Integritate academică

Traducere automată a acestei pagini în limba engleză, încă neverificată de un vorbitor nativ.

Integritatea academică - cadrul etic care guvernează munca academică onestă în era IA. Baza de cunoștințe documentează modul în care conceptul a fost reîncadrat de IA generativă: de la o problemă de detectare a rezultatelor necinstite la o problemă de proiectare menită să facă munca onestă vizibilă, verificabilă și demnă de a fi produsă. Cercetarea privind integritatea academică în acest spațiu a evoluat de la abordări centrate pe detecție către o reconcepere fundamentală a evaluării, o guvernanță condusă de pedagogie și predarea modului în care studenții pot folosi bine IA, în loc să se limiteze la a supraveghea dacă o folosesc.

Întrebări de reflecție

• Gândește-te la ultima dată când ai auzit discutându-se despre „copiatul cu IA”. Discuția era despre prinderea studenților sau despre proiectarea unor sarcini pe care studenții ar vrea să le facă în mod onest? Care accent ți se pare mai familiar și de ce?
• O lucrare lustruită și plauzibilă poate fi generată acum în câteva secunde. Dacă nu mai poți judeca capacitatea unui student după produsul pe care îl predă, ce ar trebui să vezi sau să auzi pentru a avea încredere că a învățat cu adevărat?
• Cercetarea arată că studenții raționalizează adesea folosirea IA („copierea textului IA nu vătăma pe nimeni”) în loc să o folosească greșit din răutate. Ce presupuneri despre motivele studenților face o politică de integritate pur punitivă - și în ce ar putea greși aceste presupuneri?
• O direcție de cercetare tratează folosirea IA de către studenți ca o problemă de coordonare: comportamentul se schimbă atunci când se schimbă așteptările colegilor și stimulentele evaluării, nu atunci când regulile sunt repetate. Ce factori de grup sau de proiectare din propriul tău context ar putea modela în tăcere dacă folosirea IA este onestă?
• Studiile arată că frica de sancțiune îi împinge pe studenți să ascundă folosirea IA și că studenții transparenți pot chiar să trezească suspiciuni. Dacă ai proiecta un formular de „declarare a folosirii IA”, ce i-ar face pe studenți să vrea efectiv să îl completeze sincer?
• Aceeași politică instituțională privind IA este interpretată diferit de studenți din culturi diferite - cultura, nu formularea politicii, determină ce li se pare greșit. Cum ar trebui comunicată o politică de integritate unei cohorte cultural diverse, astfel încât așteptările să fie cu adevărat înțelese?

Introducere

Apariția IA generative nu a creat nevoia de integritate academică - a făcut mai greu de ignorat slăbiciunile abordărilor existente. Un produs lustruit și plauzibil poate fi generat acum în câteva secunde, astfel încât asemănarea produsului este un semnal tot mai nesigur al capacității. Aceasta mută întrebarea despre integritate de la „putem prinde folosirea IA?” la „pot evaluările noastre să justifice în continuare inferențele pe care le tragem despre învățarea studenților?”

Evoluția de la detecție la reconcepere

• Scepticism față de detecție: cercetarea privind AI Detection și analizele instituționale constată din ce în ce mai des că instrumentele de detecție a IA sunt nesigure și incorecte din punct de vedere procedural. Detecția textului generat de LLM se confruntă cu limitări fundamentale. Lucrările generate integral de IA pot trece prin sistemele de examinare în timp real în mare parte nedetectate, iar corectorii experimentați nu identifică în mod fiabil lucrările scrise de GenAI. Detecția este, în cel mai bun caz, un instrument limitat și situațional - nu o strategie de primă alegere. Volumul pe care este totuși rugată să îl gestioneze este departe de a fi marginal: o analiză pe șase ani a unui curs CS2 cu înscriere mare a constatat că 45,7% dintre studenții din primăvara anului 2026 au fost semnalați pentru tipare compatibile cu programarea asistată de LLM (Racovan et al. (2026)).
• Marja îngustă a detecției și copiatul ca comportament planificat: Leaton Gray, Edsall și Parapadakis (2025) adună argumentul că IA amplifică o vulnerabilitate pe care sectorul o avea deja. Textul generat de IA a trecut drept scris de om în până la 80% din cazuri, în timp ce dovezile pe care le citează plasează detecția automată la aproximativ 80%, față de 78,4% pentru evaluatorii umani, o marjă prea îngustă pentru a susține o constatare de abatere. Analiza lor motivațională este contribuția mai distinctivă: pornind de la teoria comportamentului planificat a lui Ajzen și de la teoria autoeficacității a lui Bandura, ei raportează meta-analiza lui Krou et al. (2021), care constată că Self-Efficacy se corelează negativ cu copiatul, în timp ce capacitatea reală nu se corelează deloc invers cu acesta. Un student capabil și încrezător în sine, care percepe o evaluare ca nedreaptă, poate deci să copieze pentru a recâștiga controlul. Concluzia urmează aceeași inversare pe care această pagină o documentează în altă parte - o evaluare la care un model poate răspunde convingător este o evaluare intelectual trivială, iar eșecul aparține evaluării și nu studentului.
• Reconceperea evaluării: Authentic Assessment, abordările dincolo de detecție și Scala de evaluare cu IA mută accentul de la prinderea folosirii IA la proiectarea unor evaluări în care folosirea IA este fie irelevantă, fie transparentă, fie necesară pentru a demonstra o anumită capacitate.
• Vulnerabilitatea structurală a notării: Chan et al. oferă un studiu de caz concret al modului în care notarea actuală este structural expusă neonestității mediate de IA. Într-un departament de biologie, instructorii percepeau doar examenele supravegheate față în față ca fiind minim vulnerabile; temele în afara orei erau văzute ca foarte vulnerabile, lăsând aproximativ o treime din nota unui student foarte vulnerabilă și 80% cel puțin oarecum vulnerabilă. Aceasta încadrează problema integrității în parte ca o problemă de proiectare a notării, motivând o reechilibrare către evaluarea supravegheată sau la clasă și către modele de evaluare autentică mai greu de externalizat. Ivory et al. (2026) furnizează omologul la nivel de disciplină cu un întreg program de psihologie de trei ani: 36 din 40 de evaluări, din 16 tipuri, au produs conținut promovabil cu efort minim, iar cele patru care au eșuat erau cele care cereau prezență, mijloace vizuale sau propriul set de date al studentului. Citirea lor a motivului pentru care trece este partea care se generalizează - notarea care recompensează o structură fluentă și folosirea cu bună-credință a analizei corecte tolerează valori fabricate și referințe halucinate, astfel încât pragul de promovare, și nu detecția, decide dacă rezultatul IA este notat ca realizare, iar vulnerabilitatea evaluării „nu poate fi pusă exclusiv pe seama folosirii de către studenți”.
• Lucrarea predată ca suprafață de atac: injectarea de prompturi împotriva notării cu IA. Humble (2026) face un exercițiu de tip red team asupra unui flux de lucru obișnuit de notare și arată că o lucrare predată de student poate purta instrucțiuni ascunse care schimbă nota pe care o produce un instrument IA: două din cinci strategii de injectare indirectă încorporate în fișierul predat au ridicat un eseu picat la promovat fără niciun avertisment vizibil pentru utilizator, cu rate de succes raportate de 100% (9/9) și 94% (17/18), ambele combinând manipularea instrucțiunilor, jocul de rol și ofuscarea în formatele docx, pdf și htm. Cel mai simplu atac a eșuat complet, iar refuzul său a fost tăcut - instrumentul a dezactivat chatul fără a raporta încercarea - în timp ce o singură injectare detectată a produs o asigurare că instrumentul va nota „doar conform instrucțiunilor oficiale ale temei”, înainte ca alte șase rulări ale aceluiași fișier să ridice nota oricum. Consecința pentru integritate merge în ambele direcții: o notă ridicată de o instrucțiune ascunsă nu poartă nicio pretenție de validitate, aceeași tehnică ar putea fi folosită pentru a degrada o lucrare fără urmă durabilă în rezultat, iar corectorul uman rămâne singurul control real asupra unei manipulări concepute să nu fie vizibilă.
• Validitatea ca cadru organizatoric: Assessment Validity reîncadrează integritatea ca problemă probatorie. Cercetarea privind evaluarea autentică introduce substituirea constructului - un produs generat de IA este atribuit studentului, astfel încât evaluarea inferă capacitatea instrumentului, nu a studentului. Întrebarea probatorie supraviețuiește oricărei politici privind IA: fie că folosirea este interzisă, permisă sau cerută, evaluarea trebuie să genereze în continuare dovezi care să justifice inferența trasă.
• Variația la scară ca mecanism de integritate fără supraveghere: VARIA (Lee 2026) testează ca Benchmark premisa din spatele Evaluării Autentice Integrate cu IA (AIAA) - înlocuirea supravegherii bazate pe monitorizare cu variația sarcinii pentru fiecare student, astfel încât copierea să devină structural inutilă. Garanția de integritate este condiționată de generarea de către LLM-uri a unor variante distincte la suprafață și echivalente în construct; pilotul VARIA cu 600 de variante constată că modelele de frontieră satisfac acest lucru doar la limită (scor comun 0,81-0,88), în timp ce modelele care nu sunt de frontieră se prăbușesc (0,50-0,55), deci „variația la scară nu poate fi rezolvată doar prin promptare”. Aceasta oferă dezbaterii detecție versus reconcepere o verificare empirică și falsificabilă: promisiunea fără supraveghere a unei evaluări autentice și variate pe sarcini depinde acum de o capacitate de generare măsurată (și încă îngustă), nu presupusă.
• Autentificarea reflecției studentului în fața GenAI: Kadel et al. (2026) susțin că modelele tradiționale de reflecție nu mai pot autentifica reflecția studentului odată ce GenAI poate scrie proză reflexivă, și încorporează integritatea direct într-un model de reflecție - etapa de capcane a cadrului 5P tratează explicit plagiatul, halucinarea și supra-dependența, în timp ce etapele sale de proces și de produs cer documentarea prompturilor și validarea rezultatelor, astfel încât raționamentul propriu al celor care învață (Learners) să fie distins de contribuțiile generate de IA.
• Dezvoltarea politicilor: politicile instituționale privind IA și cercetarea privind Educational AI Policy examinează modul în care universitățile dezvoltă și comunică așteptările de integritate - și de ce declarațiile politice abstracte eșuează atât de des.
• Integritatea ca problemă de guvernanță, nu de detecție. Coates, Croucher și Calderon (2025) mută constrângerea determinantă de la comportamentul studenților la guvernanța academică (AI Governance), pe care o descriu ca rezilientă, dar „nu bine poziționată sau pregătită” să facă față amenințărilor legate de GenAI la adresa autentificării evaluării studenților. Răspunsul lor este un cadru de indicatori de integritate cu 130 de itemi pe opt dimensiuni, de la Proiectare (19 itemi) la Îmbunătățire (6), alcătuit din întrebări de guvernanță și nu din scale psihometrice - dacă consiliul de top al instituției primește actualizări despre calitatea evaluării, ce procent din evaluare seamănă cu probleme relevante și semnificative, ce procent din studenți sunt cunoscuți individual de cadrele didactice care îi evaluează. A fost dezvoltat printr-o revizuire de cercetare de mai mulți ani, cinci studii de caz de universități australiene, prototipare, confirmare de experți cu 60 de specialiști invitați din șase regiuni ale lumii și pilotare cantitativă, și este însoțit de reforme ale arhitecturilor de guvernanță, ale oamenilor și ale tehnologiilor și resurselor, despre care autorii se așteaptă să dea roade doar sub presiune externă din partea reglementării (AI Regulation in Education), a comparării între instituții și a concurenței dintre ele; ei prezintă cadrul ca formativ și cer validare psihometrică înainte de a fi folosit pentru comparație sau pentru măsurare educațională.
• Ce spun de fapt documentele: integritatea domină politica instituțională privind IA. Eldredge et al. (2026) au analizat documentele de politică și de îndrumare privind IA ale tuturor celor 48 de programe de master în informatica sănătății și managementul informațiilor de sănătate acreditate CAHIIM din SUA: 40 (83%) aveau cel puțin un document eligibil, iar acele documente încadrau IA covârșitor ca o chestiune de prevenire a utilizării greșite de către studenți în cadrul cursurilor, centrându-se pe integritatea academică și pe utilizarea acceptabilă. Integritatea academică a fost de departe cel mai frecvent cuvânt-cheie (n = 139, înaintea citării cu 59, a evaluării cu 50 și a plagiatului cu 38), în timp ce temele de confidențialitate, proprietate intelectuală și reglementare erau prezente, dar mai puțin frecvente (HIPAA n = 5, FERPA n = 11, îndrumare IRB n = 8). Modelarea tematică pe același corpus a returnat patru teme, prima fiind integritatea academică și utilizarea adecvată a IA, alături de IA generativă în predare, folosirea IA și a instrumentelor de date în cercetare și implicarea studenților cu sisteme conversaționale de IA. Valoarea probatorie pentru această pagină este cuantificarea: încadrarea centrată pe integritate nu este doar opțiunea retorică implicită a politicii instituționale privind IA, ci este empiric conținutul ei dominant. Observația cea mai ascuțită a autorilor privește locul unde se oprește această atenție: ei notează că relativ puține îndrumări acoperă folosirea IA în învățarea aplicată, în cercetare și în medii simulate, unde se intersectează preocupările curriculare și de guvernanță a datelor, astfel încât documentele guvernează cursurile, în timp ce contextele pentru care pregătește diploma studenții rămân în mare parte neabordate.
• Încadrarea prin integritate lasă loc reglementării pe tip de sarcină: studiul longitudinal al lui Chirikov (2026) pe peste 31.000 de fișe de disciplină arată că politicile instructorilor privind IA se îndepărtează de un cadru pur bazat pe integritate: mențiunile despre integritatea academică în fișele de disciplină au scăzut de la 63% (primăvara 2023) la 49% (toamna 2025), în timp ce referirile la impactul IA asupra învățării au crescut de la 1% la 29%. Instructorii reglementează din ce în ce mai mult IA pe tip de sarcină - restricționând-o pentru redactare și raționare (unde IA ar deplasa învățarea) și permițând-o pentru editare și corectură și pentru sprijinul studiului -, în loc să aplice o interdicție generală justificată prin integritate. Aceasta reîncadrează politica de integritate ca decizie de proiectare la nivel de sarcină, nu ca regulă binară.
• Rezistența la mașină ca prevenire, nu ca detecție. Perturbarea documentului însuși - spațierea caracterelor, a cuvintelor și a rândurilor, variația de opacitate, suprapuneri de dungi și zgomot de imagine, plus atacuri adversariale bazate pe decizii - ridică efortul necesar pentru utilizarea greșită de mică amploare a LLM-urilor la sursă, măsurând în același timp aceeași cunoaștere (Salaun et al. (2026)). Transcrierea manuală rămâne posibilă, iar atacurile adversariale protejează doar rândurile selectate, lăsând eroarea de caractere pe documentul întreg sub 8,44%.

Procedura de abatere și colapsul ei probatoriu

Mecanismul de aplicare care stă deasupra politicii de integritate este el însuși o decizie de proiectare, iar IA generativă i-a demontat fundamentul probatoriu. Teichmann (2026) susține că procedura de abatere pe care universitățile au importat-o din plagiat presupune că folosirea interzisă poate fi detectată și dovedită - o premisă pe care tehnologia o dizolvă. Spre deosebire de software-ul de comparare a textelor, care indică o sursă copiată, un clasificator de text IA nu identifică nicio sursă (nu există niciuna); el produce o judecată probabilistă despre stil care se degradează la parafrazare, etichetează sistematic greșit scrierea persoanelor care nu au engleza ca limbă nativă și nu poate fi explicat sau supus contrainterogării, în timp ce folosirea expertă sau ușor editată nu lasă nicio urmă. A persista oricum inversează sarcina probei (studentul este pus să demonstreze o negație), solicită fiecare element al justiției procedurale și lasă prejudiciul unei acuzații false să cadă cel mai greu asupra celui deja defavorizat. Remediul propus este dublu: un standard probatoriu conform căruia scorul unui detector nu fundamentează niciodată singur o constatare, cu răspunsuri gradate și centrate mai întâi pe educație, și o deplasare a efortului instituțional către proiectarea unei evaluări centrate pe validitate și autentice - răspunsul la IA nedetectabilă fiind o evaluare mai bună, nu o supraveghere mai bună. Cazul limită nu are niciun mecanism: Isley, Gaebler și Goel (2026) documentează un program de master în politici publice din SUA care interzicea asistența IA generativă printr-o atestare semnată și nu filtra nicio lucrare, unde 56,1% dintre solicitanții din 2025 au depus cel puțin un eseu pe care un detector comercial l-a clasificat ca scris în principal de IA, iar fiecare eseu semnalat a fost asociat cu o probabilitate de admitere mai mică cu 1,5 puncte procentuale (p < .01), crescând la 2,6 puncte (p < .001) odată ce calitatea eseului a fost ținută constantă. Fără nicio etapă de detecție, judecare sau aplicare între regulă și rezultat, sancțiunea a fost administrată în întregime prin judecata nescrisă a cititorilor din admitere - interdicția plus judecata nesprijinită a cititorului reproduce sancțiunea discreționară și neexplicată pe care o procedură corectă există pentru a o preveni.

Munoz et al. (2026) furnizează omologul empiric, codificând fiecare caz de abatere cu GenAI dintr-o universitate regională australiană pe parcursul a trei ani: 1.162 de cazuri care cuprindeau 1.855 de elemente de probă, fiecare evaluat pentru relevanță, credibilitate și forță inferențială. Rezultatul detectorului a fost proba cea mai căutată și cea mai puțin capabilă să susțină greutate - rapoartele Turnitin sau de similitudine aveau 100% forță inferențială slabă, iar rezultatul unui detector independent 100% credibilitate scăzută, iar probele din detectoare au scăzut la 0,5% din elemente până în 2025, pe măsură ce instituțiile au asimilat ce nu putea fi dovedit -, în timp ce cele mai puternice tipuri de probe erau cele care nu se sprijină pe clasificarea probabilistă a textului: admisiunile studenților, comportamentul interzis observat la examen și referințele fabricate verificate independent, care au reprezentat cea mai mare schimbare structurală, cu 22,3% din elemente. Critica lor cea mai ascuțită este structurală și nu probatorie, întrucât „nu există nicio cerință ca anchetatorii să evalueze calitatea probatorie a dovezilor înainte de a avansa o acuzație, nici un prag probatoriu minim în nicio etapă a fluxului”, astfel încât calitatea probelor nu avea nicio relație fiabilă cu rezultatul cazurilor. Ei consemnează și modul în care politica a ajuns din urmă practica: politica de evaluare în vigoare până în 2024 nu spunea nimic despre IA, iar din ianuarie 2025 o politică revizuită permitea software de autenticitate aprobat, interzicând în același timp încărcarea lucrărilor studenților în instrumente de detecție a IA ale terților.

Un al doilea eșec este de anvergură, nu de probă. Wright (2026) arată că interdicțiile formulate la nivelul identității platformei și nu al funcției cuprind conversia de format non-generativă - transcrierea vorbirii în text, OCR, text simplu în LATEX - alături de redactarea generativă pe care intenționează să o blocheze, deși literatura de informatică evaluată de colegi tratează recunoașterea și generarea ca operațiuni distincte. Costul cade inegal: studenții cu afecțiuni care afectează controlul motor fin, lizibilitatea scrisului de mână sau acuratețea tastării s-au bazat exact pe acele instrumente, iar pe măsură ce produsele independente de vorbire în text sunt retrase sau degradate, transcrierea susținută de IA umple golul funcțional, astfel încât o regulă prea cuprinzătoare elimină un mijloc principal de a produce lucrări lizibile, făcând disputa una de Accessibility și de echitate înainte de a fi una de integritate. Remediul lui Wright este o definiție a IA generative bazată pe funcție, plus patru criterii operaționale - fidelitate, non-amplificare, trasabilitate și atestare - care îi oferă studentului o cale structurată de a respinge o acuzație de simplă transcriere, lăsând sarcina probei la instituție.

Problema probatorie a detecției este și o problemă de validitate. Deoarece asistența IA este iterativă și împletită cu redactarea, în loc să fie externalizată în întregime, autoratul și proprietatea asupra sensului se despart, iar un produs predat impecabil poate să nu stabilească faptul că studentul a exercitat judecata pe care sarcina urmărea să o vizeze. Performanța detectorului variază între sarcini, discipline și versiuni de model, iar folosirea IA declarată sau suspectată poate acționa ca indiciu părtinitor pentru corectori, astfel încât un răspuns bazat pe detecție adaugă varianță irelevantă pentru construct, în loc să o elimine. Acolo unde dezbaterile despre integritate întreabă cine a produs cuvintele, o abordare prin validitate întreabă ce afirmație despre student justifică performanța.

Problema raționalizării

Studenții nu folosesc în general greșit IA din răutate; o raționalizează. Cercetarea prin interviuri identifică cel puțin cinci puncte de disjuncție în care interpretarea politicii privind IA de către studenți diferă de intenția corpului didactic și o taxonomie de peste 20 de raționalizări distincte - de la „copierea textului IA nu vătăma pe nimeni” la „textul care reflectă convingerile mele este scrierea mea”. Aceste raționalizări sunt ad hoc, post factum și incoerente intern și descriu o „pantă alunecoasă etică abruptă” pe care studenții alunecă departe de obiectivele pedagogice. De aceea concepțiile eronate ale studenților despre IA sunt cauza din amonte a încălcărilor integrității și de aceea educația pentru integritate trebuie să abordeze raționamentul etic, nu doar competența tehnică.

Revizuirea de tip scoping a lui Ji (2026) asupra a 38 de studii empirice privind vocile studenților furnizează sinteza pe care se sprijină această secțiune. Cele patru teme ale ei sunt ambiguitatea (generarea unei sarcini întregi este citită ca trișare, verificarea gramaticală și brainstormingul sunt în mare parte acceptabile, iar parafrazarea, schițarea și traducerea stau într-o zonă gri), agenția etică (Learner Agency) prin care studenții își construiesc reguli personale într-un vid de îndrumare pe care îl citesc ca o aprobare tacită a acțiunilor lor, decalajul dintre conștiința etică și practică și diversitatea după gen, nivel, disciplină și cultură. Decalajul dintre conștiință și practică este problema raționalizării măsurată la scară: Indicele de Disonanță Etică al lui Huang et al. a împărțit 522 de studenți chinezi în patru grupuri, unul dintre care făcea frecvent ceea ce considera ilegitim, iar modelarea cu ecuații structurale a lui Ofem et al. pe 4.679 de studenți nigerieni a constatat că percepțiile pozitive despre ChatGPT prevesteau folosirea neonestă, în timp ce atitudinile pozitive față de integritate acționau ca mediator negativ semnificativ. Ji îi citește pe studenți nici ca destinatari pasivi ai GenAI, nici ca vinovați fără constrângere morală, ci ca agenți activi care navighează o zonă gri etică, motiv pentru care studiile revizuite converg asupra unor răspunsuri co-create, educative și sensibile la context, nu punitive.

De ce eșuează politica singură: problema coordonării

Un cadru de joc de coordonare oferă o explicație la nivel de mecanism pentru care declarațiile politice schimbă rar comportamentul: folosirea IA de către studenți este o problemă de coordonare, în care alegerile individuale depind de așteptările colegilor și de proiectarea evaluării. Constatarea cheie a modelului este dinamica de prag neliniară - modificări mici și bine calibrate ale stimulentelor evaluării reflexive pot declanșa schimbări rapide la nivelul întregii cohorte către o folosire responsabilă, în timp ce stimulentele slabe sau prost aliniate lasă să persiste o practică oportunistă. În termeni practici, o reconcepere modestă (de exemplu, cerința ca studenții să reflecteze asupra interacțiunilor lor cu IA) poate avea efecte disproporționate acolo unde regulile abstracte nu au niciunul.

Responsabilitatea între colegi nu indică întotdeauna spre integritate, după cum au constatat Chen și Zou (2026) în evaluarea de grup notată: șapte din cincisprezece grupuri de studenți și-au redus deliberat folosirea GenAI, în parte pentru a evita parazitarea colegilor, întrucât consecințele de grup erau împărtășite și nu individuale, iar totuși în cinci grupuri un climat colectiv permisiv - „toată lumea din grupul meu folosește GenAI” - a scăzut riscul perceput de utilizare greșită și a inversat exact mecanismul de responsabilizare pe care munca în grup ar trebui să îl creeze. Același studiu a constatat că studenții reîncadrau originalitatea ca fidelitate față de înțelegerea pe care colegii o construiau împreună, iar recomandarea sa practică decurge direct: negocierea folosirii acceptabile a IA trebuie să fie un rezultat explicit, documentat și evaluabil, în loc să lase norma să apară din presiunea colegilor sau din riscul perceput.

Incoerența politicilor în interiorul instituției a produs exact ghicitul pe care îl prezice relatarea coordonării. Nouă dintre cei unsprezece intervievați din Zou et al. (2026) au interpretat permisiunea explicită din propriul curs de a folosi IA generativă ca pe o posibilă „capcană” - o momeală pentru a identifica studenții care nu pot rezista -, deși politica era deschisă și scrisă în ghidul de evaluare; studenții generalizau pornind de la interdicții și avertismente întâlnite în altă parte, în loc să citească regulile propriului curs în termenii lor. Concluzia autorilor urmează mecanismul și nu formularea: claritatea pe curs nu era suficientă și este nevoie de coerență la nivel de program sau de instituție, astfel încât studenții să nu mai deducă intenția din cultura din jur.

Conduită identică, verdicte diferite - și o declarare care nu schimbă nimic. Poudyal (2026) a aplicat 15 viniete standardizate mediilor de politică a 20 de universități australiene și a produs 300 de clasificări: 120 (40,0%) clar interzise, 56 (18,7%) nedeterminate și niciuna clar permisă, în timp ce instrumentele obligatorii erau tăcute cu privire la IA generativă în 100 de combinații pe care îndrumările le-au rezolvat în 88. Declararea nu a determinat rezultatele - același statut de declarare a produs clasificări diferite în funcție de regulile de permisiune și de instrucțiunile sarcinii, iar câmpul de declarare a înregistrat 117 cerințe îndeplinite și 80 de declarații false.

Procedurile contează la fel de mult ca politicile, iar baza lor probatorie s-a prăbușit pentru IA. Teichmann (2026) susține că procedura de abatere pe care universitățile au importat-o din plagiat se sprijină pe o premisă pe care IA generativă a demontat-o: că folosirea interzisă poate fi detectată și dovedită. Spre deosebire de software-ul de comparare a textelor, care poate indica o sursă copiată, clasificatoarele de text IA nu identifică nicio sursă, pentru că nu există niciuna - ele produc o judecată probabilistă despre stil care se degradează la parafrazare, îi clasifică sistematic greșit pe vorbitorii non-nativi și nu pot fi explicate sau supuse contrainterogării, în timp ce folosirea expertă sau ușor editată nu lasă nicio urmă. A persista oricum inversează sarcina probei (studentul este pus să demonstreze o negație), solicită fiecare element al justiției procedurale și lasă prejudiciul unei acuzații false să cadă cel mai greu asupra celui deja defavorizat. Remediul propus este dublu: publicarea unui standard probatoriu conform căruia rezultatul unui detector nu fundamentează niciodată singur o constatare, cu răspunsuri gradate centrate mai întâi pe educație, și mutarea efortului instituțional către proiectarea unei evaluări centrate pe validitate și autentice. Mohamed și Temimi (2026) furnizează omologul la nivel de mecanism din partea studentului: întrucât fiecare mediu de evaluare face o anumită reacție cea mai atractivă, interdicția lasă ascunderea atractivă atunci când verificarea este subțire, monitorizarea face folosirea ascunsă mai costisitoare fără a face declararea sigură, iar doar reconceperea - scăderea câștigului din externalizare în timp ce crește valoarea raționamentului vizibil - îi mișcă pe studenți spre o folosire responsabilă. Rezultatul lor cel mai ascuțit este că descurajarea trece prin capacitatea detectorului de a distinge între folosirea ascunsă și munca legitimă, nu prin rata lui de prindere, astfel încât, atunci când pozitivele false cresc mai repede decât pozitivele reale, o monitorizare mai puternică poate face ascunderea relativ mai atractivă.

• Datoria de integritate poate fi rescrisă ca competență individuală. În 366 de rezumate despre GenAI în învățământul superior, cuvântul integritate apare de 461 de ori, dar doar 6 din 166 de expresii de obligație îi numesc pe studenți, astfel încât verificarea și declararea apar ca abilități pe care studenții se așteaptă să le aibă, nu ca obligații pe care instituțiile le impun (Poudyal, 2026).

• Cât de prescriptivă este o politică de integritate nu dezvăluie cât de expusă este evaluarea. Auditând 15.587 de înregistrări de unități, Villanueva (2026) a constatat că universitățile cu mandate de reformă la nivel instituțional și cele cu cadre largi se împart pe același interval de expunere a evaluării - omologul empiric al relatării jocului de coordonare despre de ce declarațiile schimbă rar comportamentul.

Dimensiunea socio-emoțională

Aplicarea integrității are un cost emoțional neglijat. Cercetarea privind rușinea și vinovăția cu studenți arată că aceste emoții reglementează când și cum devine vizibilă folosirea IA, producând comportamente de ascundere și declarare selectivă - și că ele coexistă cu folosirea continuată, creând cicluri de agenție redusă și tensiune morală, în loc de schimbare a comportamentului. De aceea normele din jurul folosirii IA reglementează vizibilitatea mai eficient decât reglementează folosirea. Studenții își descriu chiar folosirea IA în limbajul dependenței. Implicația: o politică grea pe detecție și orientată spre supraveghere riscă să împingă utilizarea greșită în subteran în loc să o abordeze, subminând negocierea sinceră pe care o cere o folosire productivă.

Reversul ascunderii este renunțarea, iar ea are propriul cost emoțional. Dintre cei 85 de viitori profesori pe care Zou et al. (2026) i-au chestionat sub o politică de evaluare care permitea explicit IA generativă, 62,4% (53) au ales să nu o folosească deloc, iar folosirea celor care au adoptat-o a fost superficială și corectivă - corectura (43,8%) și verificările de claritate (34,4%) au depășit cu mult generarea de text (18,8%) și brainstormingul (12,5%). Frica de acuzație nedreaptă, nu dificultatea tehnică, a făcut mare parte din treabă: 41,5% dintre cei care nu au adoptat-o au numit-o, față de 13,2% care au citat lipsa de cunoștințe sau competențe, în timp ce 77,4% au încadrat nefolosirea pur și simplu ca preferință pentru munca singur. Când o politică permisivă este citită ca o capcană, răspunsul sigur este refuzul ofertei - ceea ce îi costă instituția exact munca integrată cu IA pe care încerca să o invite.

Declarațiile de folosire a IA

Declarațiile de folosire și de divulgare a IA sunt mecanismul concret prin care așteptările de integritate sunt operaționalizate - iar cercetarea arată că ele eșuează adesea atunci când sunt tratate ca formulare neutre de conformare. Gonsalves (2025) a constatat că 74% dintre studenți nu au declarat folosirea IA pe o foaie de gardă obligatorie pentru o lucrare de curs, din cauza fricii de sancțiuni, a ambiguității îndrumărilor, a aplicării incoerente și a normelor colegilor. Kirsanov et al. (2026) și Vetter et al. (2026) confirmă că frica de represalii și o politică neclară răcesc declararea - și că studenții transparenți pot chiar să trezească suspiciuni. Chang et al. (2026) reîncadrează declararea ca un comportament de Help-Seeking și de autoreglare pe care anxietatea îl redirecționează către colegi. Lecția colectivă: politicile de declarare trebuie să abordeze barierele afective și sociale, să fie clare și consecvente și să trateze declararea ca pedagogie formativă, nu ca supraveghere. Luo și Dawson (2026) adaugă partea din ecuație care ține de profesor: notarea de către profesori a muncii asistate de GenAI este condusă de judecăți de valoare despre onestitatea, diligența și încrederea studenților, iar mulți profesori îi penalizează (sau sunt tentați să îi penalizeze) pe studenții care declară folosirea GenAI - chiar și atunci când calitatea muncii este puternică. Aceasta este problema „transparenței bidirecționale”: studenții sunt așteptați să declare folosirea, dar profesorii clarifică rar cum va afecta acea declarație nota, astfel încât o declarare onestă poate purta o penalizare de notare nespusă. Studiul ancorează problema declarării în realitatea încărcată de valori a notării de către profesori și argumentează că transparența trebuie să meargă în ambele direcții.

Propriile rapoarte ale studenților cuantifică cât de prost ajunge acest mesaj. Într-un sondaj pe 504 studenți de licență în sociologie, 81 la sută au spus că instructorii sau asistenții lor le-au dat îndrumări despre folosirea IA, dar doar 46 la sută au considerat acele instrucțiuni foarte clare; 19 la sută au raportat că nu au primit niciun fel de îndrumare, iar restul le-au descris ca fiind cel mult oarecum clare (Kuznetsov, Sheely și Baker, 2026). Frica de a comite o abatere academică a fost a doua preocupare ca frecvență ridicată de studenți (28 la sută) - un cost impus de ambiguitate, nu de aplicare, întrucât doar 3 la sută au raportat că folosesc GenAI pentru a genera textul unei teme și 2 la sută pentru a produce o schiță completă. Implicația practică este că claritatea comunicării este ea însăși un mecanism de integritate și că un student care nu poate ști ce este permis suportă un risc pe care instituția nu a intenționat niciodată să îl impună.

Nici permisiunea la nivel de curs nu rezolvă dilema declarării. În studiul lui Zou et al. (2026) pe 85 de viitori profesori ale căror evaluări permiteau explicit IA generativă, autodeclarările au totalizat 28 de utilizatori, față de 32 în sondajul anonim, iar cele două surse au fost în dezacord în direcții opuse pe cursuri - Cursul A a înregistrat 14 utilizatori în sondaj, dar doar 8 declarări, în timp ce Cursul C a inversat tiparul (8 în sondaj, 12 declarări). Autorii citesc divergența ca urmări notate care modelează ceea ce studenții erau dispuși să facă vizibil, adăugând dovezi din formarea profesorilor că un sistem de declarare măsoară comportamentul de declarare tot atât cât măsoară folosirea.

Variația culturală și contextuală

Textul unei politici nu este egal cu percepția ei. Cercetarea transnațională a constatat că, în ciuda unor politici instituționale funcțional identice, studenții din universități diferite au evaluat diferit aceleași practici asistate de IA - cultura, nu formularea politicii, a condus caracterul greșit perceput. Armonizarea politicilor nu produce armonizarea percepțiilor, astfel încât cohortele cultural diverse interpretează diferit aceleași reguli, o preocupare de echitate pentru aplicare și notare care pledează pentru clarificare bazată pe scenarii, în loc de enunțuri abstracte de reguli.

Originea lingvistică, iar nu cultura, este o a doua axă de variație. Li (2026) susține că, deoarece aceeași interfață realizează o editare lingvistică permisă și o redactare substanțială interzisă, regulile de integritate care tratează GenAI ca o singură categorie de asistență neautorizată convertesc dezavantajul lingvistic în risc de integritate: o interdicție totală elimină o formă scalabilă de sprijin lingvistic, un regim de tip „permite, dar declară” încarcă munca de conformare pe studenții care învață în engleză ca limbă suplimentară, a căror folosire este mai frecventă și mai iterativă, iar interdicțiile de a edita dincolo de modificări minore concentrează suspiciunea asupra celor a căror fluență s-a schimbat cel mai mult. Limita pe care o propune Li este bazată pe scop, nu pe instrument - sprijinul permis nu adaugă idei noi, surse noi sau o reordonare materială a analizei, în timp ce substituirea creează sau remodelează material munca intelectuală evaluată -, iar ea este ancorată în constructul evaluării, deoarece rubricile care acordă puncte pentru fluență și expresie idiomatică introduc varianță irelevantă pentru construct la cei care scriu în engleză ca limbă suplimentară (Assessment Validity). Cadrul retrogradează rezultatul detectorului la un semnal de triaj care constituie rar probă, preferând triangularea prin predări etapizate, istorice de schițe, trasee de surse verificabile și o scurtă conversație aliniată constructului, și calibrează declararea astfel încât sprijinul de rutină să nu poarte costuri de conformare mai mari decât cele suportate de colegii monolingvi.

De la supraveghere la pedagogie

Baza de cunoștințe documentează o schimbare de paradigmă: de la IA ca amenințare la integritate care trebuie supravegheată, la IA ca instrument a cărui folosire adecvată trebuie predată. Aceasta este dimensiunea etică a Alfabetizare în IA și este întruchipată în proiectarea practică:

• Declarații de folosire a IA specifice sarcinii: cadrele de declarare specifice domeniului înlocuiesc căsuțele generice de tip „am folosit IA” cu declarații structurate care leagă folosirea de etape cognitive (de exemplu, planificare structurală versus generare de conținut), forțând reflecția și mutând accentul de la supraveghere la practica profesională.

• Evaluare cu proces transparent: arhitecturi precum administrarea cognitivă, predările etapizate, susținerile orale și AI Viva (un agent conversațional care sondază dacă studenții își înțeleg lucrările) fac vizibile judecata umană, verificarea și responsabilitatea. Miles, Haber-Curran și Arar (2026) duc aceeași logică până la promptul însuși: rubrica lor exemplu notează rafinarea iterativă, interpretarea critică a rezultatului și revizuirea reflexivă, astfel încât ceea ce este evaluat este implicarea studentului cu instrumentul, nu artefactul pe care l-a produs, și ei susțin că a-i învăța pe studenți doar să optimizeze rezultatul lasă neatinse dimensiunile etice și epistemologice ale folosirii.

• Reducerea utilizării greșite: integritatea stă alături de AI Misuse and Learning Harm (costul de învățare al utilizării greșite) și de Reducerea utilizării greșite a IA (intervențiile care o previn), legând onestitatea de învățarea autentică, nu de respectarea regulilor.

• Transparența ca strategie de integritate, nu doar ca curtoazie: cazul de proiectare al lui McCorkle (2025) tratează raționamentul din spatele fiecărei folosiri permise sau nepermise a GenAI ca mecanismul de integritate însuși. Studenții intervievați după ce au ignorat o politică de interdicție au explicat că nu se vedeau comportându-se neonest, ceea ce reîncadrează eșecul ca ambiguitate, nu ca neconformare - astfel încât reconceperea l-a rezolvat justificând fiecare restricție prin evaluarea specifică pe care o protejează (Assessment) și proiectând pentru „20-60-20” persuadabilii lui McCabe, în loc de puținii hotărâți. Cazul numește și costul de echitate al unei politici vagi: așteptările neclare și inegale între instructori sunt ceea ce transformă un eșec de politică în acțiune disciplinară (Equity).

• Proiectare, nu detecție: cazul Bochum. Reconceperea introducerii în fizica nucleară și a particulelor la Universitatea Ruhr din Bochum (Mikhasenko et al., 2026) și-a legat politica privind IA de un eșec practic de integritate, nu de detecție: pentru că problemele de la seminar erau publicate în avans, unii studenți pregăteau soluții generate de IA și le copiau pe tablă fără să se angajeze în raționamentul prevăzut. Autorii tratează acest lucru ca problemă de proiectare - mutarea problemelor de seminar într-o discuție pregătită la clasă și transformarea unui examen scris în factorul determinant al notei -, nu ca problemă de supraveghere, permițând în același timp explicit IA în studiu, explicând de ce verificarea este responsabilitatea studentului și notând că temele deschise care permiteau IA au crescut și dependența, accesul inegal la modelele plătite și volumul de muncă al asistenților.

Formularea cea mai clară a inversării pedagogice vine de la El Khoury și Ma (2026), care susțin că o reformă pornită din suspiciune îngustează imaginația educațională spre control, conformare și supraveghere și că integritatea ar trebui să fie o consecință a unei evaluări proiectate pentru implicare, nu punctul ei de plecare. Observația lor de sprijin este un mecanism deja vizibil în altă parte a acestei baze de cunoștințe: dezangajarea este una dintre condițiile în care neonestitatea devine mai probabilă, astfel încât agendele care testează la stres evaluările sau care restricționează folosirea IA fără a aborda implicarea lasă o parte a problemei neatinsă.

Studenții din afara învățământului superior anglofon descriu aceeași tensiune în termenii lor. Mulisa și Mezgebu (2026) au intervievat 27 de studenți de licență la o universitate etiopiană și au găsit un corp studențesc divizat împotriva lui însuși: aproape toți foloseau GenAI sau îi vedeau pe colegi folosind-o, majoritatea îi atribuiau o îmbunătățire a performanței academice, o mică minoritate numeau o astfel de folosire drept abatere fără rezerve, iar aproape toți descriau un teren de joc inegal în care munca asistată de IA obținea note mai bune decât efortul onest, în timp ce cei care lucrau independent își pierdeau simțul diligenței. Trăsătura cea mai ascuțită a relatării este definiția plagiatului dată de studenți, care este tehnic defensabilă și incompletă - dacă plagiatul înseamnă reproducerea cuvintelor altcuiva, un text scris de o mașină care nu copiază nimic nu este plagiat -, motiv pentru care autorii susțin că definiția trebuie extinsă dincolo de copiere și lipire, urmând „AI-plagiatul” lui Ka și Chan (2025), și pentru care așează convingerile studenților înșiși, nu doar regulile instituționale, în centrul folosirii etice.

Sharma (2026) duce inversarea pedagogică un pas mai departe, extinzând cadrul postplagiatului al lui Eaton dintr-o orientare etică într-o proiectare a evaluării. Integritatea, în această abordare, este pusă în act prin judecata evaluativă - capacitatea celui care învață de a cântări opțiuni, a justifica alegeri academice și a-și asuma responsabilitatea în condiții de incertitudine epistemică - și devine vizibilă prin patru practici: trasee de decizii adnotate, practici de verificare și responsabilizare, apărare orală și responsabilitate dialogică, și diferențe între schițe cu istoric de versiuni. Detecția este păstrată doar ca strat suplimentar pentru denaturarea clară sau externalizarea deliberată a muncii intelectuale, niciodată ca infrastructură principală a integrității, pentru că întreabă dacă s-a folosit GenAI, în loc să întrebe cum au fost luate deciziile din spatele muncii; argumentul numește și riscul de echitate ca modelele centrate pe detecție să cadă cel mai greu asupra celor care se bazează pe instrumente generative pentru Scaffolding lingvistic sau cognitiv.

O a treia cale se situează între detecție și reconcepere. Akçapınar (2026) prezice riscul de trișare asistată de IA din urmele LMS de la începutul semestrului cu un AUC de 0,763 și încadrează rezultatul ca îndrumare academică cu miză mică - memento-uri, urmărirea temelor, scurte discuții de verificare -, nu ca dovadă de abatere, insistând ca scorul să rămână separat de notare și de evidențele disciplinare.

Conexiuni

Integritatea academică se conectează cu Assessment Validity, Alfabetizare în IA, AI Detection, Authentic Assessment, Assessment, Educational AI Policy, AI Regulation in Education, Ethics și Equity. Este dimensiunea etică a IA în educație, inseparabilă de supra-dependență și de întrebarea mai largă a modului în care Generative AI remodelează învățarea în Higher Education și în K-12.

• Sinteza unei revizuiri sistematice. O revizuire PRISMA a 25 de studii (Balalle și Pannilage 2025) constată că IA acționează atât ca amenințare (scriere generată de IA, instrumente de parafrazare), cât și ca instrument de detecție (scoruri de IA de la Turnitin), că software-ul de detecție nu este fiabil pentru munca generată de IA și că instituțiile trebuie să construiască o cultură a integrității academice prin politici clare, reconceperea evaluării și formare în etică, nu doar prin supraveghere.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Integritatea este o preocupare centrală, dar un rezultat rar. În 394 de studii despre GenAI în învățământul superior, integritatea academică și etica s-au numărat printre rezultatele urmărite cel mai rar (Lin et al. (2026)).

• De la supraveghere la dialog: verificarea învățării. O relatare de practică despre cadrul instituțional al Universității Grand Canyon (Mandernach 2026) susține că detecția nu este fiabilă și că procesele formale de integritate ajung rar la o soluționare, lăsând corpul didactic cu „suspiciune fără recurs”. GCU a adoptat în schimb verificarea învățării - cerând studenților să demonstreze înțelegerea lucrării predate într-o scurtă conversație - reîncadrând integritatea dintr-o problemă de conformare într-o problemă de evaluare. Restituie autoritatea corpului didactic, îi mută pe studenți de la „cum să nu fiu prins” la o implicare autentică și tratează folosirea IA ca acceptabilă atunci când studentul poate demonstra învățare; anxietatea inițială a studenților față de verificare subliniază că o politică încărcată de supraveghere poate eroda Trust.

• GenAI învinge temele notabile automat (2026): ChatGPT a trecut toate cele 150 de sesiuni de test pe modele de teme Qiskit (calcul cuantic) întărite deliberat și notabile automat - personalizare, referințe ascunse, reflecții, execuție în simulator -, arătând că corectorii bazați pe rubrici nu pot distinge fiabil munca completată de IA de cea completată de studenți și pledând pentru evaluarea directă a înțelegerii (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Evaluarea în era IA - rezultatul ca dovadă (2026): o analiză la nivel universitar susține că criza evaluării cu IA este o nealiniere între proiectarea evaluării și rezultatele învățării, nu doar neonestitate; documentează prejudiciile supravegherii (browsere blocate, urmărirea privirii), o „capcană a declarării” (studenții se tem că declararea folosirii IA le scade notele), un decalaj de performanță care notează statutul socioeconomic (niveluri de Large Language Models (LLMs) plătite versus gratuite) și un „epuizament pedagogic” al corpului didactic care supraveghează IA - recomandând o evaluare bazată pe proces, în locul detecției (Evaluation in the Age of AI: Output as Evidence of Learning).

Dovezi mai recente: raționament etic, limitele detecției, marketingul IA și studenții-fantomă

Un val de cercetări recente ascuțe tabloul integrității academice în era IA generative:

• Elevii de liceu raționează situațional despre „AI-plagiat”, nu după o regulă fixă. Chan (2026) arată că raționamentul etic al elevilor de liceu despre „AI-plagiat” este nuanțat și dependent de context - mulți consideră acceptabilă munca asistată de IA atunci când sprijină înțelegerea, dar problematică atunci când substituie efortul lor propriu -, contestând presupunerea că elevilor le lipsește pur și simplu integritatea sau că o singură politică poate cuprinde etica lor.

• Evaluările autentice singure nu pot salvgarda integritatea. Kofinas et al. (2025) constată că corectorii în general nu pot distinge evaluările cu aport de GenAI de cele fără, și că nivelul de autenticitate al evaluării nu are niciun impact asupra capacității de a se proteja împotriva folosirii GenAI sau de a o detecta. Sectorul învățământului superior „nu se poate baza doar pe evaluările autentice pentru a controla impactul GenAI” - o provocare directă la strategia de reconcepere a evaluării, care trebuie împerecheată cu alte măsuri.

• Îndrumările de integritate trebuie să se extindă în procesul de cercetare, nu doar în predare. Dai și Chan (2026) constată că cercetătorii postuniversitari pun în act Alfabetizare în IA în diverse sarcini de cercetare și susțin că politicile de folosire responsabilă, care se concentrează în prezent pe predare și evaluare, trebuie să sprijine de tip schelă dimensiunile etice ale folosirii GenAI în cercetare - unde preocupările se concentrează pe originalitate, autorat, confidențialitatea datelor și degradarea competențelor, nu doar pe plagiat.

• Scopul trebuie să precedă politica. Taylor și LaCroix (2026) susțin că dacă folosirea GenAI constituie abatere depinde de scopul universității. Creșterea cazurilor de abatere reflectă o incoerență structurală în universitatea neoliberală, unde entuziasmul tehnologic, influența corporativă și aplicarea politicilor intră în conflict - lăsându-i pe studenți responsabili pentru comportamente modelate implicit de instituție. Universitățile nu pot aplica integritatea credibil fără coerență între misiunea declarată, pedagogie și practica tehnologică.

• Determinanți psihologici și comportamentali. Cercetarea Frontiers cartografiază mecanismele psihologice și determinanții comportamentali ai integrității academice sub IA - cum atitudinile, autoeficacitatea, normele și consecințele percepute modelează folosirea onestă -, conectând integritatea la Motivation, Self-Efficacy și Alfabetizare în IA ca constructe comportamentale, nu ca simplă respectare a regulilor. Tabares-Cruz et al. (2026) le cuantifică într-un model cu ecuații structurale pe 980 de studenți universitari din Ecuador, ordonând mai întâi dispozițiile de integritate academică și transparență, urmate de alfabetizarea în IA, verificarea critică, îndrumarea instituțională, autoreglarea și protecția datelor - dispozițiile de integritate și Alfabetizare în IA împreună explicând o parte substanțială a folosirii etice a GenAI și depășind regulile instituționale singure.

• Marketingul IA normalizează folosirea și încadrează „trișare versus competiție”. Sobo et al. (2025) arată că IA este comercializată studenților ca o necesitate practică („Fă-ți scrierea să sune mai natural ca să eviți să fii semnalat din greșeală”) și că studenții se simt obligați să o adopte pentru a rămâne competitivi, chiar în timp ce se îngrijorează de dependență și de pierderea învățării - un imperativ antreprenorial interiorizat. Aceasta indică nevoia unei alfabetizări în marketing ca parte a educației pentru integritate în IA.

• Umanizatoarele de IA expun ciclul performativ al detecției. Roe et al. (2026) cataloghează 55 de site-uri de umanizatoare de IA care alterează textul generat de IA pentru a eluda detecția, încadrate prin dramaturgia lui Goffman. Umanizatoarele fac abaterea discursiv absentă și performează legitimitatea, demonstrând că cursa înarmărilor dintre detecție și eludare este structural fără sfârșit - întărind trecerea de la supraveghere la proiectarea evaluării și la Alfabetizare în IA.

• Aplicarea, nu detecția, este locul unde trăiește conversația. În 270.929 de înregistrări legate de IA din 26 de subreddituri educaționale pe parcursul a trei ani și jumătate, grupul de integritate academică a deținut 37,1% din discuție, iar Aplicarea abaterilor a fost cea mai mare temă individuală, cu 12,1%, în timp ce 32,3% dintre firele dintre corpul didactic și studenți se situau în dispute de detecție și aplicare (Yüce et al. (2026)).

• Studenții-fantomă și decalajul de verificare al IA agentice. Bozkurt, Crompton și Fell Kurban (2026) introduc „studentul-fantomă”: un substituent digital creat prin cuplarea LLM-urilor („mintea”) cu browsere de IA agentică („corpul”), care poate naviga LMS-ul, se poate implica în conținut și poate finaliza evaluări cu o imitație umană, făcând prezența celui care învață efectiv opțională. Aceasta creează un decalaj de verificare pe care supravegherea și detecția tradiționale sunt structural incapabile să îl închidă - o amenințare la integritate care crește pe măsură ce IA devine agentică, nu doar generativă.

Cazul disciplinar cel mai clar în favoarea reconceperii în locul detecției vine din învățarea informaticii. O revizuire sistematică a 72 de studii despre IA generativă în informatică și predarea programării (Kumar, Wongsirichot și Nanthaamornphong 2026) a găsit doar trei studii care examinează mecanisme de detecție a IA - cea mai subțire bază de dovezi dintre cele 14 teme pe care le-a consolidat -, în timp ce reconceperea cursurilor și a evaluării era susținută de 25. Revizuirea tratează dezechilibrul ca diagnostic, nu incidental: instituțiile au actualizat în mare măsură documentele de politică fără a reconcepe evaluările, iar majoritatea instructorilor se situează la un nivel de integrare de toleranță, nu de transformare, 70% dintr-un eșantion național de cadre didactice cerând explicit formare în proiectarea evaluării rezistente la IA. Răspunsul recomandat este concret: adăugarea unei componente orale sau a altui element care face procesul vizibil la cel puțin o evaluare cu miză mare pe curs și transformarea implicării critice cu rezultatul IA (citire, testare, modificare, explicare, critică) într-o componentă notată și observabilă a muncii studenților, în loc de o aspirație lăsată la discreția lor (Assessment Validity). O revizuire PRISMA a 72 de studii despre evaluarea în învățământul superior găsește trei răspunsuri de proiectare recurente la GenAI - orientarea pe proces, autenticitatea și abordările orale și dialogice -, încadrate ca straturi adăugate peste principiile existente de validitate, autenticitate și aliniere, nu ca înlocuitori ai acestora (Crompton și Burke (2026)).

• Referințele fabricate au ajuns în registrul publicat al învățării informaticii. Denny et al. (2026) au urmărit 113.588 de referințe din 5.225 de articole de învățare a informaticii din ACM Digital Library împotriva corpusului complet de 723.930 de publicații și 15.872.533 de referințe, au verificat manual 828 de înregistrări suspecte și au confirmat 30 de referințe cu informații bibliografice verificabil fabricate în 14 articole, toate publicate în 2025 sau 2026. La SIGCSE Technical Symposium, numărul verificat a crescut de la 3 în 2025 la 17 în 2026, prezent în 2,3% dintre lucrările din proceedings-urile din 2026, iar referințele halucinate au apărut în cinci locații sponsorizate sau în cooperare cu SIGCSE în 2025. Cifra este intactă doar cu contragreutatea ei: majoritatea referințelor semnalate erau benigne - 229 erau nepotriviri de metadate ACM în care PDF-ul era corect, iar 188 erau variante bibliografice valide -, astfel încât cifra pe locații este o limită inferioară deliberată. Ea cade asupra autorilor, nu doar asupra evaluării de către colegi (Peer Assessment), pentru că recenzenții care verifică listele de referințe nu pot valida fiecare intrare, iar redactarea asistată de Large Language Models (LLMs) face ieftină producerea unei citări inventate, dar plauzibile.

• Claritatea fără reconcepere mută utilizarea greșită lateral, în loc să o elimine. Petricini și Zipf (2026) așează folosirea IA pe două axe - intenția și efortul studenților față de claritatea și sprijinul oferite de mediu - și raportează că cel mai populat cadran din datele lor de interviu era conformarea anxioasă, în care studenții ascund ajutor legitim (sprijin gramatical, explicații de concepte, organizarea propriilor idei) pentru a evita acuzația falsă. Avertismentul lor este direcțional: acolo unde regulile devin clare, dar Assessment recompensează în continuare viteza și produsul, studenții conștienți de politică se deplasează spre eludare eficientă, nu spre folosire virtuoasă a instrumentului. Austin (2026) ajunge în același loc din partea sarcinii - atunci când agenții satisfac fiecare criteriu al rubricii fără raționament vizibil, notarea traseului de decizii (calibrarea încrederii, sugestii IA respinse, constrângeri specifice cursului) înlocuiește detecția, care, notează ea, ratează în ambele direcții.

• Angajatorii discountează notele despre care cred că au fost produse de IA - și converg asupra verificării față în față. Într-un experiment de sondaj cu aproximativ 1.750 de specialiști în recrutare din SUA, Boyd-Swan și Reynolds (2026) arată că încadrarea folosirii IA de către studenți ca instrument de sprijin nu i-a penalizat pe solicitanți, în timp ce încadrarea ei ca substitut pentru efortul și capacitatea studentului a scăzut probabilitatea de interviu și - mai tranșant - disponibilitatea de a negocia salariul, concentrată în rândul solicitanților cu medii mari, indiferent de rasă sau sex. Întrebați ce le-ar atenua îngrijorările, ambele grupuri de încadrare au ales un singur remediu comun: testele față în față. Experimentul izolează convingerea (nu folosirea efectivă a IA), deci arată cum doar canalul de semnalizare mișcă rezultatele angajării - dovezi timpurii că piețele muncii pot împinge evaluarea înapoi spre formate verificabile prin prezență, aceeași direcție de proiectare pe care literatura despre studenții-fantomă îndeamnă instituțiile să o adopte.

Primul studiu bazat pe teoria comportamentului planificat asupra intenției de abatere în context GAIT extinde acest tablou: între 186 de studenți de licență, Baig și Paparo (2026) au constatat că atitudinile față de abatere, normele subiective despre ea și atitudinile pozitive față de IA prevesteau fiecare intenția, în timp ce atitudinile negative față de IA nu o prevesteau, iar o probabilitate percepută mai mare de detecție prevestea o intenție mai mică - un element descurajator subminat de lipsa documentată de fiabilitate a instrumentelor de detecție a IA.

Politicile de integritate se mută de la cine a scris cuvintele la cine a avut ideile, iar detectoarele sunt reconstruite ca să se potrivească. IdeaLens prezice proveniența ideilor pornind de la o schiță, nu de la proză: pe 50 de povestiri pe care oamenii le-au scris de la zero urmând planuri generate de IA, a marcat 68% ca IA, față de 8% pentru Pangram 4 și 0% pentru controlul său antrenat pe proză, și a etichetat ca uman 94,7% din textul uman lustruit de IA (Rajendhran et al. (2026)). Propria declarație etică numește rezultatul o estimare statistică ce nu trebuie folosită singură ca dovadă concluzivă a folosirii IA.

Gillette et al. (2026) documentează regimul din interiorul unei facultăți: profesorii care schimbaseră formatele de evaluare afirmau că este „practic imposibil să spui dacă un student a folosit IA în scrierea temelor”, în timp ce studenții furioși cereau apeluri la conștiință și „rușinare”, în loc de detecție.

• O detectare mai bună nu schimbă ce poate certifica evaluarea. Un sistem de supraveghere cu estimare a posturii YOLOv11 care raportează o acuratețe de clasificare de 99,56% ilustrează limita rutei detecției: măsoară postura față de o etichetă comportamentală, nu raportează niciun adevăr de referință despre abatere și nu oferă analiză pe subgrupuri (Arif et al., 2026). Remediul pentru care pledează Villanueva este o dovadă suficientă de învățare în etapele cheie, nu supravegherea maximă a fiecărei lucrări predate.

Concepții eronate

• „Instrumentele de detecție identifică scrierea IA.” Textul generat de IA a trecut drept scris de om în până la 80% din cazuri, în timp ce dovezile privind detecția plasează detecția automată la aproximativ 80%, față de 78,4% pentru evaluatorii umani. Judecata umană și cea automată sunt aproape la fel de (ne)fiabile, astfel încât un verdict de detecție nu este dovadă de autorat.
• „Problema este marginală.” Volumul este departe de asta: o analiză pe șase ani a unui curs CS2 cu înscriere mare a constatat că 45,7% dintre studenții din primăvara 2026 au fost semnalați. Aproape jumătate dintr-o cohortă, ceea ce face din aceasta o problemă de proiectare generală, nu un caz limită.
• „Instructorii știu care evaluări sunt vulnerabile.” Într-un departament de biologie, instructorii percepeau doar examenele supravegheate față în față ca fiind minim vulnerabile, în timp ce temele în afara orei erau văzute ca expuse. Percepția se potrivea cu cazul evident și trata tot restul ca fiind sigur.

Concepte conectate

• Pedagogical Patterns - Secvențe de verificare adoptate ca răspuns la IA generativă
• AI Use and Disclosure Statements - Declarații de folosire și de divulgare a IA
• Assessment Validity
• Alfabetizare în IA
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Descărcarea cognitivă
• AI Misuse and Learning Harm
• Reducerea utilizării greșite a IA
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• Inteligența artificială în educație
• Legal Issues and Risks
• Social Norms of AI Use - regulile informale care stau sub politica formală

Articole conectate

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Un întreg program de psihologie promovabil cu efort minim, și criteriile de notare care au permis asta (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Viitori profesori au refuzat GenAI sub o politică permisivă; încadrarea drept „capcană” și decalajul dintre sondaj și declarare

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agenți de IA, evaluare bucuroasă și al treilea spațiu

• Generative AI in computing education: A systematic review and a framework for responsible integration — Dovezile despre detecție sunt subțiri (3 studii din 72); reconceperea duce greutatea

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Politică de curs aliniată privind GenAI: permisiuni derivate din evaluare, raționament transparent (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Generarea de variante de evaluare echivalente în construct (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Cum reglementează instructorii IA în peste 31.000 de fișe de disciplină; încadrarea prin integritate în scădere (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 — Pot studenții să trișeze până la o diplomă în biologie? Un studiu de caz al vulnerabilității notelor la cursurile de biologie față de neonestitatea academică în era IA generative

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Neconformarea studenților cu declarațiile de folosire a IA

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Detectarea textului generat de LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Dincolo de detecție: evaluarea autentică într-o lume mediată de IA

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Scala de evaluare cu IA și reforma evaluării

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — De la produse autentice la procese autentificate

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — E în regulă pentru că... Raționalizarea folosirii IA de către studenți

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Cadru de joc de coordonare pentru folosirea etică a IA

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Rușinea și vinovăția ca reglementatori sociali ai folosirii IA

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — A greșit Alice? Percepții transculturale asupra folosirii IA

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Judecăți de valoare în notarea muncii asistate de GenAI: onestitate, încredere, validitate și transparență bidirecțională (Luo și Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Responsabilitate între colegi și originalitate în evaluarea de grup mediată de GenAI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Colapsul probatoriu al detecției și argumentul pentru justiție procedurală, proporționalitate și proiectare

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Descurajare, declarare și reconcepere ca problemă de proiectare a evaluării în condiții de informație imperfectă

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Pe ce s-au sprijinit de fapt 1.162 de dosare de abatere cu GenAI, și pragul probatoriu lipsă

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Reguli prea cuprinzătoare privind IA și distincția dintre transcriere și generare

• AI-based digital cheating at university, and the case for new ethical pedagogies — Trișarea digitală cu IA și pedagogii etice bazate pe prevenire: cazul de la 183 la 27 de abateri și cinci reconceperi specifice disciplinelor (Leaton Gray, Edsall și Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Integritatea ca problemă de guvernanță: un cadru de 130 de indicatori pentru guvernanții academici (Coates, Croucher și Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Revizuire de tip scoping a 38 de studii despre vocile studenților din învățământul superior privind integritatea academică și GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Trasarea liniei dintre sprijin și substituire pentru cei care scriu în engleză ca limbă suplimentară, și inechitatea regulilor care ignoră originea lingvistică (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injectarea de prompturi împotriva notării mediate de IA: instrucțiuni ascunse care schimbă nota fără a fi detectate (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Matricea etică a folosirii IA: conformarea anxioasă și de ce claritatea singură îi poate împinge pe studenți spre eludare eficientă (Petricini și Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Notarea traseului de raționament atunci când agenții de IA pot completa tema (Austin 2026)

• AI-written admissions essays are widespread but penalized — Eseurile de admitere scrise de IA sunt larg răspândite, dar penalizate

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Cine acționează, cine știe, cine răspunde? O analiză de discurs asistată de corpus despre agenție, responsabilitate epistemică și responsabilizare în cercetarea despre IA generativă în învățământul superior

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Cartografierea limitei autorizate: un studiu comparativ de viniete de politică privind guvernanța IA generative în învățământul superior australian

• Argus: Academic Integrity in the Era of Generative AI — Argus: integritatea academică în era IA generative

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Constatare de audit sectorial: universitățile cu mandat și cele cu cadru nu arată nicio diferență în expunerea evaluării, omologul empiric al problemei coordonării

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) - Predicția timpurie a riscului de trișare asistată de IA din urmele LMS, încadrată ca îndrumare academică, nu ca dovadă de abatere

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Trei ani și jumătate de Reddit educațional: aplicarea domină, iar disputele de integritate sunt principalul loc de întâlnire dintre corpul didactic și studenți (Yüce et al. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Experiment de sondaj: încadrarea substituirii în folosirea IA de către studenți îi penalizează pe solicitanții cu medii mari la angajare și salariu; testarea față în față este singurul remediu pe care l-au ales ambele grupuri

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