Заявления об использовании ИИ и раскрытии информации

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Заявления об использовании ИИ и раскрытии информации — это политики, декларации и практики, посредством которых учащимся предлагают (или они сами решают) раскрыть факт использования generative AI в академической работе. Эти механизмы известны также как декларации об использовании ИИ, заявления о раскрытии информации или заявления о transparency; они находятся на пересечении Академическая добросовестность, Этика, Доверие и Оценивание в эпоху ИИ. research, проведённое в рамках базы знаний, показывает, что раскрытие информации отнюдь не является нейтральной административной формальностью: на него влияют страх наказания, неоднозначные политики, непоследовательное применение правил, нормы ближайшего окружения, стигматизация и психологические издержки самообвинения — и оно глубоко переплетено с Саморегулируемое обучение и Поиск помощи.

Вопросы для размышления

• Если бы вы были студентом, использовавшим генеративный ИИ при выполнении задания, рассказали бы вы об этом преподавателю? Эта страница предполагает, что честный ответ во многом определяется страхом — исследования показывают, что раскрытие информации встречается редко и обусловлено «тревожностью перед наказанием» и опасениями самообвинения. Какие предположения о вашем собственном поведении в отношении раскрытия информации вам, возможно, стоило бы поставить под сомнение?
• Ключевой вопрос проектирования здесь заключается в том, функционирует ли раскрытие информации как наблюдение (надзор) или как опора для этичного вовлечения. До чтения — что, по вашему предположению, должна была делать форма раскрытия информации? И можете ли вы представить, каким образом та же форма может служить противоположной цели?
• Один поразительный результат заключается в том, что студенты, которые всегда раскрывали информацию, имели более чем втрое большие шансы быть обвинёнными в списывании — прозрачность вызывала подозрения. Если честность может усиливать подозрения, что это говорит нам о том, как следует выстраивать доверие между студентами и преподавателями?
• Эта страница различает механизмы обязательного соблюдения и формирующие практики раскрытия информации, которые развивают ИИ-грамотность и саморегуляцию. Как из этих двух типов, по вашему мнению, больше всего похож подход вашего собственного учебного заведения, и что должно было бы измениться, чтобы он стал другим?
• Исследования связывают сокрытие с неадаптивной саморегуляцией, а раскрытие информации — с адаптивным обращением за помощью: сделав своё использование ИИ видимым, вы можете получить полезную корректировку от преподавателя. Когда вам (как учащемуся или teacher) было полезно сделать свою неуверенность или использование помощи видимой, а не скрывать её?
• Нормы раскрытия информации различаются по дисциплинам, языковой среде и контексту — с последствиями для справедливости, когда вероятность наказания за сокрытие у одних студентов выше, чем у других. Если бы вы разрабатывали политику раскрытия информации, как бы вы предотвратили лёгшее на неё неравное бремя для учащихся, уже находящихся в маргинализованном положении?

Введение

Заявления об использовании ИИ и раскрытии информации — это декларации, посредством которых студенты сообщают, использовали ли они и как именно применяли генеративный ИИ в задании — от флажка на титульном листе курсовой работы до структурированных форматов, фиксирующих модель, исходные данные, цель и то, как оценивался результат. Системы различаются как по виду, так и по степени детализации: некоторые действуют как механизмы обязательного соблюдения с наказаниями за нераскрытие, другие — как formative практики, рассматривающие раскрытие информации как инструмент развития ИИ-грамотность, прозрачности и этического суждения. Вопрос проектирования, который определяет, чем именно они станут, заключается в том, используется ли раскрытие информации для того, чтобы изобличать, или для того, чтобы учить, — и именно поэтому это понятие находится в самом центре Академическая добросовестность и Политика в области образовательного ИИ (Educational AI Policy).

Что такое заявления об использовании ИИ и раскрытии информации

Декларации об использовании ИИ требуют или предлагают студентам указать, использовали ли они и как именно применяли генеративный ИИ в задании — как правило, на титульном листе курсовой работы, в форме отправки работы или в задании на рефлексию. Формы варьируются весьма широко — от простых деклараций с флажком до структурированных форматов, документирующих модель, исходные данные, цель и то, как оценивался результат (например, рамки Model-Input-Evaluation/MInE). Их диапазон простирается от механизмов обязательного соблюдения (с наказаниями за нераскрытие) до formative практик, рассматривающих раскрытие информации как pedagogical инструмент развития ИИ-грамотность, прозрачности и самоРегулирование ИИ в образовании. Ключевой вопрос проектирования состоит в том, функционирует ли раскрытие информации как наблюдение или как scaffold (скаффолдинг) для этичного вовлечения engagement.

Почему раскрытие информации важно для ИИ в образовании

Раскрытие информации — это механизм, который делает работу, выполненную с помощью ИИ, видимой и, следовательно, управляемой; это противоположность Академическая добросовестность и предпосылка Доверие между студентами и преподавателями. Без прозрачности в отношении использования ИИ преподаватели не могут отличить законную поддержку от нарушения правил, откалибровать Обратная связь или выявить разрывы в справедливости. Но исследование показывает, что раскрытие информации — это ещё и affective и социальный процесс, а не только политический.

Что показывает исследование

• Раскрытие информации встречается редко и обусловлено тревожностью. В различных исследованиях большинство студентов не сообщают преподавателям об использовании ИИ. Kirsanov et al. (2026) обнаружили, что лишь около 34 % студентов-экономистов признали использование ИИ, а раскрытие информации было ещё более редким, что объяснялось «тревожностью перед наказанием». Vetter et al. (2026) выяснили, что 66 % студентов никогда или редко раскрывали информацию, при этом главной причиной был страх академического наказания. Gonsalves (2025) зафиксировал 74 % несоответствия обязательной декларации в бизнес-школе Business School.
• Неоднозначные и карательные политики порождают сокрытие. Когда политики использования ИИ неясны, не применяются на практике или вводят запреты, студенты скрывают использование, а не вовлекаются в диалог. Политики «ограниченного использования в определённых ситуациях» лучше всего предсказывают раскрытие информации; политики «не разрешено» или «не известно» предсказывают сокрытие. Чёткие, последовательные и совместно разработанные политики требуются неизменно.
• Раскрытие информации несёт психологические издержки — и скрытые издержки. Студенты рассматривают декларации как самообвинение, а некоторые считают, что использование ИИ — это личное дело, как использование калькулятора. Vetter et al. (2026) обнаружили, что студенты, которые «всегда» раскрывали информацию, имели более чем втрое большие шансы быть обвинёнными — прозрачность может вызывать подозрения. Chang et al. (2026) выяснили, что беспокойство перенаправляет раскрытие информации в сторону сокурсников, а не подавляет его, отрезая студентов от обратной связи преподавателя.
• Раскрытие информации переплетено с саморегулируемым обучением. Chang et al. (2026) интерпретируют направляемое преподавателем раскрытие информации как адаптивное обращение за помощью — помощь становится видимой и приглашает внешнюю корректировку, — тогда как сокрытие (особенно среди активных пользователей ИИ) напоминает неадаптивную регуляцию. Структурированное формирующее раскрытие информации может способствовать metacognitive рефлексии и этическим рассуждениям, которые характерны для эффективной саморегуляции.
• Нормы раскрытия информации различаются по дисциплинам, языку и контексту. Студенты педагогических, социальных и STEM/медицинских направлений раскрывают информацию чаще, чем студенты бизнес-направлений; монолингвальные студенты могут раскрывать информацию реже, чем multilingual студенты. В одном исследовании иностранные студенты раскрывали информацию реже, что вызывает опасения относительно equity. Нормы раскрытия информации не развиваются автоматически по мере академического продвижения.
• Нормы раскрытия информации не устоялись в профессиональных программах. Gutowski and Hurley (2025) сообщают, что одобренные ABA юридические школы США расходятся во мнениях о том, должно ли раскрываться любое использование ИИ, описывают формы раскрытия информации, подаваемые студентами преподавателям, и не обнаруживают консенсуса относительно того, как следует ссылаться на ИИ в научных или учебных текстах — сам свод правил Bluebook об этом умалчивает. Они также предсказывают, что в конечном итоге раскрытие информации будет выглядеть столь же бессмысленным, как отметка о том, что студент пользовался поисковой системой, — предостережение о «сроке годности» правил, которые пишутся сейчас, — и обосновывают вопрос норм в рамках Юридическое образование.

Раскрытие информации — это не механизм выявления

Повторяющаяся институциональная ошибка заключается в том, чтобы рассматривать декларации как способ изобличить запрещённое использование. Они не могут выполнять эту функцию: они зависят от искренности, а их применение наталкивается на ту же невозможность обнаружения, поскольку учебное заведение, как правило, не может доказать, что имело место нераскрытое использование. Teichmann (2026) усматривает их реальную ценность в другом — в видимых обязательствах добросовестности, встроенных в культуру Доверие, и в прозрачности, общих ожиданиях и рефлексии студентов, а не в правоприменении. Образовательный механизм здесь нормативный, а не судебно-экспертный.

Масштаб задокументирован: среди 7 462 заявлений в магистерскую программу по государственной политике одного государственного университета США подписанное подтверждение об отказе от использования ИИ не помешало 56,1 % абитуриентов 2025 года подать сочинение, которое коммерческий детектор классифицировал как написанное преимущественно ИИ, и каждое помеченное таким образом сочинение было связано с понижением вероятности зачисления на 1,5–2,6 процентных пункта (Isley, Gaebler and Goel (2026)).

Моделирование, проведённое Mohamed and Temimi (2026), задаёт условие, при котором раскрытие информации работает, выражая его как порог проектирования, а не как пожелание: раскрытое использование превосходит сокрытое только когда cost of honesty остаётся ниже сдерживающего эффекта, который она покупает. Поскольку эта граница растёт вместе с убедительностью обнаружения, обнаружение и безопасность раскрытия информации усиливают друг друга — но только если риск ложного срабатывания падает в равной мере на честные и нечестные ответы, и в этом случае честность сохраняет своё сравнительное преимущество. Их следствие для проектирования прямо: рассматривайте заявленное использование ИИ как контекст, а не как признание, что удерживает цену честности низкой именно в тех условиях, где мониторинг наиболее силён, и читайте раскрытие информации как проявление evaluative judgment, а не как признание вины. Разрешение и раскрытие информации — это разные рычаги: разрешение изменяет формальную границу допустимого использования, раскрытие информации изменяет его видимость, — и успех в одном ничего не говорит о другом.

AlGhamdi (2026) предлагает наводящее на размышления испытание самого эффекта раскрытия информации. В одном и том же курсе проводилось слепое исследование (AlGhamdi 2024) и прозрачное исследование, и только прозрачная когорта явно ограничила роль ИИ и поставила под сомнение оценочные полномочия. Поскольку когорты и годы различаются, автор называет это сопоставление скорее наводящим на размышления, чем причинно-следственным, но утверждает, что раскрытие информации действовало как обучающий стимул, а не как оговорка, — превращая обратную связь из принимаемого на веру действия в объект рефлексии, без каких-либо признаков отстранения или сопротивления.

Описывая руководства по GenAI в 50 самых инновационных университетах США, Qian (2026) помещает раскрытие информации на границу между помощью и введением в заблуждение: там, где использование ИИ разрешено, учебные заведения предписывают студентам признавать, цитировать или иным образом документировать помощь ИИ, а не выдавать его результаты целиком за свои собственные, причём полномочия в отношении стандартов цитирования и происхождения принадлежат библиотекам — а не отделам по академической добросовестности. Формулировка библиотек MIT о том, что ИИ не является автором, оставляя авторам ответственность за документирование вклада инструментов, иллюстрирует эту модель, и Qian читает раскрытие информации одновременно как норму добросовестности, как принцип проектирования, снижающий неоднозначность до отправки работы, и как одну из четырёх основ добросовестности наряду с подотчётностью, equity и Приватность. Это то же самое несудебно-экспертное применение, которое описал раздел выше, и именно поэтому Qian рекомендует институционализировать библиотеки как авторитет в области цитирования, а не расширять обнаружение.

• Раскрытие информации несёт «налог на доверие», и легитимность является обсуждаемым механизмом. В тринадцати экспериментах, преимущественно с американскими участниками онлайн-панелей, объединённых в 4 093 наблюдения (θ = 0,81, z = 10,52, 95 % CI [0,66, 0,96]), актору, раскрывшему использование ИИ, доверяли меньше, чем тому, кто хранил молчание (Schilke and Reimann (2025)). Эффект сохранялся при шести формулировках раскрытия информации, при оценивающем, который уже знал, что ИИ был использован, и при как обязательных, так и добровольных режимах. Это экспериментальный аналог приведённого выше результата опроса, согласно которому всегда раскрывавшие информацию студенты сталкивались с более чем троекратно большей вероятностью обвинения: сама прозрачность может стоить дорого раскрывающему. Единственный результат, ориентированный на студентов, в этой работе заключается в том, что студенты меньше доверяли преподавателю, когда она раскрывала использование ИИ при оценивании.

Проектирование эффективного раскрытия информации

• Ясность и последовательность превосходят устрашение. Разрабатывайте чёткие, последовательные и совместно выстроенные политики в отношении ИИ с конкретными примерами допустимого использования и способов его декларирования; избегайте карательных или расплывчатых рамок, которые мотивируют сокрытие.
• Устраняйте аффективный барьер. Политик раскрытия информации, направленные только на поведение, недостаточно — нормализуйте использование ИИ, снижайте ощущаемость осуждения и стигмы и заверяйте студентов, что честное раскрытие информации не будет наказано.
• Сделайте раскрытие информации формирующим, а не только соблюдаемым. Используйте задания на рефлексию и структурированные декларации (модель/исходные данные/оценивание), чтобы раскрытие информации развивало ИИ-грамотность и саморегуляцию, а не функционировало как наблюдение.
• Обучайте преподавателей выстраиванию доверия, а не опоре на обнаружение. За раскрытием информации никогда не должно следовать обвинение; преподавателям следует осваивать доверительные разговоры вместо того, чтобы опираться на ненадёжные детекторы ИИ.
• Проектируйте с учётом справедливости. Обращайте внимание на различия в раскрытии информации между дисциплинами, языковым статусом и социальным происхождением студентов и избегайте механизмов, возлагающих неравное бремя на учащихся, уже находящихся в маргинализованном положении.

Связи

Раскрытие использования ИИ находится на пересечении Академическая добросовестность (его исходная проблема), Этика, Доверие и Калибровка доверия (раскрытие информации как акт уязвимости), Управление ИИ и Политика в области образовательного ИИ (Educational AI Policy) (институциональные политические рамки) и Оценивание (где раскрытие информации воплощается на практике). Оно связано с ИИ-грамотность (студентам нужно понимать, что и как раскрывать), Саморегулируемое обучение и Поиск помощи (раскрытие информации как видимое обращение за помощью) и Справедливость (различия в раскрытии информации). Оно отличается от, но связано с Злоупотребление ИИ и вред обучению (тем вредом, который раскрытие информации призвано сделать видимым) и Обнаружение ИИ (альтернативами на основе обнаружения, которые рамки раскрытия информации всё чаще вытесняют).

Связанные концепции

• Академическая добросовестность
• Этика
• Доверие
• Калибровка доверия
• Управление ИИ
• Политика в области образовательного ИИ (Educational AI Policy)
• Оценивание
• Аутентичное оценивание
• ИИ-грамотность
• Саморегулируемое обучение
• Поиск помощи
• Справедливость
• Генеративный ИИ
• Высшее образование
• Злоупотребление ИИ и вред обучению — вред, который раскрытие информации призвано сделать видимым
• Обнаружение ИИ
• Родители и семьи
• Социальные нормы использования ИИ — почему учащиеся предпочитают скрывать, а не раскрывать

Связанные статьи

• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — Beyond detection: how students use and hide AI in online assessments
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Student AI disclosure, stigma, and self-regulated learning
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — The hidden cost of disclosure: disclosure and faculty accusations
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Student non-compliance with AI use declarations
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Declarations as education rather than detection
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — The cost of honesty as a design threshold in assessment
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Disclosure as the boundary between assistance and misrepresentation across 50 innovative US universities (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — No consensus on disclosure and AI citation in law school policy (Gutowski & Hurley 2025)
• AI-written admissions essays are widespread but penalized — AI-written admissions essays are widespread but penalized
• The transparency dilemma: How AI disclosure erodes trust — Thirteen experiments: disclosing AI use lowers the discloser's trustworthiness, via legitimacy