Akademická integrita

Automatický strojový preklad tejto anglickej stránky, ktorý ešte nebol skontrolovaný rodeným hovorcom.

Akademická integrita - etický rámec, ktorý riadi čestnú akademickú prácu v ére AI. Vedomostná báza dokumentuje, ako bol tento koncept preformulovaný generatívnou AI: z problému odhaľovania nečestného výstupu na dizajnový problém, ako urobiť čestnú prácu viditeľnou, overiteľnou a hodnou vytvorenia. Výskum akademickej integrity v tejto oblasti sa posunul od prístupov zameraných na detekciu k zásadnému redizajnu hodnotenia, k riadeniu vedenému pedagogikou a k výučbe študentov, ako AI používať dobre, namiesto pouhého dohľadu nad tým, či ju používajú.

Otázky na zamyslenie

• Spomeňte si na posledný raz, keď ste počuli diskutovať o „podvádzaní s AI". Bola tá konverzácia o chytaní študentov, alebo o navrhovaní zadaní, ktoré by študenti chceli robiť čestne? Ktorý dôraz je vám bližší a prečo?
• Vyleštenú, uveriteľnú prácu už možno vygenerovať za sekundy. Ak už nedokážete posúdiť schopnosť študenta podľa produktu, ktorý odovzdá, čo by ste potrebovali vidieť alebo počuť, aby ste mali istotu, že sa to skutočne naučil?
• Výskum zisťuje, že študenti často racionalizujú používanie AI („kopírovanie textu z AI nikomu neškodí"), namiesto toho, aby ju zneužívali zo zlomyseľnosti. Aké predpoklady o motivácii študentov robí čisto represívna politika integrity - a v čom sa tieto predpoklady môžu mýliť?
• Jedna línia výskumu chápe používanie AI študentmi ako koordinačný problém: správanie sa mení vtedy, keď sa zmenia očakávania rovesníkov a incentívy hodnotenia, nie vtedy, keď sa znovu zopakujú pravidlá. Ktoré rovesnícke alebo dizajnové faktory vo vašom kontexte môžu potichu formovať to, či je používanie AI čestné?
• Štúdie ukazujú, že strach z postihu vedie študentov k skrývaniu používania AI a že transparentní študenti môžu dokonca vzbudiť podozrenie. Keby ste navrhovali formulár „vyhlásenia o použití AI", čo by urobilo, že by ho študent chcel vyplniť pravdivo?
• Tá istá inštitucionálna politika AI sa u študentov rôznych kultúr interpretuje odlišne - to, čo sa javí ako nesprávne, určuje kultúra, nie formulácia politiky. Ako by sa mala politika integrity komunikovať kultúrne rozmanitej kohorte, aby očakávania boli skutočne pochopené?

Úvod

Príchod generatívnej AI nevytvoril potrebu akademickej integrity - len urobil slabiny existujúcich prístupov ťažšie prehliadnuteľnými. Vyleštený, uveriteľný produkt už možno vygenerovať za sekundy, takže podobnosť produktu je čoraz nespoľahlivejším signálom schopnosti. To posúva otázku integrity z „dokážeme odhaliť používanie AI?" na „dokážu naše hodnotenia ešte odôvodniť inferencie, ktoré robíme o učení študentov?"

Vývoj od detekcie k redizajnu

• Skepticizmus voči detekcii: výskum detekcie AI a inštitucionálne analýzy čoraz častejšie zisťujú, že nástroje na detekciu AI sú nespoľahlivé a procesne nespravodlivé. Detekcia textu generovaného LLM čelí zásadným obmedzeniam. Plne AI-generované odovzdania môžu prejsť systémami skúšok naživo z veľkej časti neodhalené a skúsení hodnotitelia spoľahlivo nerozpoznajú prácu, ktorú napísala GenAI. Detekcia je v najlepšom prípade obmedzený, situačný nástroj - nie stratégia prvej voľby. Objem, ktorý sa od nej napriek tomu očakáva, zďaleka nie je marginálny: šesťročná analýza kurzu CS2 s veľkou zápisovou základňou zistila, že 45,7 % študentov na jar 2026 bolo označených za vzorce zodpovedajúce programovaniu s podporou LLM (Racovan a spol. (2026)).
• Úzka hranica detekcie a podvádzanie ako plánované správanie: Leaton Gray, Edsall a Parapadakis (2025) zhromažďujú argument, že AI zosilňuje zraniteľnosť, ktorú sektor už mal. Text generovaný AI prešiel ako ľudský autorský v až 80 % prípadov, zatiaľ čo dôkazy, ktoré citujú, stavajú strojovú detekciu na približne 80 % oproti 78,4 % u ľudských posudzovateľov, čo je príliš úzka hranica na to, aby uniesla zistenie o nekalom konaní. Ich motivačná analýza je výraznejší prínos: vychádzajúc z Ajzenovej teórie plánovaného správania a Bandurovej teórie sebaúčinnosti uvádzajú metaanalýzu Krou a spol. (2021), ktorá zistila, že sebaúčinnosť koreluje s podvádzaním negatívne, zatiaľ čo skutočná schopnosť s ním vôbec nekoreluje inverzne. Schopný, sebavedomý študent, ktorý hodnotenie vníma ako nespravodlivé, môže preto podvádzať, aby znovu získal kontrolu. Záver nasleduje tú istú inverziu, ktorú táto stránka dokumentuje inde - hodnotenie, na ktoré model dokáže presvedčivo odpovedať, je intelektuálne triviálne hodnotenie a zlyhanie patrí hodnoteniu, nie študentovi.
• Redizajn hodnotenia: autentické hodnotenie, prístupy idúce za detekciu a škála hodnotenia AI presúvajú ťažisko od chytania používania AI k navrhovaniu hodnotení, v ktorých je používanie AI buď irelevantné, transparentné, alebo nevyhnutné na preukázanie konkrétnej schopnosti.
• Štrukturálna zraniteľnosť známkovania: Chan a spol. poskytujú konkrétnu prípadovú štúdiu toho, ako je súčasné známkovanie štrukturálne vystavené nečestnosti sprostredkovanej AI. Na katedre biológie vyučujúci vnímali ako minimálne zraniteľné len osobné skúšky pod dohľadom; zadania mimo triedy považovali za vysoko zraniteľné, čo nechalo približne tretinu známky študenta vysoko zraniteľnú a 80 % aspoň do istej miery zraniteľných. To rámuje problém integrity čiastočne ako problém dizajnu známkovania, čo motivuje prevyváženie smerom k hodnoteniu pod dohľadom alebo v triede a k dizajnom autentického hodnotenia, ktoré sa ťažšie externe zadávajú. Ivory a spol. (2026) dodávajú protipól na úrovni disciplíny s celým trojročným programom psychológie: 36 zo 40 hodnotení v 16 typoch produkovalo priechodný obsah pri minimálnom úsilí a tie štyri, ktoré zlyhali, boli tie, ktoré vyžadovali prítomnosť, vizuálne médiá alebo vlastný dataset študenta. Ich čítanie toho, prečo to prechádza, je časť, ktorá sa zovšeobecňuje - známkovanie, ktoré odmeňuje plynulú štruktúru a dobrú vieru pri použití správnej analýzy, toleruje vymyslené hodnoty a halucinované odkazy, takže o tom, či sa výstup AI známkuje ako dosiahnutie, rozhoduje hranica priechodnosti, a nie detekcia, a zraniteľnosť hodnotenia „nemožno pripísať výhradne používaniu zo strany študentov".
• Odovzdanie ako útočná plocha: prompt injection proti AI známkovaniu. Humble (2026) robí red-teamové cvičenie na každodennom pracovnom postupe známkovania a ukazuje, že odovzdanie študenta môže niesť skryté inštrukcie, ktoré menia známku, ktorú nástroj AI vyprodukuje: dve z piatich stratégií nepriamej injekcie vložených do súboru odovzdania zdvihli neúspešnú esej na priechod bez viditeľného varovania pre používateľa, pri hlásenej úspešnosti 100 % (9/9) a 94 % (17/18), pričom obe kombinovali manipuláciu s inštrukciami, hranie rolí a obfuskáciu naprieč formátmi docx, pdf a htm. Najzákladnejší útok úplne zlyhal a jeho odmietnutie bolo tiché - nástroj vypol chat bez nahlásenia pokusu - zatiaľ čo jedna zistená injekcia vyprodukovala uistenie, že nástroj bude známkovať „len podľa oficiálnych inštrukcií zadania", a potom šesť ďalších behov toho istého súboru známku napriek tomu zdvihlo. Dôsledok pre integritu ide oboma smermi: známka zdvihnutá skrytou inštrukciou nenesie žiadny nárok na platnosť, tá istá technika by sa dala použiť na zníženie kvality odovzdania bez trvalej stopy vo výstupe a človek, ktorý hodnotí, zostáva jedinou skutočnou kontrolou manipulácie navrhnutej tak, aby nebola viditeľná.
• Platnosť ako organizujúci rámec: platnosť hodnotenia prerámuje integritu ako dôkazný problém. Výskum autentického hodnotenia zavádza substitúciu konštruktu - produkt generovaný AI sa pripisuje študentovi, takže hodnotenie inferuje schopnosť nástroja, a nie študenta. Dôkazná otázka prežíva akúkoľvek politiku AI: či je používanie zakázané, povolené alebo vyžadované, hodnotenie musí stále generovať dôkazy odôvodňujúce inferenciu, ktorá sa z neho robí.
• Variácia vo veľkom meradle ako mechanizmus integrity bez dohľadu: VARIA (Lee 2026) benchmarkuje premisu za AI-integrovaným autentickým hodnotením (AIAA) - nahradenie dohľadu nad skúškami variáciou úloh pre každého študenta, takže kopírovanie je štrukturálne zbytočné. Záruka integrity je podmienená tým, že LLM generujú varianty povrchovo odlišné a konštruktovo ekvivalentné; pilot VARIA so 600 variantmi zisťuje, že frontierové modely to spĺňajú len na hranici (spoločné skóre 0,81-0,88), zatiaľ čo non-frontierové modely kolabujú (0,50-0,55), takže „variáciu vo veľkom meradle nemožno vyriešiť promptovaním samotným". To dáva debate detekcia verzus redizajn empirickú, falzifikovateľnú kontrolu: sľub autentického hodnotenia s variovanými úlohami bez dohľadu teraz závisí od meranej (a stále úzkej) generačnej schopnosti, nie od predpokladanej.
• Overovanie reflexie študenta voči GenAI: Kadel a spol. (2026) argumentujú, že tradičné modely reflexie už nedokážu overiť reflexiu študenta, keď GenAI dokáže napísať reflektívnu prózu, a vkladajú integritu priamo do modelu reflexie - fáza Pitfalls rámca 5P výslovne ošetruje plagiátorstvo, halucinácie a nadmernú závislosť, zatiaľ čo jeho fázy Process a Product vyžadujú dokumentovanie promptov a validáciu výstupov, aby sa vlastné uvažovanie študentov dalo odlíšiť od príspevkov generovaných AI.
• Tvorba politiky: Inštitucionálne politiky AI a výskum vzdelávacej politiky AI skúmajú, ako univerzity vytvárajú a komunikujú očakávania integrity - a prečo abstraktné politické vyhlásenia tak často zlyhávajú.
• Integrita ako problém riadenia, nie problém detekcie. Coates, Croucher a Calderon (2025) presúvajú zväzujúce obmedzenie zo správania študentov na akademické riadenie, ktoré označujú za odolné, ale „nie dobre nastavené ani pripravené" čeliť hrozbám súvisiacim s GenAI pre autentifikáciu hodnotenia študentov. Ich odpoveďou je rámec indikátorov integrity so 130 položkami v ôsmich dimenziách, od Designing (19 položiek) po Improving (6), ktorý tvoria otázky riadenia, a nie psychometrické škály - či najvyššia rada inštitúcie dostáva aktualizácie o kvalite hodnotenia, aké percento hodnotenia sa podobá relevantným a zmysluplným problémom, aké percento študentov poznajú jednotlivo učitelia, ktorí ich hodnotia. Bol vyvinutý cez viacročný prehľad výskumu, päť prípadových štúdií austrálskych univerzít, prototypovanie, expertné potvrdenie so 60 pozvanými expertmi zo šiestich svetových regiónov a kvantitatívne pilotovanie a je spojený s reformami architektúr riadenia, ľudí a technológií a zdrojov, o ktorých autori očakávajú, že sa vyplatia len pod vonkajším tlakom regulácie, benchmarkingu a medziinštitucionálnej konkurencie; rámec predkladajú ako formatívny a žiadajú psychometrickú validáciu pred jeho použitím na porovnávanie alebo meranie.
• Čo dokumenty skutočne hovoria: integrita dominuje inštitucionálnej politike AI. Eldredge a spol. (2026) analyzovali dokumenty politiky a usmernení AI všetkých 48 magisterských programov zdravotníckej informatiky a manažmentu zdravotníckych informácií akreditovaných CAHIIM v USA: 40 (83 %) malo aspoň jeden vyhovujúci dokument a tieto dokumenty rámovali AI prevažne ako otázku prevencie zneužívania zo strany študentov v rámci predmetov, s dôrazom na akademickú integritu a prijateľné používanie. Akademická integrita bola zďaleka najčastejším kľúčovým slovom (n = 139, pred citovaním s 59, hodnotením s 50 a plagiátorstvom s 38), zatiaľ čo témy súkromia, duševného vlastníctva a regulácie boli prítomné, ale menej časté (HIPAA n = 5, FERPA n = 11, usmernenie IRB n = 8). Modelovanie tém na tom istom korpuse vrátilo štyri témy, prvou bola akademická integrita a vhodné používanie AI, popri generatívnej AI vo výučbe, používaní AI a dátových nástrojov vo výskume a angažovanosti študentov s konverzačnými systémami AI. Dôkazná hodnota pre túto stránku je v kvantifikácii: rámovanie sústredené na integritu nie je len rétorickou predvolenou voľbou inštitucionálnej politiky AI, je empiricky jej dominantným obsahom. Najorstrejšie pozorovanie autorov sa týka toho, kde sa tá pozornosť zastavuje - poznamenávajú, že pomerne málo usmernení pokrýva používanie AI v aplikovanom učení, výskume a simulovaných prostrediach, kde sa pretínajú kurikulárne otázky a otázky správy dát, takže dokumenty riadia prácu v predmetoch, zatiaľ čo prostredia, na ktoré program študentov pripravuje, zostávajú z veľkej časti neadresované.
• Rámovanie integrity ustupuje regulácii podľa typu úlohy: Chirikovova (2026) longitudinálna štúdia viac ako 31 000 sylabov kurzov ukazuje, že politiky AI vyučujúcich sa posúvajú od čisto integritného rámca: zmienky o akademickej integrite v sylaboch klesli z 63 % (jar 2023) na 49 % (jeseň 2025), zatiaľ čo odkazy na vplyv AI na učenie vzrástli z 1 % na 29 %. Vyučujúci čoraz častejšie regulujú AI podľa typu úlohy - obmedzujú ju pri písaní konceptov a uvažovaní (kde by AI nahradila učenie) a povoľujú ju pri editovaní a korektúrach a pri podpore štúdia - namiesto plošného zákazu z dôvodu integrity. To prerámuje politiku integrity ako dizajnové rozhodnutie na úrovni úlohy, a nie ako binárne pravidlo.
• Strojový odpor ako prevencia, nie detekcia. Perturbovanie samotného dokumentu - znaky, rozostupy slov a riadkov, jitter nepriehľadnosti, pruhové prekrytia a šum v obraze, plus rozhodovaním riadené adversariálne útoky - zvyšuje úsilie potrebné na nízkoúsilové zneužitie LLM pri zdroji a zároveň meria to isté poznanie (Salaun a spol. (2026)). Manuálna transkripcia zostáva možná a adversariálne útoky chránia len vybrané riadky, takže chybovosť znakov v celom dokumente zostáva pod 8,44 %.

Procedúra pre nekalé konanie a jej dôkazný kolaps

Donucovací aparát, ktorý stojí na vrchu politiky integrity, je sám o sebe dizajnovým rozhodnutím a generatívna AI rozobrala jeho dôkazný základ. Teichmann (2026) argumentuje, že procedúra pre nekalé konanie, ktorú univerzity prevzali z plagiátorstva, predpokladá, že zakázané používanie možno odhaliť a dokázať - premisa, ktorú technológia rozpúšťa. Na rozdiel od softvéru na porovnávanie textov, ktorý ukazuje na skopírovaný zdroj, klasifikátor AI textu neidentifikuje žiadny zdroj (žiadny neexistuje); vydáva pravdepodobnostný úsudok o štýle, ktorý sa pri parafrázovaní zhoršuje, systematicky nesprávne označuje písanie nerodilých hovorcov angličtiny a nemožno ho vysvetliť ani podrobiť krížovému výsluchu, zatiaľ čo zručné alebo ľahko editované používanie nezanecháva vôbec žiadnu stopu. Zotrvanie na ňom napriek tomu obracia bremeno dôkazu (študent je požiadaný dokázať negatív), napína každý prvok procesnej spravodlivosti a dopadá škodou z falošného obvinenia najtvrdšie na už znevýhodnených. Navrhovaná náprava je dvojaká: dôkazný štandard, podľa ktorého samotné skóre detektora nikdy nezakladá zistenie, s odstupňovanými reakciami, ktoré stavajú vzdelávanie na prvé miesto, a presun inštitucionálneho úsilia do dizajnu hodnotenia zameraného na platnosť a autentického hodnotenia - odpoveďou na neodhaliteľnú AI je lepšie hodnotenie, nie lepší dohľad. Hraničný prípad nemá vôbec žiadny aparát: Isley, Gaebler a Goel (2026) dokumentujú magisterský program verejnej politiky v USA, ktorý zakázal pomoc generatívnej AI v podpísanom čestnom vyhlásení a neskríningoval žiadne odovzdania, kde 56,1 % uchádzačov v roku 2025 odovzdalo aspoň jednu esej, ktorú komerčný detektor klasifikoval ako prevažne napísanú AI, pričom každá označená esej bola spojená s o 1,5 percentuálneho bodu nižšou pravdepodobnosťou prijatia (p < 0,01), čo stúplo na 2,6 bodu (p < 0,001), keď sa kvalita eseje držala konštantná. Bez akéhokoľvek kroku detekcie, rozhodovania alebo vynucovania medzi pravidlom a výsledkom bola sankcia udelená výhradne cez nepísaný úsudok čitateľov prijímacieho konania - zákaz plus nepodporený úsudok čitateľa reprodukoval diskrečnú, nevysvetlenú sankciu, ktorej predchádzaniu slúži spravodlivá procedúra.

Munoz a spol. (2026) dodávajú empirický protipól tým, že zakódovali každý prípad nekalého konania súvisiaci s GenAI na jednej regionálnej austrálskej univerzite za tri roky: 1 162 prípadov s 1 855 dôkaznými položkami, každá ohodnotená z hľadiska relevantnosti, dôveryhodnosti a inferenčnej sily. Výstup detektora bol dôkazom, po ktorom sa siahlo najčastejšie a ktorý najmenej uniesol váhu - správy Turnitin alebo podobnostné správy niesli 100 % slabú inferenčnú silu a samostatný výstup detektora 100 % nízku dôveryhodnosť, a dôkazy z detektorov klesli do roku 2025 na 0,5 % položiek, keď inštitúcie absorbovali to, čo nedokázal dokázať - zatiaľ čo najsilnejšie typy dôkazov boli tie, ktoré sa neopierajú o pravdepodobnostnú klasifikáciu textu: priznania študentov, pozorované zakázané správanie na skúške a nezávisle overené vymyslené odkazy, ktoré predstavovali najväčší štrukturálny posun s 22,3 % položiek. Ich najostrejšia kritika je štrukturálna, nie dôkazná, keďže „neexistuje požiadavka, aby vyšetrovatelia posúdili dôkaznú kvalitu dôkazov pred posunom obvinenia ďalej, žiadna minimálna dôkazná hranica v žiadnej fáze procesu", takže kvalita dôkazov nemala spoľahlivý vzťah k výsledkom prípadov. Zaznamenávajú aj to, ako politika dobehla prax: politika hodnotenia účinná do roku 2024 o AI nehovorila nič a od januára 2025 revidovaná politika povolila schválený softvér na autentifikáciu, zatiaľ čo zakázala nahrávanie študentských prác do nástrojov na detekciu AI tretích strán.

Druhé zlyhanie sa týka rozsahu, nie dokazovania. Wright (2026) ukazuje, že zákazy formulované na úrovni identity platformy namiesto funkcie zachytávajú aj negeneratívnu konverziu formátu - prepis reči na text, OCR, čistý text do LATEX - popri generatívnemu písaniu konceptov, ktoré chcú zakázať, hoci recenzovaná literatúra informatiky považuje rozpoznávanie a generovanie za odlišné operácie. Náklad dopadá nerovnomerne: študenti s ochoreniami ovplyvňujúcimi jemnú motoriku, čitateľnosť rukopisu alebo presnosť písania sa spoliehali práve na tieto nástroje, a keďže samostatné produkty na prevod hlasu na text sa ukončujú alebo degradujú, transkripcia poháňaná AI vypĺňa funkčnú medzeru, takže príliš široké pravidlo odstraňuje primárny prostriedok na vytvorenie čitateľnej práce, čím sa spor stáva sporom o prístupnosť a rovnosť skôr, než je sporom o integritu. Wrightova náprava je definícia generatívnej AI založená na funkcii plus štyri operačné kritériá - vernosť, nedopĺňanie, sledovateľnosť a atestácia - ktoré dávajú študentovi štruktúrovanú cestu, ako vyvrátiť obvinenie týkajúce sa výlučne transkripcie, pričom bremeno dôkazu zostáva na inštitúcii.

Dôkazný problém detekcie je aj problémom platnosti. Pretože pomoc AI je iteratívna a prepletená s písaním konceptov, a nie zadaná externe ako celok, autorstvo a vlastníctvo významu sa rozchádzajú a zdravý odovzdaný produkt nemusí preukázať, že študent uplatnil úsudok, na ktorý mala úloha cieliť. Výkon detektora sa líši naprieč úlohami, disciplínami a verziami modelov a priznané alebo podozrivé používanie AI môže pôsobiť ako skresľujúci podnet pre hodnotiteľov, takže detekčná odpoveď pridáva konštruktovo irelevantnú varianciu, namiesto toho, aby ju odstraňovala. Kým debaty o integrite sa pýtajú, kto vytvoril slová, výklad platnosti sa pýta, aký nárok o študentovi výkon odôvodňuje.

Problém racionalizácie

Študenti vo všeobecnosti nezneužívajú AI zo zlomyseľnosti; racionalizujú ju. Výskum rozhovorov identifikuje najmenej päť miest rozpojenia, kde sa interpretácia politiky AI zo strany študentov rozchádza so zámerom pedagógov, a taxonómiu viac ako 20 odlišných racionalizácií - od „kopírovanie textu z AI nikomu neškodí" po „text, ktorý odráža moje presvedčenia, je moje vlastné písanie". Tieto racionalizácie sú ad hoc, post hoc a vnútorne nekonzistentné a opisujú „strmý etický klzký svah", po ktorom študenti skĺznu ďaleko mimo pedagogických cieľov. Preto sú mylné predstavy študentov o AI vzrušujúcou príčinou porušovania integrity a preto vzdelávanie o integrite musí adresovať etické uvažovanie, nielen technickú zručnosť.

Ji (2026) vo svojom scopingovom prehľade 38 empirických štúdií hlasov študentov poskytuje syntézu, o ktorú sa táto časť opiera. Jeho štyri témy sú nejednoznačnosť (generovanie celej úlohy sa číta ako podvádzanie, gramatická kontrola a brainstorming sú z veľkej časti prijateľné a parafrázovanie, tvorenie osnovy a preklad sedia v šedej zóne), etická agentúra, v ktorej si študenti vytvárajú osobné pravidlá vo vákuu usmernení, ktoré čítajú ako tiché schválenie svojho konania, medzera medzi etickým uvedomením a praxou a rozmanitosť podľa pohlavia, úrovne, disciplíny a kultúry. Medzera medzi uvedomením a praxou je problém racionalizácie meraný vo veľkom: Index etickej disonancie Huanga a spol. rozdelil 522 čínskych študentov do štyroch zhlukov, z ktorých jeden často robil to, čo sám považoval za nelegitímne, a modelovanie štrukturálnych rovníc Ofema a spol. na 4 679 nigérijských študentoch zistilo, že pozitívne vnímanie ChatGPT predpovedalo nečestné používanie, zatiaľ čo pozitívne postoje k integrite pôsobili ako významný negatívny mediátor. Ji číta študentov ani ako pasívnych príjemcov GenAI, ani ako vinníkov bez morálneho obmedzenia, ale ako aktívnych aktérov pohybujúcich sa v etickej šedej zóne, a preto sa recenzované štúdie zhodujú na spoluvytváraných, vzdelávacích a na kontext citlivých odpovediach, a nie na represívnych.

Prečo samotná politika zlyháva: koordinačný problém

Rámec koordinačnej hry poskytuje vysvetlenie na úrovni mechanizmu, prečo politické vyhlásenia zriedka menia správanie: používanie AI študentmi je koordinačný problém, kde jednotlivé voľby závisia od očakávaní rovesníkov a od dizajnu hodnotenia. Kľúčovým zistením modelu je nelineárna prahová dynamika - malé, dobre kalibrované zmeny incentívov reflektívneho hodnotenia môžu spustiť rýchle zmeny v celej kohorte smerom k zodpovednému používaniu, zatiaľ čo slabé alebo zle zladené incentívy nechávajú oportunistickú prax pretrvávať. V praktických pojmoch môže mierny redizajn (napríklad požiadavka, aby študenti reflektovali svoje interakcie s AI) mať neúmerné účinky tam, kde abstraktné pravidlá nemajú žiadne.

Rovesnícka zodpovednosť neukazuje vždy smerom k integrite, ako zistili Chen a Zou (2026) v známkovanom skupinovom hodnotení: sedem z pätnástich študentských skupín zámerne znížilo používanie GenAI čiastočne preto, aby sa vyhli priživníctvu na spolužiakoch, keďže dôsledky v skupine boli zdieľané, a nie uzavreté v jednotlivcovi, avšak v piatich skupinách permisívna kolektívna klíma - „všetci v mojej skupine používajú GenAI" - znížila vnímané riziko zneužitia a obrátila práve ten mechanizmus zodpovednosti, ktorý má skupinová práca vytvárať. Tá istá štúdia zistila, že študenti prerámovali originalitu ako vernosť porozumeniu, ktoré ich spolužiaci spoločne vybudovali, a jej praktické odporúčanie z toho priamo vyplýva: urobiť vyjednávanie prijateľného používania AI výslovným, dokumentovaným a hodnotiteľným výsledkom, namiesto toho, aby sa norma nechala vzniknúť z rovesníckeho tlaku alebo vnímaného rizika.

Nekonzistentnosť politiky naprieč inštitúciou vyprodukovala presne to hádanie, ktoré koordinačný výklad predpovedá. Deväť z jedenástich interviewovaných v Zou a spol. (2026) rámovalo výslovné povolenie používať generatívnu AI vo vlastnom kurze ako možné „osídlo" - návnadu na identifikáciu študentov, ktorí nedokážu odolať - hoci politika bola otvorená a zapísaná v usmerneniach k hodnoteniu; študenti zovšeobecňovali zo zákazov a varovaní, s ktorými sa stretli inde, namiesto toho, aby čítali pravidlá vlastného kurzu po svojom. Záver autorov nasleduje mechanizmus, a nie formuláciu: jasnosť na úrovni kurzu nestačila a je potrebná konzistentnosť na úrovni programu alebo inštitúcie, aby študenti prestali inferovať zámer z okolitej kultúry.

Identické konanie, odlišné verdikty - a zverejnenie, ktoré nič nemení. Poudyal (2026) aplikoval 15 štandardizovaných viniet na politické prostredia 20 austrálskych univerzít a vytvoril 300 klasifikácií: 120 (40,0 %) jasne zakázaných, 56 (18,7 %) neurčitých a žiadna jasne povolená, zatiaľ čo záväzné nástroje boli o generatívnej AI ticho v 100 kombináciách, ktoré usmernenia vyriešili v 88. Zverejnenie nerozhodovalo o výsledkoch - ten istý status zverejnenia produkoval odlišné klasifikácie v závislosti od pravidiel povolenia a inštrukcií k úlohe a pole zverejnenia zaznamenalo 117 splnených požiadaviek a 80 falošných vyhlásení.

Procedúry záležia rovnako ako politiky a ich dôkazný základ sa pri AI zrútil. Teichmann (2026) argumentuje, že procedúra pre nekalé konanie, ktorú univerzity prevzali z plagiátorstva, spočíva na premise, ktorú generatívna AI rozobrala: že zakázané používanie možno odhaliť a dokázať. Na rozdiel od softvéru na porovnávanie textov, ktorý môže ukázať na skopírovaný zdroj, klasifikátory AI textu neidentifikujú žiadny zdroj, pretože žiadny neexistuje - vydávajú pravdepodobnostný úsudok o štýle, ktorý sa pri parafrázovaní zhoršuje, systematicky nesprávne klasifikuje nerodilých hovorcov a nemožno ho vysvetliť ani podrobiť krížovému výsluchu, zatiaľ čo zručné alebo ľahko editované používanie nezanecháva vôbec žiadnu stopu. Zotrvanie na ňom napriek tomu obracia bremeno dôkazu (študent je požiadaný dokázať negatív), napína každý prvok procesnej spravodlivosti a dopadá škodou z falošného obvinenia najtvrdšie na už znevýhodnených. Navrhovaná náprava je dvojaká: publikovať dôkazný štandard, podľa ktorého samotný výstup detektora nikdy nezakladá zistenie, s odstupňovanými reakciami, ktoré stavajú vzdelávanie na prvé miesto, a presunúť inštitucionálne úsilie do dizajnu hodnotenia zameraného na platnosť a autentického hodnotenia. Mohamed a Temimi (2026) dodávajú protipól na úrovni mechanizmu zo strany študenta: pretože každé prostredie hodnotenia robí nejakú odpoveď najatraktívnejšou, zákaz necháva skrývanie atraktívnym, keď je overovanie slabé, monitorovanie robí skryté používanie drahším bez toho, aby robilo zverejnenie bezpečným, a len redizajn - zníženie výplaty z externého zadania pri zvýšení hodnoty viditeľného uvažovania - posúva študentov k zodpovednému používaniu. Ich najostrejší výsledok je, že odstrašenie prechádza cez rozlišovaciu schopnosť detektora medzi skrytým používaním a legitímnou prácou, a nie cez jeho mieru záchytu, takže keď falošné pozitíva rastú rýchlejšie než skutočné pozitíva, silnejšie monitorovanie môže urobiť skrývanie relatívne atraktívnejším.

• Povinnosť integrity sa dá prepísať na individuálnu kompetenciu. Naprieč 366 abstraktmi o GenAI vo vysokom školstve sa slovo integrita objavuje 461-krát, ale len 6 zo 166 výrazov povinnosti menuje študentov, takže overovanie a zverejňovanie sa javia ako zručnosti, ktoré sa od študentov očakáva, že ich majú, a nie ako povinnosti, ktoré inštitúcie vynucujú (Poudyal, 2026).

• To, ako preskriptívna je politika integrity, neprezrádza, ako je hodnotenie vystavené. Pri audite 15 587 záznamov jednotiek Villanueva (2026) zistil, že univerzity s celoinštitucionálnymi mandátmi na reformu a univerzity so širokými rámcami sa rozprestierali v tom istom rozsahu vystavenia hodnotenia - empirický protipól koordinačného výkladu toho, prečo vyhlásenia zriedka menia správanie.

Sociálno-emocionálna dimenzia

Presadzovanie integrity má zanedbávaný emocionálny náklad. Výskum hanby a viny so študentmi ukazuje, že tieto emócie regulujú, kedy a ako sa používanie AI stane viditeľným, čo vytvára správanie skrývania a selektívne zverejňovanie - a že koexistujú s pokračujúcim používaním, čo vytvára cykly zníženej agentúry a morálneho napätia namiesto zmeny správania. Preto normy okolo používania AI regulujú viditeľnosť účinnejšie, než regulujú používanie. Študenti dokonca opisujú svoje používanie AI jazykom závislosti. Implikácia: politika ťažká na detekciu a orientovaná na dohľad riskuje, že zatlačí zneužívanie do podzemia, namiesto toho, aby ho adresovala, čím podkopáva úprimné vyjednávanie, ktoré produktívne používanie vyžaduje.

Opakom skrývania je odmietanie a nesie vlastný emocionálny náklad. Spomedzi 85 študentov učiteľstva, ktorých Zou a spol. (2026) skúmali pod politikou hodnotenia, ktorá výslovne povoľovala generatívnu AI, 62,4 % (53) sa ju rozhodlo vôbec nepoužívať a používanie tých, ktorí ju prijali, bolo plytké a korektívne - korektúry (43,8 %) a kontroly zrozumiteľnosti (34,4 %) výrazne prevyšovali generovanie textu (18,8 %) a brainstorming (12,5 %). Strach z nesprávneho obvinenia, a nie technická náročnosť, urobil veľkú časť práce: 41,5 % tých, ktorí ju neprijali, ho menovalo, oproti 13,2 % uvádzajúcim chýbajúce vedomosti alebo zručnosti, zatiaľ čo 77,4 % rámovalo nepoužívanie jednoducho ako preferenciu pracovať samostatne. Keď sa permisívna politika číta ako osídlo, bezpečnou odpoveďou je ponuku odmietnuť - čo inštitúciu stojí práve tú prácu integrujúcu AI, ktorú sa snažila pozvať.

Vyhlásenia o použití AI

Vyhlásenia o použití AI a zverejnení sú konkrétnym mechanizmom, cez ktorý sa očakávania integrity operacionalizujú - a výskum ukazuje, že často zlyhávajú, keď sa s nimi zaobchádza ako s neutrálnymi formulármi zhody. Gonsalves (2025) zistil, že 74 % študentov nezverejnilo používanie AI na povinnom krycom liste k práci, hnaných strachom z postihov, nejednoznačnosťou usmernení, nekonzistentným presadzovaním a rovesníckymi normami. Kirsanov a spol. (2026) a Vetter a spol. (2026) potvrdzujú, že strach z odvety a nejasná politika ochladzujú zverejňovanie - a že transparentní študenti môžu dokonca vzbudiť podozrenie. Chang a spol. (2026) prerámujú zverejňovanie ako správanie hľadania pomoci a samoregulácie, ktoré úzkosť presmerúva k rovesníkom. Kolektívna lekcia: politiky zverejňovania musia adresovať afektívne a sociálne bariéry, byť jasné a konzistentné a zaobchádzať so zverejnením ako s formatívnou pedagogikou, a nie s dohľadom. Luo & Dawson (2026) dodávajú stranu učiteľa v tejto rovnici: známkovanie práce s podporou GenAI zo strany učiteľov je poháňané hodnotovými úsudkami o čestnosti, pracovitosti a dôvere študenta a mnohí učitelia penalizujú (alebo sú v pokušení penalizovať) študentov, ktorí používanie GenAI zverejnia - dokonca aj vtedy, keď je kvalita práce silná. To je problém „obojsmernej transparentnosti": od študentov sa očakáva, že používanie deklarujú, ale učitelia zriedka objasnia, ako toto vyhlásenie ovplyvní známky, takže čestné zverejnenie môže niesť nevyslovenú známkovaciu penalizáciu. Štúdia zakladá problém zverejňovania v hodnotovo nabitej realite známkovania učiteľov a argumentuje, že transparentnosť musí ísť oboma smermi.

Vlastné správy študentov kvantifikujú, ako zle táto správa dopadá. V prieskume 504 študentov sociológie 81 percent uviedlo, že ich vyučujúci alebo asistenti im dali usmernenie o používaní AI, ale len 46 percent označilo tieto inštrukcie za veľmi jasné; 19 percent uviedlo, že nedostali žiadne usmernenie, a ostatní ich opísali prinajlepšom ako čiastočne jasné (Kuznetsov, Sheely & Baker, 2026). Strach zo spáchania akademického priestupku bol druhou najčastejšou obavou študentov (28 percent) - náklad uložený nejednoznačnosťou, a nie presadzovaním, keďže len 3 percentá uviedli, že použili GenAI na generovanie textu zadania, a 2 percentá na vytvorenie celého konceptu. Praktickou implikáciou je, že jasnosť komunikácie je sama o sebe mechanizmom integrity a že študent, ktorý nedokáže rozlíšiť, čo je povolené, nesie riziko, ktoré inštitúcia nikdy nemala v úmysle uložiť.

Povolenie na úrovni kurzu tiež nerieši dilemu zverejňovania. V štúdii Zou a spol. (2026) o 85 študentoch učiteľstva, ktorých hodnotenia výslovne povoľovali generatívnu AI, sa samodeklarácie sčítali na 28 používateľov oproti 32 v anonymnom prieskume a oba zdroje sa rozchádzali v opačných smeroch podľa kurzu - kurz A zaznamenal 14 používateľov v prieskume, ale len 8 deklarácií, zatiaľ čo kurz C obrátil vzorec (8 v prieskume, 12 deklarácií). Autori čítajú túto divergenciu ako známkované dôsledky formujúce to, čo boli študenti ochotní urobiť viditeľným, a pridávajú dôkaz zo študentov učiteľstva, že systém deklarácií meria správanie pri zverejňovaní rovnako ako meria používanie.

Kultúrne a kontextové variácie

Text politiky sa nerovná vnímaniu politiky. Medzinárodný výskum zistil, že napriek funkčne identickým inštitucionálnym politikám študenti na rôznych univerzitách hodnotili tie isté postupy s podporou AI odlišne - vnímanú nesprávnosť riadila kultúra, a nie formulácia politiky. Harmonizácia politiky neprodukuje harmonizáciu vnímania, takže kultúrne rozmanité kohorty interpretujú tie isté pravidlá odlišne, čo je otázka rovnosti pre presadzovanie a známkovanie, ktorá argumentuje za objasňovanie založené na scenároch namiesto abstraktných vyhlásení pravidiel.

Druhou osou variácie je jazykové zázemie, a nie kultúra. Li (2026) argumentuje, že pretože to isté rozhranie vykonáva povolené jazykové editovanie aj zakázané podstatné písanie konceptov, pravidlá integrity, ktoré zaobchádzajú s GenAI ako s jednou kategóriou nepovolanej pomoci, premieňajú jazykovú nevýhodu na riziko integrity: úplný zákaz odstraňuje škálovateľnú formu jazykovej podpory, režim povoliť ale zverejniť nakladá prácu so zhodou na študentov používajúcich angličtinu ako ďalší jazyk, ktorých používanie je častejšie a iteratívnejšie, a zákazy editovania nad rámec menších zmien koncentrujú podozrenie na pisateľov, ktorých plynulosť sa posunula najviac. Hranica, ktorú Li navrhuje, je založená na účele, a nie na nástroji - povolená podpora nepridáva žiadne nové myšlienky, žiadne nové zdroje a žiadne podstatné preusporiadanie analýzy, zatiaľ čo substitúcia vytvára alebo podstatne pretvára intelektuálnu prácu, ktorá sa hodnotí - a je ukotvená v konštrukte hodnotenia, pretože rubriky, ktoré udeľujú body za plynulosť a idiomatický prejav, zavádzajú konštruktovo irelevantnú varianciu pre pisateľov používajúcich angličtinu ako ďalší jazyk (Assessment Validity). Rámec degraduje výstup detektora na triážny signál, ktorý zriedka predstavuje dôkaz, uprednostňuje trianguláciu cez stupňované odovzdania, histórie konceptov, overiteľné stopy zdrojov a krátky rozhovor zladený s konštruktom a kalibruje zverejnenie tak, aby rutinná podpora nenesla náklady na zhodu prevyšujúce tie, ktoré nesú monolingválni rovesníci.

Od policajného dohľadu k pedagogike

Vedomostná báza dokumentuje paradigmatický posun: od AI ako hrozby integrity, ktorú treba strážiť, k AI ako nástroju, ktorého vhodné používanie treba vyučovať. Toto je etická dimenzia AI gramotnosti a je vtelená v praktickom dizajne:

• Deklarácie používania AI špecifické pre úlohu: Rámce deklarácií špecifických pre doménu nahrádzajú generické zaškrtávacie políčka „použil som AI" štruktúrovanými deklaráciami, ktoré mapujú používanie na kognitívne fázy (napríklad štrukturálne plánovanie verzus generovanie obsahu), čím vynucujú reflexiu a presúvajú ťažisko od dohľadu k profesijnej praxi.

• Hodnotenie s transparentným procesom: architektúry ako kognitívne správcovstvo, stupňované odovzdania, ústne obhajoby a AI Viva (konverzačný agent skúmajúci, či študenti rozumejú svojim odovzdaniam) robia ľudský úsudok, overovanie a zodpovednosť viditeľnými. Miles, Haber-Curran a Arar (2026) posúvajú tú istú logiku až k samotnému promptu: ich vzorová rubrika známkuje iteratívne zjemňovanie, kritickú interpretáciu výstupu a reflektívnu revíziu, takže sa hodnotí angažovanosť študenta s nástrojom, a nie artefakt, ktorý vytvoril, a argumentujú, že výučba študentov len optimalizovať výstup necháva etické a epistemologické dimenzie používania nedotknuté.

• Znižovanie zneužívania: integrita stojí vedľa zneužívania AI a škody na učení (náklad zneužívania na učenie) a znižovania zneužívania AI (intervencie, ktoré mu predchádzajú), čím spája čestnosť so skutočným učením, a nie s dodržiavaním pravidiel.

• Transparentnosť ako stratégia integrity, nielen zdvorilosť: dizajnový prípad McCorklea (2025) považuje odôvodnenie každého povoleného alebo nepovoleného použitia GenAI za samotný mechanizmus integrity. Študenti interviewovaní po tom, ako ignorovali zákazovú politiku, vysvetlili, že sa nepovažovali za nečestne sa správajúcich, čo prerámuje zlyhanie ako nejednoznačnosť, a nie ako nedodržanie - takže redizajn na to odpovedal tým, že odôvodnil každé obmedzenie konkrétnym hodnotením, ktoré chráni, a tým, že navrhoval pre McCabeovu „20-60-20" presvedčiteľnú strednú časť, a nie pre rozhodnutú menšinu. Prípad tiež pomenúva náklad nejasnej politiky na rovnosť: očakávania, ktoré sú nejasné a nerovnomerné naprieč vyučujúcimi, sú tým, čo premieňa zlyhanie politiky na disciplinárne konanie (Equity).

• Dizajn, nie detekcia: bochumský prípad. Redizajn úvodnej jadrovej a časticovej fyziky na Ruhr University Bochum (Mikhasenko a spol., 2026) spojil svoju politiku AI s praktickým zlyhaním integrity, a nie s detekciou: pretože cvičné úlohy boli zverejnené vopred, niektorí študenti si pripravili riešenia generované AI a skopírovali ich na tabuľu bez angažovania sa v zamýšľanom uvažovaní. Autori to považujú za problém dizajnu - presun cvičných úloh do pripravenej diskusie v triede a ustanovenie písomnej skúšky ako určujúceho faktora známky - a nie za problém dohľadu, pričom výslovne povoľujú AI pri štúdiu, vysvetľujú, prečo je overovanie zodpovednosťou študenta, a poznamenávajú, že otvorené domáce úlohy s povolenou AI tiež zvýšili závislosť, nerovnomerný prístup k plateným modelom a pracovné zaťaženie asistentov.

Najjasnejšie vyjadrenie pedagogickej inverzie prichádza od El Khouryho a Ma (2026), ktorí argumentujú, že reforma vychádzajúca z podozrenia zužuje vzdelávaciu imagináciu na kontrolu, zhodu a dohľad a že integrita má byť dôsledkom hodnotenia navrhnutého pre angažovanosť, a nie jeho východiskom. Ich podporné pozorovanie je mechanizmus, ktorý je už viditeľný inde v tejto vedomostnej báze: neangažovanosť je jednou z podmienok, za ktorých sa nečestnosť stáva pravdepodobnejšou, takže programy, ktoré záťažovo testujú hodnotenia alebo obmedzujú používanie AI bez adresovania angažovanosti, nechávajú časť problému nedotknutú.

Študenti mimo anglofónneho vysokého školstva opisujú to isté napätie po svojom. Mulisa a Mezgebu (2026) interviewovali 27 bakalárov na etiópskej univerzite a zistili, že študentská obec je rozdelená proti sebe: takmer všetci používali GenAI alebo sledovali, ako ju používajú spolužiaci, väčšina jej pripisovala zlepšenie svojich akademických výsledkov, malá menšina označila takéto používanie za priame nekalé konanie a takmer každý opísal nerovné hracie pole, v ktorom práca s podporou AI získavala lepšie známky než čestné úsilie, zatiaľ čo samostatne pracujúci stratili pocit pracovitosti. Najostrejším znakom opisu je definícia plagiátorstva zo strany študentov, ktorá je technicky obhájiteľná a neúplná - ak plagiátorstvo znamená reprodukovanie cudzích slov, strojom napísaný text, ktorý nič nekopíruje, plagiátorstvom nie je - a preto autori argumentujú, že definícia sa musí rozšíriť za kopírovanie a vkladanie, podľa „AI-plagiátorstva" Ka a Chana (2025), a preto stavajú vlastné presvedčenia študentov, nielen inštitucionálne pravidlá, do centra etického používania.

Sharma (2026) posúva pedagogickú inverziu o krok ďalej tým, že rozširuje Eatonov rámec postplagiátorstva z etickej orientácie do dizajnu hodnotenia. Integrita sa v tomto výklade uskutočňuje cez evaluatívny úsudok - schopnosť študenta vážiť možnosti, odôvodniť akademické voľby a prevziať zodpovednosť v epistemickej neistote - a stáva sa viditeľnou cez štyri postupy: anotované stopy rozhodnutí, postupy overovania a zodpovednosti, ústnu obhajobu a dialogickú zodpovednosť a rozdiely medzi konceptmi s históriou verzií. Detekcia sa zachováva len ako doplnková vrstva pre jasné skreslenie alebo zámerné externé zadanie intelektuálnej práce, nikdy ako primárna infraštruktúra integrity, pretože sa pýta, či bola GenAI použitá, a nie ako sa robili rozhodnutia za prácou; argument tiež pomenúva riziko pre rovnosť, že modely sústredené na detekciu dopadajú najtvrdšie na študentov, ktorí sa spoliehajú na generatívne nástroje pre jazykové alebo kognitívne podporné lešenie.

Tretia cesta sedí medzi detekciou a redizajnom. Akçapınar (2026) predpovedá riziko podvádzania s podporou AI zo stôp LMS z rannej fázy semestra s AUC 0,763 a výstup rámuje ako nízkostávkové akademické usmernenie - pripomienky, nadväzovanie na zadania, krátke kontrolné rozhovory - a nie ako dôkaz nekalého konania, pričom trvá na tom, aby skóre zostalo oddelené od známkovania a disciplinárnych záznamov.

Prepojenia

Akademická integrita sa spája s Assessment Validity, AI gramotnosť, AI Detection, Authentic Assessment, Assessment, Educational AI Policy, AI Regulation in Education, Ethics a Equity. Je etickou dimenziou AI vo vzdelávaní, neoddeliteľnou od nadmernej závislosti a širšej otázky, ako Generative AI pretvára učenie vo vysokom školstve a K-12.

• Syntéza systematického prehľadu. PRISMA prehľad 25 štúdií (Balalle & Pannilage 2025) zisťuje, že AI pôsobí ako hrozba (písanie generované AI, nástroje na parafrázovanie) aj ako detekčný nástroj (skóre Turnitin AI), že detekčný softvér je pri práci generovanej AI nespoľahlivý a že inštitúcie musia budovať kultúru akademickej integrity cez jasnú politiku, redizajn hodnotenia a etický tréning, a nie len cez dohľad.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Integrita je ústrednou obavou, ale zriedkavým výsledkom. Naprieč 394 štúdiami o GenAI vo vysokom školstve patrili akademická integrita a etika medzi výsledky cielene najzriedkavejšie (Lin a spol. (2026)).

• Od dohľadu k dialógu: overovanie učenia. Praktický opis celoinštitucionálneho rámca Grand Canyon University (Mandernach 2026) argumentuje, že detekcia je nespoľahlivá a formálne procesy integrity zriedka dospejú k rozuzleniu, čo pedagógom necháva „podozrenie bez prostriedku nápravy". GCU namiesto toho prijala overovanie učenia - žiadosť, aby študenti preukázali porozumenie svojej odovzdanej práci v krátkom rozhovore - čím prerámovala integritu z problému zhody na problém hodnotenia. Obnovuje to autoritu pedagógov, posúva študentov z „ako sa nenechať chytiť" k skutočnej angažovanosti a považuje používanie AI za prijateľné, keď študent dokáže preukázať učenie; počiatočná úzkosť študentov z overovania zdôrazňuje, že politika ťažká na dohľad môže narušiť dôveru.

• GenAI poráža automaticky známkovateľné domáce úlohy (2026): ChatGPT prešiel všetkých 150 testovacích sedení na zámerne spevnených, automaticky známkovateľných návrhoch domácich úloh z Qiskit (kvantové počítanie) - personalizácia, skryté odkazy, reflexie, spúšťanie v simulátore - čo ukazuje, že hodnotitelia založení na rubrikách nedokážu spoľahlivo odlíšiť prácu dokončenú AI od práce dokončenej študentom, a argumentuje za priame hodnotenie porozumenia (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Hodnotenie v ére AI - výstup ako dôkaz (2026): analýza na univerzitnej úrovni argumentuje, že kríza hodnotenia v ére AI je nezladenosť medzi dizajnom hodnotenia a výsledkami učenia, a nielen nečestnosť; dokumentuje škody z dohľadu (uzamknuté prehliadače, sledovanie očí), „pascu zverejnenia" (študenti sa boja, že deklarovanie používania AI zníži známky), výkonnostnú medzeru, ktorá známkuje socioekonomický status (platené verzus bezplatné úrovne LLM), a „pedagogické vyhorenie" medzi pedagógmi strážiacimi AI - a odporúča hodnotenie založené na procese pred detekciou (Evaluation in the Age of AI: Output as Evidence of Learning).

Novšie dôkazy: etické uvažovanie, limity detekcie, marketing AI a duchovskí študenti

Vlna nedávneho výskumu zostruje obraz akademickej integrity v ére generatívnej AI:

• Stredoškoláci uvažujú o „AI-plagiátorstve" situačne, nie ako o pevnom pravidle. Chan (2026) ukazuje, že etické uvažovanie stredoškolákov o „AI-plagiátorstve" je nuansované a závislé od kontextu - mnohí považujú prácu s podporou AI za prijateľnú, keď podporuje porozumenie, ale za problematickú, keď nahrádza ich vlastné úsilie - čím spochybňuje predpoklad, že študentom jednoducho chýba integrita alebo že jediná politika dokáže zachytiť ich etiku.

• Samotné autentické hodnotenia nedokážu ochrániť integritu. Kofinas a spol. (2025) zisťujú, že hodnotitelia vo všeobecnosti nedokážu rozlíšiť hodnotenia s príspevkom GenAI od tých bez neho a že úroveň autentickosti hodnotenia nemá žiadny vplyv na schopnosť ochrániť sa pred používaním GenAI alebo ho odhaliť. Sektor vysokého školstva „sa nemôže spoliehať len na autentické hodnotenia pri kontrole dopadu GenAI" - čo je priama výzva stratégii redizajnu hodnotenia, ktorá musí byť spojená s ďalšími opatreniami.

• Usmernenia k integrite sa musia rozšíriť do výskumného procesu, nielen do výučby. Dai & Chan (2026) zisťujú, že doktorandi uskutočňujú AI gramotnosť naprieč výskumnými úlohami, a argumentujú, že politiky zodpovedného používania, ktoré sa teraz sústreďujú na výučbu a hodnotenie, musia podoprieť etické dimenzie používania GenAI vo výskume - kde sa obavy sústreďujú na originalitu, autorstvo, súkromie dát a degradáciu zručností, a nie len na plagiátorstvo.

• Účel musí predchádzať politike. Taylor & LaCroix (2026) argumentujú, že to, či používanie GenAI predstavuje nekalé konanie, závisí od účelu univerzity. Rastúce prípady nekalého konania odrážajú štrukturálnu nekoherentnosť neoliberálnej univerzity, kde sa technologické nadšenie, korporátny vplyv a presadzovanie politiky dostávajú do konfliktu - a študenti zostávajú zodpovední za správanie, ktoré inštitúcia implicitne formovala. Univerzity nemôžu kredibilne presadzovať integritu bez koherencie medzi deklarovanou misiou, pedagogikou a technologickou praxou.

• Psychologické a behaviorálne determinanty. Výskum Frontiers mapuje psychologické mechanizmy a behaviorálne determinanty akademickej integrity pod vplyvom AI - ako postoje, sebaúčinnosť, normy a vnímané dôsledky formujú čestné používanie - a spája integritu s motiváciou, sebaúčinnosťou a AI gramotnosťou ako behaviorálnymi konštruktmi, a nie čistým dodržiavaním pravidiel. Tabares-Cruz a spol. (2026) ich kvantifikujú v SEM na 980 ekvádorských univerzitných študentoch, pričom na prvé miesto radia dispozície akademickej integrity a transparentnosti, nasledované AI gramotnosťou, kritickým overovaním, inštitucionálnym usmernením, samoreguláciou a ochranou dát - pričom dispozície integrity a AI gramotnosť spolu vysvetľujú podstatný podiel etického používania GenAI a prekonávajú samotné inštitucionálne pravidlá.

• Marketing AI normalizuje používanie a rámuje „podvádzanie verzus súťaženie". Sobo a spol. (2025) ukazujú, že AI sa študentom predáva ako praktická nevyhnutnosť („Nechajte svoj text znieť prirodzenejšie, aby ste sa vyhli omylom označeniu"), a študenti cítia povinnosť osvojiť si ju, aby zostali konkurencieschopní, aj keď sa obávajú závislosti a straty učenia - internalizovaný podnikateľský imperatív. To poukazuje na potrebu marketingovej gramotnosti ako súčasti vzdelávania o integrite AI.

• AI humanizéry odhaľujú performatívny cyklus detekcie. Roe a spol. (2026) katalogizujú 55 webových stránok AI-humanizérov, ktoré menia text generovaný AI, aby unikol detekcii, rámcovaných cez Goffmanovu dramaturgiu. Humanizéry robia nekalé konanie diskurzívne neprítomným a predvádzajú legitimitu, čo ukazuje, že preteky v zbrojení detekcia verzus obchádzanie sú štrukturálne nekonečné - a posilňuje posun od dohľadu k dizajnu hodnotenia a AI gramotnosti.

• Presadzovanie, nie detekcia, je miesto, kde rozhovor žije. Naprieč 270 929 záznamami súvisiacimi s AI z 26 vzdelávacích subredditov za tri a pol roka držal zhluk akademickej integrity 37,1 % diskusie a Presadzovanie nekalého konania bolo jedinou najväčšou témou s 12,1 %, zatiaľ čo 32,3 % vlákien medzi pedagógmi a študentmi sedelo v sporoch o detekciu a presadzovanie (Yüce a spol. (2026)).

• Duchovskí študenti a medzera v overovaní pri agentickej AI. Bozkurt, Crompton & Fell Kurban (2026) zavádzajú „duchovského študenta": digitálnu náhradu vytvorenú spojením LLM („mysľ") s agentickými prehliadačmi AI („telo"), ktorá dokáže navigovať LMS, pracovať s obsahom a dokončiť hodnotenia s ľudsky podobným napodobňovaním, čím sa prítomnosť skutočného študenta stáva voliteľnou. To vytvára medzeru v overovaní, ktorú tradičný dohľad a detekcia štrukturálne nedokážu uzavrieť - hrozbu integrity, ktorá rastie, ako sa AI stáva agentickou, a nie len generatívnou.

Najjasnejší disciplinárny argument pre redizajn namiesto detekcie prichádza zo vzdelávania v informatike. Systematický prehľad 72 štúdií o generatívnej AI v informatike a programátorskom vzdelávaní (Kumar, Wongsirichot a Nanthaamornphong 2026) našiel len tri štúdie skúmajúce mechanizmy detekcie AI - najtenšiu dôkazovú základňu zo 14 tém, ktoré konsolidoval - zatiaľ čo redizajn kurzov a hodnotenia podporilo 25 štúdií. Prehľad považuje túto nerovnováhu za diagnostickú, a nie náhodnú: inštitúcie z väčšej časti aktualizovali politické dokumenty bez redizajnu hodnotení a väčšina vyučujúcich sedí na úrovni tolerancie, a nie transformácie integrácie, pričom 70 % jedného národného vzorku akademických pracovníkov výslovne žiadalo školenie o dizajne hodnotenia odolného voči AI. Jeho odporúčaná odpoveď je konkrétna: pridať ústnu zložku alebo iný prvok viditeľného procesu aspoň do jedného vysokostávkového hodnotenia v každom kurze a urobiť kritickú prácu s výstupom AI (čítanie, testovanie, úprava, vysvetľovanie, kritika) známkovanou, pozorovateľnou zložkou študentskej práce namiesto ašpirácie ponechanej na uvážení študenta (Assessment Validity). PRISMA prehľad 72 štúdií o hodnotení vo vysokom školstve zisťuje tri dizajnové odpovede, ktoré sa opakujú v reakcii na GenAI - orientácia na proces, autentickosť a ústne a dialogické prístupy - rámcované ako vrstvenie na existujúce princípy platnosti, autentickosti a zladenia, a nie ako ich nahradenie (Crompton a Burke (2026)).

• Vymyslené odkazy dosiahli publikovaný záznam vzdelávania v informatike. Denny a spol. (2026) vystopovali 113 588 odkazov z 5 225 prác o vzdelávaní v informatike v ACM Digital Library proti celému korpusu 723 930 publikácií a 15 872 533 odkazov, manuálne overili 828 podozrivých záznamov a potvrdili 30 odkazov s overiteľne vymyslenými bibliografickými informáciami v 14 prácach, všetkých publikovaných v roku 2025 alebo 2026. Na SIGCSE Technical Symposium overený počet stúpol z 3 v roku 2025 na 17 v roku 2026, čo sedí v 2,3 % prác zborníka 2026, a halucinované odkazy sa objavili v piatich podujatiach sponzorovaných SIGCSE alebo v spolupráci v roku 2025. Číslo je celistvé len so svojím protiváhou: väčšina označených odkazov bola neškodná - 229 boli nezhody metadát ACM, kde bol PDF správny, a 188 boli platné bibliografické varianty - takže údaj o podujatí je zámernou dolnou hranicou. Dopadá na autorov, nielen na hodnotenie medzi študentmi, pretože recenzenti kontrolujúci zoznamy odkazov nedokážu overiť každú položku a písanie konceptov s podporou LLM robí vymyslenú, ale uveriteľnú citáciu lacnou na vytvorenie.

• Jasnosť bez redizajnu posúva zneužívanie nabok, namiesto toho, aby ho odstraňovala. Petricini & Zipf (2026) umiestňujú používanie AI na dve osi - zámer a úsilie študentov proti jasnosti a podpore, ktorú poskytuje prostredie - a uvádzajú, že najzaplnenejším kvadrantom v ich interviewových dátach bola úzkostlivá zhoda, kde študenti skrývajú legitímnu pomoc (gramatickú podporu, vysvetlenia konceptov, organizovanie vlastných myšlienok), aby sa vyhli falošnému obvineniu. Ich varovanie je smerové: tam, kde sa pravidlá stanú jasnými, ale hodnotenie stále odmeňuje rýchlosť a produkt, študenti uvedomujúci si politiku prechádzajú k efektívnemu obchádzaniu, a nie k cnostnému používaniu nástroja. Austin (2026) dosahuje to isté miesto zo strany zadania - keď agenti splnia každé kritérium rubriky bez viditeľného uvažovania, známkovanie stopy rozhodnutí (kalibrácia istoty, odmietnuté návrhy AI, obmedzenia špecifické pre kurz) nahrádza detekciu, ktorá, ako poznamenáva, zlyháva oboma smermi.

• Zamestnávatelia diskontujú známky, o ktorých si myslia, že ich vytvorila AI - a zhodujú sa na overovaní naživo. V prieskumnom experimente s približne 1 750 americkými náborovými profesionálmi Boyd-Swan & Reynolds (2026) ukazujú, že rámovanie používania AI študentmi ako asistenčného nástroja nechalo uchádzačov nepenalizovaných, zatiaľ čo rámovanie ako substitúcie študentského úsilia a schopnosti znížilo pravdepodobnosť pozvania na pohovor a - ešte výraznejšie - ochotu vyjednávať o plate, koncentrovane medzi uchádzačmi s vysokým GPA bez ohľadu na rasu a pohlavie. Na otázku, čo by zmiernilo obavy, obe skupiny s rovnakým rámovaním zvolili len jeden spoločný prostriedok: testy naživo. Experiment izoluje presvedčenie (a nie skutočné používanie AI), takže ukazuje, ako samotný signalizačný kanál posúva výsledky náboru - skorý dôkaz, že trhy práce môžu tlačiť hodnotenie späť k formátom overiteľným prítomnosťou, teda rovnakým dizajnovým smerom, ktorý literatúra o duchovských študentoch nalieha, aby inštitúcie prijali.

Prvá štúdia teórie plánovaného správania o zámere nekalého konania založeného na GAIT rozširuje tento obraz: medzi 186 bakalármi Baig a Paparo (2026) zistili, že postoje k nekalému konaniu, subjektívne normy o ňom a pozitívne postoje k AI každý predpovedali zámer, zatiaľ čo negatívne postoje k AI nie, a vyššia vnímaná pravdepodobnosť odhalenia predpovedala nižší zámer - odstrašenie podkopané dokumentovanou nespoľahlivosťou nástrojov na detekciu AI.

Politiky integrity sa posúvajú od toho, kto napísal slová, k tomu, kto mal myšlienky, a detektory sa prestavujú, aby tomu zodpovedali. IdeaLens predpovedá pôvod myšlienok z osnovy, a nie z prózy: na 50 príbehoch, ktoré ľudia napísali od nuly podľa plánov generovaných AI, označil 68 % ako AI, oproti 8 % pre Pangram 4 a 0 % pre jeho kontrolu trénovanú na próze, a označil 94,7 % ľudského textu vylešteného AI za ľudský (Rajendhran a spol. (2026)). Jeho vlastné etické vyhlásenie nazýva výstup štatistickým odhadom, ktorý sa nesmie sám o sebe použiť ako presvedčivý dôkaz používania AI.

Gillette a spol. (2026) dokumentujú režim zvnútra jednej fakulty: učitelia, ktorí zmenili formáty hodnotenia, hovorili, že je „prakticky nemožné povedať, či študent použil AI pri písaní zadaní", zatiaľ čo rozhnevaní študenti žiadali odvolávanie sa na svedomie a „verejné pokarhanie", a nie detekciu.

• Lepšie snímanie nemení to, čo hodnotenie dokáže certifikovať. Systém dohľadu pri skúškach s odhadom pózy YOLOv11 hlásiaci 99,56 % presnosť klasifikácie ilustruje limit detekčnej cesty: meria postoj voči behaviorálnemu označeniu, neuvádza žiadnu základnú pravdu o nekalom konaní a neponúka žiadnu analýzu podskupín (Arif a spol., 2026). Náprava, za ktorú Villanueva argumentuje, je dostatočný dôkaz učenia v kľúčových fázach, nie maximálny dohľad nad každým odovzdaním.

Časté mylné predstavy

• „Detekčné nástroje identifikujú písanie AI." Text generovaný AI prešiel ako ľudský autorský v až 80 % prípadov, zatiaľ čo dôkazy pre detekciu stavajú strojovú detekciu na približne 80 % oproti 78,4 % u ľudských posudzovateľov. Ľudský a strojový úsudok sú takmer rovnako (ne)spoľahlivé, takže verdikt detektora nie je dôkazom autorstva.
• „Problém je marginálny." Objem zďaleka nie je: šesťročná analýza kurzu CS2 s veľkou zápisovou základňou zistila 45,7 % študentov na jar 2026 označených. Takmer polovica kohorty, čo z toho robí mainstreamový dizajnový problém, a nie okrajový prípad.
• „Vyučujúci vedia, ktoré hodnotenia sú zraniteľné." Na katedre biológie vyučujúci vnímali ako minimálne zraniteľné len osobné skúšky pod dohľadom, zatiaľ čo zadania mimo triedy považovali za vystavené. Vnímanie zodpovedalo zjavnému prípadu a všetko ostatné považovalo za bezpečné.

Prepojené koncepty

• Pedagogical Patterns - overovacie sekvencie prijaté v reakcii na generatívnu AI
• AI Use and Disclosure Statements - vyhlásenia o použití AI a zverejnení
• Assessment Validity
• AI gramotnosť
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Kognitívne odľahčenie
• AI Misuse and Learning Harm
• Znižovanie zneužívania AI
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• AI vo vzdelávaní
• Legal Issues and Risks
• Social Norms of AI Use - neformálne pravidlá, ktoré stoja pod formálnou politikou

Prepojené články

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Celý psychologický program priechodný pri minimálnom úsilí a kritériá známkovania, ktoré to pustili (Ivory a spol. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Študenti učiteľstva odmietli GenAI pod permisívnou politikou; rámovanie ako „osídlo" a medzera medzi prieskumom a deklaráciou

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Agenti AI, radostné hodnotenie a tretí priestor

• Generative AI in computing education: A systematic review and a framework for responsible integration — Dôkazy o detekcii sú tenké (3 štúdie zo 72); váhu nesie redizajn

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Zladená politika kurzu pre GenAI: povolenia odvodené z hodnotenia, transparentné odôvodnenie (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Generovanie konštruktovo ekvivalentných variantov hodnotenia (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Ako vyučujúci regulujú AI naprieč 31 000 sylabmi kurzov; rámovanie integrity klesá (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 — Dajú sa podvádzaním získať titul z biológie? Prípadová štúdia zraniteľnosti známok z biologických kurzov voči akademickej nečestnosti v ére generatívnej AI

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Nedodržiavanie deklarácií o použití AI zo strany študentov

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Detekcia textu generovaného LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Za hranicou detekcie: autentické hodnotenie v svete sprostredkovanom AI

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Škála hodnotenia AI a reforma hodnotenia

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Od autentických produktov k autentifikovaným procesom

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — „Je to v poriadku, pretože…" Racionalizácia používania AI zo strany študentov

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Rámec koordinačnej hry pre etické používanie AI

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Hanba a vina ako sociálni regulátori používania AI

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Urobila Alice niečo zlé? Medzikultúrne vnímanie používania AI

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Hodnotové úsudky pri známkovaní práce s podporou GenAI: čestnosť, dôvera, platnosť a obojsmerná transparentnosť (Luo & Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Rovesnícka zodpovednosť a originalita v skupinovom hodnotení sprostredkovanom GenAI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Dôkazný kolaps detekcie a argument pre procesnú spravodlivosť, proporcionalitu a dizajn

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Odstrašenie, zverejnenie a redizajn ako problém dizajnu hodnotenia pri nedokonalých informáciách

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — O čo sa skutočne opieralo 1 162 spisov o nekalom konaní s GenAI a chýbajúca dôkazná hranica

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Príliš široké pravidlá AI a rozlíšenie medzi transkripciou a generovaním

• AI-based digital cheating at university, and the case for new ethical pedagogies — Digitálne podvádzanie s AI a preventívne etické pedagogiky: prípad 183 na 27 prípadov nekalého konania a päť redizajnov špecifických pre disciplínu (Leaton Gray, Edsall & Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Integrita ako problém riadenia: rámec 130 indikátorov pre akademických správcov (Coates, Croucher & Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Scopingový prehľad 38 štúdií hlasov študentov vysokých škôl o akademickej integrite a GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Kde viesť hranicu medzi podporou a substitúciou pre pisateľov používajúcich angličtinu ako ďalší jazyk a nespravodlivosť pravidiel, ktoré ignorujú jazykové zázemie (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection proti známkovaniu sprostredkovanému AI: skryté inštrukcie, ktoré menia známku bez odhalenia (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Matrica etiky používania AI: úzkostlivá zhoda a prečo samotná jasnosť môže študentov zatlačiť k efektívnemu obchádzaniu (Petricini & Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Známkovanie stopy uvažovania, keď agenti AI dokážu splniť zadanie (Austin 2026)

• AI-written admissions essays are widespread but penalized — Eseje prijímacieho konania napísané AI sú rozšírené, ale penalizované

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Kto koná, kto vie, kto odpovedá? Korpusová diskurzívna analýza agentúry, epistemickej zodpovednosti a zodpovedania sa vo výskume generatívnej AI vo vysokom školstve

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapovanie autorizovanej hranice: komparatívna štúdia politík a viniet o riadení generatívnej AI v austrálskom vysokom školstve

• Argus: Academic Integrity in the Era of Generative AI — Argus: akademická integrita v ére generatívnej AI

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Sektorový audit: univerzity s mandátom a s rámcom nevykazujú rozdiel vo vystavení hodnotenia, empirický protipól koordinačného problému

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) - Skorá predikcia rizika podvádzania s podporou AI zo stôp LMS, rámcovaná ako akademické usmernenie, a nie ako dôkaz nekalého konania

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Tri a pol roka vzdelávacieho Redditu: dominuje presadzovanie a spory o integritu sú hlavnou scénou medzi pedagógmi a študentmi (Yüce a spol. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Prieskumný experiment: rámovanie používania AI študentmi ako substitúcie penalizuje uchádzačov s vysokým GPA pri nábore a plate; testy naživo sú jediným prostriedkom, ktorý zvolili obe skupiny

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: k ľudsky čitateľnému, pre stroje odolnému čítaciemu rozhraniu