Mila ya Matumizi ya AI

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

Mila ya matumizi ya AI — kanuni zisizo rasmi, zinazotumika mahali hapo, zinazoamua lini wanafunzi na waelimishaji wanaweza kutumia AI ya kizalishaji, kwa uwazi gani wanaweza kukiri kuitumia, na nini kinahesabiwa kuwa wizi katika mazoezi badala ya katika sera. Corpus ni nyembamba kuhusu mila kama mada na nzito kuhusu michakato inayozalisha mila hizo. Wanafunzi hawawezi kubaini kwa uaminifu matumizi ya AI ya kila mmoja: mlinganyo wa wastani kati ya makadirio ya mtu anayetambua na wasifu wake mwenyewe wa matumizi ulioripotiwa ulikuwa r = .73 katika vipindi vyote viwili, na usahihi wa kiwango cha aina ya matumizi ya AI ulikuwa r = .34 katika kipindi cha pili. Aibu na hatia zinaudhibiti uwazi badala ya matumizi, zikizalisha kujificha na kufichua kwa uteuzi badala ya mabadiliko ya tabia. Mila za kitaaluma zinatofautiana kwa kiasi kikubwa: kazi zilizounganishwa na AI zilitokea katika mitaala 27% ya biashara na 5% ya mitaala ya sayansi za kibinadamu katika kozi 31,000. Na fasihi ya Maadili rasmi inaelekeza mila chache zaidi na zisizo na hatua za vitendo zaidi kwa watumiaji wa mwisho, ikimaanisha kuwa watu wanaotiwa mila za darasa wako hasa katika nyaraka zinazozijadili.

Maswali ya Kutafakari

• Kama wanafunzi hawawezi kujua ni nani anayetumia AI, kanuni zisizo rasmi zimetegemea nini hasa?
• Mila za AI hutoka wapi taasisi inapokuwa haina sera, au wakati sera inakinzana na kile waelimishaji wanaosema darasani?
• Kwa nini mwanafunzi ambaye hajawahi kutumia AI angeripoti hatia zaidi kuhusu matumizi hayo kuliko mwanafunzi anayetumia kila wiki?
• Aibu hufikia nini ambao sera haiwezi, na kwa gharama gani kwa kuomba msaada?
• Ufuatiliaji hubadilisha tabia, au uwazi wa tabia hiyo tu?
• Mila za nani zinatawala katika kazi ya kikundi, na nani huchukua gharama ya tabia za pamoja za kikundi za AI?
• Je, wanafunzi wanapaswa kushiriki kuandika mila wanazotakiwa kuzitekeleza?

Utangulizi

Udhibiti wa AI katika Elimu ya AI katika elimu yanaingia kama sera: taarifa za matumizi yanayokubalika, vifungu vya mitaala, taratibu za kugundua, mifumo ya usimamizi wa mitihani, kanuni za heshima. Kila kile wanafunzi wanachopata kweli, hata hivyo, kiko chini ya tabaka hilo. Mwanafunzi mwenzako ambaye hajawahi kutaja kutumia ChatGPT, mwalimu anayesema "Sijali jinsi unavyoandika" kisha akikizuia katika mtaala, kikundi cha kusoma ambacho kimenyamaza kimeamua ni nini kinafaa, idara ambapo kila mtu anadhani mkunjo wa alama umebadilika tayari. Hizi ni mila: matarajio ya pamoja kuhusu tabia inayokubalika, yanayotumika kwa kupitishwa, kukataliwa, na hatari ya kuonekana.

Ukurasa huu unakusanya kile msingi wa ushahidi unasema kuhusu tabaka hilo. Inafaa kutenganisha kwa uangalifu, kwa sababu "mtaala uliofichwa" mara nyingi hutumika bila ukwasi kumaanisha kitu chochote kisicho rasmi. Hapa somo ni jembamba zaidi: kanuni zinazofanya kazi kuhusu matumizi ya AI, jinsi zinavyoundwa, jinsi zinavyotumika, na jinsi uhusiano ni dhaifu kati yao na kanuni zilizoandikwa. Corpus ina karibu hakuna utafiti unaopima mila moja kwa moja, ambao yenyewe ni utafiti. Kile inacho ni ushahidi unaojirudia kuhusu michakato: kubaini, kufichua, hisia, na tofauti ya kitaaluma inayounda kile mila ya mahali hapo inaweza kuwa.

Wanafunzi wanaamini nini kuhusu kila mmoja

Mila zinahitaji habari kuhusu tabia ya watu wengine, na habari hiyo ni mbaya zaidi kuliko wengi wa waelimishaji wanavyodhani. Utafiti wa jozi za wanafunzi ulifuatilia jinsi wanafunzi wanavyohukumu kwa usahihi matumizi ya AI ya mshirika katika vipindi vya upangaji programu kwa jozi. Dhidi ya wasifu wa matumizi ulioripotiwa na kila mshirika mwenyewe, mlinganyo wa wastani ulikuwa r = .73 katika vipindi vyote viwili, wa juu vya kutosha kuhisiwa kama maarifa na wa chini vya kutosha kufanya makadirio mengi ya mtu binafsi kuwa ya makosa. Usahihi wa kiwango cha aina ya matumizi ya AI ulikuwa r = .34 katika kipindi cha pili, na timu 25% zilipata uhaba wa uwezo wa kuhukumu wanachama wao kwa wakati.

Maelezo mawili ni muhimu kwa mila. Kwanza, kupungua kwa kutolingana hakukupungua na kazi za ana kwa ana zinazojirudia. Ujuzi haukuzalisha usahihi, ambayo inadhilifu dhana kwamba mila hutulia kadiri vikundi vinavyoelekeana. Pili, suluhisho lililopendekezwa na waandishi lilikuwa la kimuundo badala ya la mitazamo: historia za pamoja za ilani, maelezo ya matumizi ya AI, au rekodi zinazoonekana kwa marika za kazi zilizosaidiwa na AI. Kufanya matumizi ya AI yaonekane ni mradi tofauti na kufanya wanafunzi wawe waaminifu zaidi au wenye ufahamu zaidi kwayo, na ni mradi wa kwanza tu unao na ushahidi nyuma yake.

Uwazi, aibu, na kufichua kwa uteuzi

Kama marika hawawezi kuona matumizi ya AI kwa usahihi, basi kanuni zinazojitokeza kuzunguka yanatumika hasa kupitia hatari ya kijamii. Utafiti wa mahojiano na wanafunzi 19 wa kompyuta ulichunguza aibu na hatia kama wadhibiti wa kijamii na ukagundua kuwa yanadhibiti kufichua badala ya matumizi. Wanafunzi walielezea tabia za kujificha na kufichua kwa uteuzi, na waliripoti kujiaibisha wenyewe, marika zao, na wataalam wao. Matokeo hasi muhimu ni kwamba hisia hizi zilikaa pamoja na matumizi ya kuendelea ya AI, zikizalisha mizunguko ya kupungua kwa Wakala wa Mwanafunzi na mvutano wa maadili badala ya kumshawishi mtu yeyote kuacha.

Mtindo huo unaelekeza upya norm kutoka "tumia au usitumie" hadi "kiri au usikiri." Darasa linaweza kuwa na norm kali ya kupinga AI kwa karatasi, matumizi ya kueneza katika mazoezi, na usawa wa kimya katikati, bila mtu yeyote kuchanganyikiwa kuhusu kile kanuni inasema. Inatabiri pia mahali gharama inaangukia: kwa wanafunzi ambao ni wanaoweza kidogo zaidi kudhibiti hatari ya kijamii, na kwa wanafunzi ambao matumizi yao yanayoonekana yana matokeo tofauti.

Upande wa mwalimu wa hisia ile ile unaweza kupimwa. Utafiti wa wataalam ukitumia Kipimo cha Hatua Nne cha Hatia ya AI (Cronbach's alpha = 0.88) kiligundua hatia ya kutabiriwa ikipita toba iliyopata: alama ya wastani ya kipimo ilikuwa 2.39 (SD = 1.01), na washiriki 22.9% walikuwa juu ya katikati. Wasiotumia AI waliripoti hatia ya juu zaidi (M = 3.25, SD = 1.04, n = 8) kuliko watumiaji (n = 101, M = 2.32, SD = 0.97), t(8.39) = 2.00, p = .078, na kipengele cha toba kiligawanya vikundi kwa ukali zaidi, t(7.79) = 2.44, p = .041. Uchanganuzi wa makundi ulizalisha profaili nne: Waokaji wenye Faraja (26.6%), Wasiotumia wenye Hatia (29.4%), Watumiaji wenye Uangalifu (28.4%) na Waepukao wenye Huzuni ya Maadili (15.6%), na tofauti zilithibitishwa kwa hatia, F(3, 105) = 22.13, p < .001, eta-squared = 0.39.

Norm inayowafanya watu ambao hawajatenda wahisi hatia inafanya kazi yake kupitia kutabiriwa. Hilo ni mchakato wa kweli wa udhibiti, na haionekani kwa ukaguzi wowote wa sera unaoangalia tu kile wataalam na wanafunzi wanafanya.

Kitabu cha kanuni za mahali hapo: taaluma na madarasa

Mila ni za mahali hapo, na ushahidi juu ya jinsi zilivyo za mahali hapo ni wa kipekee kwa uwazi. Uchanganuzi wa mitaala 31,000 ya kozi uligundua kuwa kazi zilizounganishwa na AI zilitofautiana kutoka 27% katika biashara hadi 5% katika sayansi za kibinadamu. Utofauti sio pengo la kuzingatia sera; unaakisi maamuzi tofauti ya kitaaluma kuhusu kile kazi ni, ni mazoezi gani yanathamaniwa, na ujuzi upi cheti kinapaswa kuthibitisha. Mapendekezo ya waandishi yanategemea hilo: wapa waelimishaji uhuru ndani ya mila za kitaaluma badala ya kutoa maagizo yanayofaa kila mtu, kwa sababu agizo lingelazimika kuandikwa kwa wastani ambao haupo.

Tabaka la darasa linaweza pia kukinzana na tabaka la hati katika kozi ileile. Mahojiano na wanafunzi wa masoko yaligundua mila za marika na "kubaki na wengine" zikisukuma kupitishwa, na maneno ya mdomo yakitajwa kuwa matangazo makubwa zaidi ya AI, yanayoendelezwa na hofu ya kuachwa. Utafiti ule ule ulirekodi kushindwa ambacho waelimishaji watautambua: madarasa mengine yalihitaji AI wakati mtaala ulikuwa umeukataza, na kuhamasisha kwa mwalimu darasani hakukuendelea hadi katika sera iliyoandikwa. Yakiwa haya mawili hayapatani, wanafunzi wanachukulia norm inayosemezwa kama ile inayofanya kazi, na mtaala kama deni linalodhibitiwa.

Kazi ya kikundi ni mahali mila zisizo rasmi zinapofanya kazi nyingi zaidi, kwa sababu kipimo kinachopewa alama ni cha pamoja. Utafiti wa walimu 52 wa mapema wa huduma katika vikundi 15 vya mazungumzo vilivyolengwa ulibaini mitindo tofauti badala ya mstari mmoja wa shauku-hadi-kuepukika, na vikundi vikijadiliana kile kilichohesabiwa kuwa msaada halali kwa kukosekana kwa kanuni ya pamoja. Mwanafunzi yeyote aliyeona kikundi kikinyamaza kimeamua matumizi ya AI ya mmoja wa wanachama anaona norm ikiandikwa kwa wakati halisi, bila mchakato wa sera na kwa kawaida bila rekodi.

Maadili rasmi, mila za kila siku

Fasihi ya kitaalamu juu ya maadili ya AI na norm ya darasa ambayo inapaswa kuifikia zinatengana, na pengo limedhibitishwa. Mapitio ya kimfumo ya maadili na mila yalitoa mila kutoka makala 15 na kuziweka kwenye seti nne za wadau kutoka Smuha (2022). Wasanidi walipata mila nyingi zaidi, wakifuatiwa na taasisi za elimu na wadhibiti. Watumiaji wa mwisho walipata chache zaidi na zisizo na hatua za vitendo zaidi, bila mila zinazoshughulikia wanafunzi moja kwa moja juu ya kutokubagua, usimamizi wa data, au ufaafu wa kielimu, na sauti za wanafunzi zikiwa hasa hazipo katika nyenzo.

Matokeo ni fashti inayobainisha wajibu kwa watu wanaojenga na kununua AI, na kuwaachia watu wanaoishi nayo darasani kupata kanuni zao wenyewe. Hilo ni maelezo yanayoweza kuthibitishwa kwa nini mila wanazozieleza wanafunzi, kama katika utafiti wa aibu na hatia, ni mara nyingi kuhusu uwazi na umaarufu badala ya kuhusu maadili ambayo nyaraka za maadili zinayataja. Mifumo hiyo miwili inadhibiti vitu tofauti.

Kwa nini ufuatiliaji hautatui mila

Wakati taasisi zinajaribu kubadilisha mila zisizo rasmi kwa ufuatiliaji rasmi, ushahidi ni thabiti na usio na sifa nzuri. Utafiti wa vipindi vinne vya wanafunzi 1,760 katika kozi 105 uligundua kuwa usimamizi wa mitihani mtandaoni uliongeza kwa kiasi kinachoweza kuthibitishwa wasiwasi wa mtihani, na haukuwa na athari juu ya jaribio la wizi. Haikubadilisha pia ugumu unaohisiwa au utendaji wa mtihani. Gharama ya wasiwasi ilikusanyika kati ya wanafunzi ambao tayari ni wenye hatari, ikijumuisha wale wenye mazingira nyumbani yenye udhaifu na teknolojia isiyoaminika kidogo.

Masudio mawili zaidi yanaeleza kwa nini ufuatiliaji ni zana dhaifu ya kuweka mila. Mapitio ya upeo wa usimamizi wa mitihani wa mbali yaligundua kuwa ufuatiliaji ulionwa kwa upana kama unazuia uhalifu, hata hivyo waelimishaji wa Afrika Kusini waliripoti udanganyifu wa kuendelea licha ya ufuatiliaji amilifu, hali ambayo Khalil et al. (2022) wanaiita "maadili ya chini ya ardhi," na tahadhira ndogo za mara kwa mara zilizalisha matokeo chanya ya uongo na kazi ya ukaguzi wa wataalam. Ufuatiliaji hununua kuzingatia kupitia hofu ya kugunduliwa badala ya kujitolea kwa kiwango cha pamoja. Mfano wa tathmini chini ya habari isiyokamilika unazua mchakato: kuzuia kunategemea uwezo wa kifaa cha kugundua wa kutofautisha kati ya matumizi yaliyofichwa na kazi halali badala ya kiwango chake cha kunasa, na wakati matokeo chanya ya uongo yanapanda haraki zaidi kuliko ya kweli, wanafunzi wanajitoa mfumo badala ya kuzitekeleza. Matokeo yake ya ziada ni lile linaloathiri moja kwa moja mila: ufuatiliaji hupunguza mvuto wa matumizi yaliyofichwa, lakini haiongezi kufichua. Wanafunzi huelekea uwazi tu wakati kuripoti ni salama zaidi au wenye thamani zaidi kuliko kujificha, na marufuku inaweza kufanya kujificha kuwa na mvuto zaidi kuliko kuzingatia.

Hoja ya haki ya taratibu inatoa hitimisho: kwa sababu matumizi ya AI yenye ujuzi au yaliyohaririwa kidogo ni yasiyoweza kugunduliwa katika hali ya jumla, taratibu ya uhalifu iliyojengwa juu ya kugundua huzalisha ukosefu wa haki bila ufanisi, na jibu ni Tathmini bora zaidi, si ufuatiliaji bora zaidi.

Gharama ya kubadilisha huko inajitokeza katika mahali wataalam na wanafunzi wanazungumza kweli. Katika rekodi 253,222 zinazohusiana na AI kutoka subreddit 26 za elimu, theluthi moja ya nyuzi zote za wataalam–wanafunzi zilikuwa migogoro ya kugundua au kutekeleza, wanafunzi walizindua 68.4% yao, na hasi ilitabiri ushiriki (ρ = −0.72) — mgogoro wa kupingana, si majadiliano, ni umbo wa kiwango cha juu zaidi cha mawasiano ya kati ya majukumu kuhusu GenAI (Yüce et al. (2026)).

Hii inamaanisha nini kwa mazoezi

• Fanya matumizi yaonekane badala ya kuyabaini. Wanafunzi hawawezi kuhukumiana kwa usahihi, na ushirikiano unaojirudia hauurekebishi. Rekodi nyepesi za pamoja za kazi zilizosaidiwa na AI, maelezo, au historia za ilani huwapa kikundi kitu cha kweli cha kufikiri.
• Tarajia norm inayosemezwa kushinda ile iliyoandikwa. Kama kile kinachosemwa darasani kinakinzana na mtaala, wanafunzi watafuata darasa. Kulingana kati yao ni ya thamani zaidi ya kifungu kali zaidi.
• Chukulia kufichua kama tatizo la kubuni, si suala la fadhila. Kufichua kunakuwa na uwezekano wakati kuripoti ni salama zaidi au wenye thamani zaidi kuliko kujificha. Hiyo inamaanisha kufanya matumizi yaliyofichuliwa yawe ya kusomeka katika tathmini yenyewe, badala ya kuomba uaminifu kama sifa ya tabia.
• Heshimu tofauti ya kitaaluma. Uenezi wa 27% hadi 5% katika idara sio kutolingana kunakopaswa kutolewa, ni maamuzi tofauti kuhusu kile cheti kinathibitisha. Maagizo ya taasisi nzima yanajitahidi kuandikwa kwa taaluma ambayo haipo.
• Usifikie ufuatiliaji kuweka mila. Usimamizi wa mitihani uliongeza wasiwasi bila kubadilisha jaribio la wizi katika utafiti wenye nguvu zaidi unaopatikana, na unakusanya gharama hiyo kwa wanafunzi wenye hasara zaidi.
• Uliza ni nani anayokosekana katika norm. Fashti ya maadili inawapa wanafunzi karibu hakuna wajibu na huchukulia kidogo hukumu yao, wakati darasa inawapa mengi na kuitumia kijamii. Kufunga pengo hilo ni swali la mtaala, si swali la kuzingatia.

Dhana Zilizounganishwa

• Uadilifu wa Kitaaluma — kitabu rasmi cha kanuni ambacho mila hizi zinakua karibu nacho
• Taarifa za Matumizi ya AI na za Kudhihirisha — mazoezi ambayo mila yanadhibiti moja kwa moja zaidi
• Kuelekeza Matumizi ya AI kwa Wanafunzi — jinsi darasa linavyosema matarajio yake
• Kupunguza Matumizi Mabaya ya AI — mwenza wa kielimu wa kuweka mila
• Utambulisho wa Mwanafunzi — nani mwanafunzi anachukuliwa kuwa matumizi ya AI yanapoonekana
• Kugundua Maudhui ya AI — majibu ya kiufundi ambayo hasa yanashindwa
• Usimamizi wa Mitihani wa Nje ya Awamu ya Mwili — ufuatiliaji kama badala lililojaribiwa la mila
• Uaminifu — kile mila na kufichua vyote vinavyotegemea
• Usawa — nani huchukua gharama ya kijamii
• Kutafuta Msaada — tabia ambayo aibu huzuia kwanza
• Kazi za Kikundi — mahali mila za kikundi zinajadiliwa
• Uzoefu wa Mwanafunzi — upande wa kila siku wa haya yote
• Wasiwasi na Mkazo — mabaki ya kihisia
• Utawala wa AI — tabaka rasmi ambalo mila hizi ziko chini yake
• Maadili — fashti ambayo ina kidogo zaidi ya kusema kwa wanafunzi

Makala Zilizounganishwa

• Students' Perception Accuracy of Partners' AI Use and its Relation to Collaboration Performance — Usahihi wa mtazamo wa wanafunzi wa matumizi ya AI ya washirika na uhusiano wake na utendaji wa ushirikiano
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Aibu na hatia kama wadhibiti wa kijamii wa matumizi ya AI katika elimu ya kompyuta
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Jinsi waelimishaji wanavyodhibiti AI katika chuo kikuu: ushahidi kutoka mitaala 31,000 ya kozi
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — Mchanganyiko wa hatia ya AI: hisia za maadili na matatizo ya maadili katika kupitishwa kwa teknolojia ya kitaaluma
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Kutambua maadili na mila za maadili kwa akili bandia katika elimu
• The fear of Big Brother: The potential negative side-effects of proctored exams — Hofu ya Big Brother: madhara hasi yanayoweza kutokea ya mitihani iliyosimamiwa
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Chini ya ufuatiliaji: kuweka ramani ya mazoezi ya usimamizi wa mitihani wa mbali katika tathmini ya uuguzi
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Kubuni tathmini chini ya habari isiyokamilika: AI ya kizalishaji, kufichua, na majibu ya wanafunzi
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Kugundua yasiyoweza kugunduliwa: taratibu za uhalifu baada ya AI ya kizalishaji
• Cheating or Competing? University Students' Experience of AI Marketing and What It Means for AI Literacy Programming — Wizi au ushindani? AI katika elimu ya masoko
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Wakala katika tathmini ya kikundi inayosaidiwa na GenAI
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Uchanganuzi wa mazungumzo ya Reddit: mawasiano ya wataalam–wanafunzi yanakusanyika katika migogoro ya kugundua na kutekeleza (Yüce et al. 2026)