Академическая добросовестность

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Академическая добросовестность — этическая рамка, регулирующая честную академическую работу в эпоху ИИ. База знаний документирует, как это понятие было переосмыслено под влиянием generative AI: от задачи detecting dishonest output к задаче проектирования — сделать честную работу видимой, проверяемой и стоящей того, чтобы её выполнять. research академической добросовестности в этой области эволюционировало от подходов, ориентированных на обнаружение, к фундаментальному перепроектированию оценивания, управлению, определяемому педагогикой, и teaching students how to use AI well, а не просто к надзору за тем, делают ли они это.

Вопросы для размышления

• Вспомните, когда вы в последний раз слышали обсуждение «мошенничества с ИИ». Шла ли в нём речь о том, чтобы выявлять студентов, или о том, чтобы спроектировать задания, которые студенты захотели бы выполнять честно? Какой акцент кажется вам более привычным и почему?
• Вылизанный, правдоподобный текст теперь можно сгенерировать за секунды. Если вы больше не можете судить о способностях студента по продукту, который он сдаёт, что вам нужно увидеть или услышать, чтобы быть уверенным, что он действительно этому научился?
• Исследования показывают, что студенты чаще рационализируют использование ИИ («копирование текста ИИ никому не вредит»), чем используют его со злым умыслом. Какие допущения о мотивах студентов делает чисто карательная политика добросовестности — и в чём эти допущения могут ошибаться?
• Одно направление исследований рассматривает использование ИИ студентами как задачу координации: поведение меняется, когда меняются ожидания сверстников и стимулы в оценивании, а не когда правила просто переформулируются. Какие факторы, связанные со сверстниками или с проектированием, в вашем собственном контексте могут тихо влиять на то, будет ли использование ИИ честным?
• Исследования показывают, что страх наказания побуждает студентов скрывать использование ИИ и что откровенные студенты могут даже вызвать подозрения. Если бы вы проектировали форму «раскрытия использования ИИ», что заставило бы студента действительно захотеть заполнить её правдиво?
• Одна и та же институциональная политика в отношении ИИ по-разному интерпретируется студентами разных культур — именно культура, а не формулировки политики определяет, что воспринимается как недопустимое. Как следует доносить политику добросовестности до культурно разнообразной группы, чтобы ожидания действительно были поняты?

Введение

Появление генеративного ИИ не создало потребности в академической добросовестности — оно сделало слабости существующих подходов труднее игнорировать. Вылизанный, правдоподобный продукт теперь можно сгенерировать за секунды, поэтому сходство продукта — всё менее надёжный сигнал способностей. Это смещает вопрос добросовестности с «можем ли мы выявить использование ИИ?» на «могут ли наши assessments по-прежнему оправдывать выводы, которые мы делаем об учении студентов?»

Эволюция от обнаружения к перепроектированию

• Скептицизм в отношении обнаружения: Обнаружение ИИ и institutional анализы всё чаще приходят к выводу, что инструменты обнаружения ИИ ненадёжны и процедурно несправедливы. LLM text detection сталкивается с фундаментальными ограничениями. Полностью сгенерированные ИИ работы могут проходить через системы живого экзамена практически незамеченными, а опытные проверяющие не выявляют работы, созданные GenAI, с достаточной надёжностью. В лучшем случае обнаружение — это ограниченный, ситуативный инструмент, а не стратегия первого выбора. При этом объём задач, которые ему всё же приходится обрабатывать, далеко не маргинален: шестилетний анализ курса CS2 с большим набором обнаружил, что 45.7% студентов весны 2026 года были отмечены по паттернам, совместимым с программированием с помощью LLM (Racovan et al. (2026)).

• Узкая маржа обнаружения и мошенничество как спланированное поведение: Leaton Gray, Edsall and Parapadakis (2025) собирают аргументы в пользу того, что ИИ усиливает уязвимость, которая уже была у сектора. Текст, сгенерированный ИИ, проходил как созданный человеком вплоть до 80% случаев, тогда как приводимые ими данные показывают точность машинного обнаружения около 80% против 78.4% у человеческих проверяющих — слишком узкая маржа, чтобы на её основании делать вывод о нарушении. Их анализ мотивации — более самобытный вклад: опираясь на теорию планируемого поведения Айзена и теорию самоэффективности Бандуры, они сообщают о результатах метаанализа Krou et al. (2021), согласно которым Самоэффективность отрицательно коррелирует с мошенничеством, тогда как фактические способности не коррелируют с ним обратно пропорционально вообще. Таким образом, способный, уверенный в себе студент, который воспринимает оценивание как несправедливое, может мошенничать, чтобы вернуть контроль. Вывод воспроизводит ту же инверсию, которую эта страница документирует и в других местах: оценивание, на которое модель может убедительно ответить, — интеллектуально тривиальное оценивание, и провал принадлежит оцениванию, а не студенту.

• Перепроектирование оценивания: Аутентичное оценивание, beyond-detection approaches и the AI Assessment Scale смещают фокус с выявления использования ИИ на проектирование оценивания, в котором использование ИИ либо нерелевантно, либо прозрачно, либо необходимо для демонстрации определённой способности.

• Структурная уязвимость выставления оценок: Chan et al. дают конкретный пример того, как нынешняя система выставления оценок структурно открыта для нечестности, опосредованной ИИ. На кафедре biology преподаватели воспринимали как минимально уязвимые только экзамены под очным прокторингом, а задания вне занятий рассматривались как высоко уязвимые, так что около трети оценки студента оказывалась высоко уязвимой, а 80% — по крайней мере в некоторой степени уязвимыми. Это рассматривает проблему добросовестности как частично проблему проектирования выставления оценок, что мотивирует перебалансировку в сторону экзаменов под прокторингом или очного оценивания и authentic assessment, труднее поддающегося передаче на аутсорсинг. Ivory et al. (2026) дают отраслевой аналог на примере целой трёхлетней программы по психологии: 36 из 40 процедур оценивания 16 типов давали приемлемый результат при минимальных усилиях, а четыре неудавшиеся были теми, которые требовали присутствия, визуальных материалов или собственного набора данных студента. Их объяснение почему это проходит — та часть, которая обобщается: оценивание, вознаграждающее беглую структуру и добросовестное применение правильного анализа, попустительствует сфабрикованным значениям и галлюцинированным ссылкам, поэтому порог сдачи, а не обнаружение решает, будет ли результат работы ИИ зачтён как достижение, и уязвимость оценивания «нельзя объяснять исключительно использованием его студентами».

• Сдаваемая работа как поверхность атаки: prompt-инъекции против AI grading. Humble (2026) проводит красную команду (red-team) над повседневным процессом выставления оценок и показывает, что сдаваемая студентом работа может нести скрытые инструкции, меняющие оценку, которую выставляет инструмент ИИ: две из пяти стратегий косвенной инъекции, встроенных в файл работы, подняли незачётное эссе до зачёта без видимого предупреждения пользователю, при заявленных показателях успешности атаки 100% (9/9) и 94% (17/18); в обоих случаях сочетались манипуляция инструкциями, ролевая игра и обфускация в форматах docx, pdf и htm. Самая базовая атака провалилась полностью, и её отказ был молчаливым — инструмент отключил чат, не сообщив о попытке, — тогда как единственная обнаруженная инъекция вызвала успокаивающее заверение, что инструмент будет оценивать «строго в соответствии с официальными инструкциями к заданию», прежде чем шесть дальнейших запусков того же файла всё равно повысили оценку. Последствия для добросовестности действуют в обе стороны: оценка, поднятая скрытой инструкцией, не несёт в себе притязания на validity, та же техника может быть использована для ухудшения работы без устойчивого следа в результате, и человеческий проверяющий остаётся единственной реальной проверкой манипуляции, спроектированной так, чтобы быть невидимой.

• Валидность как организующая рамка: Валидность оценивания переосмысляет добросовестность как проблему доказательности. Authentic assessment research вводят понятие подмены конструкта — продукт, созданный ИИ, приписывается студенту, поэтому оценивание выводит способности инструмента, а не студента. Вопрос доказательности переживает любую политику в отношении ИИ: независимо от того, запрещено, разрешено или обязательно использование, оценивание всё равно должно генерировать доказательства, оправдывающие делаемый вывод.

• Вариативность в масштабе как механизм добросовестности без наблюдения: VARIA (Lee 2026) Бенчмарк посылку, лежащую в основе аутентичного оценивания с интеграцией ИИ (AIAA) — замену прокторинга с наблюдением на вариативность заданий для каждого студента, делающую копирование структурно бесполезным. Гарантия добросовестности обусловлена тем, что LLM генерируют варианты, различимые на поверхности и construct-equivalent; пилот VARIA с 600 вариантами показывает, что фронтальные модели удовлетворяют этому лишь на грани (совместная оценка 0.81–0.88), тогда как нефронтальные модели проваливаются (0.50–0.55), поэтому «вариативность в масштабе нельзя решить одним prompting». Это даёт дискуссии «обнаружение против перепроектирования» эмпирическую, фальсифицируемую проверку: обещание отсутствия наблюдения в аутентичном оценивании с варьируемыми заданиями теперь зависит от измеренной (и пока узкой) способности генерации, а не от предполагаемой.

• Аутентификация рефлексии студента против GenAI: Kadel et al. (2026) утверждают, что традиционные модели рефлексии больше не могут аутентифицировать рефлексию студента, как только GenAI способен создавать рефлексивную прозу, и встраивают добросовестность непосредственно внутрь модели рефлексии — стадия Pitfalls рамки 5P явно обрабатывает плагиат, hallucination и чрезмерную зависимость, тогда как её стадии Process и Product требуют документирования промптов и проверки результатов, чтобы собственное рассуждение Учащиеся было отличимо от вклада, созданного ИИ.

• Разработка политики: Institutional AI policies и исследование Политика в области образовательного ИИ (Educational AI Policy) рассматривают, как университеты разрабатывают и доносят ожидания добросовестности — и почему абстрактные положения политики так часто терпят неудачу.

• Добросовестность как проблема управления, а не обнаружения. Coates, Croucher and Calderon (2025) переносят связывающее ограничение с поведения студента на академическое Управление ИИ, которое они называют устойчивым, но «не готовым и не расположенным» противостоять связанным с GenAI угрозам аутентификации оценивания студентов. Их ответ — рамка индикаторов добросовестности из 130 пунктов по восьми измерениям, от Designing (19 пунктов) до Improving (6), представляющая собой скорее управленческие вопросы, чем психометрические шкалы: получает ли высший совет учреждения обновления о качестве оценивания, какой процент оценивания напоминает релевантные и осмысленные задачи, какой процент студентов известен лично преподавателям, которые их оценивают. Она была разработана через многолетний обзор исследований, пять кейсов австралийских университетов, прототипирование, подтверждение экспертами с 60 приглашёнными экспертами из шести регионов мира и quantitative пилотирование, и сопровождается реформами архитектур управления, людей, технологий и ресурсов, которые, по ожиданиям авторов, окупятся только под внешним давлением со стороны Регулирование ИИ в образовании, бенчмаркинга и межвузовской конкуренции; они представляют рамку как формирующую и призывают к психометрической валидации перед её использованием для сравнения или measurement.

• Что документы действительно говорят: добросовестность доминирует в институциональной политике в отношении ИИ. Eldredge et al. (2026) проанализировали документы политики и руководства по ИИ всех 48 аккредитованных CAHIIM магистерских программ по медицинской информатике и управлению медицинской информацией в США: у 40 (83%) был как минимум один квалифицирующийся документ, и эти документы подавали ИИ преимущественно как вопрос предотвращения неправомерного использования студентами в учебной работе, центрируя академическую добросовестность и допустимое использование. Академическая добросовестность была безусловно самым частым ключевым словом (n = 139, опережая цитирование с 59, оценивание с 50 и плагиат с 38), тогда как темы приватности, интеллектуальной собственности и регулирования присутствовали, но были менее распространены (HIPAA n = 5, FERPA n = 11, руководство IRB n = 8). Тематическое моделирование по тому же корпусу дало четыре темы, первая из которых — академическая добросовестность и допустимое использование ИИ — наряду с генеративным ИИ в преподавании, ИИ и использованием инструментов данных в исследованиях, а также вовлечением студентов в разговорные системы ИИ. Доказательная ценность для этой страницы — в количественной оценке: центрированная на добросовестности рамка — не просто риторический режим по умолчанию институциональной политики в отношении ИИ, она эмпирически является её доминирующим содержанием. Самое острое наблюдение авторов касается того, где это внимание заканчивается: сравнительно мало руководства охватывает использование ИИ в прикладном обучении, исследованиях и моделируемых средах, где пересекаются учебные задачи и заботы об управлении данными, поэтому документы регулируют учебную работу, тогда как среды, для которых готовит степень, остаются по большей части неохваченными.

• Рамка добросовестности уступает место регулированию по типу задачи: Chirikov's (2026) более чем 31 000 учебных программ курсов показывает, что политика преподавателей в отношении ИИ отходит от чисто основанной на добросовестности рамки: упоминания академической добросовестности в учебных программах упали с 63% (весна 2023) до 49% (осень 2025), тогда как ссылки на влияние ИИ на учение выросли с 1% до 29%. Преподаватели всё больше регулируют ИИ по типу задачи — ограничивая его для черновиков/рассуждений (где ИИ вытеснял бы учение) и разрешая для редактирования/корректуры и поддержки учёбы, — вместо того чтобы применять общий запрет по принципу добросовестности. Это переосмысляет политику добросовестности как проектное решение на уровне задачи, а не как бинарное правило.

• Машинная устойчивость как предотвращение, а не обнаружение. Возмущение самого документа — межсимвольные, межсловные и межстрочные интервалы, дрожание непрозрачности, полосатые наложения и шум изображения, а также основанные на решении состязательные атаки — повышают усилия, необходимые для недобросовестного использования LLM, прямо в источнике, при сохранении измерения того же знания (Salaun et al. (2026)). Ручная расшифровка остаётся возможной, а состязательные атаки защищают только выбранные строки, оставляя полную посимвольную ошибку по документу ниже 8,44%.

Процедура рассмотрения нарушений и её доказательный коллапс

Механизм правоприменения, который лежит поверх политики добросовестности, сам по себе является проектным решением, и генеративный ИИ разрушил его доказательную основу. Teichmann (2026) утверждает, что процедура рассмотрения нарушений, которую университеты позаимствовали из практики борьбы с плагиатом, предполагает, что запрещённое использование может быть обнаружено и доказано — посылку, которую эта технология разрушает. В отличие от программ сопоставления текстов, которые указывают на скопированный источник, классификатор текста ИИ не указывает никакого источника (его не существует); он выдаёт вероятностное суждение о стиле, которое ухудшается при парафразе, систематически ошибочно маркирует тексты не носителей английского языка и не может быть объяснено или подвергнуто перекрёстному допросу, тогда как умелое или слегка отредактированное использование не оставляет следов вообще. Упорство вопреки этому переворачивает бремя доказывания (студента просят доказать отрицание), напрягает каждый элемент процессуальной справедливости и обрушивает вред ложного обвинения сильнее всего на тех, кто и без того в невыгодном положении. Предлагаемое лекарство двояко: доказательный стандарт, при котором оценка детектора сама по себе никогда не служит основанием для вывода, с градуированными, прежде всего образовательными реакциями, и перенос институциональных усилий в центрированное на валидности проектирование authentic assessment — ответом на необнаружимый ИИ должно быть лучшее оценивание, а не лучшее наблюдение. Предельный случай не имеет механизма вообще: Isley, Gaebler and Goel (2026) документируют магистерскую программу по публичной политике в США, которая запретила помощь генеративного ИИ в подписанном заявлении и не проверяла ни одной работы, где 56.1% абитуриентов 2025 года подали как минимум одно эссе, которое коммерческий детектор классифицировал как преимущественно написанное ИИ, и каждое отмеченное эссе ассоциировалось с более низкой вероятностью зачисления на 1.5 процентных пункта (p < .01), возрастающей до 2.6 пунктов (p < .001) при неизменном качестве эссе. Не имея между правилом и результатом ни обнаружения, ни вынесения решения, ни правоприменения, наказание доставлялось полностью через неписаное суждение читателей приёмной комиссии — запрет плюс ничем не подкреплённое суждение читателей воспроизводили дискреционное, необъяснённое санкционирование, ради предотвращения которого и существует справедливая процедура.

Munoz et al. (2026) дают эмпирический аналог, кодируя каждое дело о нарушениях с GenAI в одном региональном австралийском университете за три года: 1 162 дела с 1 855 элементами доказательств, каждый оценён по релевантности, достоверности и силе вывода. Вывод детектора был доказательством, к которому прибегали чаще всего и которое меньше всего могло выдержать нагрузку — отчёты Turnitin или о сходстве несли 100% слабой силы вывода, а самостоятельный вывод детектора — 100% низкой достоверности, и доля доказательств на основе детекторов упала до 0.5% элементов к 2025 году, поскольку учреждения усвоили, что он не может доказать, — тогда как сильнейшими типами доказательств были те, которые не опираются на вероятностную классификацию текстов: признания студентов, наблюдавшееся запрещённое поведение на экзамене и независимо верифицированные сфабрикованные ссылки, которые составили крупнейший структурный сдвиг в 22.3% элементов. Их острейшая критика структурная, а не доказательная, поскольку «от следователей не требуется оценивать доказательную ценность доказательств до продвижения обвинения, на любой стадии конвейера нет минимального доказательного порога», поэтому качество доказательств не имело надёжной связи с результатами дел. Они также фиксируют, как политика догнала практику: политика оценивания, действовавшая до 2024 года, ничего не говорила об ИИ, а с января 2025 года пересмотренная политика разрешила одобренное программное обеспечение для проверки подлинности, запретив при этом загрузку студенческих работ в сторонние инструменты обнаружения ИИ.

Вторая неудача — скорее вопрос охвата, чем доказательства. Wright (2026) показывает, что запреты, написанные на уровне идентичности платформы, а не функции, захватывают негенеративное преобразование форматов — расшифровку речи в текст, OCR, преобразование простого текста в LATEX — наряду с генеративным черновиком, который они намереваются запретить, хотя рецензируемая компьютерно-научная литература рассматривает распознавание и генерацию как различные операции. Цена ложится неравномерно: студенты с особенностями, влияющими на мелкую моторику, разборчивость почерка или точность набора текста, опирались именно на эти инструменты, и по мере того как отдельные продукты голос-в-текст снимаются с продажи или деградируют, функциональный пробел заполняет расшифровка на базе ИИ, поэтому избыточно широкое правило убирает основное средство создания разборчивой работы, делая спор спором о Доступность и equity раньше, чем о добросовестности. Средство Урайта — функциональное определение генеративного ИИ плюс четыре операциональных критерия: fidelity, non-augmentation, traceability и attestation, — дающие студенту структурированный путь оспорить обвинение только в расшифровке, оставляя бремя доказывания на учреждении.

Доказательная проблема обнаружения — также проблема валидности. Поскольку помощь ИИ итеративна и вплетена в написание текста, а не отдаётся на аутсорсинг целиком, авторство и владение смыслом расходятся, и доброкачественный представленный продукт может не устанавливать, что студент применил суждение, на которое была направлена задача. Эффективность детекторов варьируется по задачам, дисциплинам и версиям моделей, и раскрытое или подозреваемое использование ИИ может действовать как смещающая подсказка для проверяющих, поэтому реакция обнаружения добавляет нерелевантную конструкту дисперсию, а не устраняет её. Там, где дискуссии о добросовестности спрашивают, кто создал слова, анализ валидности спрашивает, какое утверждение о студенте оправдывает выполнение.

Проблема рационализации

Студенты обычно misuse ИИ не со злым умыслом; они рационализируют это. Interview research выявляет как минимум пять точек разрыва, где интерпретация студентами политики в отношении ИИ расходится с намерением преподавателей, и таксономию из более чем 20 различных рационализаций — от «копирование текста ИИ никому не вредит» до «текст, отражающий мои убеждения, — это моё собственное письмо». Эти рационализации ситуативны, постфактум и внутренне противоречивы, и они описывают «крутой этический скользкий склон», по которому студенты скатываются далеко за пределы pedagogical целей. Именно поэтому student misconceptions об ИИ являются upstream-причиной нарушений добросовестности, и почему образование в области добросовестности должно обращаться к ethical reasoning, а не только к техническому навыку.

Ji's (2026) 38 эмпирических исследований голосов студентов даёт синтез, на котором держится этот раздел. Его четыре темы — двусмысленность (генерация целой задачи читается как мошенничество, проверка грамматики и мозговой штурм в основном приемлемы, а парафраз, составление плана и перевод лежат в серой зоне), этическая Автономность учащегося, в которой студенты выстраивают личные правила в вакууме руководства, читаемом ими как молчаливое одобрение их действий, разрыв между этической осведомлённостью и практикой, а также разнообразие по полу, уровню, дисциплине и культуре. Разрыв между осведомлённостью и практикой — это проблема рационализации, измеренная в масштабе: индекс этического диссонанса Huang et al. разбил 522 китайских студента на четыре кластера, один из которых часто делал то, что считал нелегитимным, а структурное моделирование уравнений Ofem et al. на 4 679 нигерийских студентах обнаружило, что позитивные восприятия ChatGPT предсказывали нечестное использование, тогда как позитивные установки добросовестности действовали как значимый отрицательный медиатор. Ji читает студентов не как пассивных получателей GenAI и не как виновных без моральных ограничений, а как активных агентов, навигирующих по этической серой зоне, — именно поэтому рассмотренные исследования сходятся на совместно созданных, образовательных и контекстно-чувствительных откликах, а не на карательных.

Почему одной политики недостаточно: проблема координации

A coordination-game framework даёт объяснение на уровне механизмов, почему провозглашения политики редко меняют поведение: использование ИИ студентами — это задача координации, где индивидуальный выбор зависит от ожиданий сверстников и проектирования оценивания. Ключевой вывод модели — нелинейная пороговая динамика: небольшие, хорошо откалиброванные изменения в стимулах рефлексивного оценивания могут вызвать быстрые сдвиги всей группы к ответственному использованию, тогда как слабые или неверно направленные стимулы позволяют оппортунистической практике сохраняться. На практике скромное перепроектирование (например, требование от студентов поразмышлять о своих взаимодействиях с ИИ) может давать непропорциональные эффекты там, где абстрактные правил не дают никаких.

Ответственность сверстников не всегда указывает на добросовестность, как обнаружили Chen and Zou (2026) в оцениваемой group assessment: семь из пятнадцати студенческих групп намеренно сократили использование GenAI, отчасти чтобы не паразитировать на сокурсниках, поскольку последствия были общими для группы, а не отдельными для каждого, — но в пяти группах разрешительный коллективный климат — «все в моей группе используют GenAI» — снизил воспринимаемый risk of misuse и инвертировал тот самый механизм ответственности, который групповая работа призвана создавать. То же исследование обнаружило, что студенты переосмысляют оригинальность как верность пониманию, выстроенному их сокурсниками вместе, и его практическая рекомендация следует непосредственно: сделать согласование допустимого использования ИИ явным, документированным и оцениваемым результатом, а не оставлять норму возникать из давления сверстников или воспринимаемого риска.

Непоследовательность политики в пределах учреждения породила именно те догадки, которые предсказывает объяснение через координацию. Девять из одиннадцати интервьюируемых в Zou et al. (2026) истолковали явное разрешение своего курса использовать генеративный ИИ как возможную «ловушку» — приманку для выявления студентов, не устоявших перед искушением, — хотя политика была открытой и вписанной в руководство по оцениванию; студенты обобщали запреты и предупреждения, встреченные в других местах, вместо того чтобы читать правила своего курса на их собственных условиях. Вывод авторов следует механизму, а не формулировкам: ясности на уровне отдельного курса недостаточно, и нужна program- or institution-level, чтобы студенты перестали выводить намерение из окружающей культуры.

Одинаковое поведение, разные вердикты — и раскрытие, которое ничего не меняет. Poudyal (2026) применил 15 стандартизированных виньеток к политическим средам 20 австралийских университетов и получил 300 классификаций: 120 (40.0%) явно запрещено, 56 (18.7%) неопределённо и ни одной явно разрешённой, тогда как обязательные документы умалчивали о генеративном ИИ в 100 комбинациях, которые руководство разрешило в 88. Раскрытие не определяло исходов — один и тот же статус раскрытия давал разные классификации в зависимости от правил разрешений и инструкций к заданию, и поле раскрытия зафиксировало 117 удовлетворённых требований и 80 ложных заявлений.

Процедуры важны не меньше политик, и их доказательная основа рухнула в отношении ИИ. Teichmann (2026) утверждает, что процедура рассмотрения нарушений, которую университеты позаимствовали из плагиата, опирается на посылку, разрушенную генеративным ИИ: запрещённое использование может быть обнаружено и доказано. В отличие от программ сопоставления текстов, которые могут указать на скопированный источник, классификаторы текста ИИ не указывают источник, потому что его не существует — они выдают вероятностное суждение о стиле, которое ухудшается при парафразе, систематически ошибочно классифицирует не носителей языка и не может быть объяснено или подвергнуто перекрёстному допросу, тогда как умелое или слегка отредактированное использование не оставляет следов вообще. Упорство вопреки этому переворачивает бремя доказывания (студента просят доказать отрицание), напрягает каждый элемент процессуальной справедливости и обрушивает вред ложного обвинения сильнее всего на тех, кто и без того в невыгодном положении. Предлагаемое лекарство двояко: опубликовать доказательный стандарт, при котором вывод детектора сам по себе никогда не служит основанием для вывода, с градуированными образовательными-прежде-всего реакциями, и перенести институциональные усилия в проектирование аутентичного оценивания, центрированное на валидности. Mohamed and Temimi (2026) дают объяснение на уровне механизмов со стороны студента: поскольку каждая среда оценивания делает какой-то ответ наиболее привлекательным, запрет оставляет сокрытие привлекательным, когда проверка тонка, мониторинг делает скрытое использование более дорогим, не делая раскрытие безопасным, и только перепроектирование — снижение выгоды от аутсорсинга при повышении ценности видимого рассуждения — приближает студентов к ответственному использованию. Их острейший результат: сдерживание работает через способность детектора различать скрытое использование и легитимную работу, а не через его долю выявленных случаев, поэтому когда ложные срабатывания растут быстрее истинных, усиленный мониторинг может сделать сокрытие относительно более привлекательным.

• Долг добросовестности может быть переписан как индивидуальная компетенция. Среди 366 аннотаций работ по GenAI в высшем образовании слово integrity встречается 461 раз, но лишь 6 из 166 выражений обязательства называют студентов, поэтому проверка и раскрытие предстают как навыки, которыми студенты должны обладать, а не как обязательства, которые учреждения обеспечивают (Poudyal, 2026).

• Насколько предписывающей является политика добросовестности, не показывает, насколько открыто оценивание. Проверяя 15 587 записей модулей, Villanueva (2026) обнаружила, что университеты с общеучрежденческими мандатами на реформу и университеты с широкими рамками распределены по одному и тому же диапазону открытости оценивания — эмпирический аналог объяснения через игру координации, почему провозглашения редко меняют поведение.

Социально-эмоциональное измерение

Правоприменение добросовестности имеет игнорируемую эмоциональную цену. Shame-and-guilt research со студентами показывает, что эти эмоции регулируют, когда и как использование ИИ становится видимым, порождая поведение сокрытия и избирательное раскрытие — и что они сосуществуют с продолжающимся использованием, создавая циклы сниженной агентности и морального напряжения вместо изменения поведения. Именно поэтому the norms around AI use регулируют видимость более эффективно, чем использование. Студенты даже описывают своё использование ИИ на языке зависимости. Следствие: политика, насыщенная обнаружением и ориентированная на наблюдение, рискует увести misuse в подполье вместо того, чтобы его решать, подрывая откровенное согласование, необходимое для продуктивного использования.

Обратная сторона сокрытия — отказ, и он несёт собственную эмоциональную цену. Среди 85 студентов-педагогов, опрошенных в Zou et al. (2026) в рамках политики оценивания, явно разрешавшей генеративный ИИ, 62.4% (53) предпочли не использовать его вовсе, а использование у принявших было поверхностным и корректирующим — корректура (43.8%) и проверка ясности (34.4%) значительно превышали генерацию текста (18.8%) и мозговой штурм (12.5%). Страх wrongful accusation, а не техническая сложность, делал большую часть работы: 41.5% не принявших назвали его против 13.2%, указавших на недостаток знаний или навыков, тогда как 77.4% объясняли отказ просто предпочтением работать одному. Когда разрешительная политика читается как ловушка, безопасный ответ — отказ от предложения, — что стоит учреждению интегрированной с ИИ работы, которую оно пыталось пригласить сделать.

Заявления о раскрытии использования ИИ

AI use and disclosure statements — конкретный механизм, через который операционализируются ожидания добросовестности, — и исследования показывают, что они часто терпят неудачу, когда с ними обращаются как с нейтральными формами соответствия. Gonsalves (2025) обнаружила, что 74% студентов не задекларировали использование ИИ на обязательном титульном листе учебной работы, что объяснялось страхом наказаний, двусмысленностью руководства, непоследовательным правоприменением и нормами сверстников. Kirsanov et al. (2026) и Vetter et al. (2026) подтверждают, что страх возмездия и невнятная политика охлаждают раскрытие — и что откровенные студенты могут даже вызвать подозрения. Chang et al. (2026) переосмысляют раскрытие как поведение Поиск помощи/self-regulation, которое тревожность перенаправляет на сверстников. Общий урок: политика раскрытия должна обращаться к affective и социальным барьерам, быть ясной и последовательной и рассматривать раскрытие как formative педагогику, а не как наблюдение. Luo & Dawson (2026) добавляют сторону преподавателей в это уравнение: оценивание преподавателями работ с помощью GenAI определяется ценностными суждениями о честности, старательности и доверии студентов, и многие преподаватели наказывают (или склонны наказывать) студентов, раскрывающих использование GenAI, — даже когда качество работы высокое. Это проблема «двусторонней transparency»: от студентов ожидают декларирования использования, но преподаватели редко проясняют, как это декларирование повлияет на оценки, поэтому честное раскрытие может нести невысказанное наказание в оценке. Исследование обосновывает проблему раскрытия в ценностно-нагруженной реальности оценивания преподавателями и утверждает, что прозрачность должна работать в обоих направлениях.

Собственные отчёты студентов количественно показывают, насколько плохо это сообщение доходит. В опросе 504 студентов-социологов 81 процент сказал, что их преподаватели или ассистенты давали руководство по использованию ИИ, но лишь 46 процентов назвали эти инструкции очень ясными; 19 процентов сообщили, что не получили руководства вовсе, а остальные описали его как в лучшем случае довольно ясное (Kuznetsov, Sheely & Baker, 2026). Страх совершения академического нарушения был вторым по частоте беспокойством студентов (28 процентов) — ценой, налагаемой двусмысленностью, а не правоприменением, поскольку лишь 3 процента сообщили об использовании GenAI для генерации текста задания и 2 процента — для создания полного черновика. Практический вывод: ясность коммуникации сама по себе является механизмом добросовестности, и студент, который не может понять, что разрешено, несёт риск, который учреждение никогда не намеревалось наложить.

Разрешение на уровне курса также не решает дилемму раскрытия. В Zou et al.'s (2026) 85 студентов-педагогов, чьи оценивания явно разрешали генеративный ИИ, самодекларации составили 28 пользователей против 32 в анонимном опросе, и два источника расходились в противоположных направлениях по курсам — курс A зафиксировал 14 пользователей в опросе, но лишь 8 деклараций, тогда как курс C дал обратную картину (8 в опросе, 12 деклараций). Авторы читают расхождение как то, что последствия в виде оценок формируют то, что студенты готовы сделать видимым, добавляя студенческие-преподавательские доказательства того, что система декларирования измеряет поведение раскрытия не меньше, чем использование.

Культурные и контекстные различия

Текст политики не равен восприятию политики. Cross-national research обнаружило, что, несмотря на функционально идентичные институциональные политики, студенты разных университетов по-разному оценивали одни и те же практики с помощью ИИ — именно культура, а не формулировки политики определяла воспринимаемую недопустимость. Гармонизация политики не производит гармонизации восприятия, поэтому культурно разнообразные группы интерпретируют одни и те же правила по-разному — проблема справедливости для правоприменения и оценивания, которая говорит в пользу прояснения на основе сценариев, а не абстрактных положений.

Языковой фон, а не культура — вторая ось различий. Li (2026) утверждает, что поскольку один и тот же интерфейс выполняет разрешённое языковое редактирование и запрещённое содержательное составление, правила добросовестности, рассматривающие GenAI как одну категорию несанкционированной помощи, превращают языковое невыгодное положение в риск для добросовестности: прямой запрет убирает масштабируемую форму языковой поддержки, режим «разрешено, но раскрой» нагружает работой по соблюдению требований студентов EAL, чьё использование более частое и итеративное, а запреты на редактирование за пределами незначительных изменений концентрируют подозрения на писателях, чья беглость изменилась больше всего. Предлагаемая Ли граница основана на цели, а не на инструменте — разрешённая поддержка не добавляет новых идей, новых источников и существенной перестановки анализа, тогда как подмена создаёт или существенно перестраивает оцениваемую интеллектуальную работу, — и она закреплена в конструкте оценивания, потому что рубрики, награждающие за беглость и идиоматичность выражения, вводят нерелевантную конструкту дисперсию для писателей EAL (Валидность оценивания). Рамка понижает detector до сигнала сортировки, который редко составляет доказательство, предпочитая триангуляцию через поэтапные сдачи, истории черновиков, проверяемые следы источников и короткий разговор, согласованный с конструктом, и калибрует disclosure так, чтобы обычная поддержка не несла издержек соблюдения, превышающих те, что несут монолингвальные сверстники.

От полицейского надзора к педагогике

База знаний документирует смену парадигмы: от ИИ как угрозы добросовестности, которую нужно обуздывать, к ИИ как инструменту, уместному использованию которого нужно учить. Это этическое измерение ИИ-грамотность, и оно embodied в практическом проектировании:

• Декларации использования ИИ, специфичные для задачи: Domain-specific declaration frameworks заменяют обобщённые галочки «я использовал ИИ» структурированными декларациями, отображающими использование на когнитивные стадии (например, структурное планирование против генерации содержания), что вынуждает к рефлексии и смещает фокус с надзора на профессиональную практику.

• Процессно-прозрачное оценивание: архитектуры, такие как cognitive stewardship, поэтапные сдачи, устные защиты и AI Viva (conversational agent, проверяющий, понимают ли студенты свои работы), делают human judgment, проверку и ответственность видимыми. Miles, Haber-Curran and Arar (2026) доводят ту же логику до самого промпта: их образцовая рубрика оценивает итеративную доработку, критическую интерпретацию результата и рефлексивную правку, поэтому оценивается вовлечённость студента в работу с инструментом, а не артефакт, который он произвёл, и они утверждают, что обучение студентов лишь оптимизировать результат оставляет этические и эпистемологические измерения использования незатронутыми.

• Reducing misuse: добросовестность соседствует с Злоупотребление ИИ и вред обучению (учебной ценой неправомерного использования) и Снижение масштабов неправомерного использования ИИ, связывая честность с подлинным учением, а не с соблюдением правил.

• Прозрачность как стратегия добросовестности, а не просто вежливость: McCorkle's (2025) рассматривает обоснование каждого разрешённого или неразрешённого использования GenAI как сам механизм добросовестности. Студенты, опрошенные после игнорирования запретительной политики, объяснили, что не считали своё поведение нечестным, что переосмысляет неудачу как двусмысленность, а не как несоблюдение, — поэтому перепроектирование ответило на это, обосновывая каждое ограничение конкретным Оценивание, которое оно защищает, и проектируясь для «убеждаемой середины 20-60-20» Маккейба, а не для решительного меньшинства. Кейс также называет цену несправедливости расплывчатой политики: именно неясные и неравные у разных преподавателей ожидания превращают провал политики в дисциплинарное взыскание (Справедливость).

• Проектирование, а не обнаружение: случай Бохума. Перепроектирование вводного курса ядерной physics и физики частиц в Университете Бохума (Mikhasenko et al., 2026) связало его политику в отношении ИИ с практическим провалом добросовестности, а не с обнаружением: поскольку задачи семинаров были раскрыты заранее, некоторые студенты готовили сгенерированные ИИ решения и переписывали их на доску, не включаясь в намеченное рассуждение. Авторы рассматривают это как проблему проектирования — перенос задач семинаров в подготовленное обсуждение на занятии и назначение письменного экзамена определяющим оценку, — а не как проблему надзора, явно разрешая при этом ИИ в учёбе, объясняя, почему проверка — ответственность студента, и отмечая, что открытые домашние задания с разрешённым ИИ также повысили зависимость, неравный доступ к платным моделям и нагрузку на ассистентов преподавателей.

Яснейшее утверждение педагогической инверсии принадлежит El Khoury and Ma (2026), которые утверждают, что реформа, начинающаяся с подозрения, сужает образовательное воображение до контроля, соответствия и наблюдения, и что добросовестность должна быть следствием оценивания, спроектированного для вовлечённости, а не его отправной точкой. Их подтверждающее наблюдение — механизм, уже видимый в других местах этой базы знаний: отстранённость (disengagement) — одно из условий, при которых нечестность становится более вероятной, поэтому программы, испытывающие оценивания на прочность или ограничивающие использование ИИ без обращения к вовлечённости, оставляют часть проблемы незатронутой.

Студенты за пределами англоязычного высшего образования описывают то же напряжение в своих терминах. Mulisa and Mezgebu (2026) опросили 27 студентов бакалавриата в эфиопском университете и обнаружили студенческое сообщество, разделённое против самого себя: почти все использовали GenAI или наблюдали, как его используют сверстники, большинство приписывало ему улучшение их академических достижений, малое меньшинство называло такое использование прямым нарушением, и почти каждый описывал неравное игровое поле, на котором работа с помощью ИИ получала более высокие оценки, чем честные усилия, тогда как независимые работники теряли чувство старательности. Самый острый элемент рассказа — определение студентами плагиата, технически защитное и неполное: если плагиат означает воспроизведение чужих слов, машинно написанный текст, который ничего не копирует, плагиатом не является, — и именно поэтому авторы утверждают, что определение должно расшириться за пределы копирования и вставки, следуя «AI-плагиату» Ка и Чаня (2025), и именно поэтому они помещают собственные убеждения студентов, а не только институциональные правила, в центр этического использования.

Sharma (2026) делает шаг дальше в педагогической инверсии, расширяя рамку постплагиата Итон от этической ориентации к проектированию оценивания. Добросовестность, согласно этому счёту, осуществляется через evaluative judgment — способность учащегося взвешивать варианты, обосновывать академический выбор и брать на себя ответственность в условиях эпистемической неопределённости — и делается видимой через четыре практики: аннотированные следы решений, практики проверки и отчётности, устную защиту и диалогическую отчётность, а также различия черновиков с историей версий. Обнаружение сохраняется только как дополнительный слой для явного искажения или намеренной передачи интеллектуального труда на аутсорсинг, никогда как первичная инфраструктура добросовестности, потому что оно спрашивает, использовался ли GenAI, а не как принимались решения за работой; аргумент также называет риск для справедливости в том, что центрированные на обнаружении модели тяжелее всего ложатся на учащихся, которые опираются на генеративные инструменты для языкового или когнитивного Скаффолдинг.

Третий путь лежит между обнаружением и перепроектированием. Akçapınar (2026) предсказывает риск мошенничества с помощью ИИ по следам LMS traces начала семестра с AUC 0.763 и подаёт результат как академическое руководство с низкими ставками — напоминания, последующие действия по заданиям, короткие проверки, — а не как доказательство нарушения, настаивая, что оценка остаётся отдельной от оценок и дисциплинарных записей.

Связи

Академическая добросовестность связана с Валидность оценивания, ИИ-грамотность, Обнаружение ИИ, Аутентичное оценивание, Оценивание, Политика в области образовательного ИИ (Educational AI Policy), Регулирование ИИ в образовании, Этика и Справедливость. Это этическое измерение AI in education, неотделимое от Over-Reliance и более широкого вопроса о том, как Генеративный ИИ перестраивает Высшее образование и K-12 обучение.

• Синтез систематических обзоров. PRISMA-обзор 25 исследований (Balalle и Pannilage 2025) обнаруживает, что ИИ действует и как угроза (генерируемое ИИ письмо, инструменты парафразирования), и как инструмент обнаружения (оценки ИИ в Turnitin), что программное обеспечение для обнаружения ненадёжно для работы, сгенерированной ИИ, и что учреждения должны строить культуру академической добросовестности через ясную политику, перепроектирование оценивания и обучение этике, а не только через надзор.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)
• От надзора к диалогу: проверка обучения. Практический отчёт об общеучрежденческой рамке Университета Гранд-Каньон (Mandernach 2026) утверждает, что обнаружение ненадёжно и формальные процессы добросовестности редко доходят до разрешения, оставляя преподавателей с «подозрением без средства защиты». GCU вместо этого приняла проверку обучения — просьбу к студентам продемонстрировать понимание своей сданной работы в коротком разговоре, — переосмысляя добросовестность от проблемы соответствия к проблеме оценивания. Она восстанавливает авторитет преподавателей, смещает студентов с «как не быть пойманным» на подлинную engagement и рассматривает использование ИИ как приемлемое, когда студент может продемонстрировать обучение; первоначальная тревожность студентов по поводу проверки подчёркивает, что насыщенная наблюдением политика может разъедать Доверие.
• GenAI побеждает автооцениваемые домашние задания (2026): ChatGPT прошёл каждую из 150 тестовых сессий на намеренно усложнённых автооцениваемых домашних заданиях по Qiskit (квантовые вычисления) — personalization, скрытые ссылки, рефлексии, выполнение в simulator, — показывая, что оцениватели на основе рубрик не могут надёжно отличить выполненную ИИ работу от выполненной студентом, и выступая за прямое оценивание понимания (ChatGPT Solves All Tested Qiskit Homework Assignments).
• Оценивание в эпоху ИИ — результат как доказательство (2026): университетский анализ утверждает, что кризис оценивания с ИИ — это несоответствие между проектированием оценивания и learning outcomes, а не просто нечестность; он документирует вред наблюдения (браузеры с блокировкой, отслеживание взгляда), «ловушку раскрытия» (студенты боятся, что декларирование использования ИИ снизит оценки), разрыв в результатах, который оценивает социально-экономический статус (платные против бесплатных уровней Большие языковые модели (LLM)), и «педагогическое выгорание» среди преподавателей, обуздывающих ИИ, — рекомендуя процессно-ориентированное оценивание вместо обнаружения (Evaluation in the Age of AI: Output as Evidence of Learning).

Более новые данные: этическое рассуждение, пределы обнаружения, ИИ-маркетинг и студенты-призраки

Волна недавних исследований уточняет картину академической добросовестности в эпоху генеративного ИИ:

• Учащиеся средней школы рассуждают об «ИИ-плагиате» ситуативно, а не как о фиксированном правиле. Chan (2026) показывает, что этическое рассуждение учащихся средней школы об «ИИ-плагиате» (AI-giarism) тонкое и контекстно-зависимое — многие считают работу с помощью ИИ приемлемой, когда она поддерживает понимание, но проблематичной, когда заменяет их собственное усилие, — бросая вызов допущению, что студентам просто не хватает добросовестности или что единственная политика может охватить их этику.

• Одних аутентичных оцениваний недостаточно для защиты добросовестности. Kofinas et al. (2025) обнаруживают, что проверяющие в целом не могут отличить оценивания с вкладом GenAI от тех, что без него, и что уровень аутентичности оценивания не влияет на способность защититься от использования GenAI или обнаружить его. Сектор высшего образования «не может полагаться только на аутентичные оценивания, чтобы контролировать влияние GenAI» — прямой вызов стратегии assessment-redesign, которую нужно сочетать с другими мерами.

• Руководство по добросовестности должно простираться в исследовательский процесс, а не только в teaching. Dai & Chan (2026) обнаруживают, что аспиранты-исследователи осуществляют ИИ-грамотность в исследовательских задачах, и утверждают, что политики ответственного использования, которые сейчас сосредоточены на преподавании и оценивании, должны scaffold этические измерения использования GenAI в исследованиях — где заботы центрируются на оригинальности, авторстве, data privacy и деградации навыков, а не только на плагиате.

• Цель должна предшествовать политике. Taylor & LaCroix (2026) утверждают, что составляет ли использование GenAI нарушение, зависит от цели университета. Растущее число дел о нарушениях отражает структурную несогласованность неолиберального университета, где технологический энтузиазм, корпоративное влияние и правоприменение политики конфликтуют, — оставляя студентов ответственными за поведение, неявно сформированное учреждением. Университеты не могут убедительно обеспечивать добросовестность без согласованности между заявленной миссией, педагогикой и практикой технологий.

• Психологические и поведенческие детерминанты. Frontiers research картирует психологические механизмы и поведенческие детерминанты академической добросовестности при ИИ — как установки, самоэффективность, нормы и воспринимаемые последствия формируют честное использование, — связывая добросовестность с Мотивация, Самоэффективность и ИИ-грамотность как поведенческими конструктами, а не чистым соблюдением правил. Tabares-Cruz et al. (2026) количественно оценивают их в SEM на 980 студентах университетов Эквадора, ставя склонности к академической добросовестности и прозрачности на первое место, за которыми следуют ИИ-грамотность, critical verification, институциональное руководство, саморегуляция и защита данных, — причём склонности к добросовестности и ИИ-грамотность вместе объясняют существенную долю этического использования GenAI и превосходят одни только институциональные правила.

• ИИ-маркетинг нормализует использование и формулирует рамку «мошенничество против соперничества». Sobo et al. (2025) показывают, что ИИ продаётся студентам как практическая необходимость («Сделайте своё письмо более естественным, чтобы вас не ошибочно пометили»), и студенты чувствуют себя вынужденными принять его, чтобы оставаться конкурентоспособными, даже беспокоясь о зависимости и потере обучения, — интернализованный предпринимательский императив. Это указывает на потребность в marketing literacy как части образования по добросовестности в эпоху ИИ.

• ИИ-гуманизаторы обнажают перформативный цикл обнаружения. Roe et al. (2026) каталогизируют 55 сайтов-гуманизаторов ИИ, изменяющих сгенерированный ИИ текст, чтобы уйти от обнаружения, рассматривая их через драматургию Гоффмана. Гуманизаторы делают нарушение дискурсивно отсутствующим и перформируют легитимность, демонстрируя, что гонка вооружений между обнаружением и обходом структурно бесконечна, — усиливая сдвиг от policing к проектированию оценивания и ИИ-грамотность.

• Разговор живёт о правоприменении, а не об обнаружении. Среди 270 929 связанных с ИИ записей из 26 образовательных сабреддитов за три с половиной года кластер академической добросовестности удерживал 37.1% дискуссии, а «правоприменение нарушений» было единственной крупнейшей темой с 12.1%, тогда как 32.3% преподавательско-студенческих тем лежали внутри споров об обнаружении и правоприменении (Yüce et al. (2026)).

• Студенты-призраки и пробел проверки при агентном ИИ. Bozkurt, Crompton & Fell Kurban (2026) вводят понятие «студент-призрак»: цифровой суррогат, созданный соединением LLM («разум») с агентными ИИ-браузерами («тело»), который может навигировать по LMS, взаимодействовать с контентом и выполнять оценивания с человеко-подобной имитацией, делая присутствие фактического учащегося необязательным. Это создаёт пробел проверки, который традиционный прокторинг и обнаружение структурно не способны закрыть, — угрозу добросовестности, растущую по мере того как ИИ становится agentic, а не просто генеративным.

Яснейший дисциплинарный аргумент за перепроектирование, а не обнаружение, приходит из образования в области вычислений. systematic review 72 исследований генеративного ИИ в вычислительном образовании и programming education (Kumar, Wongsirichot and Nanthaamornphong 2026) обнаружил лишь три исследования механизмов обнаружения ИИ — самую тонкую доказательную базу из 14 консолидированных им тем, — тогда как перепроектирование курса и оценивания было поддержано 25. Обзор рассматривает дисбаланс как диагностический, а не случайный: учреждения по большей части обновили документы политики, не перепроектировав оценивания, и большинство преподавателей находятся на уровне терпимости, а не трансформации интеграции, причём 70% одной национальной выборки преподавателей явно запрашивали обучение проектированию оцениваний, устойчивых к ИИ. Его рекомендуемый отклик конкретен: добавить устный компонент или другой процессно-видимый элемент как минимум к одному оцениванию с высокими ставками на курс и сделать критическое взаимодействие с результатом ИИ (чтение, тестирование, модификация, объяснение, критика) оцениваемым, наблюдаемым компонентом студенческой работы, а не чаянием, оставленным на усмотрение студента (Валидность оценивания).

• Сфабрикованные ссылки достигли публикуемого корпуса вычислительного образования. Denny et al. (2026) отследили 113 588 ссылок из 5 225 статей по вычислительному образованию в ACM Digital Library против полного корпуса из 723 930 публикаций и 15 872 533 ссылок, вручную верифицировали 828 подозрительных записей и подтвердили 30 ссылок с верифицируемо сфабрикованной библиографической информацией в 14 статьях, все опубликованных в 2025 или 2026 году. На SIGCSE Technical Symposium подтверждённое число выросло с 3 в 2025 году до 17 в 2026-м, находясь в 2.3% статей сборников 2026 года, и галлюцинированные ссылки появились на пяти спонсируемых SIGCSE или сотрудничающих площадках в 2025 году. Число сохраняется только вместе с противовесом: большинство отмеченных ссылок были безобидными — 229 были несоответствиями метаданных ACM, где PDF был корректным, и 188 были допустимыми библиографическими вариантами, — поэтому цифра по площадке — намеренная нижняя граница. Она ложится на авторов, а не только на Взаимное оценивание, потому что рецензенты, проверяющие списки литературы, не могут верифицировать каждую запись, а подготовка черновиков с помощью Большие языковые модели (LLM) делает изобретённую, но правдоподобную цитату дешёвой в производстве.

• Ясность без перепроектирования сдвигает неправомерное использование в сторону, а не устраняет его. Petricini & Zipf (2026) откладывают использование ИИ на двух осях — намерение и усилие студентов против ясности и поддержки, которые даёт среда, — и сообщают, что наиболее населённый квадрант в их данных интервью был тревожным соответствием, где студенты скрывают легитимную помощь (поддержка грамматики, объяснения понятий, организация собственных идей), чтобы избежать false accusation. Их предупреждение направленное: там, где правила становятся ясными, но Оценивание всё ещё награждает скорость и продукт, осведомлённые о политике студенты сдвигаются в эффективный обход, а не в добродетельное использование инструмента. Austin (2026) приходит к тому же месту со стороны задания — когда агенты удовлетворяют каждому критерию рубрики без видимого рассуждения, оценивание следа решений (калибровка уверенности, отвергнутые предложения ИИ, ограничения, специфичные для курса) заменяет обнаружение, которое, как она отмечает, ошибается в обе стороны.

• Работодатели дисконтируют оценки, которые, по их мнению, созданы ИИ, — и сходятся на очной проверке. В эксперименте с опросом примерно 1 750 специалистов по найму в США Boyd-Swan & Reynolds (2026) показывают, что подача использования ИИ студентами как вспомогательного инструмента оставила кандидатов без наказания, тогда как подача его как замены усилий и способностей студента снизила вероятность приглашения на интервью и — ещё резче — готовность к переговорам о зарплате, сконцентрированную среди кандидатов с высоким GPA независимо от расы/пола. Спрошенные, что облегчило бы заботы, обе группы подачи выбрали лишь одно общее средство: очные тесты. Эксперимент изолирует убеждение (не фактическое использование ИИ), поэтому он показывает, как один только канал сигнализации двигает результаты найма, — раннее свидетельство того, что рынки труда могут подтолкнуть оценивание назад к форматам, проверяемым по присутствию, тому же направлению проектирования, к которому литература о студентах-призраках призывает учреждения.

Первое исследование намерения нарушений на основе теории планируемого поведения с GAIT расширяет эту картину: среди 186 студентов бакалавриата Baig and Paparo (2026) обнаружили, что отношение к нарушениям, субъективные нормы о них и позитивные отношения к ИИ каждый предсказывали намерение, тогда как негативные отношения к ИИ — нет, и что более высокая воспринимаемая вероятность обнаружения предсказывала более низкое намерение — сдерживание, подорванное документированной ненадёжностью инструментов обнаружения ИИ.

Политики добросовестности смещаются от того, кто написал слова, к тому, у кого были идеи, и детекторы перестраиваются соответственно. IdeaLens предсказывает происхождение идей по наброску, а не по прозе: на 50 историях, написанных людьми с нуля по сгенерированным ИИ планам, он пометил 68% как ИИ, против 8% у Pangram 4 и 0% у его контроля, обученного на прозе, и он обозначил 94.7% отполированного ИИ человеческого текста как человеческий (Rajendhran et al. (2026)). Его собственное заявление об этике называет результат статистической оценкой, которую нельзя использовать саму по себе как убедительное доказательство использования ИИ.

Связанные концепции

• Педагогические паттерны — последовательности проверки, принятые в ответ на генеративный ИИ
• Заявления об использовании ИИ и раскрытии информации — заявления об использовании и раскрытии ИИ
• Валидность оценивания
• ИИ-грамотность
• Обнаружение ИИ
• Аутентичное оценивание
• Оценивание
• Политика в области образовательного ИИ (Educational AI Policy)
• Регулирование ИИ в образовании
• Этика
• Справедливость
• Когнитивный оффлоадинг
• Злоупотребление ИИ и вред обучению
• Снижение масштабов неправомерного использования ИИ
• Заблуждения об ИИ
• Генеративный ИИ
• Высшее образование
• K-12
• ИИ в образовании
• Правовые вопросы и риски
• Социальные нормы использования ИИ — неформальные правила, лежащие под формальной политикой

Связанные статьи

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Целая программа по психологии, проходимая при минимальных усилиях, и критерии оценивания, которые её пропустили (Ivory et al. 2026)
• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Студенты-педагоги отказались от GenAI при разрешительной политике; рамка «ловушки» и разрыв между опросом и декларациями
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — ИИ-агенты, радостное оценивание и третье пространство
• Generative AI in computing education: A systematic review and a framework for responsible integration — Доказательная база обнаружения тонка (3 исследования из 72); перепроектирование несёт основную нагрузку
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Согласованная политика курса по GenAI: разрешения, выведенные из оценивания, прозрачное обоснование (McCorkle 2025)
• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Генерация вариантов оценивания, эквивалентных по конструкту (Lee 2026)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Как преподаватели регулируют ИИ в 31 000 учебных программ; упадок рамки добросовестности (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 — Могут ли студенты смошенничать до степени по биологии? Пример уязвимости оценок по биологическим курсам к академической нечестности в эпоху генеративного ИИ
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Несоблюдение студентами декларирования использования ИИ
• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Обнаружение текста, сгенерированного LLM
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — За пределами обнаружения: аутентичное оценивание в мире, опосредованном ИИ
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Шкала оценивания ИИ и реформа оценивания
• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — От аутентичных продуктов к аутентифицированным процессам
• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Это нормально, потому что… Рационализация использования ИИ студентами
• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Рамка игры координации для этического использования ИИ
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Стыд и вина как социальные регуляторы использования ИИ
• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Поступила ли Алиса неправильно? Межкультурные восприятия использования ИИ
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Ценностные суждения при оценивании работ с помощью GenAI: честность, доверие, валидность и двусторонняя прозрачность (Luo и Dawson 2026)
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Ответственность сверстников и оригинальность в групповом оценивании, опосредованном GenAI
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Доказательный коллапс обнаружения и аргумент в пользу процессуальной справедливости, пропорциональности и проектирования
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Сдерживание, раскрытие и перепроектирование как проблема проектирования оценивания при несовершенной информации
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — На каких доказательствах фактически держались 1 162 дела о нарушениях с GenAI, и отсутствующий доказательный порог
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Избыточно широкие правила в отношении ИИ и различие между расшифровкой и генерацией
• AI-based digital cheating at university, and the case for new ethical pedagogies — Цифровое мошенничество на основе ИИ и основанные на предотвращении этические педагогики: дело 183-против-27 и пять перепроектирований, специфичных для дисциплин (Leaton Gray, Edsall и Parapadakis 2025)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Добросовестность как проблема управления: рамка индикаторов из 130 пунктов для академических управляющих (Coates, Croucher и Calderon 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Scoping-обзор 38 исследований голосов студентов высшего образования об академической добросовестности и GenAI (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Проведение линии между поддержкой и подменой для писателей EAL и несправедливость правил, игнорирующих языковой фон (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt-инъекции против оценивания, опосредованного ИИ: скрытые инструкции, меняющие оценку незамеченными (Humble 2026)
• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Матрица этики использования ИИ: тревожное соответствие и почему одной ясности достаточно, чтобы подтолкнуть студентов к эффективному обходу (Petricini и Zipf 2026)
• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Оценивание следа рассуждения, когда ИИ-агенты могут выполнить задание (Austin 2026)
• AI-written admissions essays are widespread but penalized — Написанные ИИ вступительные эссе широко распространены, но наказуемы
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Кто действует, кто знает, кто отвечает? Корпусный дискурс-анализ агентности, эпистемической ответственности и подотчётности в исследованиях генеративного ИИ в высшем образовании
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Нанесение на карту авторизованной границы: сравнительное исследование виньеток политики управления генеративным ИИ в австралийском высшем образовании
• Argus: Academic Integrity in the Era of Generative AI — Argus: академическая добросовестность в эпоху генеративного ИИ
• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Вывод секторального аудита: университеты с мандатами и университеты с рамками не показывают различий в открытости оценивания — эмпирический аналог проблемы координации
• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — Раннее предсказание риска мошенничества с помощью ИИ по следам LMS, поданное как академическое руководство, а не как доказательство нарушения
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Три с половиной года образовательного Reddit: правоприменение доминирует, а споры о добросовестности — главная преподавательско-студенческая площадка (Yüce et al. 2026)
• Early Evidence on Employer Responses to College Student Use of Generative AI — Эксперимент с опросом: рамка подмены использования ИИ студентами наказывает кандидатов с высоким GPA при найме и зарплате; очное тестирование — единственное средство, выбранное обеими группами
• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface