Социальные нормы использования ИИ

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Социальные нормы использования ИИ — неформальные, поддерживаемые на местном уровне правила, которые определяют, когда учащиеся и преподаватели могут использовать генеративный ИИ, насколько открыто они могут признаваться в этом и что на практике считается cheating, а не в политике. Корпус данных скуден на нормах как на тему и богат на механизмы, которые их порождают. Учащиеся не могут достоверно выводить использование ИИ друг у друга: медианная корреляция между оценками воспринимающего и его собственным профилем заявленного использования составляла r = .73 на обеих волнах, а точность ранжирования вида использования ИИ — r = .34 на второй волне. Shame and guilt regulate visibility rather than use, порождая сокрытие и избирательное раскрытие вместо изменения поведения. Дисциплинарные нормы расходятся резко: задания с интеграцией ИИ появлялись в 27% учебных программ по бизнесу и в 5% учебных программ по гуманитарным наукам среди 31 000 курсов. А формальная литература по Этика направляет наименее многочисленные и наименее применимые нормы конечным пользователям, то есть люди, на которых распространяются аудиторные нормы, практически отсутствуют в документах, которые их обсуждают.

Вопросы для размышления

• Если студенты не могут определить, кто использует ИИ, на чём же на самом деле основаны неформальные правила?
• Откуда берутся нормы в отношении ИИ, когда у институции нет политики или когда политика противоречит тому, что преподаватели говорят на занятии?
• Почему студент, никогда не пользовавшийся ИИ, сообщает о большей вине за это, чем студент, использующий его еженедельно?
• Что достигает стыд, чего не может достичь политика, и какой ценой для asking for help?
• Меняет наблюдение поведение или только то, насколько это поведение видимо?
• Чьи нормы доминируют в групповом задании и кто берёт на себя стоимость общих ИИ-привычек группы?
• Должны ли студенты участвовать в написании норм, по которым их оценивают?

Введение

Формальная Регулирование ИИ в образовании ИИ в образовании приходит в виде политики: заявления о допустимом использовании, пункты учебных программ, процедуры detection, системы proctoring, кодексы чести. Всё, что студенты действительно испытывают, находится, однако, под этим слоем. Сокурсник, никогда не упоминающий об использовании ChatGPT; преподаватель, который говорит «мне всё равно, как вы это напишете», а затем запрещает это в учебной программе; учебная группа, тихо договорившаяся о том, что честно; факультет, где все предполагают, что кривая оценок уже сдвинулась. Это и есть нормы: разделяемые ожидания относительно приемлемого поведения, поддерживаемые одобрением, неодобрением и риском быть замеченным.

Эта страница собирает то, что говорит об этом слое доказательная база. Стоит отделить это чётко, потому что «скрытый учебный план» часто используется нестрого для обозначения чего угодно неофициального. Здесь предмет уже: действующие правила об использовании ИИ, как они формируются, как они поддерживаются и насколько слаба связь между ними и письменными правилами. В корпусе практически нет исследования, которое измеряет нормы непосредственно, что само по себе является находкой. То, что в нём есть, — это повторяющиеся данные о механизмах: выводе, раскрытии, эмоции и дисциплинарной вариации, которая определяет, какой может стать любая местная норма.

Что студенты думают друг о друге

Нормы требуют информации о поведении других людей, и эта информация хуже, чем предполагает большинство преподавателей. A study of student pairs отследило, насколько точно учащиеся судили об использовании ИИ партнёром в ходе сессий парного программирования. Относительно собственного профиля заявленного использования каждого партнёра медианная корреляция составляла r = .73 на обеих волнах — достаточно высокая, чтобы казаться знанием, и достаточно низкая, чтобы многие индивидуальные оценки оказывались ошибочными. Точность ранжирования типа использования ИИ составила r = .34 на второй волне, и 25% команд со временем стали хуже судить о товарищах.

Две детали важны для норм. Во-первых, рассогласование не уменьшалось при повторной работе лицом к лицу. Знакомство не порождало точности, что подрывает допущение, будто нормы стабилизируются по мере того, как группы узнают друг друга. Во-вторых, предложенное авторами решение было структурным, а не установочным: общие истории промптов, аннотации об использовании ИИ или видимые сверстникам записи о работе с поддержкой ИИ. Делать использование ИИ видимым — проект, отличный от того, чтобы сделать студентов более честными или более восприимчивыми к нему, и только у первого есть доказательная база.

Видимость, стыд и избирательное раскрытие

Если сверстники не могут точно видеть использование ИИ, то правила, складывающиеся вокруг него, поддерживаются во многом через социальный риск. An interview study with 19 computing students рассмотрело стыд и вину как социальные регуляторы и обнаружило, что они управляют раскрытием, а не использованием. Студенты описывали поведение сокрытия и избирательное раскрытие, а также сообщали о том, что стыдят себя, своих сверстников и своих преподавателей. Важный отрицательный результат в том, что эти эмоции сосуществовали с продолжающимся использованием ИИ, порождая циклы снижения Автономность учащегося и морального напряжения, а не побуждая кого-либо прекратить.

Эта картина перемещает норму с «использовать или не использовать» на «признаваться или не признаваться». В аудитории может быть сильная анти-ИИ норма на бумаге, повсеместное использование на практике и равновесие молчания между ними, причём никто не путается в том, что говорит правило. Это также предсказывает, где ложится цена: на учащихся, наименее способных управлять социальным риском, и на learners whose visible use carries different consequences.

Преподавательская сторона той же эмоции измерима. A survey of faculty с использованием четырёхпунктового индекса вины за ИИ (альфа Кронбаха = 0,88) обнаружил, что упреждающая вина превышает пережитое раскаяние: средний балл индекса составлял 2,39 (SD = 1,01), при этом 22,9% участников были выше середины шкалы. Непользователи ИИ сообщали о более высокой вине (M = 3,25, SD = 1,04, n = 8), чем пользователи (n = 101, M = 2,32, SD = 0,97), t(8,39) = 2,00, p = ,078, а пункт о раскаянии различал группы ещё резче, t(7,79) = 2,44, p = ,041. Кластерный анализ выявил четыре профиля: Comfortable Adopters (26,6%), Guilty Non-Users (29,4%), Cautious Users (28,4%) и Morally Distressed Avoiders (15,6%), причём различия подтвердились по вине, F(3, 105) = 22,13, p < ,001, eta-squared = 0,39.

Норма, которая заставляет людей, ничего не сделавших, чувствовать вину, действует через упреждение. Это реальный регуляторный механизм, и он невидим для любого аудита политики, который смотрит только на то, что преподаватели и студенты делают.

Местное правилоустройство: дисциплины и аудитории

Нормы локальны, и данные о том, насколько локальны, необычайно конкретны. An analysis of 31,000 course syllabi обнаружил, что задания с интеграцией ИИ варьировались от 27% в бизнесе до 5% в гуманитарных науках. Этот размах — не пробел в соблюдении политики; он отражает различные дисциплинарные суждения о том, что есть работа, какая практика имеет ценность и какие навыки должна подтверждать квалификация. Рекомендация авторов следует из этого: предоставлять преподавателям автономию в рамках disciplinary norms, а не издавать универсальные мандаты, потому что мандат пришлось бы писать под среднее, которого не существует.

Слой аудитории может также противоречить слою документа в том же курсе. Interviews with marketing students обнаружили, что нормы сверстников и «не отставать» движут принятием ИИ, причём сарафанное радио описывалось как величайшая реклама, какую когда-либо имел ИИ, и поддерживается страхом отставания. Тот же исследование зафиксировало противоречие, которое узнают преподаватели: в некоторых занятиях требовался ИИ, хотя учебная программа его запрещала, а поощрение преподавателя на занятии не всегда доживало до письменной политики. Когда эти два расходятся, студенты считают действующей устную норму, а учебную программу — предметом управления рисками.

Group work — это место, где неформальные нормы работают больше всего, потому что оцениваемая единица коллективна. A study of 52 pre-service teachers в рамках 15 фокус-групп выявило различные паттерны, а не одну линию от энтузиазма к избеганию, причём группы договаривались о том, что считается законной помощью, в отсутствие общего правила. Любой студент, наблюдавший, как группа тихо успокаивается на использовании ИИ одним из участников, видел, как норма пишется в реальном времени, без процесса политики и обычно без записи.

Формальная этика, живые нормы

Профессиональная литература по этике ИИ и аудиторная норма, до которой она должна дойти, дрейфуют врозь, и этот разрыв документирован. A systematic review of ethical values and norms извлёк нормы из 15 статей и отобразил их на четыре набора заинтересованных сторон из работы Smuha (2022). Разработчики получили больше всего норм, за ними следовали образовательные институции и регуляторы. Конечные пользователи получили наименее многочисленные и наименее применимые нормы, причём ни одна норма не адресовалась студентам напрямую в вопросах недискриминации, ответственного обращения с данными или пригодности для образования, а голоса студентов практически отсутствовали в материале.

Результат — литература, которая специфицирует обязательства для людей, создающих и приобретающих ИИ, и оставляет людей, живущих с ним в аудитории, вырабатывать собственные правила. Это правдоподобное объяснение того, почему нормы, которые описывают студенты (как в исследовании стыда и вины), так часто касаются видимости и репутации, а не ценностей, которые называют документы по этике. Две системы регулируют разные вещи.

Почему наблюдение не улаживает нормы

Когда институции пытаются заменить неформальные нормы формальным мониторингом, данные согласованны и нелестны. A four-wave study of 1,760 students across 105 courses обнаружило, что онлайн-прокторинг значительно повышал тревожность на экзамене и не оказывал никакого влияния на соблазн списать. Он также не менял воспринимаемую трудность или результаты экзамена. Издержки в виде тревожности концентрировались среди уже уязвимых студентов, включая тех, у кого были слабые домашние условия и менее надёжные технологии.

Ещё два исследования объясняют, почему наблюдение — плохой инструмент для формирования норм. A scoping review of remote proctoring обнаружил, что мониторинг широко воспринимался как сдерживающий нарушения, однако южноафриканские лекторы сообщали о продолжающейся нечестности при активном мониторинге — ситуацию, которую Khalil и др. (2022) называют «подземной этикой», — а частые незначительные срабатывания порождали ложные срабатывания и работу по пересмотру для преподавателей. Наблюдение покупает соблюдение через страх обнаружения, а не через приверженность общему стандарту. A model of assessment under imperfect information уточняет механизм: сдерживание зависит от способности детектора различать скрытое использование и законную работу, а не от его доли выявленных случаев, и когда ложные срабатывания растут быстрее истинных, студенты отстраняются от системы вместо соблюдения её правил. Его дальнейший результат прямо касается норм: мониторинг снижает привлекательность скрытого использования, но не увеличивает disclosure. Студенты движутся к открытости только когда сообщение безопаснее или ценнее, чем сокрытие, и запрет может сделать сокрытие более привлекательным, чем соблюдение.

The procedural-justice argument делает вывод: поскольку умелое или слегка отредактированное использование ИИ в общем случае необнаружимо, процедура о нарушениях, построенная на обнаружении, порождает несправедливость без эффективности, и ответ — лучшее Оценивание, а не лучшее наблюдение.

Цена этой подмены проявляется в том, где преподаватели и студенты действительно разговаривают. Среди 253 222 связанных с ИИ записей из 26 образовательных сабреддитов треть всех веток «преподаватель–студент» составляли споры об обнаружении или применении правил, студенты открывали 68,4% из них, а негативность предсказывала вовлечённость (ρ = −0,72) — состязательный конфликт, а не обсуждение, является самой объёмной формой межролевого контакта о GenAI (Yüce et al. (2026)).

Что это значит для практики

• Делайте использование видимым, а не выводите его. Студенты не могут судить друг о друге точно, и повторное сотрудничество этого не исправляет. Лёгкие общие записи о работе с поддержкой ИИ, аннотации или истории промптов дают группе нечто фактическое для рассуждения.
• Ожидайте, что устная норма победит письменную. Если сказанное на занятии противоречит учебной программе, студенты последуют аудитории. Согласованность между двумя стоит больше, чем более строгий пункт.
• Относитесь к раскрытию как к проблеме дизайна, а не как к проблеме добродетели. Раскрытие становится вероятным, когда сообщение безопаснее или ценнее, чем сокрытие. Это означает делать раскрытое использование различимым в самом оценивании, а не требовать честности как черты характера.
• Уважайте дисциплинарную вариацию. Разброс от 27% до 5% между факультетами — не непоследовательность, которую нужно нормализовать, а различные суждения о том, что подтверждает квалификация. Общеинститутские мандаты, как правило, пишутся под дисциплину, которой не существует.
• Не тянитесь к мониторингу, чтобы задавать нормы. Прокторинг повышал тревожность, не меняя соблазна списать, в самом сильном из доступных исследований, и он концентрирует эту цену на наименее advantaged студентов.
• Спрашивайте, кого не хватает в норме. Литература по этике приписывает студентам почти никаких обязательств и мало учитывает их суждение, тогда как аудитория приписывает им многое и поддерживает это социально. Закрытие этого разрыва — вопрос учебного плана, а не вопрос соблюдения.

Связанные концепции

• Академическая добросовестность — формальное правилоустройство, рядом с которым растут эти нормы
• Заявления об использовании ИИ и раскрытии информации — практика, которую нормы регулируют наиболее прямо
• Формирование представлений об использовании ИИ для студентов — как аудитория заявляет свои ожидания
• Снижение масштабов неправомерного использования ИИ — учебный аналог формирования норм
• Идентичность учащегося — кем считается учащийся, когда использование ИИ становится видимым
• Обнаружение ИИ — технический ответ, который в основном не работает
• Дистанционный прокторинг — наблюдение как предпринятая замена норм
• Доверие — то, от чего зависят и нормы, и раскрытие
• Справедливость — кто берёт на себя социальную цену
• Поиск помощи — поведение, которое стыд подавляет первым
• Групповая работа — где договариваются о групповых нормах
• Опыт студентов — проживаемая сторона всего этого
• Тревожность и стресс — аффективный осадок
• Управление ИИ — формальный слой, под которым находятся эти нормы
• Этика — литература, которой меньше всего есть сказать студентам

Связанные статьи

• Students' Perception Accuracy of Partners' AI Use and its Relation to Collaboration Performance — Students' perception accuracy of partners' AI use and its relation to collaboration performance
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Shame and guilt as social regulators of AI use in computing education
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — How instructors regulate AI in college: evidence from 31,000 course syllabi
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI guilt complex: moral emotions and ethical dilemmas in academic technology adoption
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Identifying the ethical values and norms for artificial intelligence in education
• The fear of Big Brother: The potential negative side-effects of proctored exams — The fear of Big Brother: the potential negative side-effects of proctored exams
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Under surveillance: mapping remote proctoring practices in nursing assessment
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Assessment design under imperfect information: generative AI, disclosure, and student response
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Detecting the undetectable: misconduct procedures after generative AI
• Cheating or Competing? University Students' Experience of AI Marketing and What It Means for AI Literacy Programming — Cheating or competing? AI in marketing education
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Agency in GenAI-supported group assessment
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Reddit discourse analysis: faculty–student contact concentrates in detection and enforcement disputes (Yüce et al. 2026)