Bör vi använda AI-detektorer?

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

En detektorpoäng kommer tillbaka flaggad på en inlämning som du redan har läst två gånger, eller en kollega vill att verktyget slås på före nästa essädeadline, eller en integritetsnämnd ber dig försvara ett fynd som vilar på en procentandel. Någon i rummet kommer att säga att poängen bara är en del av bevisningen. Det du avgör är snävare än argumentet som följer: om det här talet alls kan bära vikt i en process om otillåtet hjälpmedel, och vad du sätter i dess ställe om det inte kan.

Det korta svar du kan upprepa på mötet: en detektorpoäng kan inte grunda ett fynd, eftersom den inte kan valideras mot en säker facit, inte kan korsförhöras och inte når upp till sannolikhetsövervikt. Dess fel upprepas i mönster, och de drabbar hårdast ärliga redaktörer och studenter som skriver på ett andra språk. Fråga i stället om en student kan visa förståelse för det de lämnade in, och finansiera den förmågan.

Kortversionen

1. Skriv in i policyn att detektorutdata aldrig utlöser en konsekvens, aldrig står ensam och aldrig grundar ett fynd. Sätt det i själva policydokumentet, där en nämnd kan hitta det efter att promemorian är borta.

2. Byt ut ”använde du AI?” mot ”kan du visa mig att du förstår det här?” Använd ett kort samtal, ett tidigt utkast eller en inspelad förklaring.

3. Lägg in ett autentiserat eller oassisterat steg i varje uppgift med höga insatser, dimensionerat efter den rättningskapacitet du faktiskt har.

4. Be leverantören om felkvoter skriftligt och försök sedan reproducera dem på dina egna inlämningar. Vanderbilt försökte och stängde av verktyget.

5. Flytta pengarna från en detektionslicens till verifieringskapacitet och vägledning. Det är dit det dokumenterade klagomålet från lärare pekar.

Avgör om du har ett fynd eller en fråga

Det här är två olika jobb och de går på olika bevisning. Ett fynd kräver bevisning som når sannolikhetsövervikt, och en detektorpoäng når inte dit på egen hand. Den kan inte valideras mot en säker facit, eftersom ingen i verkliga inlämningar vet hur texten producerades, så valideringen blir cirkulär och andelarna falska positiva och falska negativa betyder bara något inne i ett kontrollerat test. Verktyget publicerar inga tröskelvärden och ingen träningsdata och tillåter ingen oberoende replikering, vilket lämnar en flaggad student utan något att svara på och dig utan något att förklara (Heads We Win, Tails You Lose: AI Detectors in Education, Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Att kombinera poängen med andra signaler reparerar inte detta. Språkliga markörer, stiljämförelser, LLM-bedömningar och en students tystnad summerar fortfarande till mindre än standarden. Tystnaden är den att hålla ögonen på: studenter behåller rätten att avstå, och ett avstående tippar inte vågen. Vad du legitimt kan fråga är om studenten kan visa det lärande som bedömningen påstår sig mäta, och ett muntligt svar besvarar det på ett sätt som en likhetspoäng aldrig gör (Heads We Win, Tails You Lose: AI Detectors in Education).

Dikotomin är också fel fråga. Studenters arbete skapas ofta med AI, längs ett hybridkontinuum, och policyer som säger ”i bedömning” definierar sällan när en bedömning börjar, vilket lämnar omdömet till den som först läser filen (Heads We Win, Tails You Lose: AI Detectors in Education).

Under allt detta ligger ett referensdataproblem. Detektorer tränas och testas på mänsklig skrift från före den generativa AI:n, och Turnitins egen validering använde 700 000 artiklar från före 2019. Den korpusen antas representera aktuell studentprosa, ett antagande som ingen har verifierat och som förskjuts med varje modellsläpp (Heads We Win, Tails You Lose: AI Detectors in Education).

Titta på noggrannhetssiffrorna innan du citerar en

Det starkaste kontrollerade testet i kunskapsbasen undersökte 642 publicerade engelska abstrakt inom fyra domäner och två tidsperioder. Vid ett tröskelvärde på 0,50 flaggade två kommersiella detektorer riktlinjeenlig lätt AI-redigering i 38-80 %, flaggade omodifierade original från 2023-25 i 9-15 % (icke-STEM långt över STEM, p < 0,001), och efter att text hade körts genom en humaniseringstjänst fångade de färre än 4 % av AI-märkta omskrivningar, en andel falska negativa över 96 %. Författarna kallar detta en integritetens moment 22: de studenter som redovisar och redigerar lätt är de som verktyget fångar, och de studenter som sätter sig för att undkomma det är det inte. Deras rekommendation är explicit: detektorpoänger bör aldrig tjäna som fristående bevis för otillåtet hjälpmedel (Why AI Detection Fails for Academic Integrity).

Ett oberoende riktmärke når samma plats från en annan riktning. Ingen av 14 verktyg nådde 80 % noggrannhet, och enkel parafrasering, mindre redigering eller en humaniseringstjänst halverar grovt till och med den prestationen. Vid realistiska basfrekvenser överstiger falska positiva antalet sanna positiva (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Fångstgraderna vid helt genererad text är sämre än rubrikernas felkvoter antyder. I en hemlig fältstudie injicerade forskare helt AI-genererade inlämningar i ett levande system för summativ examination över fem psykologimoduler: 94 % gick oupptäckta, och AI-arbetet fick i genomsnitt högre poäng än de riktiga studenterna. Kontraktsfusk hade redan visat samma strukturella problem, eftersom det inte lämnar något tillförlitligt spår att hitta (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Noggrannheten rör sig också med uppgiften. När forskare testade om generativ AI kan upptäcka sin egen utdata var resultaten tillförlitliga för programmering och längre reflekterande skrivande och dåliga för korta svar, där modellen ofta bedömde sin egen text som mer människolik än autentiskt studentarbete. Små variationer i prompten sänkte noggrannheten kraftigt (Distinguishing Artificial from Authentic: Evaluating LLMs for Detecting LLM-Generated Content). Ett tröskelvärde som håller för en uppgift faller för en annan, och du vet inte vilken förrän vid överklagandet.

Sedan kommer utgångsdatumet. En studie från 2026 omramar detektion som ett anpassningsproblem: en svart låda-omskrivningsattack sänkte den kommersiella detektorn Pangram till en balanserad noggrannhet på 63,5 % och en AI-recall på 27,0 %, och en detektor tränad på Llama 3.3 70B Instruct nådde bara 55 % recall på abstrakt från en nyare modell. Anpassning vid testtid återställde 94,4 % balanserad noggrannhet och 99 % recall på samma text, vilket är den uppmuntrande hälften. Samma artikel visar vad åtgärden kostar: i takt med att simulerad LLM-användning sprider sig förfaller en fast övervakad detektors recall på mänsklig text från 85,9 % till 73,4 % under decenniet. Dess utgångsvillkor sägs rakt ut: balanserad noggrannhet kan inte överstiga hälften av ett plus totalvariationsavståndet mellan den mänskliga och AI-fördelningen, så en konvergens av de två skulle besegra varje inlärningsbaserad detektor. En validerad poäng håller tills modellerna rör sig, och de rör sig varannan månad (Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift).

Och maskinen har aldrig tydligt slagit en noggrann läsare. Leaton Gray, Edsall och Parapadakis (2025) rapporterar maskindetektion av AI- eller parafraserad text till ungefär 80 % mot 78,4 % för mänskliga granskare, och citerar evidens för att AI-genererad text har passerat som människoskriven i upp till 80 % av fallen. Den marginalen försvinner in i felbandet som människan redan bär med sig, och det är för tunt för att grunda ett fynd (AI-based digital cheating at university, and the case for new ethical pedagogies).

Räkna ut vems arbete felet landar på

De drag som detektorer läser som signaler på AI, det vill säga hög densitet av långa tokens, frekvens av akademiska ord och enhetlig stil, är också drag i kompetent skrivande på ett andra språk. Felklassificeringen följer därför språklig bakgrund snarare än uppförande, vilket gör detta till en rättvisefråga innan det är en teknisk fråga (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Snedvridningen syns utanför engelskan också. Ett riktmärke med 3 811 passager vars författarskap före ChatGPT är bevisbart fann att fem offentliga detektorer tränade på engelska, körda som de släpptes, flaggar 81,4 % av mänskliga kazakiska passager (TMR RoBERTa) och 79,6 % av publicerade kazakiska studentessäer (Desklib DeBERTa), med 25,5 % för Fakespot, och att omkalibrering till en falsk-positiv-kvot på 1 % fångar högst 1,3 % av maskintext i utbyte. Studiens egen brasklapp spelar roll när du citerar den: de mänskliga passagerna är offentlig text från före ChatGPT så som den hittades, inte studentessäer, så dess utbildningsrelaterade kvoter är de minst säkra siffror den rapporterar (Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh).

Ämnesdisciplinen lägger till en axel. Abstrakt utanför STEM flaggades långt över STEM i studien med 642 abstrakt, vilket speglar skrivkonventionerna i de fälten och inte författarnas uppförande (Why AI Detection Fails for Academic Integrity). Två vitt använda kommersiella verktyg mätte 0,69 respektive 0,61 i noggrannhet i en jämförelse, och båda misslyckades med hybridtext mellan människa och AI (Evaluating the accuracy and reliability of AI content detectors in academic contexts, Who wrote this? Evaluating the reliability of AI detection tools in higher education). En detektor är ett stiltest, och den stil den straffar följer språklig bakgrund, disciplin och register. Ingen av dem är ett faktum om huruvida en student använde AI, och var och en av dem är ett faktum om studenten. Det vidare mönstret är dokumenterat i Differentiella effekter mellan elevgrupper.

En del av kostnaden visar sig före varje förhandling. Eftersom formella processer kräver bevis av detektionsklass som funktionellt inte finns, hamnar lärarna i vad en yrkesutövares redogörelse kallar ”misstanke utan utväg”, medan studenter rationaliserar sitt eget bruk och akterna stannar (The Best Response to Student AI Use Is Not Detection, It Is Dialog). Kostnaden i förtroende landar på den relation som processen är beroende av.

Byt frågan du ställer till studenten

Grand Canyon University gick från ”använde den här studenten AI?” till ”kan den här studenten visa förståelse för det de lämnade in?”, med korta samtal, tidiga utkast och inspelade förklaringar, infört institutionsbrett hösten 2025. Argumentet för det är praktiskt: lärarna är redan kvalificerade att bedöma förståelse, och förskjutningen ger dem tillbaka sin auktoritet i stället för att lämna dem väntande på bevis som aldrig kommer (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

Det ändrar också vad en student kan göra med anklagelsen. Får studenten se bekymret och ombeds förklara kan de lösa det. Får de se en procentandel kan de bara förneka den.

Led samtalet så att det håller vid granskning

Behandla ett verifieringssamtal som ett steg i processen, med varsel och ett protokoll, så håller det när någon läser akten en termin senare.

Börja med varslet. Berätta för studenten vad som väckte bekymret, på klarspråk, och säg vad samtalet är till för. Om bekymret kom från en detektorpoäng, säg det, och säg att poängen inte är ett fynd. Säg bara till en student att de är anklagade för fusk och mötet blir ett försvar av karaktären snarare än en redogörelse för arbetet.

Fråga sedan om själva arbetet. Vilket påstående försökte du göra i det här avsnittet. Var kom den här evidensen ifrån. Varför organiserade du det så här. Vad valde du bort. En student som skrev texten kan svara på dessa på beslutsnivå. Studenten som inte skrev den svarar på ämnesnivå, och skillnaden syns snabbt utan att någon behöver bevisa uppsåt.

Håll rätten till tystnad intakt. Att avstå från att svara medger ingenting, och en procedur som behandlar ett avstående som ett medgivande håller inte vid ett överklagande. Protokollför vad som frågades, vad som besvarades och vad som avböjdes.

Avsluta med ett beslut du kan redogöra för utan poängen. Antingen visade studenten den förståelse som bedömningen mäter, eller så finns det ett separat, substantiellt bekymmer med arbetet som du kan beskriva med egna ord. Om inget av det stämmer slutar akten där. Det utfallet är normalt och bör skrivas ned som sådant, eftersom en process som bara någonsin registrerar skuld lär nästa nämnd att misstanke är detsamma som ett fynd.

Lägg in ett steg i uppgiften som verktyget inte kan sitta inuti

Asynkrona muntliga bedömningar, byggda som just-in-time-promptar med korta, tidsbegränsade inspelade svar som rättas mot inbyggda bedömningsmallar, presterade jämförbart med fysiska flervalsprov i en studie och signifikant bättre i en annan, med studenter som rapporterade mer aktiv förberedelse och högre upplevd yrkesrelevans. För en administratör är egenskapen som spelar roll att detta skalar utan bevakning (Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era).

Att göra om uppgiften gör mer arbete än att härda kontrollen. En fallstudie av ekonomistudenter på grundnivå fann att bara ungefär en tredjedel rapporterade någon AI-användning, med redovisning ännu ovanligare, och tolkade utebliven redovisning som rationell försiktighet under en otydlig policy snarare än oärlighet. Samma studenter föredrog verklighetsnära, databaserade uppgifter som lösningen (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It). Att förvänta sig, deklarera och granska AI-användning slår att övervaka den, eftersom autenticitet måste designas snarare än upprätthållas (Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World).

Två beslut följer. Storleken kommer först. En kort muntlig kontroll på varje större inlämning är överkomlig i en seminariegrupp. I en föreläsning med tre hundra är etappvisa utkast och en stickprovskontroll av avvikande arbeten det som överlever vecka tio. Välj den version du fortfarande kan köra i terminens sista vecka med de rättningstimmar du har, eftersom ett autentiserat steg som kollapsar under belastning lämnar dig tillbaka med artefakten.

Poängen kommer sedan. Om en motivering, en utkasthistorik eller en reflektion över ett avvisat AI-förslag inte ger några poäng, produceras den på fem minuter och läses av ingen, och studenterna optimerar för den del som betygssätts. Ge den tillräcklig vikt för att det ska kosta mer att hoppa över steget än att göra det.

Gör redovisning till det billiga valet

Vaga eller straffande policyer driver fram hemlighållande. Specifika deklarationsramverk knutna till kognitiva stadier, parade med en försäkran att sanningsenlig redovisning inte bestraffas, får ut mer information från studenter än övervakning gör (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher, "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education). Designfrågan är vilket svar dina regler gör enklast för studenten som frestas att dölja, och en regel som behandlar en deklaration som en bekännelse har besvarat den illa.

Formuleringen gör det mesta arbetet här. En deklaration som ber studenter kryssa i en ruta och sedan ligger oläst i ett inlämningssystem lär dem att redovisning är teater, och nästa kull lär sig det snabbare. En deklaration knuten till ett stadium av arbetet, som frågar vad verktyget användes till i det stadiet och vad studenten gjorde med utdata, ger dig något du faktiskt kan läsa och ger studenten ett skäl att vara noggrann.

Skriv klausulerna som håller dig borta från en förhandling

Exponering börjar sällan som en rättsprocess. Den dyker först upp som ett internt överklagande eller ett klagomål till en tillsynsmyndighet, och det första som prövas är proceduren. Principen om naturlig rättvisa kräver att en student får veta anklagelsen och ges möjlighet att svara innan något avgörande, och den möjligheten är typiskt ett utredande samtal eller en nämndsintervju vars protokoll blir bevisning. Fynd som nås utan det steget är sårbara även när den underliggande misstanken var rimlig (How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis).

Bevisstandarderna kommer sedan. Fynd om otillåtet hjälpmedel kräver bevisning som når sannolikhetsövervikt, och om ditt ärende inte kan redogöras utan detektorpoängen är ärendet svagt redan på ytan (Heads We Win, Tails You Lose: AI Detectors in Education). När ärendet vilar enbart på stil hör en muntlig verifieringsväg hemma i proceduren, inte i godviljan hos nämndens ordförande.

Omfattningen är det tredje. Generella AI-förbud som inte skiljer transkription och OCR från generativ utformning kan ta bort ett hjälpmedel som studenter med tillstånd som påverkar motorik, handskriftsläsbarhet eller skrivsäkerhet är beroende av, och flera sådana har lagts ned medan AI-transkription fyllt luckan. Det är juridisk exponering likaväl som oprecishet (Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment). Namnge hjälpmedel och transkriptionsverktyg i policytexten.

Upphandlingen är det fjärde. Detektorer lagrar studentarbete på tredjepartsservrar, ibland utomlands under svagare dataskydd, vilket sätter intrång, lagring och vidare kommersiell användning på din institutions riskregister i stället för på leverantörens marknadsföringssida. Villkoren bör omfatta lagring, användning för modellträning, lagringsplats, intrångsavisering och överklaganderätt (Heads We Win, Tails You Lose: AI Detectors in Education). Kunskapsbasens redogörelse för den juridiska exponeringen finns i Rättsliga frågor och risker, och den är ärlig om sina gränser: den dokumenterar procedurer, bevistyper och instruments tillförlitlighet, inte avgjorda tvister.

Det som sänker risken är procedurellt. Behandla aldrig utdata som fristående bevis eller automatisk utlösare. Dokumentera vilken standard din process tillämpar. Ge varsel och en verklig chans att svara i protokollet. Erbjud verifiering när ärendet vilar på stil. Behåll granskningsspåret som visar att allt detta hände.

Testa formuleringen mot fyra fall

Policyspråk faller på de fall som ingen föreställde sig när det skrevs. Kör dessa fyra genom ditt utkast innan det går till kommittén, och notera var texten inte har något svar.

En student som körde ett utkast genom ett översättningsverktyg. Policyn måste säga om översättning räknas som AI-användning, och om det räknas lika för en student som skriver på ett andra språk som för en som skriver på sitt första. Om den är tyst kommer nämnden att improvisera, och improvisationen är där rättviseargumentet börjar.

Någon som använde AI för att göra en disposition och skrev varje stycke själv. Under en regel som frågar om AI rörde arbetet hamnar den studenten i samma kategori som en som genererade hela inlämningen. Under en regel knuten till steg gör de inte det, och du kan säga varför. Den skillnaden är konstrukten, och policyn måste namnge den.

Någon som genererade texten och inte kan förklara den. Det här är fallet din process är byggd för, och det är det som löses utan en detektorpoäng.

En student som använder transkription därför att skrivandet är opålitligt. Namnge hjälpmedel som en separat kategori med egen väg, så att en anpassning inte blir en anklagelse.

Vad administratörer missförstår om detektorer

En leverantörs publicerade falsk-positiv-kvot är en risksiffra du kan budgetera mot. Vanderbilt licensierade en detektor som annonserade en falsk-positiv-kvot på 1 % och försökte sedan validera siffran och kunde inte. Vid 75 000 årliga inlämningar innebar 1 % ungefär 750 felmärkta studenter. Universitetet stängde av verktyget (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). En kvot du inte kan reproducera på din egen korpus är ett marknadsföringstal, och de felmärkta studenterna är fortfarande dina att hantera.

Detektion avskräcker de studenter som annars skulle fuska. Avskräckning går genom detektorns förmåga att skilja dolt bruk från legitimt arbete, inte genom dess råa fångstgrad. När ökad känslighet producerar fler nya falska positiva än nya sanna positiva blir starkare övervakning relativt sett mer lockande för den som vill dölja, så du spenderar trovärdighet på studenter som inte gjort något fel snabbare än du identifierar dem som gjort det (Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education). Krou med fleras metaanalys, citerad i samma översikt, finner att self-efficacy korrelerar negativt med fusk medan faktisk förmåga inte korrelerar omvänt med det alls, så kapabla studenter kan fuska när de bedömer bedömningen som orättvis. Detektion är varken ett tillförlitligt instrument eller en självklar avskräckning (AI-based digital cheating at university, and the case for new ethical pedagogies).

En poäng plus ett par indikatorer summerar till ett ärende. Det gör det inte. Standarden är bevisning som når sannolikhetsövervikt, och poänger kombinerade med markörer, stiljämförelser, LLM-bedömningar eller tystnad når fortfarande inte dit. Ett test värt att tillämpa är om du skulle säga resonemanget högt i en förhandling (Heads We Win, Tails You Lose: AI Detectors in Education).

En detektorlicens kostar mindre än att göra om bedömningen. Licensen är den minsta posten, och den bär dataskyddsexponering, upphandlingsarbete och en permanent ström av överklaganden byggda på ett instrument vars fel är mönstrat efter språklig bakgrund. Lärare beskriver erfarenheten som ”misstanke utan utväg”, så budgetposten som förändrar utfall är verifieringskapacitet och vägledning (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

Ett generellt förbud skyddar institutionen. Alltför omfattande regler kan riva bort en anpassning och bjuda in diskrimineringsargumentet du försökte undvika, eftersom felet de producerar är koncentrerat till identifierbara grupper i stället för jämnt fördelat (Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment, Evaluating the accuracy and reliability of AI content detectors in academic contexts).

Vad som kommer att slå tillbaka mot dig

”Vår leverantör annonserar en falsk-positiv-kvot på 1 %.” Vanderbilts licensierade detektor hävdade exakt det, och påståendet överlevde inte universitetets försök att validera det. Oberoende riktmärken sätter inget verktyg över 80 % noggrannhet (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Be om valideringsstudien och korpusen den kördes på, och be sedan att få köra den själv.

”Vi använder den bara som en del av bevisningen.” Standarden är bevisning som når sannolikhetsövervikt, och en poäng kombinerad med markörer, stiljämförelser, LLM-bedömningar eller tystnad uppfyller den fortfarande inte (Heads We Win, Tails You Lose: AI Detectors in Education). Om nämnden inte skulle acceptera resonemanget sagt högt bör akten inte innehålla det.

”Om vi slutar detektera vinner fusket.” Fusket tar sig redan förbi de här verktygen. 94 % av injicerade AI-inlämningar passerade ett levande onlineprov obemärkta, humanisering besegrar detektion mer än 96 % av tiden, och kontraktsfusk lämnade redan inget tillförlitligt spår. Det detektorer faktiskt fångar, med mätt tillförlitlighet, är ärlig lätt redigering och icke-inhemsk prosa (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI, Why AI Detection Fails for Academic Integrity).

”Vi använder den bara privat, för att starta ett samtal.” Det är den minst skadliga användningen, och den kostar fortfarande något, eftersom de studenter som är mest sannolika att bli flaggade är de som är minst sannolika att missbruka AI. Misstanken landar då på fel personer innan något samtal ens börjat (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Grand Canyons svar var att sluta utgå från misstanke över huvud taget (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

”En student med rent samvete har inget att frukta.” Studien med 642 abstrakt fann riktlinjeenlig lätt redigering flaggad i 38-80 % vid ett tröskelvärde på 0,50, och det kazakiska riktmärket fann 81,4 % och 79,6 % av bevisbart mänskliga passager flaggade av detektorer som de släppts (Why AI Detection Fails for Academic Integrity, Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh). Ett rent register ger inget skydd när signalen är stil. Det är också därför de kazakiska författarna flaggar sina egna utbildningskvoter som studiens svagaste siffra, och därför du inte bör citera dem som en kvot för studentessäer.

”Kan vi inte bara kräva en deklaration och behandla en saknad sådan som skuld?” En saknad deklaration är inte bevis på dolt bruk, och att behandla den som det gör hemlighållande rationellt. Specifika ramverk knutna till kognitiva stadier, med sanningsenlig redovisning skyddad från bestraffning, får ut mer information än övervakning (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher, "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education). Evidensen på den här sidan gäller vad som producerar redovisning. Den säger inget om hur mycket fusk ett deklarationssystem förhindrar.

Vad du ska göra den här veckan

1. Öppna din procedur för otillåtet hjälpmedel och hitta varje plats där en detektorpoäng skulle kunna utlösa ett steg. Skriv en mening som tar bort utlösaren och ta den till den som äger dokumentet.

2. Mejla leverantören för valideringsstudien bakom den annonserade felkvoten, och fråga vilken korpus den använde.

3. Välj din uppgift med högst insatser och lägg till ett autentiserat steg som du hinner rätta.

4. Skriv utkastet till de tre frågor du kommer att ställa till en flaggad student, med början i vad de försökte hävda och hur de kontrollerade det.

5. Skicka upphandlings- och tillgänglighetsklausulerna till kontoret som signerar avtal, med villkoren för lagring, träningsanvändning och intrång utskrivna.

Vart du går härnäst

Designsidan av samma sak är Hur kan jag minska AI-fusk i min kurs?, och Att göra om bedömningen i AI-eran för bedömningsargumentet vidare. Kursens AI-policy täcker hur en kurs-policy formuleras och kommuniceras, och AI-kompetens täcker vad studenter behöver kunna för att arbeta med de här verktygen utan att tappa själva arbetet. Konceptsidorna bakom argumentet är Akademisk integritet, Rättvisa i AI-utbildning och Rättsliga frågor och risker; de detektionsspecifika klausulerna ovan är den institutionella nivån i Utbildningspolitik för AI.