers opleverde dan eerlijke inspanning terwijl zelfstandige werkers hun gevoel van toewijding verloren. Het scherpste kenmerk van het verslag is de definitie van plagiaat door de studenten, die technisch verdedigbaar en onvolledig is - als plagiaat betekent dat je andermans woorden reproduceert, is een machinaal geschreven tekst die niets kopieert geen plagiaat - en daarom betogen de auteurs dat de definitie zich moet uitbreiden voorbij kopiëren en plakken, in navolging van Ka en Chan's (2025) "AI-plagiarism", en dat zij de overtuigingen van studenten zelf, en niet alleen institutionele regels, centraal stellen in ethisch gebruik.

Sharma (2026) zet de pedagogische omkering een stap verder door Eaton's postplagiaatkader te verbreden van een ethische oriëntatie naar beoordelingsontwerp. Integriteit wordt in deze benadering uitgevoerd via evaluatief oordeel - het vermogen van de lerende om opties af te wegen, academische keuzes te rechtvaardigen en verantwoordelijkheid te nemen onder epistemische onzekerheid - en zichtbaar gemaakt via vier praktijken: geannoteerde beslissingstrajecten, verificatie- en verantwoordingspraktijken, mondelinge verdediging en dialogische verantwoording, en versieverschillen met versiegeschiedenis. Detectie blijft alleen behouden als aanvullende laag voor duidelijke misinterpretatie of opzettelijke uitbesteding van intellectuele arbeid, nooit als de primaire infrastructuur van integriteit, omdat zij vraagt of GenAI is gebruikt in plaats van hoe de beslissingen achter het werk zijn genomen; het betoog benoemt ook het gelijkwaardigheidsrisico dat detectiegerichte modellen het hardst neerkomen op lerenden die voor linguïstische of cognitieve Scaffolding op generatieve tools vertrouwen.

Een derde route ligt tussen detectie en herontwerp. Akçapınar (2026) voorspelt het risico op AI-ondersteunde fraude uit LMS-sporen vroeg in het semester met een AUC van 0,763, en kadert de output als begeleiding met lage inzet - herinneringen, opvolging van opdrachten, korte check-ins - in plaats van als bewijs van wangedrag, en dringt erop aan dat de score gescheiden blijft van beoordeling en disciplinaire dossiers.

Verbanden

Academische integriteit hangt samen met Assessment Validity, AI-geletterdheid, AI Detection, Authentic Assessment, Assessment, Educational AI Policy, AI Regulation in Education, Ethics en Equity. Het is de ethische dimensie van AI in het onderwijs, onlosmakelijk verbonden met overafhankelijkheid en de bredere vraag hoe Generative AI leren in Higher Education en K-12 hervormt.

• Synthese uit systematische reviews. Een PRISMA-review van 25 studies (Balalle & Pannilage 2025) vindt dat AI zowel als bedreiging werkt (door AI gegenereerd schrijfwerk, parafrasetools) als als detectietool (Turnitin AI-scores), dat detectiesoftware onbetrouwbaar is voor door AI gegenereerd werk, en dat instellingen een cultuur van academische integriteit moeten opbouwen via helder beleid, herontwerp van beoordeling en ethiektraining in plaats van alleen handhaving.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Integriteit is een centrale zorg maar een zeldzame uitkomst. Over 394 studies naar GenAI in het hoger onderwijs behoorden academische integriteit en ethiek tot de minst vaak beoogde uitkomsten (Lin et al. (2026)).

• Van handhaving naar dialoog: leren verifiëren. Een praktijkverslag over het instellingsbrede kader van Grand Canyon University (Mandernach 2026) betoogt dat detectie onbetrouwbaar is en formele integriteitsprocedures zelden tot een oplossing komen, waardoor docenten achterblijven met "verdenking zonder verhaal." GCU koos in plaats daarvan voor leerverificatie - studenten vragen hun begrip van hun ingeleverde werk in een kort gesprek aan te tonen - en herformuleert integriteit van een complianceprobleem naar een beoordelingsprobleem. Het herstelt de autoriteit van docenten, verschuift studenten van "hoe word ik niet betrapt" naar echte betrokkenheid, en beschouwt AI-gebruik als aanvaardbaar wanneer de student leren kan aantonen; de aanvankelijke ongerustheid van studenten over verificatie onderstreept dat surveillancezwaar beleid vertrouwen kan aantasten.

• GenAI verslaat automatisch na te kijken huiswerk (2026): ChatGPT slaagde voor elk van de 150 testsessies op bewust geharde, automatisch na te kijken Qiskit-huiswerkontwerpen (quantumcomputing) - personalisatie, verborgen referenties, reflecties, uitvoering in een simulator - wat aantoont dat rubriekgebaseerde beoordelaars door AI voltooid werk niet betrouwbaar kunnen onderscheiden van door studenten voltooid werk, en pleit voor directe beoordeling van begrip (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Evalueren in het AI-tijdperk - output als bewijs (2026): een analyse op universitair niveau betoogt dat de AI-beoordelingscrisis een misalignment is tussen beoordelingsontwerp en leeruitkomsten, niet alleen oneerlijkheid; zij documenteert schade door toezicht (lockdown-browsers, eye-tracking), een "disclosure trap" (studenten vrezen dat het melden van AI-gebruik het cijfer verlaagt), een prestatiekloof die sociaaleconomische status beoordeelt (betaalde versus gratis Large Language Models (LLMs)-niveaus), en "pedagogische burn-out" bij docenten die AI bestrijden - met de aanbeveling procesgerichte evaluatie boven detectie (Evaluation in the Age of AI: Output as Evidence of Learning).

Nieuwere evidentie: ethisch redeneren, grenzen van detectie, AI-marketing en spookstudenten

Een golf van recent onderzoek verscherpt het beeld van academische integriteit in het tijdperk van generatieve AI:

• Middelbare scholieren redeneren situationeel over AI-plagiaat, niet volgens een vaste regel. Chan (2026) toont dat het ethisch redeneren van middelbare scholieren over "AI-plagiaat" genuanceerd en contextafhankelijk is - velen zien AI-ondersteund werk als aanvaardbaar wanneer het begrip ondersteunt maar problematisch wanneer het hun eigen inspanning vervangt - wat de aanname uitdaagt dat studenten eenvoudigweg integriteit missen of dat één beleid hun ethiek kan vatten.

• Authentieke beoordelingen alleen kunnen integriteit niet waarborgen. Kofinas et al. (2025) vinden dat beoordelaars over het algemeen geen onderscheid kunnen maken tussen beoordelingen met en zonder GenAI-inbreng, en dat het niveau van authenticiteit van de beoordeling geen invloed heeft op het vermogen om GenAI-gebruik te detecteren of ertegen te beschermen. De hogeronderwijssector "kan niet vertrouwen op authentieke beoordelingen alleen om de impact van GenAI te beheersen" - een directe uitdaging voor de strategie van herontwerp van beoordeling, die met andere maatregelen moet worden gecombineerd.

• Integriteitsbegeleiding moet zich uitstrekken tot het onderzoeksproces, niet alleen tot lesgeven. Dai & Chan (2026) vinden dat promovendi AI-geletterdheid uitvoeren over onderzoekstaken en betogen dat beleid voor verantwoord gebruik, dat zich nu op lesgeven en beoordelen richt, de ethische dimensies van GenAI-gebruik in onderzoek moet ondersteunen - waar de zorgen draaien om originaliteit, auteurschap, dataprivacy en vaardigheidsverval in plaats van plagiaat alleen.

• Doel moet voorafgaan aan beleid. Taylor & LaCroix (2026) betogen dat of GenAI-gebruik wangedrag vormt, afhangt van het doel van de universiteit. Stijgende wangedragszaken weerspiegelen structurele incoherentie in de neoliberale universiteit, waar technologisch enthousiasme, bedrijfsinvloed en beleidshandhaving met elkaar in conflict zijn - waardoor studenten verantwoordelijk zijn voor gedrag dat impliciet door de instelling is gevormd. Universiteiten kunnen integriteit niet geloofwaardig handhaven zonder coherentie tussen de geformuleerde missie, pedagogie en technologische praktijk.

• Psychologische en gedragsmatige determinanten. Frontiers-onderzoek brengt de psychologische mechanismen en gedragsdeterminanten van academische integriteit onder AI in kaart - hoe houdingen, zelfeffectiviteit, normen en waargenomen consequenties eerlijk gebruik vormen - en verbindt integriteit met Motivation, Self-Efficacy en AI-geletterdheid als gedragsconstructen in plaats van pure regelvolging. Tabares-Cruz et al. (2026) kwantificeren deze in een SEM van 980 Ecuadoraanse universiteitsstudenten, met disposities voor academische integriteit en transparantie vooraan, gevolgd door AI-geletterdheid, kritische verificatie, institutionele begeleiding, zelfregulatie en gegevensbescherming - waarbij integriteitsdisposities en AI-geletterdheid samen een substantieel deel van ethisch GenAI-gebruik verklaren en institutionele regels alleen overtroeven.

• AI-marketing normaliseert gebruik en framet "fraude versus concurreren". Sobo et al. (2025) tonen dat AI aan studenten wordt gemarket als een praktische noodzaak ("Laat je schrijfwerk natuurlijker klinken om te voorkomen dat je ten onrechte wordt gemarkeerd"), en dat studenten zich gedwongen voelen het te adopteren om concurrerend te blijven, terwijl zij zich zorgen maken over afhankelijkheid en het verlies van leren - een geïnternaliseerde ondernemersimperatief. Dit wijst op de noodzaak van marketinggeletterdheid als onderdeel van AI-integriteitsonderwijs.

• AI-humanizers leggen de performatieve cyclus van detectie bloot. Roe et al. (2026) inventariseren 55 websites van AI-humanizers die door AI gegenereerde tekst wijzigen om detectie te ontwijken, geframed via Goffmans dramaturgie. Humanizers maken wangedrag discursief afwezig en voeren legitimiteit op, wat aantoont dat de wapenwedloop tussen detectie en omzeiling structureel eindeloos is - en daarmee de verschuiving van handhaving naar beoordelingsontwerp en AI-geletterdheid versterkt.

• Handhaving, niet detectie, is waar het gesprek zich afspeelt. Over 270.929 AI-gerelateerde records uit 26 onderwijs-subreddits verspreid over drieënhalf jaar bevatte het cluster academische integriteit 37,1% van de discussie en was Misconduct Enforcement met 12,1% het grootste afzonderlijke thema, terwijl 32,3% van de draden tussen docenten en studenten binnen geschillen over detectie en handhaving viel (Yüce et al. (2026)).

• Spookstudenten en de verificatiekloof bij agentische AI. Bozkurt, Crompton & Fell Kurban (2026) introduceren de "spookstudent": een digitaal surrogaat dat ontstaat door LLM's (de "geest") te koppelen aan agentische AI-browsers (het "lichaam") en dat een LMS kan navigeren, met inhoud kan omgaan en beoordelingen kan voltooien met menselijke nabootsing, waardoor de aanwezigheid van de werkelijke lerende optioneel wordt. Dit creëert een verificatiekloof die traditioneel toezicht en detectie structureel niet kunnen dichten - een integriteitsbedreiging die groeit naarmate AI agentisch wordt in plaats van slechts generatief.

De duidelijkste disciplinaire case voor herontwerp boven detectie komt uit het informaticaonderwijs. Een systematische review van 72 studies naar generatieve AI in informatica- en programmeeronderwijs (Kumar, Wongsirichot en Nanthaamornphong 2026) vond slechts drie studies die AI-detectiemechanismen onderzochten - de dunste bewijsbasis van de 14 thema's die zij samenbrachten - terwijl herontwerp van vak en beoordeling door 25 studies werd ondersteund. De review behandelt de ongelijkheid als diagnostisch in plaats van toevallig: instellingen hebben grotendeels beleidsdocumenten bijgewerkt zonder beoordelingen te herontwerpen, en de meeste docenten zitten op een niveau van tolerantie in plaats van transformatie bij de integratie, waarbij 70% van een nationale steekproef van faculteiten expliciet om training in AI-bestendig beoordelingsontwerp vroeg. De aanbevolen reactie is concreet: voeg een mondeling component of een ander proceszichtbaar element toe aan ten minste één beoordeling met hoge inzet per vak, en maak kritische omgang met AI-output (lezen, testen, wijzigen, uitleggen, bekritiseren) een beoordeeld, waarneembaar onderdeel van studentenwerk in plaats van een ambitie die aan de discretie van de student wordt overgelaten (Assessment Validity). Een PRISMA-review van 72 beoordelingsstudies in het hoger onderwijs vindt drie ontwerpresponsen die steeds terugkeren als reactie op GenAI - procesoriëntatie, authenticiteit, en mondelinge en dialogische benaderingen - geframed als lagen bovenop bestaande principes van validiteit, authenticiteit en alignment in plaats van als vervanging daarvan (Crompton en Burke (2026)).

• Verzonnen referenties hebben het gepubliceerde informaticaonderwijsrecord bereikt. Denny et al. (2026) traceerden 113.588 referenties uit 5.225 informaticaonderwijspapers in de ACM Digital Library tegen het volledige corpus van 723.930 publicaties en 15.872.533 referenties, verifieerden handmatig 828 verdachte records, en bevestigden 30 referenties met aantoonbaar verzonnen bibliografische informatie in 14 papers, alle gepubliceerd in 2025 of 2026. Op het SIGCSE Technical Symposium steeg het geverifieerde aantal van 3 in 2025 naar 17 in 2026, in 2,3% van de papers van de proceedings van 2026, en gehallucineerde referenties verschenen in 2025 bij vijf door SIGCSE gesponsorde of in samenwerking georganiseerde locaties. Het aantal is alleen intact met zijn tegenwicht: de meeste gemarkeerde referenties waren goedaardig - 229 waren metadata-afwijkingen van ACM waarbij de PDF correct was en 188 waren geldige bibliografische varianten - dus het cijfer per locatie is een bewuste ondergrens. Het komt neer op auteurs, en niet alleen op Peer Assessment, omdat reviewers die referentielijsten controleren niet elke vermelding kunnen verifiëren, en Large Language Models (LLMs)-ondersteund schrijven een verzonnen maar plausibele citatie goedkoop maakt.

• Duidelijkheid zonder herontwerp verplaatst misbruik zijwaarts in plaats van het weg te nemen. Petricini & Zipf (2026) plaatsen AI-gebruik op twee assen - de intentie en inspanning van studenten tegen de duidelijkheid en ondersteuning die de omgeving biedt - en rapporteren dat het meest bezette kwadrant in hun interviewgegevens angstige compliance was, waarin studenten legitieme hulp verbergen (grammaticaondersteuning, uitleg van concepten, het ordenen van hun eigen ideeën) om een valse beschuldiging te vermijden. Hun waarschuwing is richtinggevend: waar regels duidelijk worden maar beoordeling nog steeds snelheid en product beloont, schuiven beleidsbewuste studenten naar efficiënte omzeiling in plaats van naar deugdzaam toolgebruik. Austin (2026) komt van de opdrachtkant op hetzelfde punt uit - wanneer agenten elk rubriekcriterium vervullen zonder zichtbaar redeneren, vervangt het beoordelen van het beslissingstraject (kalibratie van vertrouwen, verworpen AI-suggesties, vakspecifieke beperkingen) de detectie, die volgens haar in beide richtingen misgaat.

• Werkgevers disconteren cijfers waarvan zij menen dat AI ze heeft geproduceerd - en komen uit op verificatie ter plaatse. In een enquête-experiment onder ongeveer 1.750 Amerikaanse wervingsprofessionals tonen Boyd-Swan & Reynolds (2026) aan dat het framen van AI-gebruik door studenten als ondersteunend hulpmiddel aanvragers niet benadeelde, terwijl het framen als vervanging van de inspanning en bekwaamheid van de student de kans op een sollicitatiegesprek verlaagde en - nog scherper - de bereidheid tot salarisonderhandeling, geconcentreerd bij aanvragers met een hoog GPA ongeacht ras of geslacht. Gevraagd wat de zorgen zou verlichten, kozen beide framingsgroepen slechts één remedie gemeenschappelijk: testen ter plaatse. Het experiment isoleert overtuiging (niet werkelijk AI-gebruik), dus het toont hoe alleen al het signaleringskanaal wervingsuitkomsten beweegt - een eerste aanwijzing dat arbeidsmarkten beoordeling wellicht terugduwen naar formaten waarin aanwezigheid verifieerbaar is, dezelfde ontwerprichting die de literatuur over spookstudenten instellingen aanraadt.

De eerste Theory of Planned Behavior-studie naar wangedragintentie via GAIT breidt dit beeld uit: onder 186 studenten vonden Baig en Paparo (2026) dat houdingen tegenover wangedrag, subjectieve normen daarover en positieve houdingen tegenover AI elk intentie voorspelden, terwijl negatieve houdingen tegenover AI dat niet deden, en dat een hoger waargenomen kans op detectie een lagere intentie voorspelde - een afschrikking die wordt ondermijnd door de gedocumenteerde onbetrouwbaarheid van AI-detectietools.

Integriteitsbeleid verschuift van wie de woorden schreef naar wie de ideeën had, en de detectoren worden daarbij herbouwd. IdeaLens voorspelt ideeherkomst uit een schema in plaats van uit prose: op 50 verhalen die mensen vanaf nul schreven volgens door AI gegenereerde plannen markeerde het 68% als AI, tegen 8% voor Pangram 4 en 0% voor zijn op prose getrainde controle, en het labelde 94,7% van door AI gepolijste menselijke tekst als menselijk (Rajendhran et al. (2026)). Zijn eigen ethische verklaring noemt de output een statistische schatting die niet op zichzelf als sluitend bewijs van AI-gebruik mag worden gebruikt.

Gillette et al. (2026) documenteren het regime van binnenuit één faculteit: docenten die beoordelingsformats hadden veranderd, zeiden dat het "vrijwel onmogelijk was om te zeggen of een student AI heeft gebruikt bij het schrijven van opdrachten", terwijl boze studenten vroegen om beroep op het geweten en om "shaming" in plaats van detectie.

• Beter waarnemen verandert niet wat de beoordeling kan certificeren. Een YOLOv11-pose-estimatie-toezichtsysteem dat 99,56% classificatienauwkeurigheid rapporteert, illustreert de grens van de detectieroute: het meet houding tegen een gedragslabel, rapporteert geen ground truth over wangedrag, en biedt geen subgroepanalyse (Arif et al., 2026). De remedie waar Villanueva voor pleit is voldoende bewijs van leren in cruciale fasen, niet maximaal toezicht op elke inzending.

Veelvoorkomende misverstanden

• "Detectietools identificeren AI-schrijfwerk." Door AI gegenereerde tekst is in tot 80% van de gevallen als door mensen geschreven doorgegaan, terwijl het bewijs voor detectie machinale detectie op ongeveer 80% plaatst tegen 78,4% voor menselijke beoordelaars. Menselijk en machinaal oordeel zijn bijna even (on)betrouwbaar, dus een detectieverdict is geen bewijs van auteurschap.
• "Het probleem is marginaal." Het volume is dat allerminst: een analyse over zes jaar van een CS2-vak met grote inschrijving vond dat 45,7% van de studenten in het voorjaar van 2026 werd gemarkeerd. Bijna de helft van een cohort, wat dit een mainstream ontwerpprobleem maakt in plaats van een randgeval.
• "Docenten weten welke beoordelingen kwetsbaar zijn." In een biologie-afdeling zagen docenten alleen fysieke afgenomen examens onder toezicht als minimaal kwetsbaar, terwijl opdrachten buiten de les als blootgesteld werden gezien. De perceptie klopte voor het voor de hand liggende geval en behandelde al het overige als veilig.

Verbonden concepten

• Pedagogical Patterns - verificatiesequensen die zijn overgenomen als reactie op generatieve AI
• AI Use and Disclosure Statements - verklaringen over AI-gebruik en openbaarmaking
• Assessment Validity
• AI-geletterdheid
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Cognitieve offloading
• AI Misuse and Learning Harm
• AI-misbruik verminderen
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• AI in het onderwijs
• Legal Issues and Risks
• Social Norms of AI Use - de informele regels onder het formele beleid

Verbonden artikelen

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Een heel psychologieprogramma haalbaar met minimale inspanning, en de beoordelingscriteria die dat doorlieten (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Student-leraren weigerden GenAI onder een permissief beleid; "val"-framing en de kloof tussen enquête en verklaring

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI-agenten, vreugdevolle beoordeling en de derde ruimte

• Generative AI in computing education: A systematic review and a framework for responsible integration — Bewijs over detectie is dun (3 studies van 72); herontwerp draagt het gewicht

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Afgestemd GenAI-vakbeleid: toestemmingen afgeleid van beoordeling, transparante rationale (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Generatie van constructequivalente beoordelingsvarianten (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Hoe docenten AI reguleren over 31.000 cursusbeschrijvingen; integriteitsframing neemt af (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 — Kun je je met fraude een biologiediploma verschaffen? Een casestudy naar de kwetsbaarheid van cijfers voor biologievakken voor academische oneerlijkheid in het tijdperk van generatieve AI

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Niet-naleving door studenten van verklaringen over AI-gebruik

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Door LLM's gegenereerde tekst detecteren

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Voorbij detectie: authentieke beoordeling in een AI-gemedieerde wereld

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — De AI Assessment Scale en hervorming van beoordeling

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Van authentieke producten naar geauthenticeerde processen

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Het is oké omdat... Rationalisering van AI-gebruik door studenten

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Een coördinatiespelkader voor ethisch AI-gebruik

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Schaamte en schuld als sociale regulatoren van AI-gebruik

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Deed Alice iets verkeerd? Crossculturele percepties van AI-gebruik

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Waardeoordelen bij het beoordelen van GenAI-ondersteund werk: eerlijkheid, vertrouwen, validiteit en tweerichtingstransparantie (Luo & Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Verantwoording onder medestudenten en originaliteit in GenAI-gemedieerde groepsbeoordeling

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — De bewijskundige instorting van detectie en het pleidooi voor procedurele rechtvaardigheid, proportionaliteit en ontwerp

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Afschrikking, openbaarmaking en herontwerp als een beoordelingsontwerpprobleem onder onvolkomen informatie

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Waarop 1.162 GenAI-wangedragdossiers werkelijk rustten, en de ontbrekende bewijsdrempel

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Te ruime AI-regels en het onderscheid tussen transcriptie en generatie

• AI-based digital cheating at university, and the case for new ethical pedagogies — AI-gebaseerde digitale fraude en preventiegerichte ethische pedagogieën: de zaak met 183 tegen 27 wangedraggevallen en vijf disciplinespecifieke herontwerpen (Leaton Gray, Edsall & Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Integriteit als governanceprobleem: een kader van 130 indicatoren voor academische bestuurders (Coates, Croucher & Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Scopingreview van 38 studies naar de stem van studenten in het hoger onderwijs over academische integriteit en GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — De grens tussen ondersteuning en substitutie trekken voor EAL-schrijvers, en de ongelijkwaardigheid van regels die taalachtergrond negeren (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Promptinjectie tegen AI-gemedieerde beoordeling: verborgen instructies die het cijfer ongedetecteerd veranderen (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — De AI-Use Ethics Matrix: angstige compliance, en waarom duidelijkheid alleen studenten in efficiënte omzeiling kan duwen (Petricini & Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Het redeneertraject beoordelen wanneer AI-agenten de opdracht kunnen voltooien (Austin 2026)

• AI-written admissions essays are widespread but penalized — Door AI geschreven toelatingsessays komen veel voor maar worden bestraft

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Wie handelt, wie weet, wie antwoordt? Een corpusondersteunde discoursanalyse van agency, epistemische verantwoordelijkheid en aansprakelijkheid in onderzoek naar generatieve AI in het hoger onderwijs

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — De geautoriseerde grens in kaart brengen: een vergelijkende beleidsvignettenstudie naar governance van generatieve AI in het Australische hoger onderwijs

• Argus: Academic Integrity in the Era of Generative AI — Argus: academische integriteit in het tijdperk van generatieve AI

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Sectoraudit: universiteiten met een mandaat en met een kader verschillen niet in beoordelingsblootstelling, de empirische tegenhanger van het coördinatieprobleem

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) - vroege voorspelling van het risico op AI-ondersteunde fraude uit LMS-sporen, geframed als academische begeleiding in plaats van als bewijs van wangedrag

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Drieënhalf jaar onderwijs-Reddit: handhaving domineert, en integriteitsgeschillen zijn het belangrijkste podium tussen docenten en studenten (Yüce et al. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Enquête-experiment: de substitutieframing van AI-gebruik door studenten benadeelt aanvragers met een hoog GPA bij werving en salaris; testen ter plaatse is de enige remedie die beide groepen kozen

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: naar een voor mensen leesbare, machinebestendige leesinterface