Akademik Dürüstlük

Bu İngilizce sayfanın bir ana dili konuşanı tarafından gözden geçirilmemiş otomatik çevirisidir.

Akademik dürüstlük — yapay zeka çağında dürüst akademik çalışmayı yöneten etik çerçeve. Bilgi tabanı, bu kavramın üretken yapay zeka tarafından nasıl yeniden çerçevelendiğini belgeler: dürüst olmayan çıktıyı tespit etme sorunundan, dürüst çalışmayı görünür, doğrulanabilir ve üretmeye değer kılan bir tasarım sorununa. Bu alandaki akademik dürüstlük araştırması, tespit odaklı yaklaşımlardan temel değerlendirme yeniden tasarımına, pedagoji temelli yönetişime ve öğrencilerin yapay zeka kullanıp kullanmadığını denetlemekten ziyade öğrencilere yapay zekayı iyi kullanmayı öğretmeye doğru evrimleşmiştir.

Düşünülmesi Gerekenler

• “YZ kopya çekmek”ten son kez bahsedildiğini duyduğunuzda aklınıza gelsin. Konuşma öğrencileri yakalamakla mıydı yoksa öğrencilerin dürüstçe yapmasını isteyecekleri ödevler tasarlamakla mı? Hangi vurgu size daha tanıdık geliyor ve neden?
• Parlak, inandırıcı bir ürün artık saniyeler içinde üretilebilir. Bir öğrencinin yeteneğini teslim ettiği ürüne bakarak artık yargılayamıyorsanız, gerçekten öğrendiğine ikna olmak için ne görmeniz ya da ne duymanız gerekirdi?
• Araştırmalar, öğrencilerin YZ kullanımını sıklıkla kötü niyetle değil (“YZ metnini kopyalamak kimseye zarar vermez”) meşrulaştırarak açıkladığını bulur. Tamamen cezalandırıcı bir dürüstlük politikası öğrencilerin güdüleri hakkında hangi varsayımlarda bulunur — ve bu varsayımlar nerede yanılıyor olabilir?
• Araştırmanın bir kolunu öğrencilerin YZ kullanımını bir koordinasyon sorunu olarak ele alır: davranış, kurallar yeniden ifade edildiğinde değil, akran beklentileri ve değerlendirme teşvikleri değiştiğinde değişir. Kendi bağlamınızdaki hangi akran veya tasarım faktörleri YZ kullanımının dürüst olup olmadığını sessizce şekillendiriyor olabilir?
• Çalışmalar, ceza korkusunun öğrencileri YZ kullanımını saklamaya ittiğini ve şeffaf olan öğrencilerin hatta şüphe çekebileceğini gösteriyor. Bir “YZ kullanımı beyan formu” tasarlıyor olsaydınız, bir öğrenciyi formu gerçekten doğru doldurmak ister hale getirecek ne olurdu?
• Aynı kurumsal YZ politikası, farklı kültürlerden gelen öğrencilerce farklı yorumlanır — neyin yanlış hissettirdiğini belirleyen politika metni değil, kültürdür. Kültürel olarak çeşitli bir öğrenci grubuna bir dürüstlük politikası, beklentilerin gerçekten anlaşılması için nasıl aktarılmalıdır?

Giriş

Üretken yapay zekanın gelişi akademik dürüstlük ihtiyacını yaratmamıştır — mevcut yaklaşımlardaki zayıflıkları görmezden gelinemez hale getirmiştir. Parlak, inandırıcı bir ürün artık saniyeler içinde üretilebildiğinden, ürün benzerliği yetkinliğin giderek daha güvenilmez bir göstergesidir. Bu, dürüstlük sorusunu “YZ kullanımını yakalayabilir miyiz?” sorusundan “değerlendirmelerimiz hâlâ öğrenme hakkında çıkardığımız çıkarımları haklı çıkarıyor mu?” sorusuna kaydırır.

Tespitten yeniden tasarıma doğru evrim

• Tespit konusunda kuşkuculuk: YZ Tespiti araştırmaları ve kurumsal analizler, YZ tespit araçlarının güvenilmez ve usulce adaletsiz olduğunu giderek daha fazla bulmaktadır. LLM metin tespiti temel sınırlarla karşı karşıyadır. Tamamen YZ ile üretilmiş teslimler canlı sınav sistemlerinden büyük ölçüde tespit edilmeden geçebilir ve deneyimli değerlendiriciler GenAI tarafından yazılmış çalışmaları güvenilir biçimde ayırt edemez. Tespit, en iyi ihtimalle sınırlı, duruma özgü bir araçtır — ilk başvurulan bir strateji değil. Bununla birlikte halletmesi istenen hacim hiç de önemsiz değil: büyük kayıtlı bir CS2 kursunun altı yıllık analizi, bahar 2026 öğrencilerinin %45,7’sinde LLM destekli kodlamayla tutarlı örüntüler bulunduğunu tespit etmiştir (Racovan ve ark. (2026)).

• Tespitin dar marjı ve planlı davranış olarak kopya çekme: Leaton Gray, Edsall ve Parapadakis (2025), YZ’nin sektörün zaten sahip olduğu bir kırılganlığı güçlendirdiğine dair delilleri bir araya getirir. YZ ile üretilmiş metin, vakaların %80’ine kadar insan yazımı olarak kabul edilmişken, aktardıkları kanıtlar makine tespitini insan değerlendiricilerin %78,4’üne karşı yaklaşık %80 olarak konumlandırır; bir suçluluk bulgusunu taşıyacak kadar geniş olmayan bir marj. Daha ayırt edici katkıları motivasyonel analizidir: Ajzen’in Planlı Davranış Teorisi ve Bandura’nın öz-yeterlilik kuramından yola çıkarak, Krou ve ark.’nın (2021) meta-analizinde Öz Yeterlilik ile kopya çekme arasında negatif korelasyon bulunduğunu, gerçek yetenekle ise ters yönde hiç korelasyon bulunmadığını bildirir. Yetenekli ve kendine güvenen bir öğrenci, bir değerlendirmeyi adaletsiz olarak okuduğunda kontrolü yeniden ele almak için kopya çekebilir. Sonuç, bu sayfanın başka yerlerinde belgelediği aynı tersine çevirmeyi izler: bir modelin ikna edici biçimde yanıtlayabileceği değerlendirme, entelektüel olarak önemsiz bir değerlendirmedir ve başarısızlık öğrenciye değil değerlendirmeye aittir.

• Değerlendirme yeniden tasarımı: Özgün Değerlendirme, tespit ötesi yaklaşımlar ve YZ Değerlendirme Ölçeği, odağı YZ kullanımını yakalamaktan, YZ kullanımının ya ilgisiz, ya şeffaf ya da belirli bir yetkinliği göstermek için gerekli olduğu değerlendirmeler tasarlamaya kaydırır.

• Notlandırmanın yapısal kırılganlığı: Chan ve ark., güncel notlandırmanın YZ aracılı aldatmacaya karşı yapısal olarak nasıl açıkta olduğuna dair somut bir vaka çalışması sunar. Bir biyoloji bölümünde, öğretim elemanları yalnızca yüz yüze gözetimli sınavları asgari düzeyde kırılgan olarak algılamıştır; sınıf dışı ödevler son derece kırılgan görülmüş, bu da bir öğrencinin notunun yaklaşık üçte birini son derece kırılgan ve %80’ini en azından bir ölçüde kırılgan bırakmıştır. Bu, dürüstlük sorununu kısmen bir notlandırma tasarımı sorunu olarak çerçeveler ve dış kaynak temini zor olan gözetimli veya sınıf içi değerlendirmeye ve otantik değerlendirme tasarımlarına doğru yeniden dengelemeyi gerekçelendirir. Ivory ve ark. (2026), 16 türdeki 40 değerlendirmeden 36’sının asgari çabayla geçer not ürettiği, başarısız olan dördünün ise hazır bulunma, görsel medya veya öğrencinin kendi veri kümesini gerektirenler olduğu, tamamen üç yıllık bir psikoloji programıyla disiplin düzeyinde karşılığı sunar. Neden geçtiğine dair okumaları genellenebilir olan kısımdır: akıcı yapıyı ve doğru analizin iyi niyetle kullanımını ödüllendiren notlandırma, uydurma değerleri ve hayali referansları meşrulaştırır; dolayısıyla YZ çıktısının başarı olarak notlandırılıp notlandırılmadığına tespit değil, geçer sınırı karar verir ve değerlendirme kırılganlığı “yalnızca öğrenci kullanımına bağlanamaz”.

• Teslim bir saldırı yüzeyi olarak: YZ notlandırmasına karşı istek metni enjeksiyonu. Humble (2026), sıradan bir notlandırma iş akışını red-team yöntemiyle sınar ve bir öğrenci tesliminin, bir YZ aracının ürettiği notu değiştiren gizli talimatlar taşıyabileceğini gösterir: teslim dosyasına gömülü beş dolaylı enjeksiyon stratejisinden ikisi, kullanıcıya görünür bir uyarı çıkmadan başarısız bir ödevi geçer nota çıkarmıştır; bildirilen saldırı başarı oranları %100 (9/9) ve %94 (17/18) olup ikisi de docx, pdf ve htm biçimlerinde talimat manipülasyonu, rol yapma ve gizlemeyi birleştirmiştir. En basit saldırı tamamen başarısız olmuş ve reddi sessiz kalmıştır — araç sohbeti devre dışı bırakıp denemeyi bildirmemiştir — tespit edilen tek bir enjeksiyon ise aracın “yalnızca resmi ödev talimatlarına göre notlandıracağı” yönünde bir güvence üretmiş, ardından aynı dosyanın altı çalıştırması daha notu yine yükseltmiştir. Dürüstlük sonucu iki yönde işler: gizli bir talimatla yükseltilmiş bir not hiçbir geçerlilik iddiası taşımaz, aynı teknik çıktıda kalıcı bir iz bırakmadan bir teslimi düşürmek için de kullanılabilir ve insan değerlendirici, görünür olmaması tasarlanmış manipülasyona karşı tek gerçek denetim olarak kalır.

• Düzenleyici çerçeve olarak geçerlilik: Değerlendirme Geçerliliği, dürüstlüğü bir kanıt sorunu olarak yeniden çerçeveler. Otantik değerlendirme araştırması, yapı ikamesini tanıtır — YZ ile üretilmiş bir ürün öğrenciye atfedilir, böylece değerlendirme öğrencinin yeteneği yerine aracın yeteneğini çıkarımda bulunur. Kanıtsal soru herhangi bir YZ politikasını aşkın hale gelir: kullanım yasak, izinli veya zorunlu olsun, değerlendirme yine de yapılan çıkarımı haklı çıkaran kanıt üretmelidir.

• Gözetimsizlik olarak ölçekte çeşitlilik mekanizması: VARIA (Lee 2026), YZ Tümleşik Otantik Değerlendirme’nin (AIAA) arkasındaki öncülü Karşılaştırma testi (Benchmark) eder — gözetim temelli sınav denetimini kopyalamayı yapısal olarak işe yaramaz kılan öğrenci başına görev çeşitliliğiyle değiştirmektir. Bütünlük garantisi, LLM’lerin yüzeyde farklı ve yapı eşdeğeri varyantlar üretmesine koşulludur; VARIA’nın 600 varyantlı pilotunda sınır modellerin bunu ancak marjinal düzeyde sağladığı (ortak puan 0,81–0,88), sınır dışı modellerin ise çöktüğü (0,50–0,55) görülür; dolayısıyla “ölçekte çeşitlilik yalnızca istek metni yazarak çözülemez.” Bu, tespit-yeniden tasarım tartışmasına ampirik, yanıltılabilir bir sınama sunar: otantik, görev çeşitliliğine sahip değerlendirmenin gözetimsizlik vaadi artık varsayılan bir yeteneğe değil, ölçülmüş (ve hâlâ dar) bir üretim yeteneğine bağlıdır.

• GenAI’ye karşı öğrenci yansıtmasını doğrulama: Kadel ve ark. (2026), GenAI yansıtıcı düzyazı yazabildiğinde geleneksel yansıtma modellerinin öğrenci yansıtmasını artık doğrulayamayacağını savunur ve dürüstlüğü doğrudan bir yansıtma modelinin içine gömer — 5P çerçevesinin Tuzaklar aşaması açıkça intihal, hayal görme ve aşırı güveni ele alırken, Süreç ve Ürün aşamaları Öğrenenler’ın kendi akıl yürütmesinin YZ kaynaklı katkılardan ayırt edilebilmesi için istemlerin belgelenmesini ve çıktıların doğrulanmasını şart koşar.

• Politika geliştirme: Kurumsal YZ politikaları ve Eğitimde YZ Politikası araştırmaları, üniversitelerin dürüstlük beklentilerini nasıl geliştirdiğini ve ilettiğini — soyut politika ifadelerinin neden bu kadar sık başarısız olduğunu — incelemektedir.

• Bir tespit sorunu değil, yönetişim sorunu olarak dürüstlük. Coates, Croucher ve Calderon (2025), bağlayıcı kısıtı öğrenci davranışından akademik YZ Yönetişimi’a taşır; bunu dirençli ama GenAI’nin öğrenci değerlendirmesinin doğrulanmasına yönelik tehditlerini karşılamak için “iyi konumlanmış veya hazır” saymaz. Yanıtları, Tasarlama’dan (19 madde) Geliştirme’ye (6) uzanan ve psikometrik ölçeklerden çok yönetişim sorularından oluşan sekiz boyutta 130 maddelik bir dürüstlük gösterge çerçevesidir — kurumun üst kurulunun değerlendirme kalitesiyle ilgili güncellemeler alıp almadığı, değerlendirmelerin yüzde kaçının ilgili ve anlamlı problemlere benzediği, öğrencilerin yüzde kaçının değerlendiren öğretmenlerce bireysel olarak tanındığı gibi. Çerçeve, çok yıllı bir araştırma derlemesi, beş Avustralya üniversitesi vaka çalışması, prototipleme, altı dünya bölgesinden 60 davetli uzmanla uzman onayı ve nicel pilot çalışmasıyla geliştirilmiştir; yazarların yalnızca Eğitimde YZ Regülasyonu, kıyaslama ve kurumlar arası rekabetten gelen dış baskı altında geri döneceğini beklediği yönetişim mimarilerine, insana ve teknolojilere yönelik reformlarla eşleştirilmiştir ve çerçeveyi oluşumsal olarak sunup karşılaştırma veya ölçüm amacıyla kullanılmadan önce psikometrik doğrulama çağrısında bulunur.

• Belgeler aslında ne diyor: dürüstlük kurumsal YZ politikasında baskındır. Eldredge ve ark. (2026), ABD’deki tüm 48 CAHIIM akreditasyonlu sağlık bilişimi ve sağlık bilgi yönetimi yüksek lisans programının YZ politika ve rehberlik belgelerini analiz etmiştir: 40’ında (%83) en az bir uygun belge bulunmuş ve bu belgeler YZ’yi ezici çoğunlukla ödevlerde öğrenci yanlış kullanımını önleme meselesi olarak çerçevelemiş, akademik dürüstlüğü ve kabul edilebilir kullanımı merkeze almıştır. Akademik dürüstlük, en sık anahtar sözcük olmuştur (n = 139; ardından atıf 59, değerlendirme 50 ve intihal 38), oysa gizlilik, fikri mülkiyet ve düzenleyici temalar mevcut olsa da daha az yaygındır (HIPAA n = 5, FERPA n = 11, IRB rehberliği n = 8). Aynı derlem üzerinde konu modellemesi dört tema döndürmüş, ilki akademik dürüstlük ve uygun YZ kullanımı olup yanında öğretimde üretken yapay zeka, araştırmada YZ ve veri aracı kullanımı ve konuşmalı YZ sistemleriyle öğrenci katılımı yer almıştır. Bu sayfa için kanıtsal değer, nicelemesidir: dürüstlük merkezli çerçeveleme kurumsal YZ politikasının yalnızca öntürücü varsayılı değil, ampirik olarak baskın içeriğidir. Yazarların en keskin gözlemi bu dikkatin nerede durduğudur: nispeten az rehberlik, müfredat ve veri yönetişimi kaygılarının kesiştiği uygulamalı öğrenme, araştırma ve simülasyon ortamlarında YZ kullanımını kapsar; dolayısıyla belgeler ödevleri yönetirken, derecenin öğrencileri hazırladığı ortamlar büyük ölçüde ele alınmadan kalır.

• Dürüstlük çerçevelemesi yerini görev temelli düzenlemeye bırakıyor: Chirikov’un (2026) 31.000’den fazla ders müfredatını izleyen boylamsal çalışması, öğretim elemanlarının YZ politikalarının tamamen dürüstlük temelli bir çerçeveden uzaklaştığını göstermektedir: ders müfredatlarındaki akademik dürüstlük atıfları %63’ten (2023 İlkbahar) %49’a (2025 Güz) düşerken, YZ’nin öğrenme üzerindeki etkisine atıflar %1’den %29’a yükselmiştir. Öğretim elemanları YZ’yi giderek daha çok görev türüne göre düzenler — kısmen (YZ’nin öğrenmenin yerini alacağı yerlerde) ve düzenleme/redaksiyon ile çalışma desteği için izin verir — genel bir dürüstlük yasağı uygulamak yerine. Bu, dürüstlük politikasını ikili bir kuraldan ziyade görev düzeyinde bir tasarım kararı olarak yeniden çerçeveler.

• Tespit değil, önleme olarak makine direnci. Belgenin kendisini bozmak — karakter, kelime ve satır aralığı, opaklık salınımı, şerit örtüleri ve görüntü gürültüsü, artı karara dayalı saldırılı yaklaşımlar — aynı bilgiyi ölçerken kaynağında düşük çabayla YZ kötüye kullanımı için gereken eforu artırır (Salaun ve ark. (2026)). Elle yazıya çevirme mümkün kalmaya devam eder ve saldırılı yaklaşımlar yalnızca seçilmiş satırları koruyarak tam belge karakter hatasını %8,44’ün altında tutar.

Suçluluk usulü ve kanıtsal çöküşü

Dürüstlük politikanın üzerine oturan yaptırım makinesi de kendiliğinden bir tasarım kararıdır ve üretken yapay zeka onun kanıtsal temelini yıkmıştır. Teichmann (2026), üniversitelerin intihalden devraldığı suçluluk usulünün, yasaklı kullanımın tespit edilebildiğini ve kanıtlanabildiğini varsaydığını — teknolojinin ortadan kaldırdığı bir öncülü — savunur. Kopyalanmış bir kaynağı işaret eden metin eşleştirme yazılımının aksine, bir YZ metin sınıflandırıcısı hiçbir kaynak tanımlamaz (yoktur); paragraf değişikliğinde bozulan, İngilizce ana dili olmayan yazıyı sistematik biçimde yanlış etiketleyen ve açıklanamayan ya da çapraz sorgulanamayan, stiller hakkında olasılıksal bir yargı verir; ustaca ya da hafifçe düzenlenmiş kullanım ise hiç iz bırakmaz. Yine de bu yolda ısrar etmek ispat yükünü tersine çevirir (öğrenciden negatifini kanıtlaması istenir), usul adaletinin her unsurunu zorlar ve asılsız suçlamanın zararını en çok zaten dezavantajlı olanlara yükler. Önerilen çözüm iki temellidir: yalnızca bir dedektör puanının asla bir bulguya dayanak oluşturmadığı bir kanıt standardı ve kademeli, önce eğitim odaklı yanıtlarla birlikte kurumsal çabanın geçerlilik merkezli ve otantik değerlendirme tasarımına kaydırılması — tespit edilemez YZ’ye yanıt, daha iyi gözetim değil daha iyi değerlendirmedir. Sınır durumun hiç makinesi yoktur: Isley, Gaebler ve Goel (2026), imzalı bir beyanda üretken yapay zeka yardımını yasaklayan ve hiçbir teslimi incelemeyen bir ABD kamu politikası yüksek lisans programını belgeler; 2025 başvuru sahiplerinin %56,1’i ticari bir dedektörün çoğunlukla YZ yazımı olarak sınıflandırdığı en az bir makale teslim etmiştir ve işaretlenen her makale 1,5 puanlık yüzde daha düşük kabul olasılığıyla ilişkili çıkmıştır (p < .01); makale kalitesi sabit tutulduğunda bu 2,6 puana (p < .001) yükselmiştir. Kural ile sonuç arasında hiçbir tespit, hakemlik ya da yaptırım adımı bulunmadığında ceza, tümüyle kabul mülakatlarını okuyanların yazılı olmayan yargıları üzerinden verilmiştir — yasak artı desteksiz okuyucu yargısı, adil bir usulün önlemek için var olduğu keyfi ve açıklanamayan yaptırımı yeniden üretmiştir.

Munoz ve ark. (2026), ampirik karşılığı bir bölgesel Avustralya üniversitesinde üç yıl içindeki her GenAI suçluluk dosyasını kodlayarak sunar: 1.855 kanıt maddesi taşıyan 1.162 dosya ve her biri ilişkililik, güvenilirlik ve çıkarımsal güç açısından derecelendirilmiştir. Dedektör çıktısı en çok başvurulan ama en az ağırlık taşıyabilen kanıt olmuştur — Turnitin ya da benzerlik raporları %100 Zayıf çıkarımsal güç, tek başına dedektör çıktısı %100 Düşük güvenilirlik taşımış ve dedektör kanıtı, kurumların neyi kanıtlayamayacağını özümseyerek 2025’te maddelerin %0,5’ine düşmüştür — en güçlü kanıt türleri ise olasılıksal metin sınıflandırmasına dayanmayanlar olmuştur: öğrenci kabulleri, sınavda gözlenen yasaklı davranış ve bağımsız olarak doğrulanmış uydurma referanslar; bunlar maddelerin %22,3’üyle en büyük yapısal kayma olmuştur. En keskin eleştirileri kanıttan çok yapısaldır, çünkü “soruşturmacıların bir iddianın ilerlemeden önce kanıtın ispat değerini değerlendirmesi için hiçbir gereklilik, hattın hiçbir aşamasında asgari bir kanıt eşiği yoktur”; dolayısıyla kanıt kalitesi dosya sonuçlarıyla güvenilir bir ilişki taşımamıştır. Uygulamanın politika tarafından nasıl yakalandığını da kaydederler: 2024 boyunca yürürlükte olan değerlendirme politikası YZ hakkında hiçbir şey söylememekteydi ve ocak 2025’ten itibaren gözden geçirilen politika onaylı otantiklik yazılımına izin verirken öğrenci çalışmalarının üçüncü taraf YZ tespit araçlarına yüklenmesini yasaklamıştır.

İkinci bir başarısızlık ispat değil kapsamla ilgilidir. Wright (2026), yasakların platform kimliği düzeyinde değil işlev düzeyinde yazıldığını gösterir; üretmeyen biçim dönüşümü — konuşmadan metne yazıya çevirme, OCR, düz metinden LATEX — yasaklamayı amaçladıkları üretken taslakla birlikte ele alınır; oysa hakemli bilgisayar bilimi literatürü tanıma ile üretmeyi ayrık işlemler olarak görür. Maliyet eşit dağılmaz: ince motor kontrolünü, el yazısı okunabilirliğini veya yazma doğruluğunu etkileyen durumları olan öğrenciler tam olarak bu araçlara bel bağlamıştır ve bağımsız ses-metin ürünleri kaldırıldığında ya da zayıflatıldığında, YZ destekli yazıya çevirme işlevsel boşluğu doldurmaktadır; dolayısıyla aşırı kapsamlı bir kural, okunabilir bir üretim biçimini ortadan kaldırarak anlaşmazlığı bir dürüstlük tartışmasından önce bir Erişilebilirlik ve eşitlik tartışması haline getirir. Wright’ın çözümü, üretken yapay zekanın işlev temelli bir tanımı ve — bağlılık, arttırma yapılmaması, izlenebilirlik ve tasdik — yazıya çevirme yalnız iddiasına karşı yapılandırılmış bir itiraz yolu sağlarken ispat yükünü kurumda bırakan dört operasyonel kriterdir.

Tespitin kanıtsal sorunu aynı zamanda bir geçerlilik sorunudur. YZ yardımı yinelemeli olup taslakla iç içe geçtiğinden ve bütün olarak dış kaynak temininden çok, yazarlık ile anlamın mülkiyeti birbirinden ayrılır; sağlam teslim edilmiş bir ürün, öğrencinin görevin hedeflediği yargıyı kullandığını göstermeyebilir. Dedektör performansı görev, disiplin ve model sürümleri arasında değişir ve açıklanan ya da şüphelenilen YZ kullanımı değerlendiriciler için yanıltıcı bir ipucu olabilir; dolayısıyla bir tespit yanıtı yapıyla ilgisiz varyansı ortadan kaldırmak yerine ekler. Dürüstlük tartışmaları kelimeleri kimin ürettiğini sorduğunda, geçerlilik açıklaması performansın öğrenci hakkında hangi iddiayı haklı çıkardığını sorar.

Meşrulaştırma sorunu

Öğrenciler YZ’yi genelde kötü niyetle kötüye kullanmaz; meşrulaştırırlar. Görüşme araştırması, öğrencilerin YZ politikası yorumunun öğretim üyesi niyetinden saptığı en az beş kopma noktası ve “YZ metnini kopyalamak kimseye zarar vermez”den “inançlarımı yansıtan metin benim yazım”a uzanan 20’den fazla ayrı meşrulaştırma sınıflandırması tanımlar. Bu meşrulaştırmar düzensiz, sonradan üretilmiş ve içsel olarak tutarsızdır ve öğrencilerin pedagojik hedeflerin çok ötesinde kaydığı “dik, etik kaygan bir yamaç”ı betimler. YZ hakkındaki öğrenci yanlış kanıların dürüstlük ihlallerinin yukarı akış nedeni olması ve dürüstlük eğitiminin yalnızca teknik beceriyi değil etik muhakemeyi de ele alması gerektiğinin nedeni budur.

Ji (2026), öğrenci sesleri üzerine 38 ampirik çalışmanın kapsam derlemesi, bu bölümün dayandığı sentezi sunar. Dört teması: belirsizlik (bütün bir görevi üretmek kopya çekme olarak okunur, dilbilgisi kontrolü ve beyin fırtınası büyük ölçüde kabul edilebilirdir; paragraf değişikliği, taslak çıkarma ve çeviri gri alanda yer alır), öğrencilerin eylemlerine sessiz onay olarak okudukları rehberlik boşluğunda kişisel kurallar kurdukları etik Öğrenen Etkenliği, etik farkındalık ile uygulama arasındaki uçurum ve cinsiyet, düzey, disiplin ve kültüre göre çeşitliliktir. Farkındalık-uygulama uçurumu, ölçekte ölçülen meşrulaştırma sorunudur: Huang ve ark.’nın Etik Uyumsuzluk Endeksi 522 Çinli öğrenciyi dört kümeye ayırmış, bunlardan biri meşru olmadığını gördüğü şeyi sıklıkla yapmıştır; Ofem ve ark.’nın 4.679 Nijeryalı öğrenci üzerindeki yapı eşitlik modellemesinde ChatGPT’ye ilişkin olumlu algıların sahtekâr kullanımı, olumlu dürüstlük tutumlarının ise önemli ölçüde negatif bir aracılık etkisi yaptığını bulmuştur. Ji, öğrencileri ne GenAI’nin pasif alıcıları ne de ahlaki kısıtlamadan yoksun suçlular, etik gri bir alanda yol alan etken özneler olarak okur; bu nedenle derlenen çalışmalar cezalandırıcıdan ziyade birlikte üretilen, eğitici ve bağlama duyarlı yanıtlarda birleşir.

Yalnızca politika neden yetersiz kalır: koordinasyon sorunu

Bir koordinasyon oyunu çerçevesi, politika beyanlarının neden nadiren davranışı değiştirdiğine mekanizma düzeyinde bir açıklama sunar: öğrencilerin YZ kullanımı bir koordinasyon sorunudur; bireysel tercihler akran beklentileri ve değerlendirme tasarımına bağlıdır. Modelin temel bulgusu doğrusal olmayan eşik dinamiğidir — yansıtıcı değerlendirme teşviklerinde küçük, iyi kalibre edilmiş değişiklikler, sorumlu kullanıma yönelik hızlı ve tüm kohortu kapsayan kaymaları tetikleyebilir; zayıf ya da hizasız teşvikler ise fırsatçı uygulamanın sürmesine izin verir. Pratik açıdan ifade etmek gerekirse, mütevazı bir yeniden tasarım (ör. öğrencilerin YZ etkileşimleri üzerine düşünmesini istemek) soyut kuralların hiç etki göstermediği yerlerde oransız etkiler yaratabilir.

Akran hesap verebilirliği her zaman dürüstlüğü işaret etmez; Chen ve Zou (2026) bunu notlandırılmış grup değerlendirmesinde bulmuştur: on beş öğrenci grubundan yedisi, grup arkadaşlarından beleşçilik etmekten kaçınmak için kısmen GenAI kullanımını bilinçli olarak azaltmıştır, çünkü grup sonuçları kendi içinde kapanan değil paylaşılan sonuçlardır; ancak beş grupta hoşgörülü bir kolektif iklim — “gruplarımdaki herkes GenAI kullanıyor” — kötüye kullanım riski algısını düşürmüş ve grup çalışmasının yaratmayı amaçladığı hesap verebilirlik mekanizmasını tersine çevirmiştir. Aynı çalışma, özgünlüğü sınıf arkadaşlarının birlikte kurduğu anlayışa bağlılık olarak yeniden çerçeveleyen öğrenciler bulmuştur ve pratik önerisi bundan doğrudan izler: kabul edilebilir YZ kullanımının müzakeresini akran baskısından ya da algılanan riskten doğmasına bırakmak yerine açık, belgelenmiş ve değerlendirilebilir bir sonuç haline getirmek.

Kurum boyunca politika tutarsızlığı, koordinasyon açıklamasının öngördüğü tahminde bulunmayı tıpkısıyla üretmiştir. Zou ve ark. (2026) çalışmasındaki on bir görüşmeci, kendi dersinin üretken yapay zeka kullanımına ilişkin açık iznini bir “tuzak” olarak — direnemeyen öğrencileri belirlemeye yönelik bir yem olarak — çerçevelemiştir; oysa politika açıktı ve değerlendirme yönergelerine yazılmıştı; öğrenciler kendi derslerinin kurallarını kendi şartları üzerinden okumak yerine başka yerlerde karşılaştıkları yasak ve uyarılardan genelleme yapmıştır. Yazarların sonucu mekanizmayı izler, ifadeyi değil: ders düzeyinde netlik yeterli değildir ve öğrencilerin niyeti çevreleyen kültürden çıkarmayı bırakması için program veya kurum düzeyinde tutarlılık gerekir.

Aynı davranış, farklı kararlar — ve hiçbir şey değiştirmeyen beyan. Poudyal (2026), 20 Avustralya üniversitesinin politika ortamlarına 15 standardize vinyet uygulamış ve 300 sınıflandırma üretmiştir: 120’si (%40,0) açıkça yasaklayıcı, 56’sı (%18,7) belirsiz ve hiçbiri açıkça izinli değildir; bağlayıcı düzenlemeler 100 kombinasyonda üretken yapay zeka konusunda sessiz kalırken rehberlik bunların 88’ini çözmüştür. Beyan sonuçları belirlememiştir — aynı beyan durumu, izin kurallarına ve görev talimatlarına bağlı olarak farklı sınıflandırmalar üretmiştir ve beyan alanı 117 karşılanan gereklilik ile 80 yanlış bildirim kaydetmiştir.

Usuller politikalar kadar önemlidir ve onların kanıtsal dayanağı YZ için çökmüştür. Teichmann (2026), üniversitelerin intihalden devraldığı suçluluk usulünün, üretken yapay zekanın yıktığı bir öncül üzerinde durduğunu savunur: yasaklı kullanımın tespit edilebildiği ve kanıtlanabildiği. Kopyalanmış bir kaynağı işaret edebilen metin eşleştirme yazılımının aksine, YZ metin sınıflandırıcıları kaynak tanımlamaz çünkü hiç yoktur — paragraf değişikliğinde bozulan, ana dili olmayan konuşmacıları sistematik biçimde yanlış sınıflandıran ve açıklanamayan ya da çapraz sorgulanamayan, stil hakkında olasılıksal bir yargı verirler; ustaca ya da hafifçe düzenlenmiş kullanım hiç iz bırakmaz. Yine de bu yolda ısrar etmek ispat yükünü tersine çevirir (öğrenciden negatifini kanıtlaması istenir), usul adaletinin her unsurunu zorlar ve asılsız suçlamanın zararını en çok zaten dezavantajlı olanlara yükler. Önerilen çözüm iki temellidir: yalnızca dedektör çıktısının asla bir bulguya dayanak oluşturmadığı bir kanıt standardını yayımlamak ve kademeli, önce eğitim odaklı yanıtlarla birlikte kurumsal çabayı geçerlilik merkezli ve otantik değerlendirme tasarımına kaydırmak. Mohamed ve Temimi (2026), öğrenci tarafından mekanizma düzeyinde karşılığı sunar: her değerlendirme ortamı bazı yanıtları daha çekici kıldığından, doğrulama zayıf olduğunda yasak gizlenmeyi çekici kılar; gözetim gizli kullanımı maliyetli kılar ama beyanı güvenli kılmaz; yalnızca yeniden tasarım — dış kaynak temininden elde edilen kazancı düşürürken görünür muhakemenin değerini yükselterek — öğrencileri sorumlu kullanıma doğru yönlendirir. Onların en keskin sonucu, caydırıcılığın dedektörün yakalama oranından çok gizli kullanım ile meşru çalışma arasındaki ayrımı üzerinden işlemesidir; dolayısıyla yanlış pozitifler doğru pozitiflerden hızlı arttığında daha güçlü gözetim, gizlenmeyi göreli olarak daha çekici hale getirebilir.

• Dürüstlük görevi bireysel yetkinlik olarak yeniden yazılabilir. 366 GenAI yükseköğretim özetinde bütününde, dürüstlük sözcüğü 461 kez geçer ama 166 yükümlülük ifadesinden yalnızca 6’sı öğrencileri adlandırır; dolayısıyla doğrulama ve beyan, kurumların uyguladığı yükümlülüklerden çok öğrencilerin sahip olmaları beklenen beceriler olarak ortaya çıkar (Poudyal, 2026).

• Bir dürüstlük politikasının ne kadar buyurucu olduğu, değerlendirmenin ne kadar açıkta olduğunu göstermez. 15.587 birim kaydını denetleyen Villanueva (2026), kurum çapında reform yükümlülüğü olan üniversitelerle geniş çerçeveleri dağıtılmış olanların aynı değerlendirme açığa düşürülme aralığında yer aldığını bulmuştur — politika beyanlarının neden nadiren davranışı değiştirdiğine dair koordinasyon oyunu açıklamasının ampirik karşılığı.

Sosyo-duygusal boyut

Dürüstlük yaptırımının ihmal edilmiş bir duygusal maliyeti vardır. Öğrencilerle yapılan utanç ve suçluluk araştırmaları, bu duyguların YZ kullanımının ne zaman ve nasıl görünür olduğunu düzenlediğini, gizlenme davranışları ve seçici beyan ürettiğini — ve bunların kullanımla birlikte var olarak davranış değişikliği yerine azalmış etkenlik ve ahlaki gerilim döngüleri yarattığını gösterir. YZ kullanımı çevresindeki normlar kullanımı düzenlediğinden daha etkili biçimde görünürlüğü düzenlediği içindir bu. Öğrenciler YZ kullanımlarını bağımlılık diliyle betimler bile. Çıkarım: tespit ağırlıklı, gözetim odaklı politika riski, kötüye kullanımı yeraltına itmek, üretken kullanımın gerektirdiği dürüst müzakereyi baltalamaktır.

Gizlenmenin tersi reddetmektir ve bu da kendi duygusal maliyetini taşır. Üretken yapay zekayı açıkça izin veren bir değerlendirme politikası altında Zou ve ark. (2026) çalışmasındaki 85 öğretmen adayından 62,4’ü (53 kişi) hiç kullanmamayı seçmiştir ve benimseyenlerin kullanımı yüzeysel ve düzeltici olmuştur — redaksiyon (%43,8) ve açıklık kontrolü (%34,4), metin üretimini (%18,8) ve beyin fırtınasını (12,5) çok geride bırakmıştır. İşin çoğunu yapan haksız suçlama korkusu olmuştur, teknik zorluk değil: benimsemeyenlerin %41,5’i bunu, %13,2’si eksik bilgi ya da beceriyi söylerken, %77,4’ü kullanmamayı salt yalnız çalışmayı tercih olarak çerçevelemiştir. Hoşgörülü bir politika tuzak olarak okunduğunda güvenli yanıt teklifi reddetmektir — bu da kuruma davet etmeye çalıştığı YZ tümleşik çalışmayı kaybettirir.

YZ kullanım beyanı ifadeleri

YZ kullanım ve beyan ifadeleri, dürüstlük beklentilerinin uygulamaya geçirildiği somut mekanizmadır — ve araştırmalar, bunların tarafsız bir uyum formu olarak ele alındığında sık sık başarısız olduğunu göstermektedir. Gonsalves (2025), zorunlu bir ödev kapağında öğrencilerin %74’ünün YZ kullanımını beyan etmediğini bulmuştur; bunun itici gücü ceza korkusu, yönerge belirsizliği, tutarsız uygulama ve akran normlarıdır. Kirsanov ve ark. (2026) ile Vetter ve ark. (2026), misilleme korkusu ve belirsiz politikanın beyanı yavaşlattığını — ve şeffaf öğrencilerin hatta şüphe çekebileceğini doğrular. Chang ve ark. (2026), beyanı kaygının akranlara yönlendirdiği bir Yardım Arama/öz-düzenleme davranışı olarak yeniden çerçeveler. Ortak ders: beyan politikaları duygusal ve sosyal engelleri ele almalı, açık ve tutarlı olmalı ve beyanı gözetimden ziyade biçimlendirici pedagoji olarak görmelidir. Luo ve Dawson (2026) denklemin öğretmen tarafını ekler: öğretmenlerin GenAI destekli çalışmaları notlandırması, öğrenci dürüstlüğü, çalışkanlığı ve güveni üzerine değer yargılarıyla yönlendirilir ve birçok öğretmen GenAI kullanımını beyan eden öğrencileri — çalışma kalitesi güçlü olsa bile — cezalandırır (ya da cezalandırmaya cazip olur). Bu, “çift yönlü şeffaflık” sorunudur: öğrencilerden kullanımı beyan etmeleri beklenir ama öğretmenler bu beyanın notları nasıl etkileyeceğini nadiren açıklar; dolayısıyla dürüst beyan, söylenmemiş bir notlandırma cezası taşıyabilir. Çalışma, beyan sorununu öğretmen notlandırmasının değer yüklü gerçekliğine oturtur ve şeffaflığın iki yönde işlemesi gerektiğini savunur.

Öğrencilerin kendi raporları, bu mesajın ne kadar kötü karşılandığını nicelemektedir. 504 sosyoloji lisans öğrencisiyle yapılan bir ankette, yüzde 81’i öğretim elemanlarının veya asistanlarının YZ kullanımına ilişkin rehberlik verdiğini söylerken, yalnızca yüzde 46’sı bu talimatları çok açık bulmuştur; yüzde 19’u hiç rehberlik almadığını bildirmiş ve geri kalanı bunu en iyi ihtimalle bir ölçüde açık olarak nitelendirmiştir (Kuznetsov, Sheely ve Baker, 2026). Öğrencilerin ortaya koyduğu ikinci en yaygın kaygı akademik bir suç işleme korkusuydu (yüzde 28) — yaptırımdan çok belirsizliğin dayattığı bir maliyet; çünkü yalnızca yüzde 3’ü ödev metni üretmek için GenAI kullandığını, yüzde 2’si tam taslak üretmek için kullandığını bildirmiştir. Pratik çıkarım, iletişim netliğinin kendisinin bir dürüstlük mekanizması olduğu ve neyin izinli olduğunu ayırt edemeyen bir öğrencinin, kurumun hiçbir zaman yüklemeyi amaçlamadığı bir risk taşıdığıdır.

Ders düzeyinde izin de beyan ikilemini çözmez. Değerlendirmeleri üretken yapay zekayı açıkça izin veren Zou ve ark. (2026) çalışmasındaki 85 öğretmen adayında, öz beyanlar 28 kullanıcıya karşılık anonim ankette 32 kullanıcı çıkmış ve iki kaynak derse göre ters yönlerde ayrışmıştır: A dersi ankette 14 kullanıcı ama yalnızca 8 beyan kaydederken, C dersi örüntüyü tersine çevirmiştir (8 anket, 12 beyan). Yazarlar ayrışmayı, öğrencilerin görünür kılmasını istediklerini şekillendiren notlandırılmış sonuçlar olarak okurlar; bir beyan sistemi kullanımı ölçtüğü kadar beyan davranışını ölçtüğuna dair öğretmen adayı kanıtı eklerler.

Kültürel ve bağlamsal çeşitlilik

Politika metni politika algısına eşit değildir. Ülkeler arası araştırma, işlevsel olarak özdeş kurumsal politikalara rağmen farklı üniversitelerdeki öğrencilerin aynı YZ destekli uygulamaları farklı derecelendirdiğini bulmuştur — yanlışlık algısını belirleyen politika metni değil kültürdür. Politika uyumlaştırması algı uyumlaştırması üretmez; dolayısıyla kültürel olarak çeşitli kohortlar aynı kuralları farklı yorumlar; bu, soyut kural ifadeleri yerine senaryo temelli açıklamanın gerektiğini gösteren ve yaptırım ve notlandırma açısından bir eşitlik kaygısıdır.

Dil geçmişi, kültürden ayrı ikinci bir çeşitlilik eksenidir. Li (2026), aynı arayüzün izinli dil düzenlemesi ile yasaklı özündeş taslağı yerine getirdiğinden, GenAI’yi tek bir izinsiz yardım kategorisi olarak ele alan dürüstlük kurallarının dilsel dezavantajı dürüstlük riskine dönüştürdüğünü savunur: kesin bir yasak, ölçeklenebilir bir dil desteği biçimini ortadan kaldırır; izin ver ama beyan et rejimi, kullanımı daha sık ve yinelemeli olan EAL öğrencilerine uyum yükü bindirir; küçük değişiklikler ötesinde düzenlemeyi yasaklayan hükümler, akıcılığı en çok değişen yazarlara ilişkin şüpheyi yoğunlaştırır. Li’nin önerdiği sınır araç temelli değil amaç temellidir — izinli destek yeni fikir, yeni kaynak ve analizin maddi düzeyde yeniden sıralanmasını eklemezken, ikame değerlendirilen entelektüel çalışmayı yaratır veya maddi olarak yeniden şekillendirir — ve bu sınır, değerlendirme yapısına çıpalanmıştır, çünkü akıcılık ve deyimsel ifadeye puan veren rubrikler EAL yazarlar için yapıyla ilgisiz varyans ortaya koyar (Değerlendirme Geçerliliği). Çerçeve, dedektör çıktısını nadiren ispat oluşturan bir ön süzme sinyaline indirger ve aşamalı teslimler, taslak geçmişleri, doğrulanabilir kaynak izleri ve kısa bir yapı uyumlu konuşma yoluyla üçgenleştirmeyi tercih eder; beyanı, rutin desteğin tek dilli akranlarca taşınan uyum maliyetlerini aşmaması biçiminde kalibre eder.

Denetimden pedagojiye

Bilgi tabanı bir paradigma kaymasını belgeler: denetlenecek bir dürüstlük tehdidi olarak YZ’den, uygun kullanımının öğretilmesi gereken bir araca. Bu, YZ Okuryazarlığı’in etik boyutudur ve pratik tasarımda bedenselleşir:

• Göreve özgü YZ kullanım beyanları: Alana özgü beyan çerçeveleri, jenerik “YZ kullandım” onay kutularının yerini, kullanımı bilişsel aşamalara (ör. yapısal planlama ile içerik üretimi) eşleyen yapılandırılmış beyanlarla değiştirir; yansıtmayı zorunlu kılar ve odağı denetimden profesyonel uygulamaya kaydırır.
• Süreç şeffaf değerlendirme: bilişsel emanetçilik, aşamalı teslimler, sözlü savunmalar ve öğrencilerin teslimlerini anlayıp anlamadığını sorgulayan YZ Sözlüsü (bir konuşma ajanı) gibi mimariler, insan yargısını, doğrulamayı ve sorumluluğu görünür kılar. Miles, Haber-Curran ve Arar (2026) aynı mantığı doğrudan istek metnine kadar indirir: örneklemledikleri rubrik, yinelemeli iyileştirmeyi, çıktının eleştirel yorumunu ve yansıtıcı revizyonu notlandırır; böylece değerlendirilen, ürettiği ürün değil öğrencinin araçla kurduğu etkileşimdir ve öğrencilere yalnızca çıktıyı optimize etmeyi öğretmenin kullanımın etik ve epistemolojik boyutlarına dokunmadığını savunurlar.
• Kötüye kullanımı azaltmak: dürüstlük, YZ Yanlış Kullanımı ve Öğrenmeye Zarar (kötüye kullanımın öğrenme maliyeti) ve YZ Kötüye Kullanımını Azaltma (onu önleyen müdahaleler) yanında yer alır; dürüstlüğü kurala uymaktan ziyade gerçek öğrenmeye bağlar.
• Bir incelikten çok bir dürüstlük stratejisi olarak şeffaflık: McCorkle (2025) tasarım vakası, her izinli veya izinsiz GenAI kullanımının gerekçesini bizzat dürüstlük mekanizması olarak ele alır. Bir yasak politikasını göz ardı ettikten sonra görüşülen öğrenciler, kendilerini dürüst olmayan biçimde davranırken görmemiş olduklarını açıklamıştır; bu, başarısızlığı uyumsuzluktan çok belirsizlik olarak yeniden çerçeveler — dolayısıyla yeniden tasarım, her kısıtlamayı koruduğu belirli Değerlendirme ile gerekçelendirerek ve McCabe’ın “20-60-20” ikna edilebilir ortası için, azimli birkaç kişi yerine tasarlayarak yanıt vermiştir. Vaka ayrıca muğlak politikanın eşitlik maliyetini adlandırır: öğretim elemanları arasında belirsiz ve eşitsiz olan beklentiler, politika başarısızlığını disiplin işlemine dönüştüren şeydir (Eşitlik).
• Tespit değil tasarım: Bochum vakası. Bochum Ruhr Üniversitesi’nin giriş düzeyi nükleer ve parçacık fizik dersinin (Mikhasenko ve ark., 2026) yeniden tasarımı, YZ politikasını tespitten ziyade pratik bir dürüstlük başarısızlığına bağlamıştır: örnek problemler önceden açıklandığından bazı öğrenciler YZ ile üretilmiş çözümler hazırlayıp bunları amaçlanan muhakemeye girmeden kara tahtaya kopyalamıştır. Yazarlar bunu denetleme sorunu değil tasarım sorunu olarak ele alır — örnek problemleri hazırlanmış sınıf içi tartışmaya taşıyıp yazılı sınavı notu belirleyen öğe yaparak — aynı zamanda çalışmada YZ’yi açıkça izin verirken, doğrulamanın neden öğrencinin sorumluluğunda olduğunu açıklar ve açık uçlu YZ izinli ödevin de bağımlılığı, ücretli modellere eşitsiz erişimi ve öğretim asistanı iş yükünü artırdığını not eder.

Pedagojik tersine çevirmenin en net ifadesi El Khoury ve Ma (2026)’dan gelir; onlar, şüpheyle başlayan reformın eğitsel hayal gücünü kontrol, uyum ve gözetime daralttığını ve dürüstlüğün katılım için tasarlanmış değerlendirmenin bir sonucu olması gerektiğini, başlangıç noktası değilini savunur. Destekleyici gözlemleri, bu bilgi tabanında başka yerlerde de görünür bir mekanizmadır: kopuş, sahtekârlığın daha olası hale geldiği koşullardan biridir; dolayısıyla değerlendirmeleri zorlayan ya da YZ kullanımını kısıtlayan ama katılımı ele almayan gündemler sorunun bir kısmını olduğu gibi bırakır.

İngilizce dışı yükseköğretimdeki öğrenciler aynı gerilimi kendi terimleriyle betimler. Mulisa ve Mezgebu (2026), bir Etiyopya üniversitesinde 27 lisans öğrencisiyle görüşme yapmış ve öğrenci gövdesinin kendi içinde bölündüğünü bulmuştur: neredeyse hepsi GenAI kullanmış ya da akranların kullandığını izlemiş, çoğu bunu akademik başarılarını artırdığı için ödüllendirmiş, küçük bir azınlık bu kullanımı açıkça suç olarak nitelemiş ve neredeyse herkes, YZ destekli çalışmanın dürüst çabadan daha iyi not aldığı, bağımsız çalışanların ise çalışkanlık duygularını yitirdiği eşit olmayan bir oyun alanı betimlemiştir. Anlatının en keskin özelliği, öğrencilerin intihal tanımıdır; teknik olarak savunulabilir ama eksiktir — intihal başkasının sözcüklerini yeniden üretmek anlamına geliyorsa, hiçbir şey kopyalamayan makine yazımı bir metin intihal değildir — yazarların tanımın kopyala-yapıştırın ötesine genişletilmesi gerektiğini, Ka ve Chan’ın (2025) “YZ-intihali”ni izleyerek savunmalarının ve öğrencilerin kendi inançlarını, yalnızca kurumsal kuralları değil, etik kullanımın merkezine yerleştirmelerinin nedeni budur.

Sharma (2026), pedagojik tersine çevirmeyi Eaton’un intihal sonrası çerçevesini etik bir yönelimden değerlendirme tasarımına taşıyarak bir adım öteye götürür. Bu açıklamada dürüstlük, değerlendirici yargı aracılığıyla gerçekleştirilir — seçenekleri tartma, akademik tercihleri gerekçelendirme ve epistemik belirsizlik altında sorumluluk üstlenme yeteneğiyle — ve dört uygulama yoluyla görünür kılınır: açıklamalı karar izleri, doğrulama ve hesap verebilirlik uygulamaları, sözlü savunma ve diyalojik hesap verebilirlik, sürüm geçmişiyle taslak farkları. Tespit yalnızca açık yanlış tanıtım veya entelektüel emeğin kasıtlı dış kaynak temini için yardımcı bir katman olarak korunur, asla dürüstlüğün birincil altyapısı olarak korunmaz; çünkü GenAI’nin kullanılıp kullanılmadığını değil, çalışmanın arkasındaki kararların nasıl alındığını sorar. Savunma ayrıca, tespit merkezli modellerin üretken araçlara dilsel veya bilişsel İskeleleme (Scaffolding) için bel bağlayan öğrencilere en ağır düştüğü eşitlik riskini adlandırır.

Tespit ile yeniden tasarım arasında üçüncü bir yol durur. Akçapınar (2026), YZ destekli kopya çekme riskini dönem başındaki LMS izlerinden 0,763 AUC ile tahmin eder ve çıktıyı — hatırlatmalar, ödev takibi, kısa kontrol görüşmeleri biçiminde — suç davranışının kanıtı değil düşük riskli akademik rehberlik olarak çerçeveler; puanın notlandırma ve disiplin kayıtlarından ayrı kalmasında ısrar eder.

Bağlantılar

Akademik dürüstlük Değerlendirme Geçerliliği, YZ Okuryazarlığı, YZ Tespiti, Özgün Değerlendirme, Değerlendirme, Eğitimde YZ Politikası, Eğitimde YZ Regülasyonu, Etik ve Eşitlik ile bağlantılıdır. Eğitimde YZ’nin etik boyutudur; Aşırı Güven ile ayrılmaz bir bütündür ve Üretici YZ’nin Yükseköğretim ile K-12 öğrenmesini nasıl yeniden şekillendirdiğine dair daha geniş sorunun parçasıdır.

• Sistematik derleme sentezi. 25 çalışmanın PRISMA derlemesi (Balalle ve Pannilage 2025), YZ’nin hem bir tehdit (YZ ile üretilmiş yazım, paragraf değiştirme araçları) hem bir tespit aracı (Turnitin YZ puanları) olarak işlev gördüğünü, tespit yazılımının YZ ile üretilmiş çalışmalar için güvenilmez olduğunu ve kurumların yalnızca denetimle değil açık politika, değerlendirme yeniden tasarımı ve etik eğitimi yoluyla bir akademik dürüstlük kültürü inşa etmesi gerektiğini bulur.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)
• Denetimden diyaloğa: öğrenme doğrulama. Grand Canyon Üniversitesi’nin kurum çapı çerçevesinin uygulayıcı anlatımı (Mandernach 2026), tespitin güvenilmez olmadığını ve resmi dürüstlük süreçlerinin nadiren çözüme ulaştığını, öğretim üyelerini “çaresiz şüphe” ile bıraktığını savunur. GCU bunun yerine öğrenme doğrulamayı benimsemiştir — öğrencilerin teslim ettikleri çalışmayı kısa bir konuşmada anladıklarını göstermelerini istemeyi — dürüstlüğü bir uyum sorunundan bir değerlendirme sorununa yeniden çerçevelemeyi. Bu, öğretim üyesi otoritesini geri kazandırır, öğrencileri “nasıl yakalanmazım”dan gerçek katılıma kaydırır ve YZ kullanımını, öğrenci öğrenmeyi gösterdiğinde kabul edilebilir olarak ele alır; doğrulamaya ilişkin öğrencilerin baştaki kaygısı, gözetim ağırlıklı politikanın Güven’ı nasıl aşındırabileceğini ortaya koyar.
• GenAI otomatik notlanabilir ödevi alt eder (2026): ChatGPT, kasıtlı olarak sağlamlaştırılmış, otomatik notlanabilir Qiskit (kuantum bilişim) ödev tasarımlarının 150 test oturumunun tamamını geçmiştir — kişiselleştirme, gizli referanslar, yansıtmalar, simülatör çalıştırması — rubrik temelli notlandırıcıların YZ ile tamamlanan çalışmayı öğrenci tarafından tamamlanandan güvenilir biçimde ayırt edemediğini göstererek anlayışın doğrudan değerlendirilmesini savunur (ChatGPT Solves All Tested Qiskit Homework Assignments).
• YZ çağında değerlendirme — kanıt olarak çıktı (2026): üniversite düzeyinde bir analiz, YZ değerlendirme bunalımının yalnızca sahtekârlık değil değerlendirme tasarımı ile öğrenme çıktıları arasındaki hizasızlık olduğunu savunur; gözetim zararlarını (kilit tarayıcılar, göz takibi), bir “Beyan Tuzağı”nı (öğrencilerin YZ kullanımını beyan etmenin notu düşüreceğinden korkması), sosyoekonomik statüyü notlayan bir performans boşluğunu (ücretli ve ücretsiz Büyük Dil Modelleri (LLM) kademeleri) ve YZ’yi denetleyen öğretim üyelerinde “pedagojik tükenmişliği” belgeler; tespit yerine süreç temelli değerlendirme önerir (Evaluation in the Age of AI: Output as Evidence of Learning).

Daha yeni kanıt: etik muhakeme, tespit sınırları, YZ pazarlaması ve hayalet öğrenciler

Yeni bir araştırma dalgası, üretken yapay zeka çağında akademik dürüstlük tablosunu keskinleştirir:

• Ortaöğretim öğrencileri YZ-intihali sabit bir kural olarak değil duruma göre akıl yürütür. Chan (2026), ortaöğretim öğrencilerinin “YZ-intihal” konusundaki etik muhakemesinin incelikli ve bağlama bağlı olduğunu gösterir — birçoğu YZ destekli çalışmayı anlamayı desteklediğinde kabul edilebilir ama kendi çabasının yerini aldığında sorunlu bulur — öğrencilerin salt dürüstlükten yoksun olduğu ya da tek bir politikanın etiklerini yakalayabileceği varsayımına meydan okuyarak.
• Otantik değerlendirmeler tek başına dürüstlüğü güvence altına alamaz. Kofinas ve ark. (2025), değerlendiricilerin genel olarak GenAI girdisi olan değerlendirmeleri olmayanlardan ayırt edemediğini ve değerlendirme otantikliği düzeyinin GenAI kullanımını önleme veya tespit etme yeteneği üzerinde hiçbir etkisi olmadığını bulur. Yükseköğretim sektörü “GenAI’nin etkisini kontrol etmek için yalnızca otantik değerlendirmelere bel bağlayamaz” — diğer önlemlerle eşleştirilmesi gereken değerlendirme yeniden tasarımı stratejisine doğrudan bir meydan okuma.
• Dürüstlük rehberliği öğretimin ötesine, araştırma sürecine uzanmalıdır. Dai ve Chan (2026), araştırma görevleri boyunca doktora sonrası araştırmacıların YZ Okuryazarlığı’i uyguladığını ve halen öğretim ve değerlendirmeye odaklanan sorumlu kullanım politikalarının, GenAI kullanımının etik boyutlarını araştırmada iskelelemesi — endişelerin merkezinde intihalden çok özgünlük, yazarlık, veri gizliliği ve beceri bozulmasının olduğu yerde — gerektiğini savunur.
• Amaç politikanın önünde gelmelidir. Taylor ve LaCroix (2026), GenAI kullanımının suç oluşturup oluşturmadığının üniversitenin amacına bağlı olduğunu savunur. Artan suç vakaları, teknoloji coşkusu, kurumsal etki ve politika yaptırımının çatıştığı neo-liberal üniversitedeki yapısal tutarsızlığı yansıtır; öğrencileri kurum tarafından zımnen şekillendirilen davranışlardan sorumlu bırakır. Üniversiteler, açıklanan misyon, pedagoji ve teknoloji uygulaması arasında tutarlılık olmadan dürüstlüğü inandırıcı biçimde uygulayamaz.
• Psikolojik ve davranışsal belirleyiciler. Frontiers araştırması, YZ altında akademik dürüstlüğün psikolojik mekanizmalarını ve davranışsal belirleyicilerini eşler — tutumların, öz-yeterliliğin, normların ve algılanan sonuçların dürüst kullanımı nasıl şekillendirdiğini — dürüstlüğü saf kurala uymaktan ziyade Motivasyon, Öz Yeterlilik ve YZ Okuryazarlığı gibi davranışsal yapılara bağlar. Tabares-Cruz ve ark. (2026), bunları 980 Ekvadorlu üniversite öğrencisiyle bir SEM’de niceleştirir; akademik dürüstlük ve şeffaflık eğilimlerini ilk sıraya, ardından YZ okuryazarlığı, eleştirel doğrulama, kurumsal rehberlik, öz-düzenleme ve veri korumasını koyar — dürüstlük eğilimleri ile YZ Okuryazarlığı birlikte etik GenAI kullanımının önemli bir bölümünü açıklayarak tek başına kurumsal kuralları geride bırakır.
• YZ pazarlaması kullanımı normale kılar ve “kopya çekmek mi yarışmak mı” çerçevesini işler. Sobo ve ark. (2025), YZ’nin öğrencilere pratik bir zorunluluk olarak pazarlanıldığını (“Yazınızı yanlışlıkla işaretlenmemek için daha doğal duyurun”) ve bağımlılık ile öğrenmeden vazgeçme konusunda endişelenirken bile rekabetçi kalmak için benimsemek zorunda hissettiklerini gösterir — içselleştirilmiş bir girişimci buyruğu. Bu, YZ dürüstlük eğitiminin bir parçası olarak pazarlama okuryazarlığı ihtiyacına işaret eder.
• YZ insanlaştırıcıları, tespitin performatif döngüsünü açığa çıkarır. Roe ve ark. (2026), YZ ile üretilmiş metni tespitten kaçıracak biçimde değiştiren 55 YZ-insanlaştırıcı web sitesini Goffman’ın dramaturjisi çerçevesinde kataloglar. İnsanlaştırıcılar, suç davranışını söylemsel olarak yok eder ve meşruluk performe eder; tespit-karşı önlem yarışının yapısal olarak sonsuz olduğunu göstererek denetimden değerlendirme tasarımına ve YZ Okuryazarlığı’e kayışı güçlendirir.
• Konuşmanın yaşadığı yer yaptırım, tespit değil. Üç buçuk yılı kapsayan 26 eğitim subreddit’inden 270.929 YZ ile ilgili kayıt boyunca, akademik dürüstlük kümesi tartışmanın %37,1’ini, Suç Uygulama Yaptırımı ise tek başına en büyük temayı %12,1 oranında oluşturmuştur; öğretim üyesi–öğrenci dizilerinin %32,3’ü tespit ve yaptırım anlaşmazlıklarının içinde yer almıştır (Yüce ve ark. (2026)).
• Hayalet öğrenciler ve etken YZ doğrulama boşluğu. Bozkurt, Crompton ve Fell Kurban (2026), “hayalet öğrenci”yi tanıtır: LMS’de gezinmesine, içeriğe katılmasına ve değerlendirmeleri insan benzeri taklitle tamamlamasına olanak veren, LLM’ler (“akıl”) ile etken YZ tarayıcılarını (“beden”) eşleştiren bir dijital vekil; gerçek öğrencinin hazır bulunmasını isteğe bağlı kılar. Bu, geleneksel gözetimin ve tespitin yapısal olarak kapatamayacağı bir doğrulama boşluğu yaratır — YZ yalnızca üretken değil etken hale geldikçe büyüyen bir dürüstlük tehdidi.

Yeniden tasarım lehine en net disiplin vakası bilgi teknolojisi eğitiminden gelir. Bilgi teknolojisi ve programlama eğitiminde üretken yapay zekanın 72 çalışmasının bir sistematik derlemesi (Kumar, Wongsirichot ve Nanthaamornphong 2026), derlediği 14 temadan yalnızca üç çalışmanın YZ tespit mekanizmalarını incelediğini — en ince kanıt tabanını — bulmuş, ders ve değerlendirme yeniden tasarımı ise 25 çalışmayla desteklenmiştir. Derleme dengesizliği arızi değil tanısal olarak ele alır: kurumlar büyük ölçüde politika belgelerini güncellemiş ama değerlendirmeleri yeniden tasarlamamıştır ve çoğu öğretim elemanı tümleşmenin tolerans düzeyinde değil dönüşüm düzeyinde oturmaktadır; bir ulusal öğretim üyesi örnekleminin %70’i açıkça YZ dirençli değerlendirme tasarımı üzerine eğitim talep etmektedir. Önerilen yanıt somuttur: ders başına en az bir yüksek riskli değerlendirmeye sözlü bir bileşen ya da başka bir süreç görünür öğe eklemek ve YZ çıktısıyla eleştirel etkileşimi (okuma, test etme, değiştirme, açıklama, eleştiri) notlandırılabilir ve gözlemlenebilir bir bileşen haline getirmek, öğrenci inisiyatifine bırakılmış bir özlem olarak değil (Değerlendirme Geçerliliği).

• Uydurma referanslar, yayımlanmış bilgi teknolojisi eğitimi kaydına kadar ulaştı. Denny ve ark. (2026), ACM Dijital Kütüphanesi’ndeki 5.225 bilgi teknolojisi eğitimi makalesinden 113.588 referansı 723.930 yayının ve 15.872.533 referansın tam derlemiyle karşılaştırmış, 828 şüpheli kaydı elle doğrulamış ve 14 makalede, hepsi 2025 veya 2026’da yayımlanmış, doğrulanabilir biçimde uydurma bibliyografik bilgi içeren 30 referans doğrulamıştır. SIGCSE Technical Symposium’da doğrulanan sayı 2025’te 3’ten 2026’da 17’ye yükselmiş, 2026 bildiri makalelerinin %2,3’ünde yer almıştır ve hayali referanslar 2025’te beş SIGCSE sponsorlu ya da işbirliği içindeki yayın organında görülmüştür. Sayı, karşı ağırlığıyla birlikte bütündür: işaretlenen referansların çoğu zararsızdır — 229’u PDF’nin doğru olduğu ACM üst veri uyuşmazlığı, 188’i geçerli bibliyografik varyanttı — dolayısıyla yer figürü kasıtlı bir alt sınırdır. Bu, yalnızca Akran Değerlendirmesi üzerinde değil yazarlar üzerinde de düşer, çünkü referans listelerini kontrol eden hakemler her kaydı doğrulayamaz ve Büyük Dil Modelleri (LLM) destekli taslak yazımı, uydurma ama inandırıcı bir atıf üretimini ucuzlatır.
• Yeniden tasarım olmadan netlik, kötüye kullanımı ortadan kaldırmak yerine başka tarafa kaydırır. Petricini ve Zipf (2026), YZ kullanımını iki eksende — öğrencinin niyeti ve çabasına karşı ortamın sağladığı netlik ve destek — çizer ve görüşme verilerindeki en kalabalık bölgenin kaygılı uyum olduğunu bildirir; burada öğrenciler haksız suçlamadan kaçınmak için meşru yardımı (dilbilgisi desteği, kavram açıklamaları, kendi fikirlerini düzenleme) gizler. Uyarıları yöneldir: kuralların netleştiği ama Değerlendirme’in hâlâ hız ve ürünü ödüllendirdiği yerde, politika farkında öğrenciler erdemli araç kullanımına değil verimli aşmaya kayar. Austin (2026), ödev tarafından aynı noktaya ulaşır — ajanlar her rubrik kriterini görünür muhakeme gerek kalmadan karşıladığında, karar izinin (güven kalibrasyonu, reddedilen YZ önerileri, derse özgü kısıtlar) notlandırılması tespitin yerini alır; bunun her iki yönde de yanlış ateş ettiğini not eder.
• İşverenler YZ’nin ürettiğine inandığı notları indirim yapar ve yüz yüze doğrulama üzerinde buluşur. ~1.750 ABD’li işe alım uzmanıyla yapılan bir anket deneyinde, Boyd-Swan ve Reynolds (2026), öğrenci YZ kullanımına yardımcı bir araç olarak çerçevelenmesinin başvuru sahiplerini cezasız bıraktığını, öğrenci çabasının ve yeteneğinin yerine geçen olarak çerçevelenmesinin ise mülakat olasılığını ve — daha çarpıcı biçimde — ücret görüşmesi isteğini düşürdüğünü, bunun irk/cinsiyetten bağımsız olarak yüksek not ortalamalı başvuru sahipleri arasında yoğunlaştığını gösterir. Kaygıları hafifletecek ne sorulduğunda iki çerçeve grubu da yalnızca tek bir çözümü ortak seçmiştir: yüz yüze testler. Deney inancı (gerçek YZ kullanımını değil) izole eder; dolayısıyla yalnızca sinyalleme kanalının işe alım sonuçlarını nasıl değiştirdiğini gösterir — işgücü piyasalarının değerlendirmeyi hazır bulunma doğrulanabilir biçimlere doğru itebileceğine dair erken kanıt, hayalet öğrenci literatürünün kurumları benimsemaya çağırdığı aynı tasarım yönü.

GAIT temelli suç niyetine ilişkin ilk Planlı Davranış Teorisi çalışması bu tabloyu genişletir: 186 lisans öğrencisi arasında Baig ve Paparo (2026), suç davranışına yönelik tutumların, ona ilişkin öznel normların ve YZ’ye yönelik olumlu tutumların niyeti öngördüğünü, YZ’ye yönelik olumsuz tutumların ise öngörmediğini ve algılanan tespit olasılığının yükselmesinin daha düşük niyeti öngördüğünü bulmuştur — YZ tespit araçlarının belgelenmiş güvenilmezliği tarafından baltalanan bir caydırıcılık.

Dürüstlük politikaları kelimeleri kimin yazdığından fikirleri kimin taşıdığına kaymakta ve dedektörler buna uygun biçimde yeniden kurulmakta. IdeaLens, fikir menşeini düzyazıdan değil taslaktan tahmin eder: YZ ile üretilmiş planları izleyerek sıfırdan yazan insanların 50 öyküsünde %68’ini YZ olarak işaretlemiş, Pangram 4 için %8, düzyazıyla eğitilmiş kontrol için %0 olarak; YZ ile parlatılmış insan metninin %94,7’sini insan olarak etiketlemiştir (Rajendhran ve ark. (2026)). Kendi etik beyanı, çıktının tek başına YZ kullanımının kesin kanıtı olarak kullanılmaması gereken istatistiksel bir tahmin olduğunu belirtir.

Bağlı kavramlar

• Pedagojik Kalıplar — Üretken yapay zekaya yanıt olarak benimsenen doğrulama dizileri
• YZ Kullanım ve Açıklama Beyanları — YZ kullanım ve beyan ifadeleri
• Değerlendirme Geçerliliği
• YZ Okuryazarlığı
• YZ Tespiti
• Özgün Değerlendirme
• Değerlendirme
• Eğitimde YZ Politikası
• Eğitimde YZ Regülasyonu
• Etik
• Eşitlik
• Bilişsel Yükü Dışarı Aktarma
• YZ Yanlış Kullanımı ve Öğrenmeye Zarar
• YZ Kötüye Kullanımını Azaltma
• YZ Hakkında Yanlış Kanılar
• Üretici YZ
• Yükseköğretim
• K-12
• Eğitimde Yapay Zeka
• Hukukî Sorunlar ve Riskler
• YZ Kullanımına İlişkin Toplumsal Normlar — resmi politikanın altında yatan gayri resmi kurallar

Bağlı makaleler

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Tam bir psikoloji programı asgari çabayla geçer not üretebiliyor ve bunu geçiren notlandırma kriterleri (Ivory ve ark. 2026)
• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Öğretmen adayları hoşgörülü politika altında GenAI’den vazgeçti; “tuzak” çerçevelemesi ve anket–beyan boşluğu
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — YZ ajanları, neşeli değerlendirme ve üçüncü alan
• Generative AI in computing education: A systematic review and a framework for responsible integration — Tespit kanıtı ince (72 çalışmadan 3’ü); ağırlığı yeniden tasarım taşıyor
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Hizalı GenAI ders politikası: değerlendirmeden türetilen izinler, şeffaf gerekçe (McCorkle 2025)
• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Yapı eşdeğeri değerlendirme varyantı üretimi (Lee 2026)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Öğretim elemanlarının 31.000 ders müfredatında YZ’yi nasıl düzenlediği; azalan dürüstlük çerçevelemesi (Chirikov 2026)
• Can students cheat their way to a biology degree? A case study of the vulnerability of biology course grades to academic dishonesty in the era of generative AI — Öğrenciler bir biyoloji derecesine kopya çekerek ulaşabilir mi? Üretken yapay zeka çağında biyoloji ders notlarının akademik sahtekârlığa karşı kırılganlığına dair bir vaka çalışması
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — YZ kullanım beyanlarına ilişkin öğrenci uyumsuzluğu
• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — LLM ile Üretilmiş Metnin Tespiti
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Tespitin Ötesinde: YZ Aracı Bir Dünyada Otantik Değerlendirme
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — YZ Değerlendirme Ölçeği ve Değerlendirme Reformu
• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Otantik Ürünlerden Doğrulanmış Süreçlere
• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Tamam Çünkü… Öğrencilerin YZ Kullanımını Meşrulaştırması
• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Etik YZ Kullanımı için Koordinasyon Oyunu Çerçevesi
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — YZ Kullanımının Sosyal Düzenleyicileri Olarak Utanç ve Suçluluk
• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Alice Yanlış mı Yaptı? YZ Kullanımına İlişkin Kültürler Arası Algılar
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — GenAI destekli çalışmaları notlandırmada değer yargıları: dürüstlük, güven, geçerlilik ve çift yönlü şeffaflık (Luo ve Dawson 2026)
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — GenAI aracılı grup değerlendirmesinde akran hesap verebilirliği ve özgünlük
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Tespitin kanıtsal çöküşü ve usul adaleti, orantılılık ve tasarım lehinde duruş
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Eksik bilgi altında bir değerlendirme tasarımı sorunu olarak caydırıcılık, beyan ve yeniden tasarım
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — 1.162 GenAI suçluluk dosyası fiilen hangi kanıta dayandı ve eksik kanıt eşiği
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Aşırı kapsamlı YZ kuralları ve yazıya çevirme ile üretme ayrımı
• AI-based digital cheating at university, and the case for new ethical pedagogies — YZ temelli dijital sahtekârlık ve önleme temelli etik pedagojiler: 183’ten 27’ye suç vakası ve beş disipline özgü yeniden tasarım (Leaton Gray, Edsall ve Parapadakis 2025)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Yönetişim sorunu olarak dürüstlük: akademik yöneticiler için 130 maddelik bir gösterge çerçevesi (Coates, Croucher ve Calderon 2025)
• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Akademik dürüstlük ve GenAI konusunda yükseköğretim öğrenci seslerinin 38 çalışmasına dair kapsam derlemesi (Ji 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — EAL yazarları için destek ile ikame arasındaki çizgiyi çizmek ve dil geçmişini görmezden gelen kuralların eşitsizliği (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — YZ aracı notlandırmaya karşı istek metni enjeksiyonu: notu tespit edilmeden değiştiren gizli talimatlar (Humble 2026)
• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — YZ Kullanım Etiği Matrisi: kaygılı uyum ve netliğin tek başına öğrencileri neden verimli aşmaya ittiği (Petricini ve Zipf 2026)
• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — YZ ajanları ödevi tamamlayabildiğinde muhakeme izini notlandırmak (Austin 2026)
• AI-written admissions essays are widespread but penalized — YZ ile yazılmış kabul makaleleri yaygın ama cezalandırılıyor
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Kim Davranır, Kim Bilir, Kim Yanıt Ver? Üretken YZ Yükseköğretim Araştırmalarında Etkenlik, Epistemik Sorumluluk ve Hesap Verebilirlik Üzerine Derlem Destekli Bir Söylem Analizi
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Yetkilendirilmiş Sınırın Haritalanması: Avustralya Yükseköğretiminde Üretken YZ Yönetişimi Üzerine Karşılaştırmalı Bir Politika-Vinyet Çalışması
• Argus: Academic Integrity in the Era of Generative AI — Argus: Üretken Yapay Zeka Çağında Akademik Dürüstlük
• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Sektör denetimi bulgusu: yükümlülük ve çerçeve üniversiteleri değerlendirme açığa düşürmede fark göstermiyor; koordinasyon sorununun ampirik karşılığı
• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — LMS izlerinden YZ destekli kopya çekme riskinin erken tahmini; suç davranışı kanıtı değil akademik rehberlik olarak çerçevelenmiş
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Eğitim Reddit’inin üç buçuk yılı: yaptırım baskın ve dürüstlük anlaşmazlıkları başlıca öğretim üyesi–öğrenci arenası (Yüce ve ark. 2026)
• Early Evidence on Employer Responses to College Student Use of Generative AI — Anket deneyi: öğrenci YZ kullanımının ikame çerçevelemesi yüksek not ortalamalı başvuru sahiplerini işe alım ve ücret açısından cezalandırır; yüz yüze test her iki grubun seçtiği tek çözüm
• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: İnsanlar için okunabilir, makineler için dirençli bir okuma arayüzüne doğru