Как я могу снизить списывание с ИИ в своём курсе?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Самое сильное направление в базе знаний — меньше полагаться на обнаружение и больше — на структурное проектирование оценивания, явные ожидания, проверку обучения и ИИ-грамотность. Синтез по академической честности сообщает о существенных ограничениях обнаружения ИИ-текстов и утверждает, что академическая честность в эпоху Генеративный ИИ всё в большей степени является проблемой проектирования оценивания, а не просто проблемой обнаружения. Инструменты обнаружения ненадёжны и процедурно несправедливы. В контролируемом исследовании 642 опубликованных аннотаций на английском два коммерческих детектора помечали лёгкое редактирование ИИ, допустимое по руководствам, в 38–80% случаев, помечали немодифицированные оригиналы 2023–25 годов в 9–15% случаев (в не-STEM областях значительно выше, чем в STEM, p<0,001) и — после «очеловечивания» текста ИИ — улавливали менее 4% переписанных ИИ текстов: ловушка академической честности, которая наказывает честную помощь, позволяя при этом уклоняться осознанно.(Why AI Detection Fails for Academic Integrity) В скрытом полевом исследовании 94% полностью сгенерированных ИИ работ, внедрённых в действующие онлайн-экзамены по пяти модулям психологии, не были обнаружены, и работы ИИ в среднем набирали больше баллов, чем реальные студенты; Университет Вандербильта отключил свой лицензированный детектор после того, как не смог подтвердить заявленный 1% ложных срабатываний, подразумевавший примерно 750 ошибочно помеченных студентов среди 75 000 ежегодных работ.(Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI) Таким образом, одно лишь обнаружение — слабый рычаг; более сильный рычаг — аргумент о проектировании оценивания, изложенный полностью в Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?. Ниже — конкретные, действенные подходы, примерно в порядке силы доказательств.

1. Инструменты ИИ с ограждениями: «намекай, а не отвечай»

Настройте любое использование студентов-ИИ так, чтобы оно служило опорой, а не раскрывало ответ. Самая сильная каузальная находка в базе знаний — полевое РКИ, в котором неограждённый тьютор в стиле ChatGPT повышал успешность практики с помощью на +48%, но снижал результаты экзамена без посторонней помощи на −17%; тьютор с ограждениями (подсказки вместо ответов плюс информация о задачах, подготовленная преподавателем) устранил вред полностью.(Generative AI without guardrails can harm learning: Evidence from high school mathematics) Крупное исследование 26 811 студентов показало, что передача домашних заданий на аутсорсинг повышала оценки за домашние задания на 18%, но снижала оценки за экзамены с закрытыми книгами на 20% в течение шести месяцев — ровно тот вред, предотвращению которого призваны служить Ограничители (guardrails) и неассистируемые измерения (итоговое оценивание).(The Generative AI Learning Penalty: Evidence from Chinese Secondary Education)

Конкретные примеры:

• Настройте тьютора давать поэтапные сократические подсказки вместо следующего шага ответа.
• Насытьте ИИ верными решениями и типичными Заблуждения об ИИ, чтобы он мог прицельно работать с ошибками.
• Требуйте попытку студента до того, как ИИ раскроет свой вывод («сначала покажите свою попытку»).
• Считайте, что любой инструмент, делающий задание ощутимо лёгким, стоит не на своём месте, — правило «если впускание ИИ делает задание ощутимо лёгким, он попал не туда».

2. Переработка оценивания: сделать так, чтобы списывание обнаруживалось (и сдерживалось) самой конструкцией

Поскольку вред от неправильного использования зависит от оценивания, меняйте то, что считается достижением. Синтез по снижению неправильного использования ИИ относит это к первому уровню, потому что это работает независимо от того, выбирает ли студент правильное поведение, — оно ограничивает среду, а не полагается на мотивацию. AI Assessment Scale (AIAS) — структурированный фреймворк для этого: обозначьте каждое задание его уровнем использования ИИ (например, «без ИИ», «ИИ только для мозгового штурма», «помощь ИИ с указанием авторства», «полное использование ИИ»), чтобы ожидания были явными и реализуемыми.(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Систематический обзор 72 исследований генеративного ИИ в вычислительном образовании приходит к тому же выводу с другой доказательной базы: он оценивает переработку как одновременно выполнимую и дающую наибольшее воздействие, выделяя добавление устного или иного делающего процесс видимым элемента хотя бы к одному высокоставочному оцениванию в курсе как единственное наиболее эффективное вмешательство, и отмечает, что обнаружение — самая тонкая область всего обзора — всего 3 исследования, несмотря на то что она доминирует в институциональных дебатах (Generative AI in computing education: A systematic review and a framework for responsible integration). Тот же обзор сообщает, что 60–80% студентов вычислительных специальностей использовали генеративный ИИ в учебных работах, как правило, без явного разрешения преподавателя, и что 70% выборки национальных преподавателей прямо запросили обучение проектированию оценивания, устойчивого к ИИ.

Конкретные примеры:

• Оценивание без посторонней помощи, в аудитории, с закрытыми книгами — экзамены под наблюдением, контрольные или письменные работы на время, которые студенты выполняют без инструментов. Придавайте им больший вес, поскольку именно домашние задания раздувает ИИ.
• Устные экзамены и защиты — пусть студенты объяснят или защитят свою работу вслух; диалог в реальном времени по своей природе устойчив к ИИ.(Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future)
• Артефакты процесса — требуйте черновиков, трассировок рассуждений, аннотированных «покажи ход мысли» или журналов рефлексии, чтобы процесс был виден, а не только продукт.(From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich)
• Аутентичные, контекстные задания — используйте реальные, насыщенные данными или личные промпты, которые трудно делегировать и которые значимы для студента (например, примените понятие к местному кейсу, стажировке или собственным данным студента).(Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It)
• Зоны, свободные от ИИ — выделите части курса (или отдельные задания), где независимая способность и есть тот конструкт, который оценивается.
• Вариация заданий по студентам — дайте каждому студенту внешне отличную, но эквивалентную по конструкту версию одного и того же задания, чтобы копирование было структурно бесполезным; считайте это зависящим от возможностей, поскольку VARIA обнаружила, что генераторы передового уровня достигают лишь 0,81–0,88 по общей оценке честности, тогда как модели не передового уровня падают до 0,50–0,55.

3. Проверка обучения: проверяйте понимание, а не происхождение

Вместо того чтобы пытаться доказать, как была выполнена работа, иногда просите студентов продемонстрировать, чему они научились. «Лучший ответ на использование ИИ студентами — не обнаружение, а диалог» описывает короткие проверочные беседы, ранние черновики, рефлексии и видео студентов как практические механизмы.

Конкретные примеры:

• Двухминутное объяснение сданной работы один на один или в записи.
• Повторная контрольная по тому же материалу, выполняемая без инструментов.
• Попросите студентов переработать выборку своих работ и объяснить изменения.

Примечание: этот источник — практический отчёт, поэтому его лучше рассматривать как перспективную практику, а не как окончательное каузальное доказательство.

Проверка — это также то, что делает процесс по делу о нарушении защитимым. Munoz et al. (2026) проанализировали реальные дела о заявлениях о нарушениях с использованием генеративного ИИ и обнаружили, что принципы естественного права требуют, чтобы студента сообщили о заявлении и дали возможность ответить до любого решения; возможность ответа обычно представляет собой следственное совещание или собеседование с комиссией, и всё, что говорит студент, становится частью доказательной базы. Их категории доказательств также объясняют, почему проверку нужно встраивать в курс, а не импровизировать во время расследования: записанные системой поведенческие следы существуют только при оценивании под наблюдением, а более слабые доказательства процесса — черновики, встречи по супервизии, презентации — существуют только там, где эти практики уже были налажены. Регулярная проверка — это доказательства процесса, на которые затем можно опереться. Само правило тоже должно быть точным: Wright (2026) показывает, что запреты, приравнивающие транскрипцию речи в текст и генеративное составление к одному и тому же «использованию ИИ», избыточно широки и рискуют наказать студентов, которые не совершали запрещённого, что является проблемой справедливости прежде, чем правовой проблемой (Правовые вопросы и риски).

4. Последовательности использования со скаффолдингом: «сначала подумай, потом ИИ, затем отрефлексируй»

Вместо запрета ИИ научите студентов структурированному рабочему процессу, который удерживает их в когнитивном цикле. Синтез по снижению неправильного использования ИИ излагает восемь принципов проектирования: сохраняйте когнитивное трение, позиционируйте ИИ как предположительного партнёра по размышлению (а не авторитета), встраивайте контрольные точки оценивания и требуйте метакогнитивного ведения журнала и журналов промптов.

Конкретная примерная последовательность:

1. Сначала подумай — студенты проводят мозговой штурм, составляют план или пишут черновик самостоятельно, до любого использования ИИ.
2. Потом ИИ — они используют ИИ, чтобы критиковать, расширять или генерировать альтернативы в отношении своего собственного мышления.
3. Затем отрефлексируй — они фиксируют, для чего они использовали ИИ, что приняли/отвергли и почему (журнал промптов и правок).

5. Декларации об использовании ИИ, специфичные для задания

Замените обобщённые чекбоксы «я использовал ИИ ☐» на предметно-специфичные фреймворки декларирования, которые отображают использование ИИ на когнитивные стадии (например, структурное планирование против генерации содержания).(Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education) Это заставляет студентов размышлять о том, как они использовали ИИ, и проясняет границу между допустимой помощью и нарушением. Соедините это с явными ожиданиями и гарантией того, что честное раскрытие не будет наказано, — карательные или расплывчатые политики активно стимулируют сокрытие.(Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher)("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education)

Моделирование проектирования оценивания в работе Mohamed and Temimi объясняет механизм этого совета. Раскрытие становится привлекательным вариантом только тогда, когда цена честности остаётся низкой; и поскольку ложные срабатывания детектора падают и на честных студентов, усиление мониторинга может сделать сокрытие относительно более привлекательным, когда дополнительная чувствительность даёт больше новых ложных срабатываний, чем новых истинных. Читайте заявленное использование как контекст, а не как признание, и проектируйте под студента, более всего склонного к сокрытию, а не под среднего.

Конкретный пример: титульный лист, на котором студентов просят указать по каждому заданию: использовали ли вы ИИ? На каких стадиях (мозговой штурм / написание черновика / вычитка / проверка)? Какой инструмент и какие промпты вы использовали? Как вы оценивали полученный результат?

6. Формируйте ИИ-грамотность и честные ожидания

Синтез по снижению неправильного использования ИИ относит обучение промптингу и ИИ-грамотности ко второму уровню: модуль для K-12, использующий сценарную практику промптинга с Большие языковые модели (LLM), улучшил реальные навыки промптинга и повысил уверенность в использовании ИИ для обучения на +10,4%, причём 87% сообщили, что научились использовать ИИ ответственно.(Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module) Формулируйте ясные ожидания относительно того, что считается списыванием, почему это вредит обучению (разрыв между успеваемостью и обучением), и как студенты могут использовать ИИ продуктивно, — это работает с проблемами солидаризации по принципу «все так делают» и рационализации, задокументированными в Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking и It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing.

Опросы студентов подтверждают эту рамку. Среди 504 студентов-социологов 65% использовали генеративный ИИ в учебных работах, но лишь 3% — для генерации текста заданий и 2% — для генерации полного черновика; при этом 81% получали какие-то указания по использованию ИИ, но лишь 46% нашли их вполне ясными (Student Use of and Views on GenAI for Writing). Практическая проблема — неопределённость, а не неповиновение, — и именно поэтому сторона этой страницы, касающаяся учебно-методических возможностей, связывается с Какие доказательства существуют по интервенциям в области ИИ-грамотности в высшем образовании? и с ранжированием вмешательств в Какие 10 главных выводов из исследований ИИ в образовании должны знать преподаватели?. Студенты описывают инструменты не в тех же терминах, что и политика: Mulisa and Mezgebu (2026) обнаружили, что вопрос, который поднимают студенты, состоит в том, является ли генеративный ИИ инструментом, облегчающим списывание, или партнёром, поддерживающим обучение, и их описание напряжения между институциональными правилами честности и собственными учебными потребностями студентов полезнее для формулировки ожиданий, чем ещё одно предупреждение о наказаниях.

Итог

Соедините структурный минимум (ограждения + переработка оценивания, делающие списывание трудным независимо от мотивации) с воспитательным наращиванием потенциала (ИИ-грамотность, декларации, последовательности «подумай — ИИ — отрефлексируй»). Одно лишь обнаружение — самый слабый рычаг; цель — сделать честное, продуктивное использование ИИ путём наименьшего сопротивления.