Znižovanie zneužívania AI

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

Znižovanie zneužívania AI - dizajnové, pedagogické a politické páky, ktoré bránia študentom nahradiť generatívnou AI vlastnú kognitívnu prácu a namiesto toho ich vedú k etickému, produktívnemu používaniu. Účinné prístupy sú zoradené podľa dopadu, a nie podľa popularity, a najsilnejšie dôkazy uprednostňujú štrukturálne páky - zábrany nástrojov a redizajn hodnotenia - ktoré menia prostredie tak, že zneužívanie je ťažšie, bez ohľadu na motiváciu študenta, pred vzdelávacími pákami, ktoré sa spoliehajú na budovanie trvalej kapacity a súhlasu študentov.

Otázky na zamyslenie

• Študentom, ktorí zadajú domáce úlohy AI, môžu skóre z domácich úloh stúpnuť, zatiaľ čo skóre z písomnej skúšky bez pomôcok klesne. Prečo sa výkon a učenie môžu tak ostro rozísť - a čo táto medzera naznačuje o tom, čo „úspech" s AI vlastne znamená?
• Stránka radí intervencie podľa kauzálnych dôkazov a dosahu a stavia štrukturálne páky (zábrany nástrojov, redizajn hodnotenia) nad vzdelávacie (výučba správnej praxe) - práve preto, že štrukturálne páky fungujú bez ohľadu na motiváciu študenta. Súhlasíte, že zmena prostredia je lepšia než zmena myslí? Aké je riziko spoliehania sa na každú z nich?
• Tutor so zábranou „nápoveda, nie odpoveď" odstránil škodu na učení, ktorú spôsobil tutor bez zábrany, hoci oba pôsobili užitočne. Spomeňte si na učebný nástroj, ktorý ste videli dávať odpovede príliš ochotne. Kde je hranica medzi nápovedou, ktorá podopiera, a odpoveďou, ktorá nahrádza - a dokážete ju vymedziť ešte pred čítaním?
• Najsilnejšia náprava zahŕňa redizajn hodnotenia: skúšky v triede bez pomôcok, ústne obhajoby, procesné artefakty, odmeňovanie uvažovania namiesto povrchovej plynulosti. Ako by ste sa cítili v kurze známkovanom týmto spôsobom a hovorí vám tento pocit niečo o tom, prečo je táto páka účinná a zároveň nepopulárna?
• Rámce deklarácií AI, ktoré nútia študentov mapovať svoje používanie na kognitívne fázy (plánovanie verzus generovanie obsahu), presúvajú dôraz od dohľadu k profesijnej praxi. Myslíte si, že takáto reflexia skutočne buduje lepší úsudok, alebo len učí študentov opisovať zneužívanie šikovnejšie?
• Stanovte si cieľ pred čítaním: identifikujte jednu konkrétnu zmenu vo vlastnom kurze alebo pracovnom postupe, ktorá by urobila zneužívanie AI ťažším, a jednu, ktorá by urobila produktívne používanie ľahším. Do ktorej z úrovní na tejto stránke by každá patrila?

Úvod

Koncept stojí na dôkaze, že zneužívanie AI aktívne škodí trvalému učeniu - medzera medzi výkonom a učením dokumentovaná v zneužívaní AI a škode na učení - aj keď nafukuje okamžitý výkon. Intervencie preto cielia na mechanizmy tejto škody: kopírovanie odpovedí, kognitívne odľahčenie, eróziu motivácie a vytláčanie učenia. Nie sú vzájomne vylučujúce; robustný prístup kombinuje štrukturálnu podlahu s budovaním vzdelávacej kapacity.

Prečo záležia štrukturálne páky najviac

Intervencie možno zoradiť podľa kauzálnych dôkazov × štrukturálneho dosahu × škálovateľnosti × udržateľnosti. Na tomto základe sa dve štrukturálne páky radia najvyššie, pretože fungujú bez ohľadu na to, či si študenti zvolia správne správanie - obmedzujú prostredie, namiesto toho, aby záviseli od internej motivácie. Vzdelávacie páky sú nevyhnutné, ale účinné len vtedy, keď ich študenti prijmú, takže sa napriek ich koncepčnému prísľubu považujú za druhú úroveň. Coates, Croucher a Calderon (2025) posúvajú štrukturálny argument o úroveň vyššie, keď považujú riadenie, a nie správanie študentov, za zväzujúce obmedzenie, a navrhujú rámec 130 indikátorov integrity, aby akademickí správcovia videli, či je hodnotenie autentické, či študentov jednotlivo poznajú učitelia, ktorí ich hodnotia, a či sa integrita objavuje v uvádzaní a orientácii. Ich reformy cielia na architektúry riadenia, ľudí a technológie a zdroje a navrhujú požičať si red teaming z kybernetickej bezpečnosti, aby odhalili zraniteľnosti hodnotenia skôr, než ich nájdu študenti - pripomienka, že štrukturálnu podlahu udržiavajú inštitúcie, ktoré potrebujú informácie aj vôľu ju udržiavať.

Úroveň 1 - Priamo preukázané zníženie škody na učení

Dizajn nástroja AI so zábranami („nápoveda, nie odpoveď" podporné lešenie). V najsilnejšom kauzálnom zistení vo vedomostnej báze terénny RCT ukázal, že tutor v štýle ChatGPT bez zábran zvýšil výkon v asistovanom cvičení o +48 %, ale znížil skóre neasistovanej skúšky o −17 %, zatiaľ čo tutor so zábranami (nápovedy namiesto odpovedí, plus učiteľom napísané informácie o úlohe) škodu úplne odstránil. To mechanicky zabraňuje správaniu „barle" kopírovania odpovedí, ktoré stojí za škodou. Aktivity zahŕňajú tutorovanie s nápovedou namiesto odpovede, seedovanie promptov správnymi riešeniami a bežnými mylnými predstavami a požiadavku, aby študent najprv skúsil úlohu, než sa výstup AI odhalí.

Zadržanie odpovede chráni v rámci sedenia bez budovania zručnosti. Tuo a spol. (2026) zadržali agregovaný postoj v multiagentovej debate a znížili prepínanie na nesprávny postoj AI zo 42-60,5 % na 5,7-8,2 %, ale nenašli žiadny učebný efekt v rámci sedenia (β = 0,03, p = 0,18) - zábrana držala, kým bola na mieste, a nechala neasistovaný úsudok nezmenený.

Redizajn hodnotenia (opatrenia odolné voči AI a neasistované). Pretože škoda zo zneužívania závisí od hodnotenia - objavuje sa pri opatreniach pod dohľadom, bez pomôcok a neasistovaných, zatiaľ čo nafukuje bežnú známkovanú prácu - zmena toho, čo sa počíta za dosiahnutie, zneužívanie odrádza aj odhaľuje. Aktivity zahŕňajú neasistované skúšky v triede a ústne obhajoby, požiadavku procesných artefaktov (koncepty, reflexie, anotované uvažovanie), odmeňovanie uvažovania pred povrchovou plynulosťou a vyhradzovanie zón bez AI. Ivory a spol. (2026) dávajú požiadavke procesných artefaktov konkrétny nástroj: povinné histórie verzií a reprodukovateľné analytické dokumenty, takže podozrivé odovzdanie možno preskúmať ako časovú os vývoja práce, a množstvo vymysleného materiálu, ktorý by študent musel vygenerovať, stúpa ďaleko za to, čo mu externé zadanie ušetrí. Rozsiahle terénne dôkazy to podčiarkujú: Strömberg, Lei, & Wu (2026) zistili, že externé zadávanie domácich úloh zvýšilo skóre z domácich úloh o 18 %, zatiaľ čo znížilo skóre písomnej skúšky o 20 % - presne ten signál, ktorý majú neasistované opatrenia pod dohľadom odhaliť, a štúdia odporúča väčšie váženie písomného osobného hodnotenia. Leaton Gray, Edsall a Parapadakis (2025) dávajú tej istej logike jej najvýslovnejšie vyjadrenie v podobe prevencie situačnej kriminality, argumentujúc, že zlyhanie patrí hodnoteniam, na ktoré model dokáže presvedčivo odpovedať, a nie študentom, a uvádzajú prípad, v ktorom 25 preventívnych techník aplikovaných na austrálsky biznisový capstone - sledované interakcie študentov, detekcia „príliš expertnej" práce, náhodné prezoskupenie tímov, týždenné testy v triede pod dohľadom, výzvy na odstránenie študentských publikovaných materiálov kurzu - podľa správy znížilo prípady nekalého konania zo 183 na 27 za rok. Ich odporúčania sú motivačné, a nie vyšetrovacie: zvýšiť vnímaný účel hodnotenia, budovať sebaúčinnosť a zvýšiť vnímaný sociálny náklad podvádzania, pričom autori varujú, že adresovanie len jednej alebo dvoch z týchto troch zlyhá, podporené piatimi redizajnmi špecifickými pre disciplínu, ktoré menia časovo limitované skúšky z riešenia problémov na otvorené riešenie problémov s písanou reflexiou vlastného postupu študenta, sumárne eseje na spoluprácujúce archívne výskumné projekty a portfóliá na iteratívne recenzované dizajnové procesy.

Štrukturálne páky majú donucovacie rameno a jeho dôkazová základňa je slabšia, než naznačuje jeho dosah. Munoz a spol. (2026) zakódovali 1 162 prípadov nekalého konania s generatívnou AI a zistili, že dôkazy najčastejšie citované v bode obvinenia - výstup detektora, podobnostné správy, obsahové vzorce typické pre AI - niesli najslabšiu dôkaznú hodnotu, zatiaľ čo priznania, pozorované správanie na skúške a nezávisle overené vymyslené odkazy boli najsilnejšie; pretože inštitucionálne procedúry nestanovujú minimálnu dôkaznú hranicu, kvalita dôkazov nemala spoľahlivý vzťah k výsledkom prípadov a študenti, ktorých prípady stáli na tenkých dôkazoch, mali k dispozícii najmä odvolania. Wright (2026) ukazuje druhý náklad tej istej nepresnosti: zákazy formulované okolo „generatívnej AI", a nie okolo funkcie, zachytávajú nástroje, ktoré len konvertujú formát práce, ktorú študent už napísal, takže používanie výlučne na transkripciu môže byť sankcionované ako nekalé konanie - príliš široké zachytenie, ktoré dopadá najtvrdšie na študentov so zdravotným postihnutím a rovnosťou ohrozených študentov a pre platnosť nerobí nič. Harerimana, Mtshali a Mchunu (2026) dodávajú, že vzdialený dohľad pri skúškach, najrozšírenejšia kontrola integrity, stavia svoj argument odstrašenia na tom, ako sa študenti cítia, a nie na zníženom nekalom konaní, a ukladá úzkosť, stratu koncentrácie a vylúčenie súvisiace s infraštruktúrou, o ktorom sa nepreukázalo, že ho nižšie zneužívanie rieši. Li (2026) pridáva dimenziu dizajnu pravidiel: pretože to isté rozhranie vykonáva povolené jazykové editovanie aj zakázané podstatné písanie konceptov, nerozlíšené pravidlá GenAI ukladajú kohortne skreslené náklady na zhodu študentom, ktorí používajú angličtinu ako ďalší jazyk, takže obhájiteľnejšou prevenciou je hranica podpory a substitúcie založená na účele, ukotvená v konštrukte hodnotenia, s kalibrovaným zverejnením, proporcionalitou odstupňovanou cez prahové, dôkazné a sankčné rozhodnutia a dizajnovými pákami - stupňované odovzdania, krátke ústne overenie zladené s konštruktom, otázky založené na kritike - ktoré robia prácu, ktorú detekcia nedokáže. Prevencia musí pokrývať aj samotného hodnotiteľa: Humbleho (2026) red-teamové hodnotenie zistilo, že dve z piatich stratégií nepriamej prompt injection vložených do súboru odovzdania zdvihli neúspešnú esej na priechod bez odhalenia, pri hlásenej úspešnosti 100 % a 94 %, takže tam, kde nástroje AI známkujú prácu študentov, patrí ľudská kontrola, jasnejšie oddelenie inštrukcií od odovzdaného obsahu a testovanie odolnosti do štrukturálnej podlahy, a nie do voliteľnej úrovne.

Úroveň 2 - Silná podpora rámca, vysoký potenciál

Sekvencie používania s podporným lešením: najprv myslieť, potom AI, nakoniec reflektovať. Osem dizajnových princípov pre integráciu LLM bez vytláčania kritického myslenia: zachovať kognitívne trenie, umiestniť AI ako predbežného partnera na myslenie, a nie autoritu, vložiť kontrolné body hodnotenia, vyžadovať metakognitívne vedenie denníka a záznamy promptov a vyvažovať fázy sprostredkované AI s fázami bez AI. Korelačné dôkazy (samostatná práca pred AI produkuje silnejšie výstupy) sú silné; ide o pedagogicky úplnú verziu Úrovne 1.

AI gramotnosť a gramotnosť v promptovaní s cieľavedomou praxou a okamžitou spätnou väzbou. Modul pre K-12 využívajúci scenárové cvičenie promptov s automatickým hodnotiteľom LLM zlepšil skutočné zručnosti promptovania a zvýšil istotu v používaní AI na učenie o +10,4 %, pričom 87 % uviedlo, že sa naučili AI používať zodpovedne. Preukázané prírastky zručností; otvorenou otázkou je, či sa premenia na následné výsledky učenia. Rieši aj medzeru v rovnosti v predchádzajúcom prístupe k AI.

Štruktúrované rámce deklarácií používania AI. Nahradenie generických zaškrtávacích políčok „použil som AI" deklaráciami špecifickými pre doménu, ktoré mapujú používanie na kognitívne fázy (štrukturálne plánovanie verzus generovanie obsahu), vynucuje reflexiu procesu učenia a objasňuje hranicu medzi prijateľnou pomocou a nekalým konaním, čím presúva dôraz od dohľadu k profesijnej praxi.

Vzdelávacie páky vyzerajú inak, keď sa integrita považuje za prax, ktorú treba vyučovať, a nie za pravidlo, ktoré treba presadzovať. Sharma (2026) argumentuje, že režimy integrity založené na detekcii a overovaní sú nezladené s prácou rozšírenou o GenAI, a prerámuje integritu ako pedagogickú prax uskutočňovanú cez evaluatívny úsudok - schopnosť študenta vážiť možnosti, odôvodniť akademické voľby a prevziať zodpovednosť v neistote - zviditeľnenú cez artefakty ako anotované stopy rozhodnutí, dokumentované overovanie, ústnu obhajobu a histórie verzií od konceptu ku konceptu, pričom detekcia je degradovaná na jednu doplnkovú vrstvu, a nie na primárnu infraštruktúru. Mulisa a Mezgebu (2026) nachádzajú tú istú príležitosť zo strany študentov: naprieč 27 rozhovormi na etiópskej univerzite bolo používanie takmer univerzálne, väčšina účastníkov pripisovala GenAI zlepšenie svojich výsledkov a najostrejšia sťažnosť išla opačným smerom - používatelia AI dosahovali vyššie skóre než pracovití samostatní pracovníci, čo účastníci opísali ako demotivujúce. Autori uzatvárajú, že presvedčenia študentov predpovedajú etické používanie silnejšie než inštitucionálne pravidlá, takže uvedomenie, jasná politika a redizajn hodnotenia musia prísť spolu - čo je vzdelávacia úroveň tejto stránky vyjadrená ako podmienka: budovanie kapacity mení správanie len cez súhlas študentov sprevádzaný štrukturálnou podlahou. Jiho (2026) scopingový prehľad 38 štúdií hlasov študentov dodáva celopoľnú verziu toho istého záveru: recenzované štúdie sa zhodujú na posune od retrospektívnej detekcie k proaktívnemu etickému uvažovaniu, na výučbe etiky AI a AI-plagiátorstva v kurikule, a nie v jednorazových gramotnostných sedeniach, a na podrobných usmerneniach spoluvytvorených vedením, pedagógmi a študentmi, pretože nejasné usmernenie sa číta ako tiché povolenie, a nie ako opatrnosť. Jiho vlastné čítanie je, že vlastníctvo a morálne uvažovanie motivujú študentov viac než strach z trestu a že študenti nie sú ani pasívnymi príjemcami GenAI, ani vinníkmi bez morálneho obmedzenia, ale morálnymi aktérmi pracujúcimi v šedej zóne - premisa tejto úrovne vyjadrená ako zistenie.

Úroveň 3 - Sľubné, s nižšími priamymi kauzálnymi dôkazmi

Metakognitívne intervencie a intervencie sebahodnotenia. Reflektívne denníky, záznamy promptov a tréning kalibrácie obnovujú „chýbajúcu kognitívnu základňu" študentov vyrastajúcich s AI, ktorí nedokážu lokalizovať vlastnú kognitívnu hranicu, pretože plynulosť generovaná AI ju maskuje. Koncepčne ústredné, ale zatiaľ kauzálne netestované.

Redizajn motivácie. Pretože dostupnosť AI eroduje autonómnu motiváciu („prečo sa namáhať?"), reštrukturalizácia úloh okolo cieľov, ktoré AI nedokáže splniť, a okolo agentúry študenta priamo cieli na eróziu vytrvalosti, ktorá zhoršuje priamu škodu.

Kritická AI gramotnosť. Rámovanie moc-vedomosť, ktoré učí študentov vypytovať sa, spochybňovať a participovať na riadení AI, a nie ho konzumovať. Dlhodobé, orientované na rovnosť a vo svojich ambíciách štrukturálne, hoci jeho učebné efekty sú z veľkej časti netestované.

Rozpoznávanie patolízalstva na prevenciu nekritického prijatia. Pretože patolízalská AI potvrdzuje, a nie spochybňuje používateľa, je priamym vektorom zneužívania: študenti, ktorí dostanú súhlasné potvrdenie nesprávneho uvažovania, sú povzbudení nahradiť AI vlastnú kognitívnu prácu. Kontextuálne patolízalstvo ukazuje, že AI gramotnosť a tréning promptovania znižujú, ale neodstraňujú slučku chýb, takže prevencia zneužívania musí spájať vzdelávací tréning rozpoznávania s dizajnom systémovo korektívneho trenia (pozri zábrany v Úrovni 1).

• Produktívne trenie a pedagogická funkcia. Sydneyský rýchly prehľad argumentuje, že GenAI podkopáva učenie, keď študentom umožňuje obísť kognitívne a metakognitívne trenie potrebné na učenie, a že cieľavedome navrhnuté nástroje zavádzajú produktívne trenie (zadržiavanie odpovedí, vyžadovanie vysvetlenia). Rozlišuje štyri pedagogické funkcie - učenie z GenAI, s GenAI, o GenAI alebo formovaním GenAI - každú s odlišnými nárokmi na agentúru a hodnotenie.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

Časté mylné predstavy

„Vyučovať študentov o rizikách je hlavná páka proti zneužívaniu." Je to páka, ktorá závisí od spolupráce študenta, a preto sa tu radí pod štrukturálnymi. Zábrany a redizajn hodnotenia fungujú bez ohľadu na to, či si študent zvolí správne správanie; vzdelávacie prístupy fungujú len so súhlasom. Rozdiel nie je morálny, ale mechanický - zmenené prostredie obmedzuje správanie priamo, zatiaľ čo zmenené presvedčenie musí prežiť noc pred termínom.

„Ak zábrana drží počas sedenia, učenie je zabezpečené." Držanie a učenie sú oddelené výsledky a korpus obsahuje čistý dvojitý výsledok. Zadržanie agregovaného postoja v multiagentovej debate znížilo prepínanie študentov na nesprávny postoj AI zo 42-60,5 % na 5,7-8,2 % - veľký ochranný efekt - a napriek tomu neprinieslo žiadny učebný efekt v rámci sedenia (β = 0,03, p = 0,18). Zábradlie urobilo svoju prácu ako zábradlie a nestalo sa výučbou. Navrhovať pre prevenciu zneužívania nie je to isté ako navrhovať pre učenie.

„Odhaliť zneužívanie a potrestať ho je stratégia prevencie." Prevencia musí pokrývať aj samotného hodnotiteľa. Humbleho (2026) red-teamové hodnotenie zistilo, že dve z piatich stratégií nepriamej prompt injection vložených do súboru odovzdania zdvihli skóre neúspešnej eseje. Proces, ktorý odhaľuje zneužívanie študentov, ale dôveruje nepreskúmanému obsahu odovzdania, je chránený len z jednej strany.

„Zneužívanie je problém motivácie študenta." Coates, Croucher a Calderon (2025) posúvajú zväzujúce obmedzenie o úroveň vyššie, keď považujú za vec, ktorú treba zmeniť, riadenie, a nie správanie študentov, a navrhujú rámec 130 indikátorov integrity. A škoda na učení je merateľná vo veľkom: Strömberg, Lei a Wu (2026) zistili, že externé zadávanie domácich úloh zvýšilo skóre z domácich úloh o 18 %, zatiaľ čo znížilo skóre písomnej skúšky o 20 % - zlyhanie dizajnu, ktoré sa prejavuje presne v medzere, o ktorej táto stránka je.

Usmernenie k implementácii podľa role

Pre vyučujúcich a tím kurzu

• Začnite hodnotením, nie textom politiky. Pri každej známkovanej úlohe sa pýtajte, či by jej neasistovaná verzia ukázala to, čo chcete certifikovať, a najprv opravte úlohu - je to páka, ktorá nevyžaduje súhlas študenta.
• Zaveďte nástroje s nápovedami namiesto odpovedí tam, kde je dostupný tutor AI, keďže terénny RCT o tutorovaní so zábranami a bez nich je najsilnejším kauzálnym dôkazom v tejto oblasti.
• Overte, že váš vlastný proces známkovania odoláva vloženým inštrukciám v odovzdaných súboroch, skôr než začnete považovať zneužívanie zo strany študentov za jedinú hrozbu.
• Považujte výkon s povolenou AI a neasistovaný výkon za dve odlišné merania; rozdelenie 18 %/20 % vyššie je neviditeľné, ak nezbierate obe.

Pre vývojárov

• Zabudujte obmedzenie do rozhrania, a nie do varovania. Tutor, ktorý dokáže vytvoriť hotovú odpoveď, ju pod tlakom termínu vytvorí.
• Neinferujte učenie zo zhody so zábranou. Výsledok debaty ukazuje, že správanie držalo, zatiaľ čo merania učenia zostali ploché, takže merajte výsledky oddelene od interakcií.
• Ukazujte signály zneužívania vyučujúcim ako diagnostiku, a nie ako verdikty, keďže rámovanie riadenia v dôkazoch stojí nad správaním jednotlivého študenta.

Pre administrátorov a tvorcov politiky

• Umiestnite zväzujúce obmedzenie tam, kam ho umiestňujú dôkazy. Indikátory a štruktúry riadenia adresujú prostredie; napomínanie študentov adresuje osobu, ktorá dokáže zmeniť inštitucionálny dizajn najmenej.

Prepojené koncepty

• AI Misuse and Learning Harm
• Kognitívne odľahčenie
• Akademická integrita
• Assessment
• AI gramotnosť
• Scaffolding
• Self-Regulated Learning
• Metacognition
• Motivation
• Prompt Engineering
• AI Sycophancy
• Trust Calibration
• Formulovanie používania AI pre študentov
• Kognitívna kapitulácia

Prepojené články

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Stopy dôkazov z verzovania a reprodukovateľné analytické dokumenty ako odstrašenie pred zneužívaním (Ivory a spol. 2026)
• Countering the Risks of AI Overreliance: Leveraging Multi-Agent Debate for Complementary Human–AI Decision-Making in Legal Contexts — Zadržanie odporúčania vo veľkej miere zabránilo nadmernej závislosti bez vybudovania úsudku, ktorý chráni
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — GenAI bez zábran môže škodiť učeniu
• Distinguishing performance gains from learning when using generative AI — Rozlišovanie prírastkov výkonu od učenia
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Škála hodnotenia AI a reforma hodnotenia
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Podopieranie kritického myslenia generatívnou AI
• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Učiť sa používať AI na učenie (modul AI gramotnosti pre K-12)
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Štruktúrovanie transparentnosti: rámce deklarácií GenAI
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — Chýbajúca kognitívna základňa
• AI Literacy: An Exercise in Power-Knowledge — AI gramotnosť: cvičenie v moc-vedomosti
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Skrytý náklad kontextuálneho patolízalstva: intervencia AI gramotnosti
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — Patolízalská AI robí ľudskú interakciu časom namáhavejšou a menej uspokojivou
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Budovanie kultúry a redizajn hodnotenia pred detekčným dohľadom
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Kognitívna kapitulácia, produktívne trenie a metakognitívna nerovnosť
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Prehodnotenie ústnych skúšok ako autentického hodnotenia odolného voči AI
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Trest generatívnej AI na učenie: externé zadávanie domácich úloh škodí učeniu
• Modeling AI Overreliance as a Complex Adaptive System — Nadmerná závislosť od AI modelovaná ako komplexný adaptívny systém
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — Zábrany odstránili škodu bez zlepšenia skóre skúšok
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Čo spisy o obvinení z nekalého konania skutočne obsahujú ako dôkazy
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Príliš široké pravidlá AI a študenti, ktorých zachytia
• Educational integrity in GenAI-augmented assessment: making judgment visible — Integrita ako evaluatívny úsudok, a nie zhoda
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Študenti o tom, či je GenAI nástroj na podvádzanie alebo partner pri učení
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Čo vzdialený dohľad pri skúškach robí so študentmi a s rovnosťou
• AI-based digital cheating at university, and the case for new ethical pedagogies — Prevencia situačnej kriminality proti podvádzaniu uľahčenému AI: z 183 na 27 prípadov a päť redizajnov špecifických pre disciplínu (Leaton Gray, Edsall & Parapadakis 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Čo odporúča 38 štúdií hlasov študentov: spoluvytvorená jasnosť a vzdelávacie uvažovanie pred detekciou (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Kde končí jazyková podpora a začína substitúcia pre pisateľov používajúcich angličtinu ako ďalší jazyk (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection ako vektor zneužívania proti známkovaniu AI (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Riadenie ako zväzujúce obmedzenie integrity: rámec 130 indikátorov (Coates, Croucher & Calderon 2025)