Uczciwość akademicka

Tłumaczenie automatyczne tej strony z języka angielskiego, jeszcze nie sprawdzone przez rodzimego użytkownika języka.

Uczciwość akademicka - ramy etyczne rządzące uczciwą pracą akademicką w dobie SI. Baza wiedzy dokumentuje, jak koncepcję tę przeformułowała generatywna SI: z problemu wykrywania nieuczciwego wyniku w problem projektowy, polegający na tym, by uczciwa praca była widoczna, weryfikowalna i warta wykonania. Badania nad uczciwością akademicką w tym obszarze ewoluowały od podejść skoncentrowanych na wykrywaniu ku fundamentalnemu przeprojektowaniu oceniania, zarządzaniu prowadzonemu przez pedagogikę oraz uczeniu uczniów dobrego korzystania z SI, a nie jedynie pilnowaniu, czy z niej korzystają.

Pytania do rozważenia

• Przypomnij sobie ostatnią rozmowę o „ściąganiu z SI". Czy dotyczyła ona przyłapywania uczniów, czy projektowania zadań, które uczniowie chcieliby wykonać uczciwie? Który akcent jest Ci bliższy i dlaczego?
• Dopracowany, wiarygodnie wyglądający tekst można dziś wygenerować w kilka sekund. Jeśli nie możesz już ocenić zdolności ucznia na podstawie oddanej pracy, co musiałbyś zobaczyć lub usłyszeć, aby nabrać pewności, że naprawdę się tego nauczył?
• Badania pokazują, że uczniowie często racjonalizują korzystanie z SI („kopiowanie tekstu z SI nikomu nie szkodzi"), zamiast niewłaściwie korzystać z niej złośliwie. Jakie założenia o motywach uczniów przyjmuje wyłącznie karząca polityka uczciwości i co w tych założeniach może być błędne?
• Jedna z linii badawczych traktuje korzystanie z SI przez uczniów jako problem koordynacji: zachowanie zmienia się wtedy, gdy zmieniają się oczekiwania rówieśników i bodźce wbudowane w ocenianie, a nie wtedy, gdy powtarza się reguły. Które czynniki rówieśnicze lub projektowe w Twoim własnym kontekście mogą po cichu kształtować to, czy korzystanie z SI jest uczciwe?
• Badania pokazują, że strach przed karą skłania uczniów do ukrywania korzystania z SI, a uczniowie, którzy je ujawniają, mogą wręcz wzbudzać podejrzenia. Gdybyś projektował formularz „oświadczenia o korzystaniu z SI", co sprawiłoby, że uczeń naprawdę chciałby wypełnić go zgodnie z prawdą?
• Ta sama instytucjonalna polityka wobec SI jest różnie interpretowana przez uczniów z różnych kultur: to kultura, a nie brzmienie polityki, decyduje o tym, co wydaje się niewłaściwe. Jak należy komunikować politykę uczciwości kulturowo zróżnicowanej kohorcie, aby oczekiwania były rzeczywiście rozumiane?

Wprowadzenie

Pojawienie się generatywnej SI nie stworzyło potrzeby uczciwości akademickiej - sprawiło jedynie, że słabości istniejących podejść trudniej ignorować. Dopracowany, wiarygodnie wyglądający produkt można dziś wygenerować w kilka sekund, więc podobieństwo produktu jest coraz mniej wiarygodnym sygnałem zdolności. Przesuwa to pytanie o uczciwość z „czy możemy przyłapać korzystanie z SI?" na „czy nasze ocenianie nadal uzasadnia wnioski, jakie wyciągamy o uczeniu się uczniów?".

Ewolucja od wykrywania do przeprojektowania

• Sceptycyzm wobec wykrywania: badania nad wykrywaniem SI oraz instytucjonalne analizy coraz częściej pokazują, że narzędzia wykrywania SI są niewiarygodne i proceduralnie niesprawiedliwe. Wykrywanie tekstu generowanego przez LLM napotyka fundamentalne ograniczenia. Prace w całości wygenerowane przez SI potrafią przejść przez systemy egzaminów na żywo w dużej mierze niezauważone, a doświadczeni oceniający nie rozpoznają wiarygodnie tekstów autorstwa generatywnej SI. Wykrywanie jest w najlepszym razie ograniczonym, sytuacyjnym narzędziem, a nie strategią pierwszego wyboru. Wolumen, z jakim mimo to musi sobie radzić, jest daleki od marginalnego: sześcioletnia analiza dużego kursu CS2 wykazała, że 45,7% uczniów w semestrze wiosennym 2026 zostało oznaczone ze względu na wzorce zgodne z programowaniem wspomaganym przez LLM (Racovan i wsp. (2026)).
• Wąski margines wykrywania i ściąganie jako zachowanie planowane: Leaton Gray, Edsall i Parapadakis (2025) zbierają argument, że SI wzmacnia podatność, którą sektor miał już wcześniej. Tekst wygenerowany przez SI został uznany za napisany przez człowieka w nawet 80% przypadków, podczas gdy przywoływane przez nich dowody lokują wykrywanie maszynowe na poziomie około 80% wobec 78,4% dla ludzkich recenzentów, co jest marginesem zbyt wąskim, by uzasadnić stwierdzenie o przewinieniu. Ich analiza motywacyjna jest wkładem bardziej wyróżniającym: wychodząc od teorii zachowań planowanych Ajzena i teorii poczucia własnej skuteczności Bandury, relacjonują metaanalizę Krou i wsp. (2021), która wykazuje, że poczucie własnej skuteczności koreluje negatywnie ze ściąganiem, podczas gdy rzeczywiste zdolności w ogóle nie korelują z nim odwrotnie. Zdolny, pewny siebie uczeń, który odbiera ocenianie jako niesprawiedliwe, może więc ściągać, aby odzyskać kontrolę. Wniosek podąża za tą samą inwersją, którą ta strona dokumentuje gdzie indziej: ocenianie, na które model potrafi przekonująco odpowiedzieć, jest ocenianiem intelektualnie trywialnym, a porażka należy do oceniania, a nie do ucznia.
• Przeprojektowanie oceniania: ocenianie autentyczne, podejścia wykraczające poza wykrywanie oraz Skala Oceny z SI przenoszą uwagę z przyłapywania na korzystaniu z SI na projektowanie oceniania, w którym korzystanie z SI jest albo nieistotne, albo przejrzyste, albo wymagane do wykazania konkretnej zdolności.
• Strukturalna podatność oceniania: Chan i wsp. przedstawiają konkretne studium przypadku pokazujące, jak obecne ocenianie jest strukturalnie wystawione na nieuczciwość zapośredniczoną przez SI. W departamencie biologii nauczyciele postrzegali jako minimalnie podatne wyłącznie egzaminy stacjonarne pod nadzorem; zadania poza zajęciami uznawano za wysoce podatne, co pozostawiało około jednej trzeciej oceny studenta jako wysoce podatną, a 80% jako co najmniej częściowo podatne. Ujmuje to problem uczciwości częściowo jako problem projektowania oceniania, motywując przesunięcie ku ocenianiu nadzorowanemu lub w sali oraz ku projektom oceniania autentycznego, które trudniej zlecić na zewnątrz. Ivory i wsp. (2026) dostarczają odpowiednika na poziomie dyscypliny w postaci całego trzyletniego programu psychologii: 36 z 40 ocenianych zadań, obejmujących 16 typów, pozwoliło uzyskać treść zaliczającą przy minimalnym wysiłku, a cztery, które tego nie umożliwiły, wymagały obecności, mediów wizualnych lub własnego zbioru danych studenta. Ich odczytanie dlaczego to przechodzi jest częścią, która się uogólnia: ocenianie nagradzające płynną strukturę i dobrą wiarę w użyciu właściwej analizy toleruje zmyślone wartości i wymyślone odniesienia, więc to granica zaliczenia, a nie wykrywanie, decyduje o tym, czy wynik SI jest oceniany jako osiągnięcie, a podatność oceniania „nie może być przypisywana wyłącznie korzystaniu przez studentów".
• Praca oddana jako powierzchnia ataku: wstrzykiwanie promptów przeciwko ocenianiu przez SI. Humble (2026) przeprowadza test penetracyjny codziennego przepływu oceniania i pokazuje, że praca oddana przez studenta może zawierać ukryte instrukcje zmieniające ocenę, jaką wystawia narzędzie SI: dwie z pięciu strategii wstrzyknięcia pośredniego osadzonych w pliku pracy podniosły ocenę niezaliczonego eseju do zaliczenia bez żadnego widocznego ostrzeżenia dla użytkownika, przy zgłoszonych wskaźnikach skuteczności ataku 100% (9/9) i 94% (17/18), obie łącząc manipulację instrukcjami, odgrywanie ról i zaciemnianie w formatach docx, pdf i htm. Najbardziej podstawowy atak całkowicie się nie powiódł, a jego odmowa była cicha: narzędzie wyłączyło czat, nie informując o próbie. Natomiast jedno wykryte wstrzyknięcie wywołało zapewnienie, że narzędzie będzie oceniać „wyłącznie zgodnie z oficjalnymi instrukcjami zadania", po czym sześć kolejnych uruchomień tego samego pliku i tak podniosło ocenę. Konsekwencja dla uczciwości biegnie w obu kierunkach: ocena podniesiona ukrytą instrukcją nie daje żadnego roszczenia do wiarygodności, ta sama technika mogłaby posłużyć do obniżenia oceny pracy bez trwałego śladu w wyniku, a osoba oceniająca pozostaje jedyną rzeczywistą kontrolą manipulacji zaprojektowanej tak, by była niewidoczna.
• Wiarygodność jako rama organizująca: wiarygodność oceny przeformułowuje uczciwość jako problem dowodowy. Badania nad ocenianiem autentycznym wprowadzają substytucję konstruktu: produkt wygenerowany przez SI jest przypisywany studentowi, więc ocenianie wnioskuje o zdolności narzędzia, a nie studenta. Pytanie dowodowe przeżywa każdą politykę wobec SI: niezależnie od tego, czy korzystanie jest zakazane, dozwolone czy wymagane, ocenianie musi nadal wytwarzać dowody uzasadniające wyciągany wniosek.
• Zróżnicowanie w skali jako mechanizm uczciwości bez nadzoru: VARIA (Lee 2026) poddaje testowi benchmarkowemu przesłankę leżącą u podstaw oceniania autentycznego zintegrowanego z SI (AIAA): zastąpienie nadzoru opartego na inwigilacji zróżnicowaniem zadania dla każdego studenta, tak aby kopiowanie było strukturalnie bezużyteczne. Gwarancja uczciwości jest warunkowa i zależy od tego, czy LLM-y generują warianty powierzchniowo różne i równoważne w konstrukcie; pilotaż 600 wariantów VARIA wykazuje, że modele frontier spełniają ten warunek tylko na granicy (wynik łączny 0,81-0,88), podczas gdy modele niefrontierowe się załamują (0,50-0,55), więc „zróżnicowania w skali nie da się rozwiązać samym promptowaniem". Daje to debacie o wykrywaniu i przeprojektowaniu empiryczną, falsyfikowalną kontrolę: obietnica oceniania autentycznego i zróżnicowanego zadaniowo bez nadzoru zależy teraz od zmierzonej (i nadal wąskiej) zdolności generowania, a nie od założenia.
• Uwierzytelnianie refleksji studenta wobec generatywnej SI: Kadel i wsp. (2026) argumentują, że tradycyjne modele refleksji nie mogą już uwierzytelniać refleksji studenta, odkąd generatywna SI potrafi napisać prozę refleksyjną, i wbudowują uczciwość bezpośrednio w model refleksji: etap pułapek w ramie 5P explicite zajmuje się plagiatem, halucynacjami i nadmiernym poleganiem, a etapy procesu i produktu wymagają dokumentowania promptów i walidowania wyników, tak aby własne rozumowanie uczących się dało się odróżnić od wkładu wygenerowanego przez SI.
• Rozwój polityki: instytucjonalne polityki wobec SI oraz badania nad polityką edukacyjną analizują, jak uniwersytety tworzą i komunikują oczekiwania dotyczące uczciwości - i dlaczego abstrakcyjne deklaracje polityczne tak często zawodzą.
• Uczciwość jako problem zarządzania, nie wykrywania. Coates, Croucher i Calderon (2025) przenoszą wiążące ograniczenie z zachowania studentów na akademickie zarządzanie, które nazywają odpornym, ale „nie najlepiej usytuowanym ani przygotowanym" do stawienia czoła zagrożeniom związanym z generatywną SI dla uwierzytelnienia oceniania studentów. Ich odpowiedzią jest rama wskaźników uczciwości obejmująca 130 pozycji w ośmiu wymiarach, od projektowania (19 pozycji) po doskonalenie (6), złożona z pytań o zarządzanie, a nie ze skal psychometrycznych: czy najwyższy organ instytucji otrzymuje aktualizacje o jakości oceniania, jaki odsetek oceniania przypomina istotne i znaczące problemy, jaki odsetek studentów jest znany osobiście nauczycielom, którzy ich oceniają. Rama powstała w wyniku wieloletniego przeglądu badań, pięciu studiów przypadków australijskich uniwersytetów, prototypowania, potwierdzenia eksperckiego z 60 zaproszonymi ekspertami z sześciu regionów świata oraz pilotażu ilościowego, a towarzyszą jej reformy architektur zarządzania, ludzi oraz technologii i zasobów, co do których autorzy oczekują, że przyniosą efekty tylko pod zewnętrzną presją regulacji, porównań między instytucjami i konkurencji między nimi; ramę przedstawiają jako formującą i apelują o walidację psychometryczną, zanim zostanie użyta do porównań lub do pomiaru edukacyjnego.
• Co mówią dokumenty: uczciwość dominuje w instytucjonalnej polityce wobec SI. Eldredge i wsp. (2026) przeanalizowali dokumenty polityki i wytycznych dotyczących SI we wszystkich 48 akredytowanych przez CAHIIM amerykańskich programach magisterskich z informatyki zdrowotnej i zarządzania informacją zdrowotną: 40 (83%) miało co najmniej jeden kwalifikujący się dokument, a dokumenty te ujmowały SI przytłaczająco jako kwestię zapobiegania niewłaściwemu korzystaniu przez studentów w ramach zajęć, koncentrując się na uczciwości akademickiej i dopuszczalnym użyciu. Uczciwość akademicka była zdecydowanie najczęstszym słowem kluczowym (n = 139, przed cytowaniem 59, ocenianiem 50 i plagiatem 38), natomiast wątki prywatności, własności intelektualnej i regulacji były obecne, ale rzadsze (HIPAA n = 5, FERPA n = 11, wytyczne IRB n = 8). Modelowanie tematyczne na tym samym korpusie zwróciło cztery tematy, z których pierwszym była uczciwość akademicka i właściwe korzystanie z SI, obok generatywnej SI w nauczaniu, wykorzystania SI i narzędzi danych w badaniach oraz zaangażowania studentów w konwersacyjne systemy SI. Wartość dowodowa dla tej strony tkwi w kwantyfikacji: ujęcie skoncentrowane na uczciwości nie jest tylko retorycznym domyślnym wyborem instytucjonalnej polityki wobec SI, lecz empirycznie jej dominującą treścią. Najostrzejsza obserwacja autorów dotyczy tego, gdzie ta uwaga się zatrzymuje: zauważają, że stosunkowo niewiele wytycznych obejmuje korzystanie z SI w uczeniu się stosowanym, w badaniach i w środowiskach symulowanych, gdzie przecinają się kwestie programowe i zarządzania danymi, więc dokumenty regulują zajęcia, podczas gdy środowiska, do których dyplom przygotowuje studentów, pozostają w dużej mierze nieomówione.
• Ujęcie uczciwości ustępuje miejsca regulacji według typu zadania: badanie podłużne Chirikova (2026) obejmujące ponad 31 000 sylabusów pokazuje, że polityki nauczycieli wobec SI odchodzą od ramy opartej wyłącznie na uczciwości: wzmianki o uczciwości akademickiej w sylabusach spadły z 63% (wiosna 2023) do 49% (jesień 2025), podczas gdy odniesienia do wpływu SI na uczenie się wzrosły z 1% do 29%. Nauczyciele coraz częściej regulują SI według typu zadania: ograniczają ją przy redagowaniu i rozumowaniu (gdzie SI wypierałaby uczenie się) i pozwalają na nią przy edycji i korekcie oraz wsparciu nauki, zamiast stosować ogólny zakaz z powodów uczciwości. Przeformułowuje to politykę uczciwości jako decyzję projektową na poziomie zadania, a nie regułę binarną.
• Odporność maszynowa jako zapobieganie, nie wykrywanie. Zaburzanie samego dokumentu - odstępów między znakami, słowami i wierszami, drgania krycia, nakładki pasowe i szum obrazu, a także ataki adwersaryjne oparte na decyzjach - podnosi wysiłek potrzebny do tanich nadużyć LLM u źródła, jednocześnie mierząc tę samą wiedzę (Salaun i wsp. (2026)). Ręczne przepisywanie pozostaje możliwe, a ataki adwersaryjne chronią tylko wybrane wiersze, co pozostawia błąd znaków w całym dokumencie poniżej 8,44%.

Procedura postępowania w sprawie przewinienia i jej załamanie dowodowe

Mechanizm egzekwowania, który spoczywa na polityce uczciwości, sam jest decyzją projektową, a generatywna SI zdemontowała jego podstawę dowodową. Teichmann (2026) argumentuje, że procedura postępowania w sprawie przewinienia, którą uniwersytety zapożyczyły z plagiatu, zakłada, że zakazane korzystanie można wykryć i udowodnić - przesłanka, którą technologia rozpuszcza. W przeciwieństwie do oprogramowania porównującego teksty, które wskazuje skopiowane źródło, klasyfikator tekstu SI nie wskazuje żadnego źródła (bo go nie ma); zwraca probabilistyczny osąd o stylu, który degraduje się przy parafrazowaniu, systematycznie błędnie oznacza teksty pisane przez nierodzimych użytkowników języka angielskiego i nie poddaje się wyjaśnieniu ani kontrprzesłuchaniu, podczas gdy wprawne lub lekko zredagowane korzystanie nie pozostawia żadnego śladu. Trwanie przy nim mimo to odwraca ciężar dowodu (student jest proszony o udowodnienie negacji), napręża każdy element sprawiedliwości proceduralnej i sprawia, że szkoda fałszywego oskarżenia spada najdotkliwiej na tych, którzy już są w niekorzystnej sytuacji. Proponowane remedium jest dwuczęściowe: standard dowodowy, w którym sama ocena detektora nigdy nie stanowi podstawy ustalenia, ze stopniowanymi odpowiedziami stawiającymi edukację na pierwszym miejscu, oraz przesunięcie wysiłku instytucjonalnego ku projektowaniu oceniania skoncentrowanemu na wiarygodności i autentycznego - odpowiedzią na niewykrywalną SI jest lepsze ocenianie, a nie lepszy nadzór. Przypadek graniczny nie ma żadnego mechanizmu: Isley, Gaebler i Goel (2026) dokumentują amerykański program magisterski z polityki publicznej, który zakazywał pomocy generatywnej SI w podpisanym oświadczeniu i nie sprawdzał żadnych prac, gdzie 56,1% kandydatów w 2025 r. złożyło co najmniej jeden esej sklasyfikowany przez komercyjny detektor jako napisany głównie przez SI, a każdy oznaczony esej wiązał się z prawdopodobieństwem przyjęcia niższym o 1,5 punktu procentowego (p < 0,01), rosnąc do 2,6 punktu (p < 0,001) po ustaleniu jakości eseju na stałym poziomie. Bez żadnego etapu wykrywania, rozstrzygania ani egzekwowania między regułą a wynikiem kara została wymierzona wyłącznie przez niepisaną ocenę osób czytających podania - zakaz plus niewsparta niczym ocena czytelnika odtwarzające uznaniową, nieuzasadnioną sankcję, której zapobiegać ma uczciwa procedura.

Munoz i wsp. (2026) dostarczają odpowiednika empirycznego, kodując wszystkie przypadki przewinienia z użyciem generatywnej SI na jednym regionalnym australijskim uniwersytecie w ciągu trzech lat: 1162 przypadki zawierające 1855 pozycji dowodowych, z których każdą oceniono pod kątem istotności, wiarygodności i siły inferencyjnej. Wynik detektora był dowodem po który sięgano najczęściej i który najmniej potrafił udźwignąć ciężar: raporty Turnitin lub podobieństwa miały 100% słabej siły inferencyjnej, a samodzielny wynik detektora 100% niskiej wiarygodności, przy czym dowody z detektora spadły do 0,5% pozycji do 2025 r., gdy instytucje przyswoiły, czego nie da się udowodnić - natomiast najsilniejsze typy dowodów to te, które nie opierają się na probabilistycznej klasyfikacji tekstu: przyznania się studentów, zaobserwowane zabronione zachowanie na egzaminie oraz niezależnie zweryfikowane wymyślone odniesienia, które były największą zmianą strukturalną, obejmując 22,3% pozycji. Ich najostrzejsza krytyka jest strukturalna, a nie dowodowa, ponieważ „nie ma wymogu, by prowadzący postępowanie oceniali jakość dowodową materiału przed popchnięciem zarzutu naprzód, ani minimalnego progu dowodowego na żadnym etapie procedury", więc jakość dowodów nie miała wiarygodnego związku z wynikiem sprawy. Odnotowują też, jak polityka dogoniła praktykę: polityka oceniania obowiązująca do 2024 r. nie mówiła nic o SI, a od stycznia 2025 r. zrewidowana polityka dopuszczała zatwierdzone oprogramowanie do weryfikacji autentyczności, jednocześnie zakazując przesyłania prac studentów do zewnętrznych narzędzi wykrywania SI.

Drugie niepowodzenie dotyczy zakresu, a nie dowodu. Wright (2026) pokazuje, że zakazy sformułowane na poziomie tożsamości platformy, a nie jej funkcji, obejmują niegeneratywną konwersję formatu - transkrypcję mowy na tekst, OCR, zamianę tekstu prostego na LATEX - obok redagowania generatywnego, które mają blokować, choć recenzowana literatura informatyczna traktuje rozpoznawanie i generowanie jako odrębne operacje. Koszt rozkłada się nierówno: studenci z zaburzeniami wpływającymi na precyzję motoryki małej, czytelność pisma odręcznego lub dokładność pisania na klawiaturze polegali właśnie na tych narzędziach, a gdy samodzielne produkty do zamiany mowy na tekst są wycofywane lub degradowane, transkrypcja oparta na SI wypełnia tę lukę funkcjonalną, więc zbyt szeroka reguła usuwa podstawowy sposób tworzenia czytelnej pracy, czyniąc spór najpierw kwestią dostępności i równości, a dopiero potem uczciwości. Remedium Wrighta to definicja generatywnej SI oparta na funkcji plus cztery kryteria operacyjne - wierność, nierozszerzanie, identyfikowalność i poświadczenie - które dają studentowi uporządkowaną drogę do odparcia zarzutu o samą transkrypcję, pozostawiając ciężar dowodu po stronie instytucji.

Problem dowodowy wykrywania jest także problemem wiarygodności. Ponieważ pomoc SI jest iteracyjna i wpleciona w redagowanie, a nie zlecona w całości, autorstwo i właścicielstwo znaczenia się rozchodzą, a poprawny oddany produkt może nie dowodzić, że student wykonał osąd, który zadanie miało sprawdzać. Skuteczność detektora zmienia się w zależności od zadania, dyscypliny i wersji modelu, a ujawnione lub podejrzewane korzystanie z SI może działać jako obciążająca wskazówka dla oceniających, więc reakcja oparta na wykrywaniu dodaje wariancję nieistotną dla konstruktu, zamiast ją usuwać. Tam, gdzie debaty o uczciwości pytają, kto wytworzył słowa, ujęcie przez wiarygodność pyta, jakie roszczenie o studencie uzasadnia wynik.

Problem racjonalizacji

Studenci na ogół nie nadużywają SI ze złośliwości; racjonalizują to. Badania z wywiadami wskazują co najmniej pięć miejsc rozłączenia, w których interpretacja polityki wobec SI przez studentów rozmija się z intencją nauczycieli, oraz taksonomię ponad 20 odrębnych racjonalizacji - od „kopiowanie tekstu z SI nikomu nie szkodzi" po „tekst odzwierciedlający moje przekonania jest moim własnym tekstem". Racjonalizacje te są doraźne, tworzone po fakcie i wewnętrznie niespójne, i opisują „stromą, etyczną ślizgawkę", po której studenci zjeżdżają daleko poza cele pedagogiczne. Dlatego błędne wyobrażenia studentów o SI są nadrzędną przyczyną naruszeń uczciwości i dlatego edukacja o uczciwości musi obejmować rozumowanie etyczne, a nie tylko umiejętności techniczne.

Przegląd zakresowy Ji (2026) obejmujący 38 badań empirycznych nad głosami studentów dostarcza syntezy, na której opiera się ta sekcja. Jego cztery wątki to niejednoznaczność (wygenerowanie całego zadania jest czytane jako ściąganie, sprawdzanie gramatyki i burza mózgów są w dużej mierze akceptowalne, a parafrazowanie, tworzenie konspektu i tłumaczenie lokują się w szarej strefie), etyczna sprawczość, w której studenci budują osobiste reguły w próżni wytycznych, odczytywanej jako milcząca aprobata ich działań, luka między świadomością etyczną a praktyką oraz zróżnicowanie według płci, poziomu, dyscypliny i kultury. Luka między świadomością a praktyką to problem racjonalizacji zmierzony w skali: Indeks Dysonansu Etycznego Huang i wsp. podzielił 522 chińskich studentów na cztery skupienia, z których jedno często robiło to, co uznawało za nieuprawnione, a modelowanie równań strukturalnych Ofema i wsp. na 4679 nigeryjskich studentach wykazało, że pozytywne postrzeganie ChatGPT przewidywało nieuczciwe korzystanie, podczas gdy pozytywne postawy wobec uczciwości działały jako istotny mediator negatywny. Ji czyta studentów ani jako biernych odbiorców generatywnej SI, ani jako winnych bez moralnych zahamowań, lecz jako aktywnych sprawców poruszających się po etycznej szarej strefie, dlatego przeglądane badania zbiegają się w odpowiedziach współtworzonych, edukacyjnych i wrażliwych na kontekst, a nie karzących.

Dlaczego sama polityka zawodzi: problem koordynacji

Rama gry koordynacyjnej dostarcza wyjaśnienia na poziomie mechanizmu, dlaczego deklaracje polityczne rzadko zmieniają zachowanie: korzystanie z SI przez studentów jest problemem koordynacji, w którym indywidualne wybory zależą od oczekiwań rówieśników i projektu oceniania. Kluczowym ustaleniem modelu jest nieliniowa dynamika progowa: małe, dobrze skalibrowane zmiany w bodźcach oceniania refleksyjnego mogą wywołać szybkie przesunięcia całej kohorty ku odpowiedzialnemu korzystaniu, podczas gdy słabe lub źle wyrównane bodźce pozwalają trwać praktyce oportunistycznej. W praktyce skromne przeprojektowanie (np. wymaganie od studentów refleksji nad ich interakcjami z SI) może mieć efekty nieproporcjonalne tam, gdzie abstrakcyjne reguły nie mają żadnych.

Odpowiedzialność rówieśnicza nie zawsze wskazuje na uczciwość, jak odkryli Chen i Zou (2026) w ocenianej pracy grupowej: siedem z piętnastu grup studenckich celowo ograniczyło korzystanie z generatywnej SI częściowo po to, by uniknąć pasożytowania na kolegach z grupy, ponieważ konsekwencje grupowe były wspólne, a nie indywidualne. Jednak w pięciu grupach permisywny klimat zbiorowy - „wszyscy w mojej grupie korzystają z generatywnej SI" - obniżył postrzegane ryzyko nadużycia i odwrócił sam mechanizm odpowiedzialności, który praca grupowa ma tworzyć. To samo badanie wykazało, że studenci przeformułowywali oryginalność jako wierność rozumieniu, które ich koledzy budowali wspólnie, a ich praktyczna rekomendacja wynika bezpośrednio z tego ustalenia: uczynić negocjowanie dopuszczalnego korzystania z SI jawnym, udokumentowanym i podlegającym ocenie wynikiem, zamiast pozwalać, by norma wyłaniała się z presji rówieśniczej lub postrzeganego ryzyka.

Niespójność polityk w obrębie instytucji wywołała dokładnie to zgadywanie, które przewiduje ujęcie koordynacyjne. Dziewięciu z jedenastu rozmówców w Zou i wsp. (2026) odczytało wyraźne pozwolenie własnego kursu na korzystanie z generatywnej SI jako możliwą „pułapkę" - wabik do zidentyfikowania studentów, którzy nie potrafią się oprzeć - choć polityka była otwarta i zapisana w wytycznych oceniania; studenci generalizowali na podstawie zakazów i ostrzeżeń napotkanych gdzie indziej, zamiast czytać reguły własnego kursu na ich własnych warunkach. Wniosek autorów podąża za mechanizmem, a nie za brzmieniem: jasność na poziomie kursu nie wystarczała i potrzebna jest spójność na poziomie programu lub instytucji, aby studenci przestali wnioskować o intencji z otaczającej kultury.

Identyczne zachowanie, różne werdykty - i ujawnienie, które niczego nie zmienia. Poudyal (2026) zastosował 15 standaryzowanych scenek do środowisk politycznych 20 australijskich uniwersytetów i uzyskał 300 klasyfikacji: 120 (40,0%) jednoznacznie zakazanych, 56 (18,7%) nieokreślonych i żadnej jednoznacznie dozwolonej, podczas gdy instrumenty wiążące milczały o generatywnej SI w 100 kombinacjach, które wytyczne rozstrzygnęły w 88. Ujawnienie nie przesądzało wyników: ten sam status ujawnienia dawał różne klasyfikacje w zależności od reguł pozwolenia i instrukcji zadania, a pole ujawnienia odnotowało 117 spełnionych wymogów i 80 fałszywych oświadczeń.

Procedury znaczą tyle samo co polityki, a ich podstawa dowodowa w przypadku SI się zawaliła. Teichmann (2026) argumentuje, że procedura postępowania w sprawie przewinienia, którą uniwersytety zapożyczyły z plagiatu, opiera się na przesłance, którą generatywna SI zdemontowała: że zakazane korzystanie można wykryć i udowodnić. W przeciwieństwie do oprogramowania porównującego teksty, które może wskazać skopiowane źródło, klasyfikatory tekstu SI nie wskazują żadnego źródła, bo go nie ma - zwracają probabilistyczny osąd o stylu, który degraduje się przy parafrazowaniu, systematycznie błędnie klasyfikuje osoby nierodzime i nie poddaje się wyjaśnieniu ani kontrprzesłuchaniu, podczas gdy wprawne lub lekko zredagowane korzystanie nie pozostawia żadnego śladu. Trwanie przy nim mimo to odwraca ciężar dowodu (student jest proszony o udowodnienie negacji), napręża każdy element sprawiedliwości proceduralnej i sprawia, że szkoda fałszywego oskarżenia spada najdotkliwiej na tych, którzy już są w niekorzystnej sytuacji. Proponowane remedium jest dwuczęściowe: opublikować standard dowodowy, w którym sam wynik detektora nigdy nie stanowi podstawy ustalenia, ze stopniowanymi odpowiedziami stawiającymi edukację na pierwszym miejscu, oraz przenieść wysiłek instytucjonalny do projektowania oceniania skoncentrowanego na wiarygodności i autentycznego. Mohamed i Temimi (2026) dostarczają odpowiednika na poziomie mechanizmu od strony studenta: ponieważ każde środowisko oceniania czyni jakąś odpowiedź najbardziej atrakcyjną, zakaz pozostawia ukrywanie atrakcyjnym, gdy weryfikacja jest nikła, monitorowanie czyni ukryte korzystanie kosztowniejszym, nie czyniąc ujawnienia bezpiecznym, a jedynie przeprojektowanie - obniżenie zysku z zlecania na zewnątrz przy podniesieniu wartości widocznego rozumowania - przesuwa studentów ku odpowiedzialnemu korzystaniu. Ich najostrzejszy wynik mówi, że odstraszanie działa przez zdolność detektora do odróżniania ukrytego korzystania od uprawnionej pracy, a nie przez jego wskaźnik wychwytywania, więc gdy fałszywe alarmy rosną szybciej niż trafienia, silniejsze monitorowanie może czynić ukrywanie względnie bardziej atrakcyjnym.

• Obowiązek uczciwości można przepisać jako indywidualną kompetencję. W 366 streszczeniach o generatywnej SI w szkolnictwie wyższym słowo uczciwość pojawia się 461 razy, ale tylko 6 ze 166 wyrażeń zobowiązaniowych wskazuje studentów, więc weryfikacja i ujawnianie wyłaniają się jako umiejętności, które studenci mają mieć, a nie obowiązki, które instytucje egzekwują (Poudyal, 2026).

• To, jak preskryptywna jest polityka uczciwości, nie ujawnia, jak wystawione jest ocenianie. Audytując 15 587 rekordów jednostek, Villanueva (2026) stwierdził, że uniwersytety z ogólnouczelnianymi mandatami reform i te z szerokimi ramami rozkładają się w tym samym zakresie ekspozycji oceniania - empiryczny odpowiednik ujęcia koordynacyjnego wyjaśniającego, dlaczego deklaracje rzadko zmieniają zachowanie.

Wymiar społeczno-emocjonalny

Egzekwowanie uczciwości ma zaniedbany koszt emocjonalny. Badania nad wstydem i poczuciem winy wśród studentów pokazują, że te emocje regulują, kiedy i jak korzystanie z SI staje się widoczne, wywołując zachowania ukrywające i selektywne ujawnianie - oraz że współistnieją one z dalszym korzystaniem, tworząc cykle zmniejszonej sprawczości i napięcia moralnego zamiast zmiany zachowania. Dlatego normy wokół korzystania z SI regulują widoczność skuteczniej niż samo korzystanie. Studenci opisują nawet swoje korzystanie z SI językiem uzależnienia. Implikacja: polityka silnie oparta na wykrywaniu i zorientowana na nadzór ryzykuje zepchnięcie nadużycia do podziemia zamiast zajęcia się nim, podkopując szczerą negocjację, której wymaga produktywne korzystanie.

Odwrotnością ukrywania jest odmowa, a ona niesie własny koszt emocjonalny. Wśród 85 przyszłych nauczycieli, których Zou i wsp. (2026) ankietowali w ramach polityki oceniania wyraźnie dopuszczającej generatywną SI, 62,4% (53) zdecydowało się nie korzystać z niej w ogóle, a korzystanie u tych, którzy ją przyjęli, było płytkie i korekcyjne - korekta tekstu (43,8%) i sprawdzanie jasności (34,4%) znacznie przewyższały generowanie tekstu (18,8%) i burzę mózgów (12,5%). Strach przed fałszywym oskarżeniem, a nie trudność techniczna, wykonał tu dużą część pracy: wskazało go 41,5% osób, które nie przyjęły SI, wobec 13,2% wskazujących brak wiedzy lub umiejętności, podczas gdy 77,4% ujęło niekorzystanie po prostu jako preferencję pracy w pojedynkę. Gdy permisywna polityka jest czytana jako pułapka, bezpieczną odpowiedzią jest odrzucenie oferty - co kosztuje instytucję pracę zintegrowaną z SI, którą próbowała zaprosić.

Oświadczenia o korzystaniu z SI

Oświadczenia o korzystaniu z SI i o jej ujawnianiu są konkretnym mechanizmem operacjonalizacji oczekiwań uczciwości - a badania pokazują, że często zawodzą, gdy traktuje się je jako neutralne formularze zgodności. Gonsalves (2025) stwierdził, że 74% studentów nie zadeklarowało korzystania z SI na obowiązkowej stronie tytułowej pracy kursowej, powodowane strachem przed karami, niejednoznacznością wytycznych, niespójnym egzekwowaniem i normami rówieśniczymi. Kirsanov i wsp. (2026) oraz Vetter i wsp. (2026) potwierdzają, że strach przed odwetem i niejasna polityka oziębiają ujawnianie - i że przejrzyści studenci mogą wręcz wzbudzać podejrzenia. Chang i wsp. (2026) przeformułowują ujawnianie jako zachowanie z zakresu poszukiwania pomocy i samoregulacji, które lęk przekierowuje ku rówieśnikom. Zbiorcza lekcja: polityki ujawniania muszą zajmować się barierami afektywnymi i społecznymi, być jasne i spójne oraz traktować ujawnianie jako ocenianie formujące, a nie nadzór. Luo i Dawson (2026) dodają stronę nauczycielską równania: ocenianie przez nauczycieli pracy wspomaganej generatywną SI jest napędzane osądami wartościującymi o uczciwości, pilności i zaufaniu studenta, a wielu nauczycieli karze (lub ma pokusę ukarania) studentów, którzy ujawniają korzystanie z generatywnej SI - nawet gdy jakość pracy jest wysoka. To problem „dwukierunkowej przejrzystości": od studentów oczekuje się deklarowania korzystania, ale nauczyciele rzadko wyjaśniają, jak ta deklaracja wpłynie na oceny, więc uczciwe ujawnienie może nieść nieujawnioną karę przy ocenianiu. Badanie osadza problem ujawniania w nasyconej wartościami rzeczywistości oceniania przez nauczycieli i argumentuje, że przejrzystość musi działać w obu kierunkach.

Doniesienia samych studentów kwantyfikują, jak źle ten przekaz dociera. W ankiecie 504 studentów socjologii na studiach licencjackich 81 procent stwierdziło, że ich nauczyciele lub asystenci udzielili wskazówek o korzystaniu z SI, ale tylko 46 procent uznało te instrukcje za bardzo jasne; 19 procent zgłosiło, że nie otrzymało żadnych wskazówek, a pozostali opisali je co najwyżej jako nieco jasne (Kuznetsov, Sheely i Baker, 2026). Strach przed popełnieniem przewinienia akademickiego był drugim najczęściej podnoszonym przez studentów zmartwieniem (28 procent) - koszt narzucony niejednoznacznością, a nie egzekwowaniem, skoro tylko 3 procent zgłaszało korzystanie z generatywnej SI do generowania tekstu zadania, a 2 procent do tworzenia pełnego szkicu. Praktyczna implikacja jest taka, że jasność komunikacji sama jest mechanizmem uczciwości, a student, który nie potrafi stwierdzić, co jest dozwolone, ponosi ryzyko, którego instytucja nigdy nie zamierzała narzucić.

Pozwolenie na poziomie kursu także nie rozwiązuje dylematu ujawniania. W badaniu Zou i wsp. (2026) obejmującym 85 przyszłych nauczycieli, których ocenianie wyraźnie dopuszczało generatywną SI, samodeklaracje sumowały się do 28 użytkowników wobec 32 w anonimowej ankiecie, a oba źródła rozchodziły się w przeciwnych kierunkach w zależności od kursu: kurs A odnotował 14 użytkowników w ankiecie, ale tylko 8 deklaracji, podczas gdy kurs C odwrócił ten wzorzec (8 w ankiecie, 12 deklaracji). Autorzy czytają tę rozbieżność jako skutki podlegające ocenie, które kształtowały to, co studenci byli gotowi ujawnić, dodając dowody z kształcenia nauczycieli, że system deklaracji mierzy zachowanie związane z ujawnianiem w takim samym stopniu jak korzystanie.

Zróżnicowanie kulturowe i kontekstowe

Tekst polityki nie równa się jej postrzeganiu. Badania międzynarodowe wykazały, że mimo funkcjonalnie identycznych polityk instytucjonalnych studenci różnych uniwersytetów oceniali te same praktyki wspomagane SI odmiennie - to kultura, a nie brzmienie polityki, napędzała postrzeganą niewłaściwość. Harmonizacja polityk nie powoduje harmonizacji postrzeżeń, więc kulturowo zróżnicowane kohorty interpretują te same reguły różnie, co jest kwestią równości przy egzekwowaniu i ocenianiu i przemawia za wyjaśnianiem opartym na scenariuszach zamiast abstrakcyjnych deklaracji reguł.

Drugą osią zróżnicowania jest pochodzenie językowe, a nie kultura. Li (2026) argumentuje, że ponieważ ten sam interfejs wykonuje dozwoloną redakcję językową i zakazane redagowanie merytoryczne, reguły uczciwości traktujące generatywną SI jako jedną kategorię nieuprawnionej pomocy zamieniają niekorzyść językową w ryzyko dla uczciwości: całkowity zakaz usuwa skalowalną formę wsparcia językowego, reżim pozwalania z obowiązkiem ujawniania przenosi pracę zgodnościową na studentów uczących się w języku angielskim jako dodatkowym (EAL), których korzystanie jest częstsze i iteracyjne, a zakazy edycji wykraczającej poza drobne zmiany koncentrują podejrzenia na autorach, których płynność zmieniła się najbardziej. Granica proponowana przez Li opiera się na celu, a nie na narzędziu: dozwolone wsparcie nie dodaje nowych idei, nowych źródeł ani istotnego przestawienia analizy, podczas gdy substytucja tworzy lub istotnie przekształca pracę intelektualną podlegającą ocenie. Jest ona zakotwiczona w konstrukcie oceniania, ponieważ rubryki przyznające punkty za płynność i idiomatyczność wprowadzają wariancję nieistotną dla konstruktu u piszących w języku angielskim jako dodatkowym (wiarygodność oceny). Rama degraduje wynik detektora do sygnału triażowego, który rzadko stanowi dowód, preferując triangulację przez etapowe oddawanie prac, historie szkiców, weryfikowalne ślady źródeł i krótką rozmowę wyrównaną z konstruktem, oraz kalibruje ujawnianie tak, aby rutynowe wsparcie nie niosło kosztów zgodnościowych wyższych niż te, które ponoszą rówieśnicy jednojęzyczni.

Od pilnowania do pedagogiki

Baza wiedzy dokumentuje zmianę paradygmatu: od SI jako zagrożenia dla uczciwości, które trzeba pilnować, do SI jako narzędzia, którego właściwego użycia trzeba nauczać. To etyczny wymiar kompetencji w zakresie SI, który jest ucieleśniony w praktycznym projektowaniu:

• Deklaracje korzystania z SI swoiste dla zadania: Ramy deklaracji swoiste dla domeny zastępują ogólne pola wyboru „użyłem SI" ustrukturyzowanymi deklaracjami wiążącymi korzystanie z etapami poznawczymi (np. planowanie strukturalne wobec generowania treści), wymuszając refleksję i przenosząc uwagę z pilnowania na praktykę zawodową.

• Ocenianie z przejrzystym procesem: architektury takie jak powiernictwo poznawcze, etapowe oddawanie prac, obrony ustne oraz AI Viva (agent konwersacyjny sondujący, czy student rozumie swoje prace) czynią widocznymi ludzki osąd, weryfikację i odpowiedzialność. Miles, Haber-Curran i Arar (2026) sprowadzają tę samą logikę aż do samego promptu: ich przykładowa rubryka ocenia iteracyjne dopracowywanie, krytyczną interpretację wyniku i refleksyjną rewizję, więc oceniane jest zaangażowanie studenta z narzędziem, a nie artefakt, który ono wytworzyło, i argumentują, że uczenie studentów wyłącznie optymalizacji wyniku pozostawia nietknięte etyczne i epistemologiczne wymiary korzystania.

• Redukcja nadużyć: uczciwość stoi obok niewłaściwego korzystania z SI i szkody w uczeniu się (koszt uczenia się związany z nadużyciem) oraz redukcji niewłaściwego korzystania z SI (interwencji, które mu zapobiegają), wiążąc uczciwość z rzeczywistym uczeniem się, a nie z przestrzeganiem reguł.

• Przejrzystość jako strategia uczciwości, nie tylko kurtuazja: studium projektowe McCorkle'a (2025) traktuje uzasadnienie każdego dozwolonego lub niedozwolonego użycia generatywnej SI jako sam mechanizm uczciwości. Studenci interviewowani po zignorowaniu polityki zakazu wyjaśniali, że nie postrzegali swojego zachowania jako nieuczciwego, co przeformułowuje porażkę jako niejednoznaczność, a nie niezgodność - dlatego przeprojektowanie odpowiedziało na to, uzasadniając każde ograniczenie konkretnym ocenianiem, które ono chroni, i projektując z myślą o przekonywalnym „20-60-20" McCabe'a, a nie o nielicznych zdecydowanych. Studium nazywa też koszt równościowy niejasnej polityki: oczekiwania, które są niejasne i nierówne między nauczycielami, są tym, co zamienia porażkę polityki w postępowanie dyscyplinarne (równość).

• Projektowanie, nie wykrywanie: przypadek Bochum. Przeprojektowanie wstępu do fizyki jądrowej i cząstek elementarnych na Uniwersytecie Ruhry w Bochum (Mikhasenko i wsp., 2026) powiązało politykę wobec SI z praktyczną porażką uczciwości, a nie z wykrywaniem: ponieważ zadania z ćwiczeń były ujawniane z góry, część studentów przygotowywała rozwiązania wygenerowane przez SI i kopiowała je na tablicę, nie angażując się w zamierzone rozumowanie. Autorzy traktują to jako problem projektowy (przeniesienie zadań z ćwiczeń do przygotowanej dyskusji na zajęciach i uczynienie egzaminu pisemnego czynnikiem decydującym o ocenie), a nie problem pilnowania, jednocześnie wyraźnie dopuszczając SI w nauce, wyjaśniając, dlaczego weryfikacja jest odpowiedzialnością studenta, i odnotowując, że otwarte zadania domowe dopuszczające SI podniosły też zależność, nierówny dostęp do płatnych modeli i obciążenie pracy asystentów.

Najczystsze sformułowanie pedagogicznej inwersji pochodzi od El Khoury'ego i Ma (2026), którzy argumentują, że reforma wychodząca z podejrzenia zawęża wyobraźnię edukacyjną do kontroli, zgodności i nadzoru, a uczciwość powinna być konsekwencją oceniania projektowanego dla zaangażowania, a nie jego punktem wyjścia. Ich obserwacja wspierająca dotyczy mechanizmu widocznego już gdzie indziej w tej bazie wiedzy: brak zaangażowania jest jednym z warunków, w których nieuczciwość staje się bardziej prawdopodobna, więc programy, które testują ocenianie pod presją lub ograniczają korzystanie z SI bez zajęcia się zaangażowaniem, pozostawiają część problemu nietkniętą.

Studenci spoza anglojęzycznego szkolnictwa wyższego opisują to samo napięcie własnymi słowami. Mulisa i Mezgebu (2026) przeprowadzili wywiady z 27 studentami studiów licencjackich na etiopskim uniwersytecie i odkryli społeczność studencką podzieloną przeciwko sobie: niemal wszyscy korzystali z generatywnej SI lub widzieli, jak robią to rówieśnicy, większość przypisywała jej poprawę wyników w nauce, niewielka mniejszość nazywała takie korzystanie po prostu przewinieniem, a niemal wszyscy opisywali nierówne warunki, w których praca wspomagana SI zdobywała lepsze oceny niż uczciwy wysiłek, podczas gdy osoby pracujące samodzielnie traciły poczucie pilności. Najostrzejszą cechą tego obrazu jest definicja plagiatu podawana przez studentów, technicznie obronna i niepełna: jeśli plagiat oznacza odtwarzanie cudzych słów, tekst napisany przez maszynę, która niczego nie kopiuje, nie jest plagiatem. Dlatego autorzy argumentują, że definicja musi wyjść poza kopiowanie i wklejanie, idąc za „AI-plagiarism" Ka i Chana (2025), i dlatego umieszczają przekonania samych studentów, a nie tylko reguły instytucjonalne, w centrum etycznego korzystania.

Sharma (2026) idzie o krok dalej, rozciągając ramę postplagiatową Eaton z orientacji etycznej na projekt oceniania. Uczciwość, w tym ujęciu, jest urzeczywistniana przez osąd oceniający - zdolność uczącego się do ważenia opcji, uzasadniania wyborów akademickich i przyjmowania odpowiedzialności w warunkach niepewności epistemicznej - i czyniona widoczną przez cztery praktyki: opatrzone komentarzem ślady decyzji, praktyki weryfikacji i odpowiedzialności, obronę ustną i odpowiedzialność dialogową oraz różnice między szkicami z historią wersji. Wykrywanie jest zachowane wyłącznie jako warstwa uzupełniająca dla wyraźnego zniekształcenia lub celowego zlecenia pracy intelektualnej na zewnątrz, nigdy jako główna infrastruktura uczciwości, ponieważ pyta, czy użyto generatywnej SI, a nie jak podjęto decyzje stojące za pracą; argument nazywa też ryzyko równościowe, że modele skoncentrowane na wykrywaniu spadają najdotkliwiej na uczących się, którzy polegają na narzędziach generatywnych jako rusztowaniu językowym lub poznawczym.

Trzecia droga leży między wykrywaniem a przeprojektowaniem. Akçapınar (2026) przewiduje ryzyko ściągania wspomaganego SI na podstawie śladów LMS z wczesnej części semestru z AUC 0,763 i ujmuje wynik jako niskostawkowe wskazówki akademickie - przypomnienia, monitorowanie zadań, krótkie rozmowy kontrolne - a nie dowód przewinienia, nalegając, by wynik pozostawał oddzielony od ocen i rejestrów dyscyplinarnych.

Powiązania

Uczciwość akademicka łączy się z wiarygodnością oceny, kompetencjami w zakresie SI, wykrywaniem SI, ocenianiem autentycznym, ocenianiem, polityką edukacyjną wobec SI, regulacjami, etyką i równością. Jest etycznym wymiarem SI w edukacji, nierozłącznym od nadmiernego polegania i szerszego pytania o to, jak generatywna SI przekształca uczenie się w szkolnictwie wyższym i w szkołach K-12.

• Synteza przeglądu systematycznego. Przegląd PRISMA 25 badań (Balalle i Pannilage 2025) wykazuje, że SI działa zarówno jako zagrożenie (pisanie generowane przez SI, narzędzia parafrazowania), jak i jako narzędzie wykrywania (wyniki AI Turnitin), że oprogramowanie do wykrywania jest niewiarygodne w przypadku pracy generowanej przez SI oraz że instytucje muszą budować kulturę uczciwości akademickiej przez jasną politykę, przeprojektowanie oceniania i szkolenia etyczne, a nie tylko przez pilnowanie.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Uczciwość jest centralną troską, ale rzadkim wynikiem. W 394 badaniach nad generatywną SI w szkolnictwie wyższym uczciwość akademicka i etyka należały do najrzadziej podejmowanych wyników (Lin i wsp. (2026)).

• Od pilnowania do dialogu: weryfikacja uczenia się. Relacja z praktyki o ogólnouczelnianej ramie Grand Canyon University (Mandernach 2026) argumentuje, że wykrywanie jest niewiarygodne, a formalne procedury uczciwości rzadko dochodzą do rozstrzygnięcia, pozostawiając nauczycieli z „podejrzeniem bez rekompensaty". GCU przyjęło zamiast tego weryfikację uczenia się - prosząc studentów o wykazanie zrozumienia oddanej pracy w krótkiej rozmowie - przeformułowując uczciwość z problemu zgodności w problem oceniania. Przywraca to autorytet nauczycieli, przesuwa studentów z „jak się nie dać przyłapać" ku rzeczywistemu zaangażowaniu i uznaje korzystanie z SI za dopuszczalne, gdy student potrafi wykazać uczenie się; początkowy lęk studentów wobec weryfikacji podkreśla, że polityka silnie oparta na nadzorze może erodować zaufanie.

• Generatywna SI pokonuje zadania domowe oceniane automatycznie (2026): ChatGPT przeszedł wszystkie 150 sesji testowych na celowo utwardzonych, automatycznie ocenianych zadaniach domowych z Qiskit (obliczenia kwantowe) - personalizacja, ukryte odniesienia, refleksje, wykonanie w symulatorze - co pokazuje, że oceniający oparte na rubrykach nie potrafią wiarygodnie odróżnić pracy wykonanej przez SI od pracy wykonanej przez studenta, i przemawia za bezpośrednim ocenianiem zrozumienia (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Ocenianie w dobie SI - wynik jako dowód (2026): analiza na poziomie uniwersyteckim argumentuje, że kryzys oceniania z SI to niedopasowanie projektu oceniania do efektów uczenia się, a nie tylko nieuczciwość; dokumentuje szkody nadzoru (przeglądarki blokujące, śledzenie wzroku), „pułapkę ujawniania" (studenci boją się, że zadeklarowanie korzystania z SI obniży ocenę), lukę wydajnościową oceniającą status społeczno-ekonomiczny (płatne i darmowe poziomy LLM) oraz „wypalenie pedagogiczne" nauczycieli pilnujących SI - rekomendując ocenianie oparte na procesie zamiast wykrywania (Evaluation in the Age of AI: Output as Evidence of Learning).

Nowsze dowody: rozumowanie etyczne, granice wykrywania, marketing SI i studenci widma

Fala niedawnych badań zaostrza obraz uczciwości akademickiej w dobie generatywnej SI:

• Studenci szkół średnich rozumują o „AI-giaryzmie" sytuacyjnie, a nie według stałej reguły. Chan (2026) pokazuje, że rozumowanie etyczne uczniów szkół średnich o „AI-giaryzmie" jest zniuansowane i zależne od kontekstu - wielu uznaje pracę wspomaganą SI za dopuszczalną, gdy wspiera zrozumienie, ale za problematyczną, gdy zastępuje ich własny wysiłek - co podważa założenie, że uczniom po prostu brakuje uczciwości albo że jedna polityka może ująć ich etykę.

• Same ocenianie autentyczne nie chroni uczciwości. Kofinas i wsp. (2025) stwierdzają, że oceniający na ogół nie potrafią odróżnić oceniania z wkładem generatywnej SI od tego bez niego oraz że poziom autentyczności oceniania nie ma wpływu na zdolność zabezpieczenia się przed korzystaniem z generatywnej SI lub jego wykrycia. Sektor szkolnictwa wyższego „nie może polegać wyłącznie na ocenianiu autentycznym, by kontrolować wpływ generatywnej SI" - co jest bezpośrednim wyzwaniem dla strategii przeprojektowania oceniania, którą trzeba łączyć z innymi środkami.

• Wytyczne dotyczące uczciwości muszą obejmować proces badawczy, a nie tylko nauczanie. Dai i Chan (2026) stwierdzają, że badacze na studiach doktoranckich urzeczywistniają kompetencje w zakresie SI w różnych zadaniach badawczych, i argumentują, że polityki odpowiedzialnego korzystania, które obecnie koncentrują się na nauczaniu i ocenianiu, muszą rusztować etyczne wymiary korzystania z generatywnej SI w badaniach, gdzie obawy dotyczą oryginalności, autorstwa, prywatności danych i degradacji umiejętności, a nie tylko plagiatu.

• Cel musi poprzedzać politykę. Taylor i LaCroix (2026) argumentują, że to, czy korzystanie z generatywnej SI stanowi przewinienie, zależy od celu uniwersytetu. Rosnąca liczba przypadków przewinień odzwierciedla strukturalną niespójność neoliberalnego uniwersytetu, w którym entuzjazm technologiczny, wpływy korporacyjne i egzekwowanie polityki wchodzą w konflikt, pozostawiając studentów odpowiedzialnymi za zachowania implicytnie kształtowane przez instytucję. Uniwersytety nie mogą wiarygodnie egzekwować uczciwości bez spójności między deklarowaną misją, pedagogiką i praktyką technologiczną.

• Psychologiczne i behawioralne determinanty. Badania Frontiers mapują mechanizmy psychologiczne i determinanty behawioralne uczciwości akademickiej pod wpływem SI - jak postawy, poczucie własnej skuteczności, normy i postrzegane konsekwencje kształtują uczciwe korzystanie - wiążąc uczciwość z motywacją, poczuciem własnej skuteczności i kompetencjami w zakresie SI jako konstruktami behawioralnymi, a nie czystym przestrzeganiem reguł. Tabares-Cruz i wsp. (2026) kwantyfikują je w modelu równań strukturalnych na 980 ekwadorskich studentach uniwersyteckich, porządkując najpierw dyspozycje uczciwości akademickiej i przejrzystości, a następnie kompetencje w zakresie SI, krytyczną weryfikację, wytyczne instytucjonalne, samoregulację i ochronę danych - przy czym dyspozycje uczciwości i kompetencje w zakresie SI razem wyjaśniają istotną część etycznego korzystania z generatywnej SI i wyprzedzają same reguły instytucjonalne.

• Marketing SI normalizuje korzystanie i ujmuje „ściąganie kontra konkurowanie". Sobo i wsp. (2025) pokazują, że SI jest sprzedawana studentom jako praktyczna konieczność („Spraw, by twoje pisanie brzmiało naturalniej, aby nie zostać omyłkowo oznaczonym"), a studenci czują się zmuszeni ją przyjąć, by pozostać konkurencyjnymi, nawet gdy martwią się zależnością i utratą uczenia się - jest to zinternalizowany imperatyw przedsiębiorczy. Wskazuje to na potrzebę kompetencji w zakresie marketingu jako części edukacji o uczciwości w erze SI.

• Humanizatory SI obnażają performatywny cykl wykrywania. Roe i wsp. (2026) katalogują 55 stron humanizatorów SI, które zmieniają tekst wygenerowany przez SI, by uniknąć wykrycia, ujmując je przez dramaturgię Goffmana. Humanizatory czynią przewinienie dyskursywnie nieobecnym i performują prawomocność, co pokazuje, że wyścig zbrojeń między wykrywaniem a obchodzeniem jest strukturalnie nieskończony i wzmacnia przesunięcie od pilnowania ku projektowaniu oceniania i kompetencjom w zakresie SI.

• Egzekwowanie, a nie wykrywanie, jest miejscem, w którym żyje rozmowa. W 270 929 rekordach dotyczących SI z 26 edukacyjnych subredditów obejmujących trzy i pół roku skupisko uczciwości akademickiej objęło 37,1% dyskusji, a egzekwowanie przewinień było pojedynczym największym tematem z 12,1%, podczas gdy 32,3% wątków nauczycielsko-studenckich mieściło się w sporach o wykrywanie i egzekwowanie (Yüce i wsp. (2026)).

• Studenci widma i luka weryfikacyjna SI agentowej. Bozkurt, Crompton i Fell Kurban (2026) wprowadzają „studenta widmo": cyfrowego zastępcę stworzonego przez sprzężenie LLM-ów („umysł") z przeglądarkami SI agentowej („ciało"), który potrafi nawigować po LMS, angażować się w treści i ukończyć ocenianie z ludzkim naśladownictwem, czyniąc obecność rzeczywistego uczącego się opcjonalną. Tworzy to lukę weryfikacyjną, której tradycyjny nadzór i wykrywanie są strukturalnie niezdolne zamknąć - zagrożenie dla uczciwości, które rośnie w miarę, jak SI staje się agentowa, a nie tylko generatywna.

Najczystszy przypadek dyscyplinarny za przeprojektowaniem zamiast wykrywania pochodzi z edukacji informatycznej. Przegląd systematyczny 72 badań nad generatywną SI w edukacji informatycznej i programowaniu (Kumar, Wongsirichot i Nanthaamornphong 2026) znalazł tylko trzy badania analizujące mechanizmy wykrywania SI - najcieńszą bazę dowodową z 14 scalonych tematów - podczas gdy przeprojektowanie kursów i oceniania było poparte przez 25. Przegląd traktuje tę nierównowagę jako diagnostyczną, a nie przypadkową: instytucje w dużej mierze zaktualizowały dokumenty polityki bez przeprojektowania oceniania, a większość nauczycieli sytuuje się na poziomie integracji tolerancji, a nie transformacji, przy czym 70% jednej ogólnokrajowej próby wydziału wyraźnie prosiło o szkolenia z projektowania oceniania odpornego na SI. Jego zalecana odpowiedź jest konkretna: dodać element ustny lub inny element czyniący proces widocznym do co najmniej jednej oceny o wysokich stawkach na kurs oraz uczynić krytyczne zaangażowanie z wynikiem SI (czytanie, testowanie, modyfikowanie, wyjaśnianie, krytykowanie) ocenianym i obserwowalnym składnikiem pracy studenta, a nie aspiracją pozostawioną jego uznaniu (wiarygodność oceny). Przegląd PRISMA 72 badań nad ocenianiem w szkolnictwie wyższym wskazuje trzy powtarzające się odpowiedzi projektowe na generatywną SI - orientację na proces, autentyczność oraz podejścia ustne i dialogowe - ujmowane jako warstwy dokładane do istniejących zasad wiarygodności, autentyczności i wyrównania, a nie zastępujące je (Crompton i Burke (2026)).

• Wymyślone odniesienia dotarły do opublikowanego zapisu edukacji informatycznej. Denny i wsp. (2026) prześledzili 113 588 odniesień z 5225 artykułów o edukacji informatycznej z ACM Digital Library wobec pełnego korpusu 723 930 publikacji i 15 872 533 odniesień, ręcznie zweryfikowali 828 podejrzanych rekordów i potwierdzili 30 odniesień zawierających weryfikowalnie wymyślone informacje bibliograficzne w 14 artykułach, wszystkie opublikowane w 2025 lub 2026 r. Na SIGCSE Technical Symposium zweryfikowana liczba wzrosła z 3 w 2025 r. do 17 w 2026 r., występując w 2,3% artykułów z materiałów 2026, a halucynowane odniesienia pojawiły się w pięciu miejscach sponsorowanych przez SIGCSE lub z nią współpracujących w 2025 r. Liczba jest wiarygodna tylko z przeciwwagą: większość oznaczonych odniesień była nieszkodliwa - 229 to niezgodności metadanych ACM, w których PDF był poprawny, a 188 to prawidłowe warianty bibliograficzne - więc liczba dla miejsc jest celowo dolnym ograniczeniem. Dotyka autorów, a nie tylko oceny między rówieśnikami, ponieważ recenzenci sprawdzający listy odniesień nie mogą zweryfikować każdej pozycji, a redagowanie wspomagane przez LLM czyni wytworzenie wymyślonego, lecz wiarygodnego cytowania tanim.

• Jasność bez przeprojektowania przesuwa nadużycie w bok, zamiast je usuwać. Petricini i Zipf (2026) nanoszą korzystanie z SI na dwie osie - intencję i wysiłek studentów wobec jasności i wsparcia, jakie daje środowisko - i donoszą, że najludniejszy kwadrant w ich danych z wywiadów to lękliwa zgodność, w której studenci ukrywają uprawnioną pomoc (wsparcie gramatyczne, wyjaśnienia pojęć, porządkowanie własnych myśli), aby uniknąć fałszywego oskarżenia. Ich ostrzeżenie jest kierunkowe: gdy reguły stają się jasne, ale ocenianie nadal nagradza szybkość i produkt, studenci świadomi polityki przesuwają się ku efektywnemu obchodzeniu, a nie ku cnotliwemu korzystaniu z narzędzia. Austin (2026) dochodzi do tego samego miejsca od strony zadania: gdy agenci spełniają każde kryterium rubryki bez widocznego rozumowania, ocenianie śladu decyzyjnego (kalibracja pewności, odrzucone sugestie SI, ograniczenia swoiste dla kursu) zastępuje wykrywanie, które, jak zauważa, zawodzi w obu kierunkach.

• Pracodawcy dyskontują oceny, które uważają za wytworzone przez SI, i zbiegają się na weryfikacji stacjonarnej. W eksperymencie ankietowym z około 1750 amerykańskich specjalistów ds. rekrutacji Boyd-Swan i Reynolds (2026) pokazują, że ujmowanie korzystania z SI przez studentów jako narzędzia wspomagającego nie karało kandydatów, podczas gdy ujmowanie go jako substytutu wysiłku i zdolności studenta obniżało prawdopodobieństwo rozmowy kwalifikacyjnej i - jeszcze wyraźniej - gotowość do negocjowania wynagrodzenia, skoncentrowane wśród kandydatów z wysoką średnią ocen, niezależnie od rasy i płci. Zapytani, co złagodziłoby ich obawy, obie grupy ujęciowe wybrały tylko jedno wspólne remedium: testy stacjonarne. Eksperyment izoluje przekonanie (a nie rzeczywiste korzystanie z SI), więc pokazuje, jak sam kanał sygnalizacyjny przesuwa wyniki rekrutacji - wczesny dowód, że rynki pracy mogą popychać ocenianie z powrotem ku formatom weryfikowalnym przez obecność, w tym samym kierunku projektowym, w którym literatura o studencie widmie namawia instytucje, by podążały.

Pierwsze badanie teorii zachowań planowanych nad intencją przewinienia opartego na GAIT rozszerza ten obraz: wśród 186 studentów studiów licencjackich Baig i Paparo (2026) stwierdzili, że postawy wobec przewinienia, normy subiektywne na jego temat i pozytywne postawy wobec SI każda przewidywały intencję, podczas gdy postawy negatywne wobec SI tego nie czyniły, a wyższe postrzegane prawdopodobieństwo wykrycia przewidywało niższą intencję - środek odstraszający podkopany przez udokumentowaną niewiarygodność narzędzi wykrywania SI.

Polityki uczciwości przesuwają się z pytania, kto napisał słowa, na pytanie, kto miał idee, a detektory są przebudowywane, by temu sprostać. IdeaLens przewiduje pochodzenie idei z konspektu, a nie z prozy: na 50 opowieściach, które ludzie napisali od zera według planów wygenerowanych przez SI, oznaczył 68% jako SI, wobec 8% dla Pangram 4 i 0% dla swojego modelu kontrolnego wytrenowanego na prozie, a 94,7% ludzkiego tekstu wypolerowanego przez SI oznaczył jako ludzki (Rajendhran i wsp. (2026)). Jego własne oświadczenie etyczne nazywa wynik estymacją statystyczną, której nie wolno używać samodzielnie jako rozstrzygającego dowodu korzystania z SI.

Gillette i wsp. (2026) dokumentują ten reżim od wewnątrz jednego wydziału: nauczyciele, którzy zmienili formaty oceniania, twierdzili, że „praktycznie nie da się powiedzieć, czy student użył SI przy pisaniu zadania", podczas gdy rozzłoszczeni studenci prosili o odwołania do sumienia i „napiętnowanie" zamiast wykrywania.

• Lepsze wykrywanie nie zmienia tego, co ocenianie może poświadczyć. System nadzoru z estymacją postawy YOLOv11, deklarujący dokładność klasyfikacji 99,56%, ilustruje granicę drogi wykrywania: mierzy postawę wobec etykiety behawioralnej, nie podaje żadnej prawdy odniesienia o przewinieniu i nie oferuje analizy podgrupowej (Arif i wsp., 2026). Remedium, o które argumentuje Villanueva, to wystarczające dowody uczenia się na kluczowych etapach, a nie maksymalny nadzór nad każdą oddaną pracą.

Częste błędne wyobrażenia

• „Narzędzia wykrywania identyfikują pisanie przez SI." Tekst wygenerowany przez SI został uznany za napisany przez człowieka w nawet 80% przypadków, podczas gdy dowody na wykrywanie lokują wykrywanie maszynowe na poziomie około 80% wobec 78,4% dla ludzkich oceniających. Osąd ludzki i maszynowy są niemal równie (nie)wiarygodne, więc werdykt detektora nie jest dowodem autorstwa.
• „Problem jest marginalny." Wolumen jest daleki od tego: sześcioletnia analiza dużego kursu CS2 wykazała 45,7% uczniów w semestrze wiosennym 2026 oznaczonych. Niemal połowa kohorty, co czyni to głównym problemem projektowym, a nie przypadkiem granicznym.
• „Nauczyciele wiedzą, które ocenianie jest podatne." W departamencie biologii nauczyciele postrzegali jako minimalnie podatne wyłącznie egzaminy stacjonarne pod nadzorem, podczas gdy zadania poza zajęciami uznawano za wystawione. Postrzeganie zgadzało się z oczywistym przypadkiem i traktowało wszystko inne jako bezpieczne.

Połączone koncepcje

• Pedagogical Patterns - Sekwencje weryfikacji przyjęte w odpowiedzi na generatywną SI
• AI Use and Disclosure Statements - Oświadczenia o korzystaniu z SI i o jej ujawnianiu
• Assessment Validity
• Kompetencje w zakresie SI (AI literacy)
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Odciążanie poznawcze
• AI Misuse and Learning Harm
• Redukcja niewłaściwego korzystania z SI
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• AI w edukacji
• Legal Issues and Risks
• Social Norms of AI Use - nieformalne reguły leżące pod formalną polityką

Połączone artykuły

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Cały program psychologii do zaliczenia minimalnym wysiłkiem i kryteria oceniania, które na to pozwoliły (Ivory i wsp. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Przyszli nauczyciele odmówili generatywnej SI przy permisywnej polityce; ujęcie „pułapki" i luka między ankietą a deklaracją

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agenci SI, radosne ocenianie i trzecia przestrzeń

• Generative AI in computing education: A systematic review and a framework for responsible integration — Dowody na wykrywanie są cienkie (3 badania z 72); ciężar dźwiga przeprojektowanie

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Wyrównana polityka kursu wobec generatywnej SI: pozwolenia wyprowadzone z oceniania, przejrzyste uzasadnienie (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Generowanie wariantów oceniania równoważnych w konstrukcie (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Jak nauczyciele regulują SI w ponad 31 000 sylabusów; spadek ujęcia uczciwościowego (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 — Czy studenci mogą ściągać aż do dyplomu z biologii? Studium przypadku podatności ocen z kursów biologii na nieuczciwość akademicką w dobie generatywnej SI

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Niezgodność studentów z deklaracjami korzystania z SI

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Wykrywanie tekstu generowanego przez LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Poza wykrywaniem: ocenianie autentyczne w świecie zapośredniczonym przez SI

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Skala Oceny z SI i reforma oceniania

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Od autentycznych produktów do uwierzytelnionych procesów

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — To jest w porządku, bo… racjonalizacja korzystania z SI przez studentów

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Rama gry koordynacyjnej dla etycznego korzystania z SI

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Wstyd i poczucie winy jako społeczne regulatory korzystania z SI

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Czy Alice postąpiła źle? Międzykulturowe postrzeganie korzystania z SI

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Osądy wartościujące przy ocenianiu pracy wspomaganej generatywną SI: uczciwość, zaufanie, wiarygodność i dwukierunkowa przejrzystość (Luo i Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Odpowiedzialność rówieśnicza i oryginalność w ocenianiu grupowym zapośredniczonym przez generatywną SI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Załamanie dowodowe wykrywania i argument za sprawiedliwością proceduralną, proporcjonalnością i projektowaniem

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Odstraszanie, ujawnianie i przeprojektowanie jako problem projektu oceniania przy niepełnej informacji

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Na czym naprawdę opierało się 1162 aktów przewinienia z generatywną SI i brakujący próg dowodowy

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Zbyt szerokie reguły wobec SI a rozróżnienie między transkrypcją i generowaniem

• AI-based digital cheating at university, and the case for new ethical pedagogies — Cyfrowe ściąganie z SI i pedagogiki etyczne oparte na zapobieganiu: przypadek spadku z 183 do 27 przewinień i pięć przeprojektowań swoistych dla dyscypliny (Leaton Gray, Edsall i Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Uczciwość jako problem zarządzania: rama 130 wskaźników dla organów zarządzających akademickich (Coates, Croucher i Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Przegląd zakresowy 38 badań nad głosami studentów szkolnictwa wyższego o uczciwości akademickiej i generatywnej SI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Kreślenie granicy między wsparciem a substytucją dla piszących w języku angielskim jako dodatkowym i niesprawiedliwość reguł ignorujących pochodzenie językowe (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Wstrzykiwanie promptów przeciwko ocenianiu zapośredniczonemu przez SI: ukryte instrukcje zmieniające ocenę bez wykrycia (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Matryca etyki korzystania z SI: lękliwa zgodność i dlaczego sama jasność może pchać studentów ku efektywnemu obchodzeniu (Petricini i Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Ocenianie śladu rozumowania, gdy agenci SI potrafią wykonać zadanie (Austin 2026)

• AI-written admissions essays are widespread but penalized — Eseje rekrutacyjne pisane przez SI są rozpowszechnione, ale karane

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Kto działa, kto wie, kto odpowiada? Analiza dyskursu wspomagana korpusem nad sprawczością, odpowiedzialnością epistemiczną i rozliczalnością w badaniach nad generatywną SI w szkolnictwie wyższym

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapowanie dozwolonej granicy: porównawcze badanie scenek politycznych nad zarządzaniem generatywną SI w australijskim szkolnictwie wyższym

• Argus: Academic Integrity in the Era of Generative AI — Argus: uczciwość akademicka w dobie generatywnej SI

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Ustalenie z audytu sektorowego: uniwersytety z mandatem i te z ramami nie różnią się ekspozycją oceniania - empiryczny odpowiednik problemu koordynacji

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) - wczesne przewidywanie ryzyka ściągania wspomaganego SI ze śladów LMS, ujęte jako wskazówki akademickie, a nie dowód przewinienia

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Trzy i pół roku edukacyjnego Reddita: dominuje egzekwowanie, a spory o uczciwość są głównym miejscem spotkań nauczycieli i studentów (Yüce i wsp. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Eksperyment ankietowy: ujęcie substytucyjne korzystania z SI przez studentów karze kandydatów z wysoką średnią przy rekrutacji i wynagrodzeniu; test stacjonarny to jedyne remedium wybrane przez obie grupy

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface