AI-misbruik verminderen

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

AI-misbruik verminderen - de ontwerp-, pedagogische en beleidshefbomen die voorkomen dat studenten generatieve AI in de plaats stellen van hun eigen cognitieve werk en hen in plaats daarvan richting ethisch, productief gebruik sturen. Effectieve benaderingen zijn gesorteerd naar impact in plaats van populariteit, en het sterkste bewijs geeft de voorkeur aan structurele hefbomen - tool-Guardrails en herontwerp van beoordeling - die de omgeving veranderen zodat misbruik moeilijker wordt, ongeacht de motivatie van een student, boven educatieve hefbomen die afhangen van het opbouwen van duurzame capaciteit en draagvlak bij studenten.

Vragen om over na te denken

• Studenten die huiswerk aan AI uitbesteden, kunnen hun huiswerkcijfers zien stijgen terwijl hun cijfers voor het gesloten-boekexamen dalen. Waarom zouden prestatie en leren zo scherp uiteenlopen - en wat zegt die kloof over wat 'succes' met AI eigenlijk betekent?
• De pagina rangschikt interventies naar causaal bewijs en reikwijdte, en plaatst structurele hefbomen (tool-guardrails, herontwerp van beoordeling) boven educatieve (goede praktijk onderwijzen) - juist omdat structurele hefbomen werken ongeacht de motivatie van een student. Bent u het ermee eens dat de omgeving veranderen beter werkt dan hoofden veranderen? Wat is het risico van elk van beide?
• Een met guardrails uitgeruste 'hint-in-plaats-van-antwoord'-tutor elimineerde de leerschade die een ongeguardrailde veroorzaakte, ook al leken beide behulpzaam. Denk aan een leertool die u heeft gezien en die te snel antwoorden geeft. Waar ligt de grens tussen een hint die ondersteunt en een antwoord dat vervangt - en kunt u die formuleren voordat u verder leest?
• De sterkste oplossing omvat herontwerp van beoordeling: examens zonder hulpmiddelen in de les, mondelinge verdedigingen, procesartefacten, redeneren beloond boven oppervlakkige vlotheid. Hoe zou u zich voelen bij een vak dat zo wordt beoordeeld, en zegt dat gevoel iets over waarom deze hefboom zowel effectief als impopulair is?
• Kaders voor AI-verklaringen die studenten dwingen hun gebruik aan cognitieve fasen te koppelen (plannen versus inhoudsgeneratie) verschuiven de nadruk van handhaving naar professionele praktijk. Bouwt zulke reflectie werkelijk betere oordeelsvorming op, of leert het studenten vooral om misbruik slimmer te beschrijven?
• Stel uzelf voor het lezen een doel: identificeer één concrete verandering in uw eigen vak of workflow die AI-misbruik moeilijker zou maken, en één die productief gebruik makkelijker zou maken. Bij welk niveau van deze pagina zou elk van beide horen?

Inleiding

Het concept rust op het bewijs dat AI-misbruik duurzaam leren actief schaadt - de prestatie-leerkloof die is gedocumenteerd in AI Misuse and Learning Harm - terwijl het de onmiddellijke prestatie opblaast. Interventies richten zich daarom op de mechanismen van die schade: antwoorden kopiëren, Cognitieve offloading, uitholling van motivatie en verdringing van leren. Ze sluiten elkaar niet uit; een robuuste aanpak combineert een structurele vloer met educatieve capaciteitsopbouw.

Waarom structurele hefbomen het zwaarst wegen

Interventies kunnen worden gerangschikt naar causaal bewijs × structurele reikwijdte × schaalbaarheid × Sustainability. Op die basis staan de twee structurele hefbomen het hoogst, omdat zij werken of studenten nu het juiste gedrag kiezen of niet - zij beperken de omgeving in plaats van afhankelijk te zijn van interne motivatie. De educatieve hefbomen zijn essentieel maar alleen effectief wanneer studenten instemmen, dus worden zij ondanks hun conceptuele belofte als tweede niveau behandeld. Coates, Croucher en Calderon (2025) tillen het structurele argument een niveau hoger, door governance in plaats van studentgedrag als de bindende beperking te behandelen en een kader van 130 integriteitsindicatoren voor te stellen zodat academische bestuurders kunnen zien of beoordeling authentiek is, of studenten individueel bekend zijn bij de docenten die hen beoordelen, en of integriteit voorkomt in introductie en oriëntatie. Hun hervormingen richten zich op governancearchitecturen, mensen en technologieën en middelen, en zij stellen voor red teaming uit de cyberbeveiliging te lenen om kwetsbaarheden in beoordeling bloot te leggen voordat studenten ze vinden - een herinnering dat de structurele vloer wordt onderhouden door instellingen die zowel de informatie als de wil moeten hebben om hem te onderhouden.

Niveau 1 - direct bewezen dat het leerschade vermindert

Ontwerp van AI-tools met guardrails ("hint-in-plaats-van-antwoord"-Scaffolding). In de sterkste causale bevinding in de kennisbank toonde een veld-RCT aan dat een ongeguardrailde ChatGPT-achtige tutor de prestatie bij ondersteunde oefening met +48% verhoogde maar de scores op het examen zonder hulp met −17% verlaagde, terwijl een tutor met guardrails (hints in plaats van antwoorden, plus door de docent geschreven probleeminformatie) de schade volledig elimineerde. Dit voorkomt mechanisch het gedrag van antwoorden kopiëren als "kruk" dat achter de schade zit. Activiteiten omvatten tutoring met hints in plaats van antwoorden, prompts voeden met correcte oplossingen en veelvoorkomende Misconceptions about AI, en vereisen dat een student een poging doet voordat AI-output wordt onthuld.

Het antwoord onthouden beschermt binnen de sessie zonder de vaardigheid op te bouwen. Tuo et al. (2026) onthielden de samengevatte positie in een multi-agent-debat en verlaagden het overstappen naar een onjuiste AI-positie van 42-60,5% naar 5,7-8,2%, maar vonden geen leereffect binnen de sessie (β = 0,03, p = 0,18) - de guardrail hield stand zolang hij aanwezig was en liet het oordeel zonder hulp onbewogen.

Herontwerp van beoordeling (AI-bestendige + maatregelen zonder hulp). Omdat de schade van misbruik afhankelijk is van de beoordeling - zij komt aan het licht bij afgenomen, gesloten-boek- en hulpeloze metingen terwijl zij gewoon beoordeeld cursuswerk opblaast - verandert het wijzigen van wat als prestatie geldt zowel het ontmoedigen van misbruik als het zichtbaar maken ervan. Activiteiten omvatten examens zonder hulpmiddelen in de les en mondelinge verdedigingen, het vereisen van procesartefacten (concepten, reflecties, geannoteerd redeneren), het belonen van redeneren boven oppervlakkige vlotheid, en het aanwijzen van AI-vrije zones. Ivory et al. (2026) geven de eis van procesartefacten een concreet instrument: verplichte versiegeschiedenissen en reproduceerbare analysedocumenten, zodat een verdachte inzending kan worden geïnspecteerd als een tijdlijn van hoe het werk zich ontwikkelde, en de hoeveelheid verzonnen materiaal die een student zou moeten genereren veel verder stijgt dan wat uitbesteden hem oplevert. Grootschalig veldbewijs onderstreept dit: Strömberg, Lei, & Wu (2026) vonden dat het uitbesteden van huiswerk de huiswerkcijfers met 18% verhoogde terwijl het de cijfers voor het gesloten-boekexamen met 20% verlaagde - precies het signaal dat metingen zonder hulp en onder toezicht zijn ontworpen om aan het licht te brengen, en de studie beveelt aan om gesloten-boekbeoordeling ter plaatse zwaarder te wegen. Leaton Gray, Edsall en Parapadakis (2025) geven dezelfde logica haar meest expliciete formulering in termen van situationele misdaadpreventie, met het argument dat het falen bij beoordelingen ligt die een model overtuigend kan beantwoorden en niet bij studenten, en zij rapporteren een geval waarin 25 preventietechnieken toegepast op een Australische business-capstone - gevolgde studentinteracties, signalering van te deskundig werk, willekeurige herindeling van teams, wekelijkse beoordeelde toetsen in de les, verwijderingsverzoeken voor cursusmateriaal dat studenten hadden gepubliceerd - het aantal wangedragzaken binnen een jaar van 183 naar 27 brachten. Hun voorschriften zijn motivationeel in plaats van investigatief: verhoog het waargenomen doel van de beoordeling, bouw Self-Efficacy op, en vergroot de waargenomen sociale kosten van fraude, waarbij de auteurs waarschuwen dat het aanpakken van slechts een of twee van de drie zal falen, ondersteund door vijf disciplinespecifieke herontwerpen die getimede probleemoplossingsexamens omzetten in open-boek-probleemoplossing met een schriftelijke reflectie op het eigen proces van de student, summatieve essays in collaboratieve archiefonderzoeksprojecten, en portfolio's in iteratieve, door medestudenten beoordeelde ontwerpprocessen.

De structurele hefbomen hebben een handhavingsarm, en de bewijsbasis daarvan is zwakker dan haar reikwijdte suggereert. Munoz et al. (2026) codeerden 1.162 wangedragzaken met generatieve AI en vonden dat het bewijs waarnaar op het moment van de beschuldiging het vaakst werd verwezen - detectoroutput, gelijkenisrapporten, voor AI typische inhoudspatronen - de zwakste bewijswaarde droeg, terwijl toelatingsgegevens, waargenomen examengedrag en onafhankelijk geverifieerde verzonnen referenties het sterkst waren; omdat institutionele procedures geen minimale bewijsdrempel stellen, had de bewijskwaliteit geen betrouwbare relatie met de uitkomsten van zaken, en studenten wier zaak op dun bewijs rustte, hadden vooral de mogelijkheid van beroep. Wright (2026) toont een tweede prijs van dezelfde onnauwkeurigheid: verboden die rond "generatieve AI" zijn geschreven in plaats van rond functie, pakken tools die slechts het formaat converteren van werk dat een student al zelf heeft geschreven, zodat louter transcriptioneel gebruik als wangedrag kan worden bestraft - een te ruime omvatting die het hardst neerkomt op studenten met een beperking en op gelijkwaardigheid blootgestelde Learners en die niets doet voor validiteit. Harerimana, Mtshali en Mchunu (2026) voegen toe dat remote proctoring, de meest verspreide integriteitscontrole, haar afschrikkingsclaim baseert op hoe studenten zeggen zich te voelen in plaats van op verminderd wangedrag, en angst, concentratieverlies en infrastructuurgebonden uitsluiting oplegt waarvan niet is aangetoond dat minder misbruik er het antwoord op is. Li (2026) voegt de regelontwerpdimensie toe: omdat dezelfde interface zowel toegestaan taalredigeren als verboden inhoudelijk schrijven uitvoert, leggen ongedifferentieerde GenAI-regels cohortvertekende compliancekosten op aan studenten die Engels als aanvullende taal gebruiken, dus de verdedigbaardere preventie is een op doel gebaseerde grens tussen ondersteuning en substitutie, verankerd in het beoordelingsconstruct, met gekalibreerde openbaarmaking, proportionaliteit gefaseerd over drempel-, bewijs- en sanctiebeslissingen, en ontwerphefbomen - gefaseerde inzendingen, korte constructgerelateerde mondelinge verificatie, op kritiek gebaseerde vragen - die het werk doen dat detectie niet kan. Preventie moet ook de beoordelaar zelf dekken: Humble's (2026) red-team-evaluatie vond dat twee van de vijf indirecte promptinjectiestrategieën die in een inzendingsbestand waren ingebed, een onvoldoende essay ongedetecteerd naar een voldoende brachten, met gerapporteerde successen van 100% en 94%, dus waar AI-tools studentenwerk beoordelen, horen menselijke beoordeling, een duidelijker scheiding tussen instructies en ingeleverde inhoud en weerbaarheidstests in de structurele vloer in plaats van in een optioneel niveau.

Niveau 2 - sterke kaderondersteuning, hoog potentieel

Gescaffolde gebruiksfasen: eerst denken, dan AI, dan reflecteren. Acht ontwerpprincipes voor het integreren van LLM's zonder Critical Thinking te verdringen: behoud cognitieve wrijving, positioneer AI als een voorlopige denkpartner in plaats van een autoriteit, bouw evaluatiecontrolepunten in, vereis metacognitief dagboekschrijven en promptlogboeken, en balanceer AI-gemedieerde met AI-vrije fasen. Correlationeel bewijs (zelfstandig werk vóór AI levert sterkere output) is robuust; het is de pedagogisch volledige versie van niveau 1.

AI-geletterdheid en promptgeletterdheid met doelbewuste oefening en onmiddellijke Feedback. Een K-12-module met scenariogebaseerde promptoefening en een Large Language Models (LLMs)-autograder verbeterde de feitelijke promptvaardigheden en verhoogde het vertrouwen in het gebruik van AI voor leren met +10,4%, waarbij 87% meldde te hebben geleerd AI verantwoord te gebruiken. Aangetoonde vaardigheidswinst; de open vraag is of die zich omzet in leeruitkomsten verderop. Het pakt ook de gelijkwaardigheidskloof in eerdere AI-toegang aan.

Gestructureerde kaders voor verklaringen over AI-gebruik. Het vervangen van generieke selectievakjes "ik heb AI gebruikt" door domeinspecifieke verklaringen die gebruik aan cognitieve fasen koppelen (structurele planning versus inhoudsgeneratie) dwingt reflectie op het leerproces af en verduidelijkt de grens tussen aanvaardbare hulp en wangedrag, waardoor de nadruk verschuift van handhaving naar professionele praktijk.

Educatieve hefbomen zien er weer anders uit zodra integriteit wordt behandeld als een praktijk die moet worden onderwezen in plaats van een regel die moet worden gehandhaafd. Sharma (2026) betoogt dat op detectie en verificatie gebaseerde integriteitsregimes niet passen bij GenAI-ondersteund werk, en herformuleert integriteit als pedagogische praktijk die wordt uitgevoerd via evaluatief oordeel - het vermogen van de lerende om opties af te wegen, academische keuzes te rechtvaardigen en verantwoordelijkheid te nemen onder onzekerheid - zichtbaar gemaakt via artefacten zoals geannoteerde beslissingstrajecten, gedocumenteerde verificatie, mondelinge verdediging en versiegeschiedenissen van concept naar concept, waarbij detectie wordt teruggebracht tot één aanvullende laag in plaats van de primaire infrastructuur. Mulisa en Mezgebu (2026) vinden dezelfde opening van de kant van studenten: over 27 interviews aan een Ethiopische universiteit was gebruik bijna universeel, de meeste deelnemers schreven GenAI een hogere prestatie toe, en de scherpste klacht liep de andere kant op - AI-gebruikers scoorden hoger dan ijverige zelfstandige werkers, wat deelnemers als demotiverend beschreven. De auteurs concluderen dat overtuigingen van studenten ethisch gebruik sterker voorspellen dan institutionele regels, dus bewustzijn, helder beleid en herontwerp van beoordeling moeten samen komen - wat het educatieve niveau van deze pagina is, geformuleerd als voorwaarde: capaciteitsopbouw verandert gedrag alleen via draagvlak bij studenten vergezeld van een structurele vloer. Ji's (2026) scopingreview van 38 studies naar de stem van studenten levert de veldbrede versie van dezelfde conclusie: de besproken studies komen uit op een verschuiving van retrospectieve detectie naar proactief ethisch redeneren, op het onderwijzen van AI-ethiek en AI-plagiaat in het curriculum in plaats van in eenmalige geletterdheidssessies, en op gedetailleerde richtlijnen die samen met leiders, docenten en studenten worden opgesteld, omdat onduidelijke begeleiding wordt gelezen als stilzwijgende toestemming in plaats van als waarschuwing. Ji's eigen lezing is dat eigenaarschap en moreel redeneren studenten meer motiveren dan angst voor straf, en dat studenten noch passieve ontvangers van GenAI noch daders zonder morele beperking zijn, maar morele actoren die in een grijze zone werken - de premisse van dit niveau, geformuleerd als bevinding.

Niveau 3 - veelbelovend, minder direct causaal bewijs

Metacognitieve en zelfbeoordelingsinterventies. Reflectieve dagboeken, promptlogboeken en kalibratietraining herstellen de "afwezige cognitieve basislijn" van AI-native studenten die hun eigen cognitieve grens niet kunnen lokaliseren omdat door AI gegenereerde vlotheid die maskeert. Conceptueel centraal maar nog niet causaal getest.

Herontwerp van motivatie. Omdat de beschikbaarheid van AI autonome motivatie uitholt ("waarom moeite doen?"), richten het herstructureren van taken rond doelen die AI niet kan vervullen en rond agency van de lerende zich direct op de uitholling van doorzettingsvermogen die de directe schade versterkt.

Kritische AI-geletterdheid. Een macht-kennisbenadering die lerenden leert AI-governance te ondervragen, uit te dagen en eraan deel te nemen in plaats van haar te consumeren. Langetermijn-, gelijkwaardigheidsgericht en structureel in haar ambities, hoewel de leereffecten grotendeels ongetest zijn.

Vleierij herkennen om onkritische aanvaarding te voorkomen. Omdat vleierige AI de gebruiker bevestigt in plaats van uitdaagt, is zij een directe misbruikvector: studenten die bevestigende instemming krijgen voor onjuist denken, worden aangemoedigd AI in de plaats van hun eigen cognitieve werk te stellen. Contextuele vleierij toont dat AI-geletterdheid en prompttraining de foutlus verkleinen maar niet elimineren, dus preventie van misbruik moet educatieve herkenningstraining paren aan ontwerp van corrigerende wrijving op systeemniveau (zie de guardrails van niveau 1).

• Productieve wrijving en pedagogische functie. De Sydney rapid review betoogt dat GenAI leren ondermijnt wanneer zij studenten de cognitieve en metacognitieve wrijving laat overslaan die nodig is om te leren, en dat doelbewust ontworpen tools productieve wrijving introduceren (antwoorden onthouden, om uitleg vragen). Zij onderscheidt vier pedagogische functies - leren van, met, over of door het vormen van GenAI - elk met andere eisen aan agency en beoordeling.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

Veelvoorkomende misverstanden

"Studenten over de risico's onderwijzen is de belangrijkste hefboom tegen misbruik." Het is de hefboom die afhangt van de medewerking van de student, en daarom staat zij hier onder de structurele. Guardrails en herontwerp van beoordeling werken of een student nu het juiste gedrag kiest of niet; educatieve benaderingen werken alleen met draagvlak. Het onderscheid is niet moreel maar mechanisch - een veranderde omgeving beperkt het gedrag direct, terwijl een veranderde overtuiging de nacht vóór de deadline moet overleven.

"Als een guardrail standhoudt tijdens de sessie, is het leren veiliggesteld." Standhouden en onderwijzen zijn afzonderlijke uitkomsten, en het corpus bevat een schoon dubbel resultaat. Het onthouden van de samengevatte positie in een multi-agent-debat verlaagde het overstappen van studenten naar een onjuiste AI-positie van 42-60,5% naar 5,7-8,2% - een groot beschermend effect - maar leverde geen leereffect binnen de sessie op (β = 0,03, p = 0,18). De rail deed haar werk als rail en werd geen instructie. Ontwerpen voor preventie van misbruik is niet hetzelfde als ontwerpen voor leren.

"Misbruik detecteren en bestraffen is een preventiestrategie." Preventie moet ook de beoordelaar zelf dekken. Humble's (2026) red-team-evaluatie vond dat twee van de vijf indirecte promptinjectiestrategieën die in een inzendingsbestand waren ingebed, het cijfer van een onvoldoende essay verhoogden. Een pijplijn die misbruik door studenten detecteert terwijl zij ongecontroleerde ingeleverde inhoud vertrouwt, is slechts aan één kant verdedigd.

"Misbruik is een probleem van studentmotivatie." Coates, Croucher en Calderon (2025) tillen de bindende beperking een niveau hoger, door governance in plaats van studentgedrag als het te veranderen ding te behandelen en een kader van 130 integriteitsindicatoren voor te stellen. En de leerschade is op schaal meetbaar: Strömberg, Lei en Wu (2026) vonden dat het uitbesteden van huiswerk de huiswerkcijfers met 18% verhoogde terwijl het de cijfers voor het gesloten-boekexamen met 20% verlaagde - een ontwerpfout die precies zichtbaar wordt in de kloof waarover deze pagina gaat.

Implementatiebegeleiding per rol

Voor docenten en vakteams

• Begin bij de beoordeling, niet bij de beleidstekst. Vraag bij elke beoordeelde taak of de versie zonder hulp zou laten zien wat u wilt certificeren, en repareer eerst de taak - dat is de hefboom die geen toestemming van studenten vereist.
• Kies tooling met hints in plaats van antwoorden waar een AI-tutor beschikbaar is, aangezien de veld-RCT over begeleide versus onbegeleide tutoring het sterkste causale bewijs op dit gebied is.
• Controleer of uw eigen beoordelingspijplijn bestand is tegen geïnjecteerde instructies in ingeleverde bestanden voordat u misbruik door studenten als de enige bedreiging behandelt.
• Behandel AI-toegestane en hulpeloze prestaties als twee verschillende metingen; de splitsing van 18%/20% hierboven is onzichtbaar tenzij u beide verzamelt.

Voor ontwikkelaars

• Bouw de beperking in de interface in plaats van in een waarschuwing. Een tutor die het afgewerkte antwoord kan produceren, zal onder tijdsdruk het afgewerkte antwoord produceren.
• Leid leren niet af uit naleving van de guardrail. Het debatresultaat toont dat gedrag standhield terwijl leermetingen vlak bleven, dus instrumenteer uitkomsten apart van interacties.
• Toon misbruiksignalen aan docenten als diagnostiek in plaats van als verdicts, aangezien de governanceframing in het bewijs boven individueel studentgedrag staat.

Voor bestuurders en beleidsmakers

• Leg de bindende beperking waar het bewijs haar legt. Indicatoren en governancestructuren richten zich op de omgeving; vermaningen aan studenten richten zich op de persoon die het minst in staat is institutioneel ontwerp te veranderen.

Verbonden concepten

• AI Misuse and Learning Harm
• Cognitieve offloading
• Academische integriteit
• Assessment
• AI-geletterdheid
• Scaffolding
• Self-Regulated Learning
• Metacognition
• Motivation
• Prompt Engineering
• AI Sycophancy
• Trust Calibration
• AI-gebruik voor leerlingen kaderen
• Cognitieve overgave

Verbonden artikelen

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Bewijstrajecten via versiebeheer en reproduceerbare analysedocumenten als afschrikmiddel tegen misbruik (Ivory et al. 2026)
• Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — Het onthouden van een aanbeveling voorkwam overafhankelijkheid grotendeels zonder het oordeel op te bouwen dat zij beschermt
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — GenAI zonder guardrails kan leren schaden
• Distinguishing performance gains from learning when using generative AI — Prestatiewinst onderscheiden van leren
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — De AI Assessment Scale en hervorming van beoordeling
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Kritisch denken ondersteunen met generatieve AI
• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Leren AI te gebruiken om te leren (K-12-module AI-geletterdheid)
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Transparantie structureren: kaders voor GenAI-verklaringen
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — De afwezige cognitieve basislijn
• AI Literacy: An Exercise in Power-Knowledge — AI-geletterdheid: een oefening in macht-kennis
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — De verborgen prijs van contextuele vleierij: een AI-geletterdheidsinterventie
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Vleierige AI maakt menselijke interactie in de loop van de tijd inspannender en minder bevredigend
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Cultuuropbouw en herontwerp van beoordeling boven handhaving via detectie
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Cognitieve overgave, productieve wrijving en metacognitieve ongelijkheid
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Mondelinge examens heroverwegen als authentieke, AI-bestendige beoordeling
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — De leerstraf van generatieve AI: uitbesteed huiswerk schaadt het leren
• Modeling AI Overreliance as a Complex Adaptive System — Overafhankelijkheid van AI gemodelleerd als een complex adaptief systeem
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — Guardrails verwijderden schade zonder examencijfers te verbeteren
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Wat dossiers over wangedragsbeschuldigingen feitelijk als bewijs bevatten
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Te ruime AI-regels en de studenten die zij treffen
• Educational integrity in GenAI-augmented assessment: making judgment visible — Integriteit als evaluatief oordeel in plaats van compliance
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Studenten over de vraag of GenAI een fraudetool of een leerpartner is
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Wat remote proctoring met studenten doet, en met gelijkwaardigheid
• AI-based digital cheating at university, and the case for new ethical pedagogies — Situationele misdaadpreventie tegen AI-gefaciliteerde fraude: van 183 naar 27 zaken, en vijf disciplinespecifieke herontwerpen (Leaton Gray, Edsall & Parapadakis 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Wat 38 studies naar de stem van studenten aanbevelen: gezamenlijk opgestelde duidelijkheid en educatief redeneren boven detectie (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Waar taalondersteuning eindigt en substitutie begint voor EAL-schrijvers (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Promptinjectie als misbruikvector tegen AI-beoordeling (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Governance als de bindende beperking op integriteit: een kader van 130 indicatoren (Coates, Croucher & Calderon 2025)