Hoe kan ik AI-fraude in mijn cursus verminderen?

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

Het is week zes. Een take-home essay komt terug vloeiend en hol, en u kunt niet zien of de student het geschreven heeft. Of vier inzendingen delen een vorm die niemand in september in het lokaal produceerde, en het integriteitsbureau wil een schriftelijke verantwoording van wat de opdracht mat. Of uw opleiding heeft vorige maand gestemd om generatieve AI in kernvakken te beperken en laat het aan u over om die beperking betekenis te geven.

Het antwoord dat u een collega geeft: stop met proberen te bewijzen wie het werk schreef, en verander de omstandigheden waaronder het wordt geschreven. Detectie is de zwakste hefboom die u hebt. De hefbomen die standhouden zijn een taak waarin de snelkoppeling een spoor achterlaat, één waarneembare stap zonder hulp, en een korte, aangeleerde reeks die studenten binnen het cognitieve werk houdt.

De korte versie

1. Haal detectie van het kritieke pad. Het bewijs hieronder laat zien dat detectie faalt bij toegestaan redigeren en doelbewuste ontwijking mist.

2. Bouw één waarneembare stap zonder hulp in elke toets met hoge inzet, en geef die stap echt gewicht.

3. Stel de AI-grens per taakstap vast, niet per cursus, zodat de grens volgt wat u beoordeelt.

4. Als AI is toegestaan, stel die dan zo in dat hij een hint geeft in plaats van een antwoord, en eis een poging van de student voordat hij reageert.

5. Maak de verklaring specifiek en zonder straf. Vage regels en bestraffende regels duwen studenten allebei richting verheimelijking.

Detectie zal de zaak niet dragen

De synthese Academische integriteit meldt aanzienlijke beperkingen van AI-tekstdetectie en betoogt dat integriteit in het tijdperk van generatieve AI steeds meer een ontwerpprobleem van toetsing is in plaats van louter een detectieprobleem. Neem de cijfers mee naar de vergadering waarin u dit verantwoordt tegenover iemand die al een licentie heeft gekocht.

In een gecontroleerde studie met 642 gepubliceerde Engelstalige abstracts markeerden twee commerciële detectoren richtlijnconform licht AI-redigeren in 38-80% van de gevallen. Onbewerkte originelen uit 2023-25 markeerden ze in 9-15%, waarbij werk buiten bèta- en techniekonderwijs ver boven dat van bèta- en techniekonderwijs lag, met p<0,001. Na AI-“humanisering” vingen dezelfde tools minder dan 4% van de als AI gelabelde herschrijvingen (Karr, 2026). Lees die drie in volgorde. Toegestaan gebruik werd vaker gemarkeerd dan verboden gebruik, en verboden gebruik was grotendeels onzichtbaar zodra iemand het door een parafraseerder haalde. Dat is de integriteitscatch-22: de detector straft eerlijke hulp en maakt doelbewuste ontwijking mogelijk.

De praktijkgegevens wijzen dezelfde kant op. In een heimelijke studie bleef 94% van volledig door AI gegenereerde inzendingen, binnengesluisd in live online tentamens van vijf psychologiemodules, onopgemerkt, en het AI-werk scoorde gemiddeld hoger dan echte studenten (Teichmann et al., 2026). De Vanderbilt University schakelde zijn gelicentieerde detector uit nadat het niet lukte een geadverteerd percentage van 1% valse positieven te valideren, een percentage dat ruwweg 750 verkeerd gelabelde studenten zou betekenen op 75.000 jaarlijkse inzendingen.

Niets daarvan bewijst dat detectie nooit werkt. Het legt het foutprofiel vast waarmee u moet leven. Een gemarkeerde student is iemand met een bezwaarprocedure, en het resultaat met 642 abstracts zegt dat de markering het hardst neerkomt op studenten die het toegestane deden. Het volledige argument waarom dit verandert waarvoor een cijfer bewijs kan zijn, staat in Toetsing opnieuw ontwerpen in het AI-tijdperk.

Verander wat de opdracht gemakkelijk maakt

De synthese AI-misbruik terugdringen zet herontwerp op Tier 1 om een structurele reden: het werkt of een student nu wel of niet het juiste gedrag kiest, omdat het de omgeving beperkt in plaats van op motivatie te vertrouwen.

Begin met een label. De AI Assessment Scale (AIAS) geeft elke opdracht een niveau voor AI-gebruik, van “geen AI” via “AI alleen voor brainstorming” en “AI-hulp met bronvermelding” tot “volledig AI-gebruik”, zodat de verwachting expliciet en handhaafbaar is in plaats van afgeleid.

Verander daarna het artefact. Een systematische review van 72 studies naar generatieve AI in informaticaonderwijs beoordeelt herontwerp als zowel haalbaar als met de grootste hefboomwerking, en noemt één beweging afzonderlijk: voeg een mondeling of anderszins proceszichtbaar element toe aan ten minste één toets met hoge inzet per cursus. Die beweging noemt de review de meest effectieve interventie in het corpus. Detectie is het dunste gebied dat de review bestrijkt, met slechts 3 studies, tegenover 60-80% van de informaticastudenten die generatief AI-gebruik in hun studie melden, doorgaans zonder expliciete toestemming van de docent, en 70% van één landelijk docentensample dat expliciet om training in AI-bestendig toetsontwerp vraagt (Kumar et al., 2026).

Het menu, ruwweg in de volgorde waarin elke optie een grote klas overleeft.

Zonder hulp, in het lokaal, gesloten boek: tentamens onder toezicht, kennistoetsen, schrijven onder tijdsdruk. Geef deze zwaarder gewicht dan u gewend was, want huiswerk is het artefact dat AI opblaast. Mondelinge tentamens en verdedigingen werken om dezelfde reden, omdat echt gesprek in tijd moeilijk uit te besteden is (Fenton, 2025).

Procesartefacten: kladversies, sporen van redeneren, geannoteerd “laat uw denken zien”, revisielogs, zodat het proces zichtbaar is in plaats van alleen het product (echte producten, geauthenticeerde processen). Authentieke taken werken daarnaast: lokale casussen, stagemateriaal, de eigen data van de student, alles wat moeilijk te delegeren is (Kirsanov, 2026).

Taakvariatie per student, waarbij elke student een aan de oppervlakte verschillende maar construct-equivalente versie krijgt, maakt kopiëren structureel nutteloos. Behandel die garantie als afhankelijk van het kunnen van het model: VARIA vond dat toonaangevende generatoren slechts 0,81-0,88 haalden op een samengestelde integriteitsscore, terwijl niet-toonaangevende modellen terugvallen naar 0,50-0,55. Als uw varianten niet equivalent zijn, hebt u bescherming tegen delen gekocht ten koste van ongelijkheid tussen studenten.

Dicht de kloof tussen oefening en tentamen

Dit is het deel dat docenten overslaan, en het is waar het causale bewijs het sterkst is.

In een veld-RCT verhoogde een onbewaakte ChatGPT-achtige tutor de prestatie bij oefening met hulp met 48% en verlaagde de tentamenscores zonder hulp met 17%. Een versie met guardrails, die hints geeft in plaats van antwoorden en gevoed is met probleeminformatie van de docent, hief de schade volledig op (guardrails tegen leerschade). Op grotere schaal vond een studie onder 26.811 studenten dat het uitbesteden van huiswerk de huiswerkscores met 18% verhoogde, terwijl de scores op het tentamen met gesloten boek binnen zes maanden met 20% daalden (Strömberg et al., 2026).

Let op de vorm van beide resultaten. De winst en het verlies landen op verschillende maten, en slechts één daarvan is de maat die u certificeert. Eén RCT kan u niet de grootte van het effect in uw cursus geven. Het geeft u de richting, en beide studies wijzen dezelfde kant op.

Als u studenten een tutor wilt laten gebruiken, stel die dan in vóór het semester in plaats van na de eerste klacht:

1. Stel hem zo in dat hij stapsgewijze, Socratische hints geeft in plaats van de volgende stap van het antwoord.

2. Voed hem met correcte oplossingen en gangbare misvattingen, zodat hij op fouten kan mikken in plaats van inhoud te herhalen.

3. Eis een poging voordat er enige output verschijnt.

4. Pas de regel van de moeiteloosheidsval toe: als AI toelaten de taak moeiteloos laat voelen, staat AI op de verkeerde plek.

Die laatste regel is ook waar Scaffolding en Guardrails hun waarde bewijzen, en waar een gesimuleerde student nuttig is om uw eigen prompt te testen voordat echte studenten hem tegenkomen.

Vraag studenten te laten zien wat ze kunnen

U zult nooit vaststellen hoe een bestand tot stand is gekomen. U kunt wel, goedkoop, vaststellen of de student kan wat het bestand lijkt te laten zien.

“Het beste antwoord op AI-gebruik door studenten is geen detectie, maar dialoog” beschrijft de mechanismen: een uitleg van twee minuten één op één of opgenomen bij een ingeleverd stuk, een korte vervolgtoets over hetzelfde materiaal zonder hulpmiddelen, een verzoek om een monster van hun eigen werk te herzien en de wijzigingen uit te leggen. De bron is een praktijkverslag, dus behandel het als een veelbelovende praktijk en niet als bewijs van effect.

Verificatie bepaalt ook of uw fraudezaakprocedure een bezwaar overleeft. Munoz et al. (2026) analyseerden feitelijke dossiers van meldingen over misbruik van generatieve AI en vonden dat rechtvaardigheid vereist dat de student de beschuldiging te horen krijgt en een kans krijgt om te reageren vóór enige vaststelling, doorgaans in een onderzoeksgesprek of een hoorzitting, en dat wat de student daar zegt in het bewijsrecord terechtkomt. Hun bewijscategorieën verklaren waarom dit in de cursus moet worden ingebouwd: door het systeem vastgelegde gedragssporen bestaan alleen bij toetsing onder toezicht, en zwakker procesbewijs zoals kladversies, begeleidingsgesprekken en presentaties bestaat alleen waar die al routine waren. Een gewoonte van verifiëren wordt bewijs waarop u later kunt steunen.

Formuleer de regel ook precies. Wright (2026) laat zien dat verboden die spraak-naar-tekst-transcriptie en generatief schrijven als hetzelfde “AI-gebruik” behandelen te breed zijn en studenten bestraffen die niet deden wat verboden was. Dat is een rechtvaardigheidsprobleem voordat het een juridisch probleem is, en juridische kwesties en risico's behandelt de rest.

Houd studenten in de lus terwijl ze werken

Het instrument verbieden en het zonder structuur toestaan leveren hetzelfde resultaat op: studenten staan buiten het cognitieve werk.

De synthese AI-misbruik terugdringen zet acht ontwerpprincipes uiteen voor de toegestane variant, waaronder: behoud cognitieve wrijving, positioneer AI als een voorlopige denkpartner in plaats van een autoriteit, bouw evaluatiemomenten in, en eis metacognitieve dagboeknotities en promptlogboeken.

De reeks die die principes draagt is kort genoeg om op een opdrachtblad te drukken:

1. Eerst denken. Studenten brainstormen, maken een opzet of schrijven een kladversie, zelfstandig, voordat ze iets openen.

2. Daarna AI. Ze gebruiken AI om kritiek te leveren op, uit te breiden of alternatieven te genereren voor denken dat ze al hebben.

3. Dan reflecteren. Ze noteren waarvoor ze AI gebruikten, wat ze accepteerden en verwierpen, en waarom. Een prompt plus een revisielog is genoeg.

Maak de verklaring specifiek, en goedkoop in te vullen

Vervang het generieke aankruisvakje “ik heb AI gebruikt” door een domeinspecifiek verklaringskader dat gebruik koppelt aan cognitieve fasen, zoals structurele planning tegenover het genereren van inhoud (verklaringskaders voor generatieve AI in het hoger onderwijs). Een voorblad dat vraagt welke fasen, welke tool, welke prompts, en hoe de output is geëvalueerd, doet meer werk dan een ja of nee.

Twee voorwaarden maken het eerlijk. Openheid moet veilig zijn, want bestraffend of vaag beleid drijft verheimelijking actief aan (Gonsalves et al., 2025), en studenten wegen het risico van wel vertellen af tegen het risico van niet vertellen (Chang, 2026).

De rekensom moet ook in het voordeel van vertellen uitvallen. Mohamed en Temimi modelleren dit als een probleem van onvolmaakte informatie in plaats van moraliteit. Openheid is alleen aantrekkelijk zolang de kosten van eerlijkheid laag blijven, en omdat valse positieven van een detector ook eerlijke studenten treffen, kan sterker toezicht verheimelijking relatief aantrekkelijker maken zodra extra gevoeligheid meer nieuwe valse positieven dan nieuwe terechte positieven oplevert. Lees een opgegeven gebruik als context in plaats van als bekentenis, en ontwerp voor de student die het meest geneigd is tot verheimelijking.

Leer de geletterdheid die u beoordeelt

De synthese AI-misbruik terugdringen zet onderwijs in AI-geletterdheid en prompten op Tier 2, onder structurele verandering.

Het gemeten voorbeeld is een K-12-module met scenariogebaseerde promptoefening en een automatische beoordelaar op basis van een LLM. De module verbeterde de feitelijke promptvaardigheid en verhoogde het vertrouwen in het gebruik van AI voor leren met 10,4%, waarbij 87% meldde te hebben geleerd AI verantwoord te gebruiken (AAAI 2026).

Wat studenten werkelijk denken is minder cynisch dan de paniek suggereert. Onder 504 sociologiestudenten had 65% generatieve AI gebruikt voor hun studie, maar slechts 3% om tekst voor een opdracht te genereren en 2% om een volledige kladversie te genereren. 81% had enige AI-begeleiding ontvangen en slechts 46% vond die heel duidelijk (een enquête onder sociologiestudenten). Dubbelzinnigheid, niet verzet, is het praktische probleem, en daarom verandert een duidelijke regel plus een aangeleerde reeks meer gedrag dan een waarschuwing. Mulisa en Mezgebu (2026) beschrijven studenten die vragen of generatieve AI een hulpmiddel is dat fraude vergemakkelijkt of een partner die leren ondersteunt, en die vraag is precies wat uw verwachtingen moeten beantwoorden.

De schade die het waard is expliciet te onderwijzen is de kloof tussen prestatie en leren: de prestatie stijgt nu, het leren daalt later, en de student ervaart alleen het eerste. AI-tools, academisch werk en fraude en rationalisering door studenten behandelen de kant van groepsnormen en rationalisering, inclusief het verweer “iedereen doet het”, dat een duidelijke norm ontkracht. Hoe sterk die basis is, staat in het bewijs voor AI-geletterdheid en de tien belangrijkste bevindingen voor docenten.

Wat docenten hier verkeerd doen

Een detector is een verzekering. Tel na wat de premie dekt: tegen het tempo dat Vanderbilt niet kon valideren is 1% van 75.000 jaarlijkse inzendingen 750 verkeerd gelabelde studenten, en de studie met 642 abstracts laat zien dat de markeringen zich ophopen bij toegestaan redigeren.

Een verbod beslecht de kwestie. Een verbod in de taal van “AI-gebruik” treft transcriptie net zo goed als schrijven, wat betekent dat u een student kunt bestraffen voor het dicteren van zijn eigen zin (Wright, 2026). Het vertelt u ook niets over wat die student kan.

Fraude is een motivatieprobleem, dus straffen zijn het middel. Motivatie is reëel, en ze is niet de hefboom met het beste bewijs. Herontwerp staat op Tier 1 omdat het niet vereist dat de student goed kiest, en het responsregiomodel zegt dat u moet ontwerpen voor de student die het meest geneigd is tot verheimelijking.

Als ik AI toesta, is misbruik niet langer mijn probleem. Toestemming zonder guardrails leverde in dezelfde studie de winst van 48% bij oefening en het verlies van 17% bij het tentamen op. Zet de guardrail terug en de schade verdween.

Studenten weten al waar de grens ligt. 81% had begeleiding en minder dan de helft vond die duidelijk. De cijfers 3% en 2% zeggen dat de meesten geen hele opdrachten genereren; de 46% zegt dat ze over de rest gokken.

Een aankruisvakje is een verklaring. Een aankruisvakje legt vast dat een student klikte. Een gefaseerde verklaring vertelt u wat ze bij elke stap deden, en dat is de enige versie die u of hen helpt.

Wat er op u afkomt

“Ik heb geen tijd om deze periode een cursus opnieuw te ontwerpen.” Ontwerp de cursus niet opnieuw. Ontwerp één opdracht opnieuw: één stap zonder hulp, één rubriekregel met punten. Dat is een wijziging van twee uur, en het is de wijziging die de review van 72 studies afzonderlijk noemt.

“Mondelinge verdedigingen zijn onmogelijk met 300 studenten.” Voer er dan geen 300 uit. Geef het onderdeel met gesloten boek meer gewicht, eis procesartefacten, en neem steekproefsgewijs mondelinge controles af bij de inzendingen die niet passen bij eerder werk. Driehonderd studenten hebben geen 300 gesprekken nodig om de afweging te veranderen.

“Ik heb iets nodig om aan het integriteitsbureau te laten zien.” Procesbewijs is sterker dan een detectorscore, omdat Munoz et al. vonden dat de reactiemogelijkheid en de eigen administratie van de cursus zijn waarop het dossier rust. Een gemarkeerd percentage is een beschuldiging. Een vastgelegde uitleg is een dossierstuk.

“Verklaringen eisen belast alleen de eerlijke student.” Dat doet het, als openheid wantrouwen oproept. Houd de kosten van eerlijkheid bijna nul: geen straf voor een opgegeven gebruik, en een verklaring die als context wordt gelezen. Het model voorspelt verheimelijking juist wanneer eerlijkheid duur wordt.

“Studenten gebruiken AI toch.” Dat doen ze, en de nuttige vraag is welk antwoord uw opdracht het gemakkelijkst maakt. In een klas waar 65% gebruik meldt en 2% meldt een volledige kladversie te genereren, is het meeste verkeer hulp die u zou kunnen onderwijzen in plaats van fraude die u moet vangen.

“Strengere regels pakken studenten die niets fout deden.” Dat is het gedocumenteerde faalpatroon, geen hypothese. Precisie is de bescherming: benoem de verboden handeling, niet het instrument.

Wat u deze week kunt doen

1. Herschrijf de AI-clausule in uw meest betwiste opdracht zodat die specifieke stappen en specifieke handelingen benoemt, en schrap de algemene formulering.

2. Voeg één stap zonder hulp toe aan die opdracht en geef die genoeg gewicht om ertoe te doen.

3. Zet een procesartefact in de rubriek met punten eraan verbonden, en beschrijf hoe goed eruitziet even precies als u het product beschrijft.

4. Als u een tutor toestaat, controleer de instellingen deze week aan de hand van de vier instellingen hierboven.

5. Vertel studenten, schriftelijk, dat een opgegeven gebruik niet wordt bestraft, en meen het.

Waar u verder kunt gaan

Toetsing opnieuw ontwerpen in het AI-tijdperk is het metgezelstuk over toetsontwerp, en de plek om te beginnen als uw vraag is waarvan een cijfer bewijs is. Moeten we AI-detectoren gebruiken? behandelt de detectiebeslissing rechtstreeks, AI-beleid voor de cursus behandelt de formulering die studenten werkelijk lezen, en de AI Assessment Scale levert het labelschema. Aan de onderwijskant behandelen het bewijs voor AI-geletterdheid en schade door AI-misbruik wat het geletterdheidswerk waard is en waarom de schade optreedt.