Hur skriver och genomför vi en institutionell AI-policy?

Automatisk maskinöversättning av denna engelska sida, ännu inte granskad av en modersmålstalare.

Utkastet har cirkulerat sedan i vår, och varje operativ mening säger ”får”. Eller: en leverantör vill ha en platslicens påskriven före kvartalets slut, och ingen på samtalet kan säga vad lärosätet har kommit överens om när det gäller studentdata. Eller: en detektorflagga har blivit ett överklagande, och policyn som skulle avgöra saken visar sig inte säga något om vilka bevis en anklagelse kan vila på.

Det en kommitté kan försvara är snävare än de flesta utkast försöker, och publiceringen är den minsta delen av arbetet. Fyra saker förvandlar ett dokument till en fungerande regel: en namngiven verkställande ägare, en schemalagd översyn, en översättningsväg in i kurserna med någon som är ansvarig för den, och en bedömningsdesign som i graderade steg belönar det beteende du ber om. Lägg till en omfattningsmening som säger vilka förpliktelser dokumentet bär och vilka som hör till en annan policy, för ett dokument som sväljer dataskydd, forskningsetik, klinisk reglering och akademiskt uppträdande blir långt, oläst och omöjligt att genomdriva.

Kortversionen

1. Deklarera vad dokumentet styr. Om det är ett riskhanteringsinstrument, säg det, och lägg undervisningsdetaljerna på institutionsnivå.

2. Räkna modalverben. Varje ”får” där du menar ”måste” är en bestämmelse som ingen kan genomdriva.

3. Namnge en ägare, en stående kommitté och ett översynsdatum före publicering, inte efter första överklagandet.

4. Skriv ner var FERPA, GDPR, HIPAA, IRB och forskningsintegritetsförpliktelser bor, och namnge vilket kontor som äger var och en.

5. Finansiera personalutbildning och studentåtkomst i samma budgetbeslut. Var för sig ger de en regel som vissa studenter inte kan följa.

6. Fråga hur många kurser som påvisbart omsätter policyn, och läs svaret som ett stödmått snarare än ett efterlevnadsmått.

Bestäm vad dokumentet styr

Först omfattningen, sedan formuleringarna. Manikonda och Outlaw (2026) genomsökte AI-policyer från 149 R1- och R2-universitet i USA och verifierade 130 policyer på universitetsnivå i 34 delstater. Registret är rådgivande snarare än styrande: 95 % av policyerna hade en negativ poäng för klarhetsstyrka, så svagt språk (”får”, ”kan”) dominerar över direktiv (”måste”, ”förbjudet”).

Vad de dokumenten prioriterar säger vad deras författare trodde att dokumentet var till för. Policyer på universitetsnivå täcker dataskydd, riskbegränsning, upphandling och juridisk efterlevnad, med lite pedagogisk vägledning. De skolnivåpolicyer som finns koncentreras på undervisning och AI-kompetens. Bara åtta handelshögskolor hade en egen policy, och de skilde sig från sitt värdramverk i sex av åtta fall.

Åtgärden författarna föreslår är en skiktad struktur: ett riskhanteringsskikt för hela lärosätet, policyer på institutionsnivå och tvärinstitutionella kommittéer med lärare och studenter. Anta den och du får en omfattningsmening du kan försvara i senaten. Det här dokumentet hanterar institutionell risk; undervisningsbesluten ligger hos den institution som sätter betyg på arbetet. Skiktningen svarar också på anklagelsen om vaghet utan att producera 40 sidor.

Skriv bestämmelser som binder, eller ta bort dem

Titta på vad program publicerar när inget tvingar fram frågan. Eldredge et al. (2026) skannade alla 48 CAHIIM-ackrediterade masterprogram i hälsoinformatik och hälsoinformationshantering i USA. Fyrtio (83 %) publicerade minst ett AI-relaterat dokument. Av det analytiska urvalet var 21 dokument (53 %) riktlinjer, 9 (23 %) information och bara 7 (18 %) formella policyer.

Ämnesinnehållet var snävare än volymen antyder. Akademisk integritet var det vanligaste nyckelordet (n = 139), före citering (59), bedömning (50) och plagiering (38). Redovisning av AI-användning och beställningsfusk förekom en gång var. HIPAA förekom fem gånger, FERPA elva, och elektroniska patientjournaler inte alls. Jämlikhetsvokabulär var nära frånvarande: inkludering (n = 9), tillgänglighet (n = 9), jämlik tillgång (n = 2).

Det är uppmärksamhet utan ett bindande åtagande bakom, vilket är det billigaste felet att åtgärda. Räkna dina modalverb och skriv en konsekvens där du menar en. Definiera plagiering och förbjuden användning med ord som en förstårsstudent kan tillämpa. Poängsätt sedan resultatet mot det instrument som Gutowski och Hurley (2025) byggde: fem dimensioner med explicita rubriker, som täcker förbjudande, tillåtande, pedagogisk integration, transparens och ansvarsskyldighet, samt djup. De flesta lärosäten i deras sektor intog i allmänhet förbjudande positioner samtidigt som de förbehöll sig skönsmässighet för enskilda lärare. Ingen enskild ansats accepterades, och klarhet i sig behandlades som förutsättningen för försvarbar verkställighet. Deras rekommendationer är procedurella: heltäckande riktlinjer oavsett hållning, intressenter involverade i utkastet, proaktiv utbildning, styrning designad för att kunna anpassas, och översynscykler.

Bestäm vem som äger den och vem som sitter i kommittén

Två översikter lägger svagheten i kapacitet snarare än avsikt. Ashiq (2026) syntetiserade mer än sjuttio brittiska källor och fann att bara en minoritet av lärosätena upprätthåller officiella AI-styrningsplaner. Luckor i strategisk planering ger policydrift och performativ efterlevnad. Nationell vägledning från Office for Students och Jisc har kritiserats för att sakna specificitet och verkställighetskraft. Investeringar i personalutbildning och infrastruktur för AI koncentreras till forskningsintensiva lärosäten, medan undervisningsledda lärosäten möter kapacitetsbegränsningar, vilket vidgar en digital klyfta. Baroudi (2026) granskade 19 källor och fann att 7 % av lärosätena hade skapat seniora AI-ledarskapsroller mot 49 % som behandlade AI som en strategisk prioritet. Svaga policyramverk och begränsad digital infrastruktur driver det gapet, särskilt i Global South.

Ägarskap, resurser och revidering är där arbetet måste läggas, så bestäm ordförande och medlemskap innan skrivandet börjar. Crompton et al. (2026) samlade en Delphipanel från 22 länder och platser på sex kontinenter och tog fram ett konsensusramverk med åtta kärnområden: akademisk integritet, etisk och ansvarsfull användning, integritet och skydd, jämlik tillgång, GenAI-kompetens, integrationsstrategi, mänsklig tillsyn och ansvarsskyldighet, samt institutionellt stöd och infrastruktur. Panelen tog också fram en mekanism i sex delar för att hålla policyn aktuell: en tvärvetenskaplig styrningskommitté (stödd av mer än halva panelen), schemalagda översynscykler (hälften), professionell utveckling, kommunikation med alla intressenter, utvärdering av effektivitet och bevakning av extern utveckling.

Läs ramverket som en täckningschecklista och mekanismen som en operativ modell. Panelens egen viktning är varningen. Etisk och ansvarsfull användning refererades av två tredjedelar av panelisterna och integritet av över hälften, medan jämlik tillgång bara drog en tredjedel. En konsensusprocess underviktar jämlikhet först, och din kommitté kommer att driva åt samma håll om inte någon håller i den posten.

Två medlemskapsbeslut är värda att fatta medvetet. Hingle och Johri (2026) lät studenter samdesigna en GenAI-kurspolicy genom guidad undersökning. Prioriteringarna som växte fram var utbildning för studenter och lärare, standardiserade redovisningsprocedurer, starkare institutionellt stöd i stället för beroende av enskilda lärare, och en roll i besluten om reglerna för deras eget lärande. Det talar för studentmedlemskap snarare än en konsultationsrunda. Baroudi fann att stärkande och distribuerande ledarskapsstilar förknippades med högre engagemang och öppenhet för förändring hos lärare, och dokumenterade maskineriet i förändringsledning (Valentes smittomodell, Rieber och Willivers femstegsramverk) som stödet för införandet.

Tan et al. (2026) erbjuder ett organisatoriskt ramverk i sex dimensioner vars påståenden författarna uttryckligen lämnar för framtida empirisk validering. Använd det för att strukturera vad dokumentet täcker, och håll det borta från meningen där du hävdar att något fungerar.

Sätt de juridiska förpliktelserna där de kan genomdrivas

Efterlevnad av grundläggande lag är inte etisk datastyrning. Varadaraju och Vijayakumar (2026) hävdar att styrning av lärandeanalys i högre utbildning har förblivit efterlevnadsförst, centrerad kring att uppfylla FERPA och GDPR, och föreslår LEAGUE-ramverket: Lawfulness, Equity, Agency, Governance, Utility och Ethics by Design, demonstrerat mot en fallstudie om tidiga varningar. Delphipanelen rangordnade självständigt integritet och dataskydd som kritiskt för över hälften av sina medlemmar. OECD:s Digital Education Outlook (2026) gör en möjliggörande miljö för tillförlitlig GenAI till sin tredje policypelare, som täcker integritet, säkerhet, biastestning och transparens.

Hälsoinformatikkorpusen visar hur omfattningsdisciplin ser ut när den fungerar. De programmen nämnde knappt HIPAA, FERPA eller IRB-vägledning och nämnde aldrig elektroniska patientjournaler, eftersom de förpliktelserna ligger i bredare efterlevnadspolicy som redan har en ägare, en procedur och en påföljd. Namnge var varje förpliktelse ligger, namnge kontoret som håller den, och kräv att studenterna uppfyller den i kursarbetet snarare än i en fotnot.

Det stycket avgör också en upphandlingsfråga. Om biastestning och transparens är pelarvillkor snarare än strävanden hör de hemma i köpvillkoren, och policyn är platsen att säga det.

Stäng gapet mellan policyn och kurserna

Det här är det beslut som de flesta policyer misslyckas med, och det går att mäta från båda hållen.

Lärarkårsenkäten först. AAC&U/Elon-enkäten bland 1 057 lärare i USA (Watson och Rainie, 2026) fann att 87 % hade skapat egna policyer för studenter om generativ AI-användning, medan 48 % sade att deras lärosäte hade skrivna riktlinjer och 35 % att deras institution hade det. Vad gäller struktur rapporterade 55 % en arbetsgrupp eller tillsynsgrupp, 37 % nya AI-fokuserade kurser, 17 % ett AI-huvudämne eller en AI-inriktning, 16 % nya akademiska ledarskapskontor, och 13 % hade antagit AI-kompetens som ett lärandemål i den allmänna utbildningen. Urvalet är icke-vetenskapligt och författarna säger att det inte går att generalisera. Asymmetrin står kvar ändå: reglerna som studenterna faktiskt möter skrivs av läraren framför dem.

Sedan översättningsräkningen. Ganguly et al. (2026) analyserade 116 institutionella GenAI-policyer från 131 R1-universitet tillsammans med 98 kursplaner i datavetenskap från 54 av dessa lärosäten. Lärosätena uppmuntrade mestadels GenAI-användning (73, 63 %) medan 31 (27 %) avrådde från den. På kursnivå gav 90 kursplaner (92 %) explicita riktlinjer, ändå förbjöd 49 (50 %) GenAI helt, 40 (41 %) tillät delvis användning för specificerade aktiviteter, och 7 (7 %) förmedlade uppmuntran. Bara 47 av de 131 lärosätena hade både en institutionell policy och en spårbar omsättning på kursnivå.

Ställ den frågan till din kommitté i de termerna: hur många av våra kurser omsätter det här dokumentet på ett spårbart sätt? Ett lågt tal är ett stödfel, och botemedlet är genomarbetade exempel, lärarutveckling och bedömningsstöd publicerat vid sidan av regeln. Det stödekosystemet är hur Qian (2026) skiljer lärosäten från varandra, och det är skillnaden mellan en policy som studenterna får och en policy som deras lärare improviserar kring.

Coates, Croucher och Calderon (2025) levererar instrumentet för ansvarsänden: ett indikatorramverk för akademisk integritet byggt för institutionella styrelser genom forskningsöversikter, fallstudier vid flera lärosäten, prototyper och expertbekräftelse, tillsammans med reformer av styrningsarkitekturer, människor och teknik. Indikatorer låter en kommitté rapportera uppåt utan att beställa ännu en litteraturöversikt.

Skriv bevisstandarden innan du behöver den

Där verkställighet misslyckas är misslyckandet vanligen bevismässigt, och det är där lärosätets exponering sitter.

Munoz et al. (2026) analyserade faktiska ärenden med anklagelser om otillbörlig AI-användning. Bevisunderlaget var tunnare än policyn antyder. Systemregistrerade beteendespår finns bara i övervakad examination. Svagare processbevis, det vill säga utkast, handledningsmöten och presentationer, finns bara där de praktikerna redan var rutin. Naturlig rättvisa kräver att studenten får veta anklagelsen och får en chans att svara innan något avgörande, vanligen i ett utredningsmöte eller en panelintervju, och att det de säger förs in i bevisunderlaget.

Detektorutdata kan inte bära den lasten. Hadra et al. (2026) uppmätte en noggrannhet på 0,69 och 0,61 för två vitt använda kommersiella verktyg, båda misslyckades på hybrid text från människa och AI, och båda bar en gränsfallsrisk för felklassificering av EFL-studenters skrivande. Bassett et al. visar att ingen tröskel löser avvägningen mellan att flagga ärligt arbete och att missa dold användning. Ett fynd som vilar på en poäng som ingen kan förhöra sig om är det fall som genererar överklagandet, klagomålet och ibland stämningen.

Tre meningar hör hemma i själva dokumentet: vilka bevis ett fynd får vila på, att en detektorpoäng ensam inte är de bevisen, och vem som avgör när ett ärende går vidare. Sätt proceduren bredvid de förpliktelser som samlas i juridiska frågor och risker.

Säg vad du ska mäta innan du publicerar

Ingen studie i den här korpusen mäter huruvida ett lärosätes AI-policy förändrade studentbeteende, personalens praktik eller läranderesultat. Det som finns är beskrivande. Manikonda och Outlaw finner att policyspråket är svagt och felinriktat. Ashiq dokumenterar drift. Baroudi namnger frånvaron av longitudinell och kausal evidens som en lucka. Eldredge et al. varnar för att analys av offentliga dokument skapar en synlighetsbias, så saknat integritets- eller jämlikhetsspråk är ett fynd om publicerad vägledning snarare än om praktik.

Två vanor följer. Knyt en utvärderingsplan till policyn: vad du ska mäta, när, och vem som äger fyndet. Och när en kollega citerar ett annat lärosätes policy som bevis för att en åtgärd fungerar, kontrollera om påståendet handlar om ett dokument eller om ett utfall. Tran, Liu och Nguyen (2026) granskade 65 peer-review-granskade artiklar om AI och socioemotionellt lärande och fann att nästan tre fjärdedelar inte nämnde några policyimplikationer alls. Av den minoritet som gjorde det saknade de flesta den aktörsspecifika detalj som verkligt policyskapande behöver: vem som bör agera, på vad, varför, när och hur.

Vad lärosäten missförstår om detta

Publicering är mållinjen. Det landskap Manikonda och Outlaw kartlade är brett och grunt, rådgivande i tonen och tunt på de problem som avgör om AI-användning går bra. Ett dokument utan ägare och utan översynsdatum är ett pressmeddelande med ett policynummer.

Vagt språk är det säkra språket. Det är säkrare för den som skriver under, och det svagaste att försvara i ett överklagande. Gutowski och Hurley behandlar klarhet som förutsättningen för försvarbar verkställighet, och 95 % av policyerna i R1-registret får negativ poäng på klarhet.

Akademisk integritet är den svåra delen, så täck den och resten kan vänta. Integritet är den enklaste bestämmelsen att skriva, vilket är varför den dominerar nyckelordsräkningarna medan jämlikhetsvokabulär, tillgång och dataförpliktelser ligger nära frånvarande. De bestämmelser en integritetskod inte når omfattar upphandling, redovisningsprocedur, tillgänglighet, personalutbildning och de bedömningsvillkor under vilka integritet är möjlig.

Ett dokument kan hålla varje förpliktelse. Det kan hålla dem och genomdriva ingen av dem. HIPAA förekom fem gånger bland 48 programs AI-dokument och elektroniska patientjournaler aldrig, eftersom de förpliktelserna redan tillhör efterlevnadspolicyn.

Lärarna följer när det är publicerat. 87 % av lärarna hade skrivit egna regler innan deras lärosäte publicerade en. Motåtgärden är professionell utveckling, genomarbetade exempel och distribuerande ledarskap. Ett påminnelsemejl flyttar ingenting.

Studenter ignorerar policy, så klarhet är bortkastad på dem. Braun och Khafizov (2026) enkäterade 1 809 studenter, 250 lärare och 62 administrativ personal vid ett lärarutbildande universitet. Studenter rapporterade högre AI-användningsintensitet och nytta medan lärare och personal rapporterade starkare integritetsbekymmer, och studenter rapporterade högre upplevd policyklarhet än lärarna. Det som flyttar dem är huruvida verktyget är användbart nog att det är värt att följa en regel om det.

Vad som kommer att slå tillbaka mot dig

”Vi har redan en policy för akademisk integritet.” Den är nödvändig och inte tillräcklig. Det evidensen stöder är arbetsfördelning: uppföranderegler stannar där integritetsprocessen kan genomdriva dem, och AI-policyn bär upphandling och dataskydd, redovisningsprocedur, tillgänglighet och åtkomst, personalutbildning, och de bedömningsvillkor under vilka integritet är möjlig. Delphipanelens krav att betydande GenAI-utdata ska granskas av en människa, och dess preferens för processinriktad och muntlig bedömning, har inget hem i en integritetskod.

”Lärarna kommer att ignorera den.” Några kommer att göra det, och skälet är sällan vilja. Ashiqs evidens är kapacitet. Baroudis är struktur: 7 % av lärosätena hade skapat seniora AI-ledarskapsroller mot 49 % som behandlade AI som en strategisk prioritet. Ganguly et als är översättning: 47 av 131 lärosäten hade både en policy och en spårbar implementering på kursnivå. Lärarna lämnas ensamma med dokumentet.

”Vi kan inte övervaka det, så policyn är dekoration.” Du kan inte övervaka det, och evidensen säger att du inte behöver. Ogbo et al. (2026) modellerar studenters AI-användning som ett koordinationsproblem där kohortnormer styr beteendet, med tröskeleffekter. Reflekterande bedömning måste belönas över en kritisk nivå innan ansvarsfull användning tränger ut opportunistisk praktik, belöningen måste stå i proportion till den ansträngning reflektionen kräver, och kamratkänsligheten avgör hur snabbt en norm kaskaderar. Studenter svarar på bedömningsstrukturer snarare än på uttalanden. På Braun och Khafizovs tvärsnittsdata från självrapportering är upplevd nytta den starkaste standardiserade associationen med tillit (β = 0,402) mot policyklarhet på lärosätet (β = 0,223). OECD tillägger att allmänna chattbotar förbättrar utdatakvaliteten, att fördelen försvinner och ibland vänder i tentor när AI-åtkomsten tas bort, och att metakognitivt engagemang sjunker när arbetet avlastas. Sätt kravet i den betygsatta bedömningen.

”Studenterna kommer inte att läsa den.” De svarar på den ändå, och svaret formas av vad deras lärare säger under första veckan. En policy som bara en kommitté har läst har en läsare.

”Vi kan inte finansiera det stöd ramverket begär.” Skär då ner ramverket till det du kan finansiera och säg det i dokumentet. Panelen placerade institutionellt stöd och infrastruktur som den grundläggande möjliggöraren, och Adarkwah et al. (2026) analyserade 159 dokument från 30 högt rankade universitet i de tio länder som står bäst på IMF:s AI Preparedness Index, varav fyra uteslöts för att de saknade offentligt tillgängliga policyer, vilket lämnade 26, och fann att många bestämmelser var deklarativa snarare än operativt säkerställda. Ett mandat att använda AI utan enheter, uppkoppling, anpassningar eller utbildning är en förpliktelse lärosätet har ålagt sig och inte kan stödja.

Vad du ska göra den här veckan

1. Sök i utkastet efter ”får” och ”kan”, skriv om varje instans där du menar ”måste” eller ”förbjudet”, och definiera plagiering och förbjuden användning med ord som en förstårsstudent kan tillämpa.

2. Namnge en verkställande ägare, en stående kommitté med lärare och studenter, och ett översynsdatum. Ge bevakningen av extern utveckling en namngiven roll.

3. Bestäm skiktningen: vilka bestämmelser som är lärosätesövergripande, vilka institutionen skriver, och vilka förpliktelser som hör till FERPA, GDPR, HIPAA, IRB och forskningsintegritetspolicy.

4. Skriv bevisstandarden och detektormeningen, och läs sedan din egen överklagandeprocedur mot dem.

5. Be om översättningstalet, och para varje ny begränsning med ett genomarbetat exempel och ett utbildningsdatum.

Vart du går härnäst

Kursens AI-policy är klassrumsmotsvarigheten, där dokumentet blir ett uppgiftsblad och en uttalad mening. Forskningsbasen ligger i forskning om institutionell styrning, det globala Delphiraamverket och policyrevisioner på programnivå. Administratören och förändringsledning täcker ledarskaps- och implementeringsdimensionerna, utbildningspolitik för AI samlar sektorns litteratur, och styrning täcker hur befogenhet och ansvarsskyldighet fördelas. På verkställighetssidan bär juridiska frågor och risker de förpliktelser ett detektorfynd måste uppfylla.