Kupunguza Matumizi Mabaya ya AI

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Kupunguza matumizi mabaya ya AI — vileo vya kubuni, vya mbinu za kufundisha, na vya sera vinavyozuia wanafunzi kuchukua nafasi ya AI ya kizalishaji kwa kazi yao ya kiakili na badala yake kuwaelekeza kwenye matumizi ya maadili, yenye tija. Mbinu zenye ufanisi hupangwa kulingana na athari badala ya umaarufu, na ushahidi wenye nguvu zaidi unapendelea vileo vya kimuundo — Vizuizi vya Usalama za zana na kubuni upya tathmini — vinavyobadilisha mazingira ili matumizi mabaya kuwa magumu zaidi, bila kujali motisha ya mwanafunzi, kuliko vileo vya kielimu vinavyotegemea kujenga uwezo wa kudumu na kukubalika kwa mwanafunzi.

Maswali ya Kutafakari

• Wanafunzi wanaowapa AI kazi za nyumbani wanaweza kuona alama zao za kazi za nyumbani zikipanda huku alama zao za mtihani wa kitabu kifungwa zikishuka. Kabla usome, kwa nini utendaji na kujifunza vinaweza kutofautiana kwa ukali namna hiyo — na pengo hilo linaonyesha nini kuhusu maana halisi ya "mafanikio" na AI?
• Ukurasa huu hupanga uingiliaji kulingana na ushahidi wa sababisha na ufikikaji, na huweka vileo vya kimuundo (vizazi za zana, kubuni upya tathmini) juu ya vileo vya kielimu (kufundisha mazoezi mazuri) — hasa kwa sababu vileo vya kimuundo hufanya kazi bila kujali motisha ya mwanafunzi. Unakubaliana kwamba kubadilisha mazingira kunashinda kubadilisha mawazo? Hatari ya kutegemea kila moja ni ipi?
• Kocha wa "dokezo-si-jibu" aliye na vizazi aliondoa madhara ya kujifunza ambayo yule asiye na vizazi alikuwa ameyasababisha, ingawa wote wawili walionekana kuwa wa msaada. Fikiria zana ya kujifunza uliyoiona ikitoa majibu kwa urahisi kupita kiasi. Mstari kati ya dokezo linalotoa ngazi za msaada na jibu linalochukua nafasi uko wapi — na waweza kulitamka kabla usome?
• Marekebisho yenye nguvu zaidi yanajumuisha kubuni upya tathmini: mitihani ya darasa bila msaada, utetezi wa mdomo, vitu vya mchakato, hoja zikizingatiwa zaidi ya ufasaha wa uso. Ungehisije kama ungechukua kozi inayokadiriwa kwa njia hii, na hisia hiyo inakuambia nini kuhusu kwa nini hili ni lever yenye ufanisi na isiyopendwa?
• Miundo ya matangazo ya matumizi ya AI inayowalazimisha wanafunzi kupanga ramani ya matumizi yao kwa vigezo vya kiakili (kupanga dhidi ya kuzalisha maudhui) inahamisha msisitizo kutoka ulinzi kwenda mazoezi ya kitaalamu. Je, unafikiri tafakari kama hiyo inajenga hukumu bora kweli, au inawafundisha wanafunzi tu kuelezea matumizi mabaya kwa ujanja zaidi?
• Weka lengo kabla usome: tambua mabadiliko moja halisi katika kozi yako mwenyewe au mtiririko wa kazi ambayo ingefanya matumizi mabaya ya AI kuwa magumu zaidi, na moja ambayo ingefanya matumizi yenye tija kuwa rahisi zaidi. Kila moja itakuwa ya daraja gani kati ya zile za ukurasa huu?

Utangulizi

Dhana hii inategemea ushahidi kwamba matumizi mabaya ya AI yanaharibu kujifunza kwa kudumu — pengo la utendaji–kujifunza lililorekodiwa katika Matumizi Mabaya ya AI na Madhara ya Kujifunza — huku yakipandisha utendaji wa papo hapo. Uingiliaji kwa hivyo unalenga michango ya madhara hayo: kunakili majibu, Kupunguza Mzigo wa Kiakili, kupungua kwa motisha, na kusukuma kando kwa kujifunza. Hayategenei kwa njia ya pamoja kwa kila moja; mbinu thabiti inaunganisha sakafu ya kimuundo na ujenzi wa uwezo wa kielimu.

Kwa nini vileo vya kimuundo vinaomuhimu zaidi

Uingiliaji vinaweza kupangwa kulingana na ushahidi wa sababisha × ufikikaji wa kimuundo × uwezo wa kupanua × Uendelevu. Kwa msingi huu, vileo viwili vya kimuundo vimepangiwa juu zaidi kwa sababu hufanya kazi iwe au iwe wanafunzi wanachagua tabia sahihi — vinazuia mazingira badala ya kutegemea motisha ya ndani. Vileo vya kielimu ni muhimu lakini vina ufanisi tu wanafunzi wanapovikubali, hivyo vinachukuliwa kama daraja la pili licha ya ahadi yao ya dhana. Coates, Croucher na Calderon (2025) wanasukuma hoja ya kimuundo hadi ngazi ya juu, wakitendea utawala badala ya tabia ya mwanafunzi kama kizuizi kinachofunga, na kupendekeza mfumo wa viashiria 130 vya uadilifu ili watawala wa kitaaluma waweze kuona kama tathmini ni halisi, kama wanafunzi wanatambulana binafsi na walimu wanaowatathmini, na kama uadilifu unaonekana katika mapokezi na uelekezaji. Maboresho yao yanalenga miundo ya utawala, watu, na teknolojia na rasilimali, na wanapendekeza kukopa utekelezaji wa red teaming kutoka usalama wa mtandao ili kufichua udhaifu wa tathmini kabla ya wanafunzi kuwapata — ukumbusho kwamba sakafu ya kimuundo inadumishwa na taasisi ambazo zinahitaji habari na mapenzi ya kuidumisha.

Daraja la 1 — Imethibitishwa moja kwa moja kupunguza madhara ya kujifunza

Ubuni wa zana za AI zilizo na vizazi ("dokezo-si-jibu" Ngazi za Msaada). Katika ugunduzi wenye nguvu zaidi wa sababisha katika hifadhi hii ya maarifa, Jaribio la Nasibu lililodhibitiwa (RCT) ya uwanja ilionyesha kuwa kocha mtindo wa ChatGPT bila vizazi lilipandisha utendaji wa mazoezi yanayosaidiwa +48% lakini ilipunguza alama za mtihani bila msaada −17%, wakati kocha aliyekuwa na vizazi (dokezo badala ya majibu, pamoja na taarifa za matatizo zilizoandikwa na mwalimu) iliondoa madhara kabisa. Hii huzuia kwa njia ya mitambo tabia ya "mgongo" ya kunakili majibu inayo nyuma ya uharibifu. Shughuli zinajumuisha mafunzo ya dokezo-si-jibu, kupanda ilani kwa majibu sahihi na Dhana Potofu Kuhusu AI za kawaida, na kuhitaji jaribio la mwanafunzi kabla ya matokeo ya AI kufichuliwa.

Kubuni upya tathmini (vipimo vinavyostahimili AI + bila msaada). Kwa sababu madhara ya matumizi mabaya hutegemea tathmini — yakijitokeza katika vipimo vilivyo na uangalizi, vitabu vya kufungwa, na bila msaada huku yakipandisha kazi za kawaida zilizokadiriwa — kubadilisha kile kinachohesabiwa kama mafanikio kunazuia matumizi mabaya na kuyafichua. Shughuli zinajumuisha mitihani ya darasa bila msaada na utetezi wa mdomo, kuhitaji vitu vya mchakato (dira, tafakari, hoja zilizobainishwa), kuzingatia hoja zaidi ya ufasaha wa uso, na kutenga maeneo bila AI. Ivory et al. (2026) wanatoa mahitaji ya kitu cha mchakato chombo halisi: historia za matoleo zilizoamriwa na nyaraka za uchanganuzi zinazoweza kurudiwa, ili uwasilisho unaoshukiwa uweze kuchunguzwa kama ratiba ya jinsi kazi ilivyoendelea, na kiasi cha nyenzo za kubuni ambazo mwanafunzi angehitaji kuzalisha kinapanda zaidi sana kuliko yale anayookoa kwa kuajiri nje. Ushahidi wa uwanja wa kiwango kikubwa unasisitiza hili: Strömberg, Lei, na Wu (2026) waligundua kuwa kuajiri nje kazi za nyumbani kulipandisha alama za kazi za nyumbani 18% huku likipunguza alama za mtihani wa kitabu kifungwa 20% — hasa ishara ambayo vipimo bila msaada, vilivyo na uangalizi, vimeundwa kufichua, na utafiti unapendekeza kupima tathmini ya mtu-mtu wa kitabu kifungwa kwa uzito zaidi. Leaton Gray, Edsall na Parapadakis (2025) wanatoa mantiki iyo hiyo taarifa yao ya wazi zaidi ya kuzuia uhalifu wa hali, wakidai kwamba kushindwa ni mali ya tathmini ambazo mfano unaweza kujibu kwa njia inayoshawishi badala ya wanafunzi, na kuripoti kesi ambapo mbinu 25 za kuzuia zilitumika kwenye capstone ya biashara ya Australia — mwingiliano wa wanafunzi uliofuatiliwa, ugunduzi wa alama nyekundu za kazi yenye utaalamu kupita kiasi, upangaji upya wa timu kwa nasibu, mitihani ya kila wiki ya darasa iliyo na uangalizi, notisi za kuondoa kwa nyenzo za kozi wanafunzi walizokuwa wamezichapisha — zilikata visa vya makosa kutoka 183 hadi 27 ndani ya mwaka mmoja. Mapendekezo yao ni ya motisha badala ya uchunguzi: panda madhumuni yanayoonwa ya tathmini, jenga Uwezo Binafsi, na ongeza gharama ya kijamii inayoonekana ya udanganyifu, huku waandishi wakionya kuwa kushughulikia moja au mbili tu kati ya tatu kutashindwa, yanayosaidiwa na maboresho matano mahususi ya taaluma yanayogeza mitihani ya kutatua matatizo yenye muda kuwa utatuzi wa matatizo wa kitabu wazi na tafakari iliyoandikwa juu ya mchakato wa mwanafunzi mwenyewe, insha za mashirika kuwa miradi ya utafiti ya kihifadhi ya ushirikiano, na folda za elektroniki kuwa michango ya kubuni inayokaguliwa na marika ya kurudia.

Vileo vya kimuundo vina mkono wa utekelezaji, na msingi wake wa ushahidi ni dhaifu zaidi kuliko ufikikaji wake unaonyesha. Munoz et al. (2026) waliweka kodi za visa 1,162 ya makosa ya AI ya kizalishaji na waligundua kuwa ushahidi unaonukuliwa zaidi mara wakati wa shutuma — matokeo ya kivinjari, ripoti za kufanana, mifumo ya maudhui ya kawaida ya AI — ulikuwa na thamani ndogo zaidi ya ushahidi, huku kukiri, tabia ya mtihani iliyoonekana na marejeleo ya kubuni yaliyothibitishwa kwa njia huru yakiwa na nguvu zaidi; kwa sababu taratibu za taasisi hazuaweki kizingiti cha chini cha ushahidi, ubora wa ushahidi haukuwa na uhusiano wa kuaminika na matokeo ya visa, na wanafunzi ambao visa vyao vilitegemea ushahidi mwembamba walikuwa na njia kuu ya rufaa tu. Wright (2026) anaonyesha gharama ya pili ya kutokuwa na usahihi huo huo: marufuku yaliyoandikwa kuzunguka "AI ya kizalishaji" badala ya kazi huchukua zana ambazo hubadilisha tu muundo wa kazi ambayo mwanafunzi tayari ameandika, hivyo matumizi ya kunakili peke yake yanaweza kuadhibiwa kama makosa — ujumuishaji kupita kiasi ambao unaangukia kwa nguvu zaidi kwa wenye ulemavu na Wanafunzi wanaohusika na usawa na haufanyi kitu kwa uhalali. Harerimana, Mtshali na Mchunu (2026) wanaongeza kuwa uangalizi wa mbali, udhibiti wa uadilifu unaotumika kwa upana zaidi, hutegemea kesi yake ya kuzuia jinsi wanafunzi wanasema wanavyojisikia badala ya kupungua kwa makosa, na hutoa wasiwasi, hasara ya umakini na utengano unaohusiana na miundombinu ambao haionyeshwi kujibiwa na matumizi mabaya ya chini. Li (2026) anaongeza kipengele cha kubuni sheria: kwa sababu kiolesura kile kile hufanya uhariri wa lugha unaoruhusiwa na uandishi wa msingi unaopigwa marufuku, sheria za GenAI zisizo na utofautishaji hutoa mizigo ya kufuata iliyoinamisha kwa kikundi kwa wanafunzi wanaotumia Kiingereza kama lugha ya ziada, hivyo kuzuia kunakoweza kutetea zaidi ni mpaka wa msaada-msingi unaotegemea kusudi, unaoegemezwa katika ujenzi wa tathmini, na ufichuzi uliosawazishwa, uwiano uliopangwa kwa hatua kati ya vizingiti, ushahidi na maamuzi ya adhabu, na vileo vya kubuni — uwasilishaji kwa hatua, uthibitishaji wa mdomo mfupi unaolingana na ujenzi, maswali yanayotegemea uhakiki — yakifanya kazi ambayo kugundua hakuwezi. Kuzuia pia lazima kufunike mgawanya yenyewe: tathmini ya red-team ya Humble (2026) iligundua kwamba mbili kati ya mbinu tano za kupindukiza ilani zilizojumuishwa katika faili ya uwasilisho zilipandisha insha iliyoshindwa hadi kufaulu bila kugunduliwa, kwa viwango vya mafanikio vilivyoripotiwa vya 100% na 94%, hivyo pale zana za AI zinapokadiri kazi ya wanafunzi, mapitio ya binadamu, kutenganishwa wazi zaidi wa maagizo na maudhui yaliyowasilishwa na upimaji wa ustahimilivu ni mali ya sakafu ya kimuundo badala ya daraja la hiari.

Daraja la 2 — Msaada mkubwa wa mfumo, uwezo wa juu

Mlolongo wa matumizi yenye ngazi za msaada: fikiri kwanza, AI pili, tafakari tatu. Kanunu nane za kubuni za kuunganisha LLM bila kusukuma kando Ufikiri Mahususi: dumisha msuguano wa kiakili, weka AI kama mwenzi wa fikiri wa muda badala ya mamlaka, jumlisha vituo vya kutathmini, hitaji metaji na kumbukumbu za ilani, na sawazisha awamu zinazoendeshwa na AI na zisizo na AI. Ushahidi wa uhusiano (kazi huru kabla ya AI huzalisha matokeo yenye nguvu zaidi) ni mkubwa; ni toleo kamili la kielimu la Daraja la 1.

Ujuzi wa AI na ujuzi wa kutoa ilani na mazoezi ya makusudi na Maoni ya papo hapo. Moduli ya K-12 inayotumia mazoezi ya kutoa ilani yanayotegemea hali na Mifano Mikubwa ya Lugha (LLM) ya kukadiria-kiotomatiki iliboresha ujuzi halisi wa kutoa ilani na ilipandisha ujasiri wa kutumia AI kwa kujifunza +10.4%, huku 87% wikiripoti kwamba walijifunza jinsi ya kutumia AI kwa uwajibikisho. Onyesho la kupata ujuzi; swali wazi ni kama hivi hubadilika kuwa matokeo ya kujifunza ya chini ya mtiririko. Pia inashughulikia pengo la usawa katika ufikikaji wa awali wa AI.

Miundo ya matangazo ya matumizi ya AI yaliyo na muundo. Kubadilisha visanduku vya kuagiza vya jumla vya "Nilitumia AI" na matangazo ya mahususi ya taaluma ambayo hupanga ramani ya matumizi kwa vigezo vya kiakili (kupanga muundo dhidi ya kuzalisha maudhui) hulazimisha tafakari juu ya mchakato wa kujifunza na kubainisha mpaka kati ya msaada unaokubalika na makosa, ikihamisha msisitizo kutoka ulinzi kwenda mazoezi ya kitaalamu.

Vileo vya kielimu vinaonekana tofauti tena mara uadilifu unapotendewa kama mazoezi ya kufundishwa badala ya sheria ya kutekelezwa. Sharma (2026) anadai kwamba miundo ya uadilifu inayotegemea kugundua na kuthibitisha hailingani na kazi iliyoongezwa na GenAI, na anafafanua upya uadilifu kama mazoezi ya kielimu yanayotekelezwa kupitia hukumu ya kutathmini — uwezo wa mwanafunzi wa kupima chaguo, kuhalalisha chaguo za kitaaluma na kuchukua uwajibikisho chini ya hali ya kutokuwa na uhakika — yanayofanywa yaonekana kupitia vitu kama njia za maamuzi zilizobainishwa, uthibitishaji uliorekodiwa, utetezi wa mdomo na historia za matoleo ya dira-hadi-dira, huku kugundua kikishushwa hadi tabaka moja la nyongeza badala ya miundombinu ya msingi. Mulisa na Mezgebu (2026) wanapata ufunguzi ule ule kutoka upande wa wanafunzi: katika mahojiano 27 katika chuo kikuu cha Ethiopia, matumizi yalikuwa ya karibu ya jumla, washiriki wengi walimshukuru GenAI kwa kupandisha mafanikio yao, na malalamiko makali zaidi yalikwenda njia nyingine — watumiaji wa AI wakipata alama za juu ya wafanyakazi huru wa bidii, ambao washiriki waliyaona kama ya kudhoofisha motisha. Waandishi wanahitimisha kuwa imani za wanafunzi zinatabiri matumizi ya maadili kwa nguvu zaidi kuliko sheria za taasisi, hivyo ufahamu, sera wazi na kubuni upya tathmini lazima vifike pamoja — ambao ni daraja la kielimu la ukurasa huu limeelezwa kama sharti: ujenzi wa uweza unabadilisha tabia tu kupitia kukubalika kwa mwanafunzi kuchukuliwa pamoja na sakafu ya kimuundo. Mapitio ya upeo ya Ji (2026) ya masudio 38 ya sauti za wanafunzi yanatoa toleo la uwanja la hitimisho lile lile: masudio yaliyokaguliwa yanakubaliana juu ya mabadiliko kutoka kugundua kwa nyuma hadi hoja za maadili za kimbele, juu ya kufundisha maadili ya AI na wizi wa kitaaluma ya AI katika mtaala badala ya vipindi vya ujuzi vya mara moja, na juu ya miongozo ya kina iliyounganishwa na viongozi, wataalam na wanafunzi, kwa sababu miongozo isiyo wazi husomwa kama idhini ya kimya badala ya tahadhari. Kusoma kwao kwake ni kuwa umilikaji na hoja za maadili zinafanya wanafunzi wapende kufanya zaidi ya hofu ya adhabu, na kuwa wanafunzi ni si wapokeaji wa kupita tu wa GenAI wala wahalifu bila kizuizi cha maadili bali mawakala wa maadili wanaofanya kazi katika eneo la kijivu — dhana hii ya daraja, imeelezwa kama ugunduzi.

Daraja la 3 — Yenye ahadi, ushahidi mdogo wa moja kwa moja wa sababisha

Uingiliaji wa metaji na tathmini binafsi. Magazeti ya tafakari, kumbukumbu za ilani, na mafunzo ya usawazishaji hujenga upya "msingi wa kiakili uliopotea" wa wanafunzi wenye utamaduni wa AI ambao hawawezi kutambua mpaka wao wenyewe wa kiakili kwa sababu ufasaha unaozalishwa na AI unauficha. Ni muhimu kwa dhana lakini bado haujapimwa kwa njia ya sababisha.

Kubuni upya motisha. Kwa sababu upatikanaji wa AI hupunguza motisha huru ("kwa nini nijitolee juhudi?"), kuunda upya kazi kuzunguka malengo ambayo AI haiwezi kuyatimiza na kuzunguka wakala wa mwanafunzi hulenga moja kwa moja kupungua kwa kudumu ambayo huongeza madhara ya moja kwa moja.

Ujuzi mahususi wa AI. Mfumo wa nguvu-maarifa unaowafundisha wanafunzi kuchunguza, kupinga, na kushiriki katika utawala wa AI badala ya kutumia tu. Wa muda mrefu, unaozingatia usawa, na wa kimuundo katika malengo yake, ingawa athari zake za kujifunza ni za karibu hazijapimwa.

Kutambua kubembeleza ili kuzuia kukubalika bila uhakiki. Kwa sababu AI inayobembeleza inathibitisha badala ya kupinga mtumiaji, ni njia ya moja kwa moja ya matumizi mabaya: wanafunzi wanaopokea makubaliano ya kuthibitisha kwa mawazo yasiyo sahihi wanahimizwa kuchukua nafasi ya AI kwa kazi yao ya kiakili. Kubembeleza kulingana na muktadha kinaonyesha kuwa ujuzi wa AI na mafunzo ya kutoa ilani yanapunguza lakini hayatokomei mzunguko wa makosa, hivyo kuzuia matumizi mabaya lazima kuunganishe mafunzo ya kutambua ya kielimu na ubuni wa msuguano wa marekebisho wa ngazi ya mfumo (tazama vizazi vya Daraja la 1).

• Msuguano wenye tija na kazi ya kielimu. Mapitio ya haraka ya Sydney yanadai GenAI hupunguza kujifunza inapowaruhusu wanafunzi kupita msuguano wa kiakili/metaji unaohitajika kujifunza, na kwamba zana zilizobuniwa kwa makusudi zinaleta msuguano wenye tija (kuzuia majibu, kuhitaji maelezo). Inatofautisha kazi nne za kielimu — kujifunza kutoka, pamoja, kuhusu, au kwa kuunda GenAI — kila moja ikiwa na mahitaji tofauti ya wakala na tathmini.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

Dhana Zilizounganishwa

• Matumizi Mabaya ya AI na Madhara ya Kujifunza
• Kupunguza Mzigo wa Kiakili
• Uadilifu wa Kitaaluma
• Tathmini
• Ujuzi wa AI
• Ngazi za Msaada
• Kujifunza kwa Kujidhibiti
• Metaji (Kufikiri Kuhusu Kufikiri)
• Motisha
• Uhandisi wa Ilani (Prompt Engineering)
• Kubembeleza kwa AI
• Urekebishaji wa Uaminifu
• Kuelekeza Matumizi ya AI kwa Wanafunzi
• Kujisalimisha kwa Kiakili

Makala Zilizounganishwa

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Njia za ushahidi za vidhibiti vya matoleo na nyaraka za uchanganuzi zinazoweza kurudiwa kama vizuri vya kuzuia matumizi mabaya (Ivory et al. 2026)
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — GenAI Bila Vizazi Inaweza Kudhuru Kujifunza
• Distinguishing performance gains from learning when using generative AI — Kutofautisha Faida za Utendaji na Kujifunza
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Skela ya Tathmini ya AI na Maboresho ya Tathmini
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Ngazi za Msaada za Ufikiri Mahususi na AI ya Kizalishaji
• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Kujifunza Kutumia AI kwa Kujifunza (Moduli ya Ujuzi wa AI ya K-12)
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Kuunda Uwazi: Miundo ya Tangazo ya GenAI
• The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — Msingi wa Kiakili Uliopotea
• AI Literacy: An Exercise in Power-Knowledge — Ujuzi wa AI: Mazoezi ya Nguvu-Maarifa
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — Gharama ya Fiche ya Kubembeleza Kulingana na Muktadha: uingiliaji wa ujuzi wa AI
• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — AI inayobembeleza inafanya mwingiliano wa binadamu uonekane wenye juhudi zaidi na wenye kuridhisha kidogo kwa muda
• Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity — Ujenzi wa utamaduni na kubuni upya tathmini kuliko ulinzi wa kugundua
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Kusikitika kwa kiakili, msuguano wenye tija, na kutokuwa na usawa kwa metaji
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Kuzingatia upya mitihani ya mdomo kama tathmini halisi, inayostahimili AI
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — Adhabu ya kujifunza ya AI ya kizalishaji: kuajiri nje kazi za nyumbani kunadhuru kujifunza
• Modeling AI Overreliance as a Complex Adaptive System — Kutegemea kupita kiasi AI kimefuatiliwa kama mfumo tata unaobadilika
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — Vizugi vilivyoondolewa vilitoa uharibifu bila kuboresha alama za mtihani
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Faili za shutuma za makosa zinajumuisha nini kama ushahidi
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Sheria za AI za ujumuishaji kupita kiasi na wanafunzi wanaozinaswa
• Educational integrity in GenAI-augmented assessment: making judgment visible — Uadilifu kama hukumu ya kutathmini badala ya kufuata
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Wanafunzi juu ya kama GenAI ni zana ya udanganyifu au mwenzi wa kujifunza
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Uangalizi wa mbali huwatendea nini wanafunzi, na usawa
• AI-based digital cheating at university, and the case for new ethical pedagogies — Kuzuia uhalifu wa hali dhidi ya udanganyifu unaorahisishwa na AI: visa 183 hadi 27, na maboresho matano mahususi ya taaluma (Leaton Gray, Edsall & Parapadakis 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Masudio 38 ya sauti za wanafunzi yanapendekeza nini: uwazi ulioundwa pamoja na hoja za kielimu kuliko kugundua (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Msaada wa lugha unakwenda hadi wapi na uingizaji unaanzia wapi kwa waandishi wa EAL (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Kupindukiza ilani kama njia ya matumizi mabaya dhidi ya ukadiriaji wa AI (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Utawala kama kizuizi kinachofunga uadilifu: mfumo wa viashiria 130 (Coates, Croucher & Calderon 2025)