Академічна доброчесність

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Академічна доброчесність — етична рамка, що регулює чесну академічну працю в епоху ШІ. База знань документує, як це поняття було переосмислене завдяки генеративному ШІ: від проблеми виявлення нечесних робіт до задачі проєктування, у межах якої чесна робота стає видимою, перевіряною та такою, яку варто створювати. Дослідження академічної доброчесності research у цій сфері еволюціонували від підходів, орієнтованих на виявлення, до фундаментального перепроєктування оцінювання, управління, керованого педагогікою, та навчання студентів доброчесному використанню ШІ, а не лише до контролю за тим, чи роблять вони це.

Питання для роздумів

• Згадайте, коли ви востаннє чули обговорення «нечесності з ШІ». Чи точилася розмова про те, як викривати студентів, чи про те, як проєктувати завдання, які студенти хотіли б виконувати чесно? Який акцент здається вам більш знайомим і чому?
• Бездоганний, правдоподібний твір тепер можна створити за лічені секунди. Якщо ви вже не можете судити про здібності студента за продуктом, який він здає, що вам потрібно було б побачити або почути, щоб бути впевненими, що він справді це засвоїв?
• Дослідження показують, що студенти часто раціоналізують використання ШІ («копіювання тексту ШІ — злочин без жертв»), а не вживають його зі злого умислу. Які припущення про мотиви студентів містить суто каральна політика доброчесності — і в чому ці припущення можуть помилятися?
• Одна лінія досліджень розглядає використання ШІ студентами як задачу координації: поведінка змінюється, коли змінюються очікування ровесників і стимули оцінювання, а не коли переформульовують правила. Які чинники, пов’язані з ровесниками чи проєктуванням, у вашому власному контексті можуть непомітно визначати, буде використання ШІ чесним?
• Дослідження показують, що страх покарання змушує студентів приховувати використання ШІ і що прозорі студенти навіть можуть викликати підозру. Якби ви проєктували форму «розкриття використання ШІ», що змусило б студента справді захотіти заповнити її правдиво?
• Одна й та сама інституційна політика щодо ШІ трактується по-різному студентами різних культур — саме культура, а не формулювання політики, визначає, що здається неправильним. Як слід повідомляти політику доброчесності культурно різноманітній групі, щоб очікування справді були зрозумілими?

Вступ

Поява генеративного ШІ не створила потреби в академічній доброчесності — вона зробила слабкість наявних підходів важче ігнорувати. Бездоганний, правдоподібний продукт тепер можна створити за лічені секунди, тому подібність продукту є дедалі ненадійнішим сигналом здібностей. Це переносить питання доброчесності з «чи можемо ми викрити використання ШІ?» на «чи можуть наші оцінювання й далі обґрунтовувати висновки, які ми робимо про навчання студентів?»

Еволюція від виявлення до перепроєктування

• Скептицизм щодо виявлення: дослідження Виявлення ШІ та інституційні аналізи дедалі частіше встановлюють, що інструменти виявлення ШІ є ненадійними та процедурно несправедливими. Виявлення тексту LLM стикається з фундаментальними обмеженнями. Повністю згенеровані ШІ роботи можуть проходити через системи живого іспиту майже невиявленими, а досвідчені перевіряючі не надійно розпізнають роботи, створені GenAI. Виявлення в найкращому разі є обмеженим, ситуативним інструментом — а не стратегією першого порядку. Обсяг, який його проте змушують обробляти, далекий від незначного: шестирічний аналіз курсу CS2 з великою кількістю слухачів виявив, що 45,7% студентів навесні 2026 року були позначені за закономірностями, узгодженими з кодуванням за допомогою LLM (Racovan et al. (2026)).
• Вузький запас виявлення та нечесність як запланована поведінка: Leaton Gray, Edsall and Parapadakis (2025) збирають докази на те, що ШІ підсилює вразливість, яку сектор уже мав. Текст, згенерований ШІ, проходив як створений людиною у 80% випадків, тоді як наведені ними дані вказують на машинне виявлення приблизно на рівні 80% проти 78,4% для перевіряючих-людей — занадто вузький запас, щоб нести висновок про проступок. Їхній мотиваційний аналіз — більш характерний внесок: спираючись на теорію запланованої поведінки Айзена та теорію самоефективності Бандури, вони повідомляють про метааналіз Krou et al. (2021), який встановив, що Самоефективність негативно корелює з нечесністю, тоді як фактичні здібності не корелюють з нею зворотно взагалі. Тому здібний, упевнений студент, який сприймає оцінювання як несправедливе, може порушувати правила, щоб відновити контроль. Висновок слідує тій самій інверсії, яку ця сторінка документує в іншому місці: оцінювання, на яке модель може переконливо відповісти, є інтелектуально тривіальним оцінюванням, і невдача належить оцінюванню, а не студентові.
• Перепроєктування оцінювання: Аутентичне оцінювання, підходи за межами виявлення та шкала оцінювання ШІ зміщують фокус від викриття використання ШІ до проєктування оцінювань, у яких використання ШІ або не має значення, або є прозорим, або є необхідним для демонстрації певної здатності.
• Структурна вразливість оцінювання: Chan et al. надають конкретний приклад того, як наявне оцінювання структурно відкрите для нечесності, опосередкованої ШІ. У біологічному факультеті викладачі сприймали лише екзамени під онлайн-наглядом у присутності як мінімально вразливі; завдання поза заняттями вважалися сильно вразливими, залишаючи близько третини оцінки студента сильно вразливою і 80% — принаймні дещо вразливими. Це окреслює проблему доброчесності частково як проблему проєктування оцінювання, зумовлюючи перебалансування на користь оцінювання під наглядом чи в аудиторії та дизайнів автентичного оцінювання, які важче передати на аутсорсинг. Ivory et al. (2026) надають відповідник на рівні дисципліни для всієї трирічної програми з психології: 36 з 40 оцінювань 16 типів давали прийнятний вміст за мінімальних зусиль, а чотири, що не пройшли, були тими, що потребували присутності, візуальних медіа чи власного набору даних студента. Їхнє трактування чому це проходить — те, що узагальнюється: оцінювання, яке винагороджує вільну структуру та добросовісне використання правильного аналізу, спокуштовує вигадані значення та галюциновані джерела, тож саме межа «зараховано», а не виявлення, вирішує, чи оцінюється результат ШІ як досягнення, і вразливість оцінювання «не можна покладати лише на використання студентами».
• Робота як поверхня атаки: ін’єкція підказок проти оцінювання ШІ. Humble (2026) проводить ред-тимінг звичайного робочого процесу оцінювання і показує, що робота студента може нести приховані інструкції, які змінюють оцінку, що її отримує інструмент ШІ: дві з п’яти стратегій непрямої ін’єкції, вбудованих у файл роботи, підвищили незадовільний твір до «зараховано» без видимого попередження користувачеві, за повідомленими показниками успіху атаки 100% (9/9) і 94% (17/18), обидві поєднуючи маніпуляцію інструкціями, рольову гру та маскування у форматах docx, pdf і htm. Найпростіша атака провалилася повністю, і її відмова була тихою — інструмент вимкнув чат, не повідомивши про спробу — тоді як одна виявлена ін’єкція дала запевнення, що інструмент оцінюватиме «лише відповідно до офіційних інструкцій завдання», перш ніж шість наступних запусків того самого файлу все одно підвищили оцінку. Наслідок для доброчесності працює в обох напрямах: оцінка, підвищена прихованою інструкцією, не неє жодної претензії на валідність, та сама техніка може бути використана для зниження роботи без стійкого сліду у виході, і перевіряючий-людина залишається єдиною справжньою перевіркою маніпуляції, сконструйованої так, щоб бути невидимою.
• Валідність як організовна рамка: Валідність оцінювання переосмислює доброчесність як доказову проблему. Дослідження автентичного оцінювання вводить підміну конструкту — згенерований ШІ продукт приписується студентові, тож оцінювання вимірює здатність інструмента, а не студента. Доказове питання витримує будь-яку політику щодо ШІ: незалежно від того, заборонене використання, дозволене чи обов’язкове, оцінювання мусить і далі генерувати докази, що обґрунтовують зроблений висновок.
• Варіативність у масштабі як механізм доброчесності без нагляду: VARIA (Lee 2026) Бенчмарк перевіряє передумову AI-Integrated Authentic Assessment (AIAA) — заміну наглядового прокторингу на варіативність завдань для кожного студента, щоб копіювання було структурно безкорисним. Гарантія доброчесності залежить від того, що LLM генерують варіанти, які є поверхнево відмінними та еквівалентними за конструктом; пілотний проєкт VARIA із 600 варіантів встановлює, що фронтьєр-моделі задовольняють це лише на межі (сукупний бал 0,81–0,88), тоді як нефронтьєр-моделі розвалюються (0,50–0,55), тож «варіативність у масштабі не можна вирішити лише за допомогою підказок». Це дає дебатам «виявлення проти перепроєктування» емпіричну, фальсифіковану перевірку: обіцянка автентичного оцінювання з варіативними завданнями без нагляду тепер залежить від виміряної (і досі вузької) здатності генерації, а не від припущеної.
• Автентифікація студентської рефлексії проти GenAI: Kadel et al. (2026) стверджують, що традиційні моделі рефлексії вже не можуть автентифікувати рефлексію студента, коли GenAI може писати рефлексивну прозу, і вбудовують доброчесність безпосередньо в модель рефлексії — етап «Підводні камені» рамки 5P явно обробляє плагіат, hallucination-risk, та надмірну залежність, тоді як його етапи «Процес» і «Продукт» вимагають документування підказок і перевірки результатів, щоб власні міркування Здобувачі були відрізними від внесків, згенерованих ШІ.
• Розробка політики: інституційні політики щодо ШІ та дослідження Політика щодо ШІ в освіті вивчають, як університети розробляють і повідомляють очікування щодо доброчесності — і чому абстрактні твердження політики так часто зазнають невдачі.
• Доброчесність як проблема управління, а не виявлення. Coates, Croucher and Calderon (2025) переносять обмежувальний чинник із поведінки студентів до академічного Урядування ШІ, який вони називають стійким, але «не добре розташованим і не готовим» протистояти загрозам GenAI автентифікації оцінювання студентів. Їхня відповідь — рамка показників доброчесності з 130 пунктів у восьми вимірах, від «Проєктування» (19 пунктів) до «Вдосконалення» (6), що складається з питань управління, а не психометричних шкал — чи отримує вищий орган установи оновлення щодо якості оцінювання, який відсоток оцінювань нагадує відповідні та змістовні проблеми, який відсоток студентів відомий індивідуально викладачам, які їх оцінюють. Вона була розроблена шляхом багаторічного огляду досліджень, п’яти кейс-стаді австралійських університетів, прототипування, експертного підтвердження з 60 запрошеними експертами з шести регіонів світу та quantitative пілотування, і вона поєднана з реформами архітектур управління, людей і технологій і ресурсів, які автори очікують віддавати лише під зовнішнім тиском Регулювання ШІ в освіті, бенчмаркінгу та міжуніверситетської конкуренції; вони представляють рамку як формативну і закликають до психометричної валідації, перш ніж вона буде використана для порівняння або educational-measurement.
• Що насправді кажуть документи: доброчесність домінує в інституційній політиці щодо ШІ. Eldredge et al. (2026) проаналізували політику щодо ШІ та керівні документи всіх 48 акредитованих CAHIIM магістерських програм з health informatics і health information management у США: 40 (83%) мали щонайменше один відповідний документ, і ці документи окреслювали ШІ переважно як питання запобігання зловживанням студентів у курсовій роботі, центруючи академічну доброчесність і прийнятне використання. Академічна доброчесність була далеко найчастішим ключовим словом (n = 139, попереду цитування — 59, оцінювання — 50 і плагіату — 38), тоді як приватність, інтелектуальна власність та регуляторні теми були присутні, але менш поширені (HIPAA n = 5, FERPA n = 11, настанови IRB n = 8). Тематичне моделювання того ж корпусу дало чотири теми, першою з яких була академічна доброчесність і належне використання ШІ, поряд із генеративним ШІ у викладанні, ШІ та використанням інструментів даних у дослідженнях і залученням студентів до розмовних систем ШІ. Доказова цінність для цієї сторінки — це квантифікація: оформлення, зцентроване на доброчесності, є не просто риторичним типовим елементом інституційної політики щодо ШІ, але емпірично домінуючим її вмістом. Найдокладніше зауваження авторів — про те, де ця увага зупиняється, відзначаючи, що порівняно мало настанов охоплює використання ШІ в прикладному навчанні, дослідженнях і модельних середовищах, де перетинаються навчальні та занепокоєння щодо управління даними, тож документи регулюють курсову роботу, тоді як середовища, для яких ступінь готує студентів, залишаються здебільшого неврахованими.
• Рамка доброчесності поступається регулюванню на рівні завдань: Chirikov (2026) у довгостроковому дослідженні 31 000+ програм курсів показує, що політики викладачів щодо ШІ відходять від чисто доброчесної рамки: згадки академічної доброчесності в силабусах впали з 63% (весна 2023) до 49% (осінь 2025), тоді як посилання на вплив ШІ на навчання зросли з 1% до 29%. Викладачі дедалі частіше регулюють ШІ за типом завдання — обмежуючи його для написання/міркування (де ШІ витісняв би навчання) і дозволяючи для редагування/вичитування та підтримки навчання — а не застосовуючи повну заборону на підставі доброчесності. Це переосмислює політику доброчесності як рішення про проєктування на рівні завдання, а не як бінарне правило.
• Машинна стійкість як запобігання, а не як виявлення. Порушення самого документа — міжсимвольні, міжсловні та міжрядкові інтервали, дрижання непрозорості, смугові накладки та шум зображення, а також adversаріальні атаки на основі рішень — підвищують зусилля, потрібні для недбалого зловживання LLM у самому джерелі, водночас вимірюючи ті самі знання (Salaun et al. (2026)). Ручне розпізнавання залишається можливим, а adversаріальні атаки захищають лише окремі рядки, залишаючи цілодокументну частоту помилок символів нижче 8,44%.

Процедура щодо проступків та її доказовий розпад

Машинний механізм, який стоїть поверх політики доброчесності, сам є рішенням про проєктування, і генеративний ШІ зруйнував його доказову основу. Teichmann (2026) стверджує, що процедура щодо проступків, яку університети запозичили з плагіату, припускає, що заборонене використання можна виявити і довести — передумова, яку технологія розчиняє. На відміну від програм зі зіставлення тексту, які вказують на скопійоване джерело, класифікатор ШІ-тексту не ідентифікує жодного джерела (його не існує); він видає ймовірнісне судження про стиль, яке деградує під парафразом, систематично неправильно позначає письмо неносіїв англійської і не може бути поясненим або перехресним, тоді як вміле чи легко відредаговане використання не залишає сліду взагалі. Наполягання на цьому у будь-якому разі перевертає тягар доказування (студента просять довести негатив), напружує кожен елемент процедурної справедливості і призводить до шкоди хибного звинувачення найбільше для тих, хто вже є невигідним. Запропонований засіб двоплановий: доказовий стандарт, за яким оцінка детектора сама по собі ніколи не обґрунтовує висновок, із градуйованими, освітньо-орієнтованими відповідями, і перенесення зусиль установи до проєктування оцінювання, зцентрованого на валідності, та автентичного оцінювання — відповідь на невиявний ШІ — краще оцінювання, а не кращий нагляд. Граничний випадок не має машинного механізму взагалі: Isley, Gaebler and Goel (2026) документують магістерську програму державної політики США, яка забороняла допомогу генеративного ШІ у підписаному засвідченні і не перевіряла жодної роботи, де 56,1% заявників 2025 року подали щонайменше один твір, який комерційний детектор класифікував як переважно написаний ШІ, і кожен позначений твір був пов’язаний із на 1,5 відсоткового пункта нижчою ймовірністю вступу (p < .01), що зростало до 2,6 пункта (p < .001), коли якість твора утримувалася постійно. Без виявлення, розгляду або етапу забезпечення виконання між правилом і результатом покарання доставлялося повністю через саму класифікацію детектора.

Munoz et al. (2026) надають емпіричний відповідник, кодуючи кожну справу про проступок із GenAI в одному регіональному австралійському університеті протягом трьох років: 1162 справи, що несуть 1855 доказових елементів, кожен оцінений за релевантністю, довірливістю та висновковою силою. Вихід детектора був доказом, до якого найчастіше тягнулися і який найменше міг нести вагу — звіти Turnitin або звіти про подібність несли 100% слабкої висновкової сили, а окремий вихід детектора — 100% низької довірливості, і докази детектора впали до 0,5% елементів до 2025 року, оскільки установи засвоїли, чого він не міг довести — тоді як найсильніші типи доказів були ті, що не спираються на ймовірнісну класифікацію тексту: визнання студентів, спостережувана заборонена поведінка на іспиті та незалежно перевірені вигадані джерела, які були найбільшим структурним зрушенням на рівні 22,3% елементів. Їхня найдокладніша критика є структурною, а не доказовою, оскільки «немає вимоги для слідчих оцінити довідову якість доказів перед продовженням звинувачення, немає мінімального доказового порога на жодному етапі конвеєра», тож якість доказів не мала надійного зв’язку з результатами справ. Вони також фіксують, як політика наздогнала практику: політика оцінювання, що діяла до 2024 року, не мовила нічого про ШІ, а з січня 2025 року переглянута політика дозволяла схвалене програмне забезпечення автентичності, забороняючи завантаження робіт студентів до сторонніх інструментів виявлення ШІ.

Друга невдача — це невдача обсягу, а не доказу. Wright (2026) показує, що заборони, написані на рівні ідентичності платформи, а не функції, захоплюють негенеративне перетворення формату — розпізнавання мовлення в текст, OCR, звичайний текст у LATEX — поряд із генеративним написанням, яке вони мають намір заборонити, хоча рецензована література з інформатики розглядає розпізнавання і генерацію як відмінні операції. Витрата падає нерівномірно: студенти з станами, що впливають на контроль дрібної моторики, розбірливість почерку або точність набору тексту, покладалися саме на ці інструменти, і оскільки автономні продукти перетворення мовлення в текст знімаються з виробництва або деградують, розпізнавання мовлення на основі ШІ заповнює функціональний проміжок, тож надмірно широка правило усуває основний засіб створення розбірливої роботи, роблячи суперечку суперечкою Доступність та equity-in-ai-education раніше, ніж суперечкою доброчесності. Засіб Wright — визначення генеративного ШІ на основі функції плюс чотири операційні критерії — точність, недоповнення, простежуваність і засвідчення — які дають студентові структурований шлях спростувати звинувачення лише в розпізнаванні, залишаючи тягар доказування на установі.

Доказова проблема виявлення є також проблемою валідності. Оскільки допомога ШІ є ітеративною і вплетеною в написання, а не переданою на аутсорсинг цілком, авторство і володіння змістом розходяться, і звучаща подана робота може не встановлювати, що студент здійснив судження, на яке було націлено завдання. Продуктивність детекторів варіюється за завданнями, дисциплінами і версіями моделей, і розкрите або підозрюване використання ШІ може діяти як упереджувальна підказка для перевіряючих, тож відповідь на виявлення додає конструктно-нерелевантну варіацію, а не усуває її. Коли дебати про доброчесність питають, хто створив слова, рахунок валідності питає, яку заяву про студента обґрунтовує продуктивність.

Проблема раціоналізації

Студенти загалом не ai-misuse-learning-harm зі злого умислу; вони раціоналізують це. student-rationalization-ai-writing ідентифікує щонайменше п’ять точок роз’єднання, де трактування студентами політики щодо ШІ розходиться з наміром факультету, і таксономію 20+ відмінних раціоналізацій — від «копіювання тексту ШІ — злочин без жертв» до «текст, що відображає мої вірування, є моїм власним письмом». Ці раціоналізації є ситуативними, пост-гок і внутрішньо непослідовними, і вони описують «крутий етичний слизький схил», на якому студенти ковзають далеко за межі pedagogy цілей. Саме тому misconceptions студентів про ШІ є вихідною причиною порушень доброчесності, і саме тому освіта доброчесності мусить враховувати ethics, а не лише технічну вправність.

Ji (2026) у розгорнутому огляді 38 емпіричних досліджень голосів студентів надає синтез, на якому спирається цей розділ. Його чотири теми — неоднозначність (генерація цілого завдання читається як нечесність, перевірка граматики і мозковий штурм є здебільшого прийнятними, а парафразування, окреслення і переклад сидять у сірій зоні), етична Суб’єктність здобувача, в якій студенти будують особисті правила в вакуумі настанов, який вони читають як мовчазне схвалення їхніх дій, розрив між етичною обізнаністю і практикою, і різноманітність за статтю, рівнем, дисципліною і культурою. Розрив обізнаності-практики — це проблема раціоналізації, виміряна в масштабі: Індекс етичної дисонанси Huang et al. розсортував 522 китайських студентів на чотири кластери, один з яких часто робив те, що вважав нелегітимним, і структурне моделювання Ofem et al. 4679 нігерійських студентів встановило, що позитивні сприйняття ChatGPT передбачали нечесне використання, тоді як позитивні ставлення до доброчесності діяли як значний негативний посередник. Ji читає студентів ні як пасивних отримувачів GenAI, ні як злочинців без морального обмеження, але як активних агентів, що навігають етичною сірою зоною, чому розглянуті дослідження збігаються на співстворених, освітніх і контекстно-чутливих відповідях, а не на каральних.

Чому політика сама по собі зазнає невдачі: проблема координації

ethical-ai-higher-ed-game-theory надає рахунок на рівні механізму того, чому проголошення політики рідко змінює поведінку: використання ШІ студентами є проблемою координації, де індивідуальні вибори залежать від очікувань ровесників і проєктування оцінювання. Ключове встановлення моделі — нелінійна порогова динаміка — малі, добре калібровані зміни стимулів рефлексивного оцінювання можуть спричинити швидкі зрушення всього курсу до відповідального використання, тоді як слабкі або роз’єднані стимули дозволяють опортуністичній практиці зберігатися. Практично, скромне перепроєктування (наприклад, вимога від студентів рефлексувати над їхніми взаємодіями з ШІ) може мати непропорційні ефекти там, де абстрактні правила не мають жодних.

Відповідальність ровесників не завжди вказує на доброчесність, як Chen and Zou (2026) встановили в оцінюваному group-work: сім із п’ятнадцяти груп студентів свідомо знизили своє використання GenAI частково, щоб уникнути вільного проїзду за рахунок однокурсників, оскільки наслідки для групи були спільними, а не самодостатніми, проте в п’яти групах дозвільний колективний клімат — «кожен у моїй групі використовує GenAI» — знизив сприйнятий ai-misuse-learning-harm і обернув той самий механізм відповідальності, який групова робота має створити. Те саме дослідження виявило студентів, які переформульовували оригінальність як вірність розумінню, яке їхні однокурсники будували разом, і його практична рекомендація слідує прямо: зробіть узгодження прийнятного використання ШІ явним, документованим і оцінюваним результатом, а не залишайте норму виникати з тиску ровесників або сприйнятого ризику.

Непослідовність політики в межах установи створила саме вгадування, яке передбачає рахунок координації. Дев’ять із одинадцяти опитаних у Zou et al. (2026) окреслили явний дозвіл свого власного курсу використовувати генеративний ШІ як можливу «пастку» — приманку, щоб ідентифікувати студентів, які не змогли опиратися — хоча політика була відкритою і написаною в настановах оцінювання; студенти узагальнювали з заборон і попереджень, зустрінутих в іншому місці, а не читали правила свого власного курсу на їхніх власних умовах. Висновок авторів слідує механізму, а не формулюванню: чіткості на рівні курсу було недостатньо, і потрібна послідовність на рівні educational-policy-ai, щоб студенти перестали вгадувати намір з навколишньої культури.

Ідентична поведінка, різні вердикти — і розкриття, яке не змінює нічого. Poudyal (2026) застосував 15 стандартизованих віньєток до політичних середовищ 20 австралійських університетів і створив 300 класифікацій: 120 (40,0%) явно заборонені, 56 (18,7%) невизначені і жодна явно дозволена, тоді як обов’язкові інструменти мовчали про генеративний ШІ в 100 комбінаціях, які настанови розв’язували в 88. Розкриття не визначало результатів — той самий статус розкриття створював різні класифікації залежно від правил дозволу і інструкцій завдання, і поле розкриття зафіксувало 117 задоволених вимог і 80 хибних заяв.

Процедури мають таке саме значення, як політики, і їхня доказова основа розвалилася для ШІ. Teichmann (2026) стверджує, що процедура щодо проступків, яку університети запозичили з плагіату, спирається на передумову, яку генеративний ШІ зруйнував: що заборонене використання можна виявити і довести. На відміну від програм зі зіставлення тексту, які можуть вказати на скопійоване джерело, класифікатори ШІ-тексту не ідентифікують жодного джерела, оскільки його не існує — вони видають ймовірнісне судження про стиль, яке деградує під парафразом, неправильно класифікує неносіїв систематично і не може бути поясненим або перехресним, тоді як вміле чи легко відредаговане використання не залишає сліду взагалі. Наполягання на цьому у будь-якому разі перевертає тямар доказування (студента просять довести негатив), напружує кожен елемент процедурної справедливості і призводить до шкоди хибного звинувачення найбільше для тих, хто вже є невигідним. Запропонований засіб двоплановий: опублікувати доказовий стандарт, за яким вихід детектора сам по собі ніколи не обґрунтовує висновок, із градуйованими освітньо-орієнтованими відповідями, і перенести зусилля установи до проєктування оцінювання, зцентрованого на валідності, та автентичного оцінювання. Mohamed and Temimi (2026) надають відповідник на рівні механізму з боку студента: оскільки кожне середовище оцінювання робить якусь відповідь найпривабливішою, заборона залишає приховування привабливим, коли перевірка є тонкою, моніторинг робить приховане використання дорожчим, не роблячи розкриття безпечним, і лише перепроєктування — зниження винагороди від аутсорсингу, підвищуючи цінність видимого міркування — переміщує студентів до відповідального використання. Їхній найдокладніший результат — стримування працює через розрізнення детектора між прихованим використанням і легітимною роботою, а не через його показник виловлення, тож коли хибні позитивні зростають швидше, ніж справжні позитивні, сильніший моніторинг може зробити приховування відносно більш привабливим.

• Обов’язок доброчесності може бути переписаний як індивідуальна компетентність. Через 366 абстрактів вищої освіти GenAI слово «доброчесність» з’являється 461 раз, але лише 6 із 166 виразів обов’язку називають студентів, тож перевірка і розкриття виникають як навички, які, як очікують, студенти мають мати, а не як обов’язки, які установи забезпечують (Poudyal, 2026).

• Наскільки прескриптивною є політика доброчесності, не розкриває, наскільки відкрите оцінювання. Аудитуючи 15 587 записів модулів, Villanueva (2026) встановив, що університети з мандатами реформи в межах установи і ті з широкими рамками розподіляються в тому ж діапазоні відкритості оцінювання — емпіричний відповідник рахунку координаційної гри того, чому проголошення рідко змінюють поведінку.

Соціально-емоційний вимір

Забезпечення доброчесності має знехтувану емоційну витрату. Дослідження shame-guilt-ai-regulation-computing-education зі студентами показує, що ці емоції регулюють, коли і як використання ШІ стає видимим, створюючи поведінку приховування та вибіркове розкриття — і що вони співіснують із продовжуваним використанням, створюючи цикли зниженої спроможності та моральної напруги, а не зміни поведінки. Саме тому social-norms-ai-use регулюють видимість ефективніше, ніж вони регулюють використання. Студенти навіть описують своє використання ШІ мовою залежності. Наслідок: політика, важка на виявленні, орієнтована на нагляд, ризикує приводити ai-misuse-learning-harm до підпілля, а не враховувати його, підриваючи відверте узгодження, якого потребує продуктивне використання.

Зворотне приховуванню — відмова, і вона несе свою власну емоційну витрату. Серед 85 студентів-викладачів, яких Zou et al. (2026) опитали за політики оцінювання, яка явно дозволяла генеративний ШІ, 62,4% (53) вибрали не використовувати його взагалі, і використання прийнявших було поверхневим і виправним — вичитування (43,8%) і перевірки чіткості (34,4%) далеко перевершували генерацію тексту (18,8%) і мозковий штурм (12,5%). Страх legal-issues-and-risks, а не технічна складність, зробив багато з цієї роботи: 41,5% неприймавши назвали його проти 13,2%, що цитують відсутні знання або навички, тоді як 77,4% окреслили невикористання просто як перевагу працювати наодинці.

Заяви про розкриття використання ШІ

Заяви про використання та розкриття ШІ — конкретний механізм, через який очікування доброчесності стають операційними — і дослідження показують, що вони часто зазнають невдачі, коли їх розглядають як нейтральні форми відповідності. Gonsalves (2025) встановив, що 74% студентів не заявили про використання ШІ на обов’язковому титульному аркуші курсової роботи, що зумовлено страхом покарань, неоднозначністю настанов, непослідовним дотриманням і нормами ровесників. Kirsanov et al. (2026) та Vetter et al. (2026) підтверджують, що страх помсти та незрозуміла політика гальмують розкриття — і що прозорі студенти навіть можуть викликати підозру. Chang et al. (2026) переосмислюють розкриття як поведінку Пошук допомоги/саморегуляції, яку тривога перенаправляє на ровесників. Спільний урок: політика розкриття мусить враховувати афективні та соціальні бар’єри, бути чіткою і послідовною, і розглядати розкриття як формативну педагогіку, а не як нагляд. Luo & Dawson (2026) додають сторону викладача до рівняння: оцінювання викладачами робіт із допомогою GenAI керується ціннісними судженнями про чесність, старанність і довіру студентів, і багато викладачів штрафують (або спокушуються штрафувати) студентів, які розкривають використання GenAI — навіть коли якість роботи сильна. Це проблема «двосторонньої прозорості»: від студентів очікують заяви про використання, але викладачі рідко уточнюють, як ця заява вплине на оцінки, тож чесне розкриття може нести невисловлене штрафне оцінювання. Дослідження засновує проблему розкриття в ціннісно насиченій реальності оцінювання викладачами і стверджує, що прозорість мусить працювати в обох напрямах.

Власні повідомлення студентів квантифікують, наскільки погано це послання доходить. В опитуванні 504 студентів-соціологів 81 відсоток сказав, що їхні викладачі чи асистенти давали настанови щодо використання ШІ, проте лише 46 відсотків назвали ці інструкції дуже чіткими; 19 відсотків повідомили про відсутність настанов взагалі, а решта описала їх як в кращому разі дещо чіткі (Kuznetsov, Sheely & Baker, 2026). Страх скоїти академічний проступок був другим найпоширенішим занепокоєнням, яке піднімали студенти (28 відсотків) — витрата, накладена неоднозначністю, а не забезпеченням виконання, оскільки лише 3 відсотки повідомили про використання GenAI для генерації тексту завдання і 2 відсотки — для створення повного чернетки. Практичний наслідок — сама чіткість комунікації є механізмом доброчесності, і студент, який не може зрозуміти, що дозволено, несе ризик, який установа ніколи не мала наміру накладати.

Дозвіл на рівні курсу також не вирішує дилему розкриття. У дослідженні Zou et al. (2026) 85 студентів-викладачів, чиї оцінювання явно дозволяли генеративний ШІ, самозаяви налічували 28 користувачів проти 32 в анонімному опитуванні, і два джерела розходилися в протилежних напрямах за курсами — Курс A зафіксував 14 користувачів в опитуванні, але лише 8 заяв, тоді як Курс C обернув закономірність (8 опитування, 12 заяв). Автори читають розходження як оцінювальні наслідки, що формують, що студенти були готові зробити видимим, додаючи докази студентів-викладачів, що система заяв вимірює поведінку розкриття так само, як і вона вимірює використання.

Культурна та контекстуальна варіація

Текст політики не дорівнює сприйняттю політики. Міжнаціональні дослідження встановили, що, незважаючи на функціонально ідентичні інституційні політики, студенти різних університетів оцінювали ті самі практики з допомогою ШІ по-різному — культура, а не формулювання політики, визначала сприйняту неправильність. Гармонізація політики не дає гармонізації сприйняття, тож культурно різноманітні групи трактують ті самі правила по-різному, що є занепокоєнням щодо справедливості для забезпечення виконання і оцінювання і говорить на користь уточнення на основі сценаріїв замість абстрактних тверджень правил.

Мовне тло, а не культура, є другою віссю варіації. Li (2026) стверджує, що, оскільки той самий інтерфейс виконує дозволене мовне редагування і заборонене субстантивне написання, правила доброчесності, які розглядають GenAI як одну категорію несанкціонованої допомоги, перетворюють мовну невигоду на ризик доброчесності: повна заборона усуває масштабовану форму мовної підтримки, режим «дозволи, але розкрий» накладає роботу відповідності на студентів EAL, чиє використання є більш частим і ітеративним, і заборони на редагування за межами незначних змін концентрують підозру на авторах, чия вільність змінилася найбільше. Межа, яку пропонує Li, є цілевою, а не інструментальною — дозволена підтримка не додає нових ідей, нових джерел і матеріального перепорядкування аналізу, тоді як підміна створює або матеріально переформовує інтелектуальну роботу, що оцінюється — і вона заснована на конструкті оцінювання, оскільки рубрики, які надають бали за вільність та ідіоматичний вираз, вводять конструктно-нерелевантну варіацію для авторів EAL (Валідність оцінювання). Рамка знижує вихід ai-detection до сигналу тріажу, який рідко становить доказ, віддаючи перевагу тріангуляції через поетапні подання, історії чернетків, перевіряємі сліди джерел і коротку розмову, узгоджену з конструктом, і калібрує ai-use-disclosure так, щоб рутинна підтримка не несла витрат відповідності, що перевищують ті, які несуть одномовні ровесники.

Від поліцейської функції до педагогіки

База знань документує зміну парадигми: від ШІ як загрози доброчесності, яку треба поліцювати, до ШІ як інструмента, чиєму належному використанню треба вчити. Це етичний вимір ШІ-грамотність, і він embodied-learning у практичному проєктуванні:

• Заяви про використання ШІ для конкретних завдань: рамки заяв для конкретних доменів замінюють універсальні прапорці «Я використовував ШІ» структурованими заявами, які відображають використання на когнітивних етапах (наприклад, структурне планування проти генерації вмісту), змушуючи до рефлексії і зміщуючи фокус від поліцейської функції до професійної практики.

• Оцінювання, прозоре щодо процесу: архітектури, такі як когнітивне керівництво, поетапні подання, усні захисти та AI Viva (розмовний агент, що досліджує, чи розуміють студенти свої подання), роблять людське судження, перевірку та відповідальність видимими. Miles, Haber-Curran and Arar (2026) просувають ту саму логіку до самої підказки: їхня зразкова рубрика оцінює ітеративне вдосконалення, критичну інтерпретацію результату та рефлексивне переглядання, тож оцінюється залучення студента з інструментом, а не артефакт, який він створив, і вони стверджують, що навчання студентів лише оптимізувати результат залишає етичні та епістемологічні виміри використання незайманими.

• Зменшення зловживань: доброчесність стоїть поряд із Неправильне використання ШІ та шкода для навчання (навчальна витрата зловживань) та Зниження шкоди від неправильного використання ШІ (інтервенції, які їх запобігають), пов’язуючи чесність із справжнім навчанням, а не з дотриманням правил.

• Прозорість як стратегія доброчесності, а не лише як ввічливість: дизайн-кейс McCorkle (2025) розглядає обґрунтування для кожного дозволеного чи недозволеного використання GenAI як сам механізм доброчесності. Опитані після ігнорування політики заборони студенти пояснили, що вони не бачили себе такими, що поводяться нечесно, що переосмислює невдачу як неоднозначність, а не як невідповідність — тож перепроєктування відповіло на це, обґрунтовуючи кожне обмеження конкретним Оцінювання, яке воно захищає, і проєктуючи для «переконливої середини 20-60-20» McCabe, а не для небагатьох рішучих. Кейс також називає витрату справедливості нечіткої політики: очікування, які є незрозумілими і нерівними між викладачами, є тим, що перетворює невдачу політики на дисциплінарну дію (Справедливість).

• Проєктування, а не виявлення: кейс Бохума. Перепроєктування Рурським університетом Бохума вступного ядерного та частинкового physics-education (Mikhasenko et al., 2026) пов’язало свою політику щодо ШІ з практичною невдачею доброчесності, а не з виявленням: оскільки задачі семінарів розкривалися заздалегідь, деякі студенти готували згенеровані ШІ рішення і копіювали їх на дошку, не беручи участі в наміченому міркуванні. Автори розглядають це як проблему проєктування — перенесення задач семінарів у підготовлене обговорення в аудиторії і зроблення письмового іспиту визначником оцінки — а не як проблему поліцейської функції, явно дозволяючи ШІ в навчанні, пояснюючи, чому перевірка є відповідальністю студента, і відзначаючи, що домашні завдання з відкритим дозволом на ШІ також підвищили залежність, нерівний доступ до платних моделей і навантаження асистентів викладання.

Найдокладніше твердження педагогічної інверсії походить від El Khoury and Ma (2026), які стверджують, що реформа, що починається з підозри, звужує освітню уяву до контролю, відповідності та нагляду, і що доброчесність мусить бути наслідком оцінювання, спроєктованого для залучення, а не його відправною точкою. Їхнє підтримуюче спостереження — механізм, уже видимий в іншому місці цієї бази знань: розчарування є однією з умов, за яких нечесність стає більш ймовірною, тож програми, що стрес-тестують оцінювання чи обмежують використання ШІ, не враховуючи залучення, залишають частину проблеми незайманою.

Студенти поза англомовною вищою освітою описують ту саму напругу своїми власними термінами. Mulisa and Mezgebu (2026) опитали 27 студентів бакалаврату ефіопського університету і виявили, що студентське товариство розділене проти себе: майже всі використовували GenAI або бачили, як ровесники його використовують, більшість приписувала йому покращення їхніх академічних досягнень, мала меншість називала таке використання відвертим проступком, і майже кожен описував нерівне ігрове поле, в якому роботи з допомогою ШІ заробляли кращі оцінки, ніж чесні зусилля, тоді як незалежні працівники втрачали почуття старанності. Найдокладніша риса обліку — визначення студентами плагіату, яке є технічно захистимим і неповним — якщо плагіат означає відтворення чиїхось чужих слів, машинно написаний текст, який нічого не копіює, не є плагіатом — чому автори стверджують, що визначення мусить розширюватися за межі копіювання та вставлення, слідуючи «ШІ-плагіату» Ka та Chan (2025), і чому вони поміщають власні вірування студентів, а не лише інституційні правила, у центр етичного використання.

Sharma (2026) просуває педагогічну інверсію ще крок, розширюючи рамку постплагіату Eaton від етичної орієнтації до проєктування оцінювання. Доброчесність, на цей рахунок, здійснюється через оцінювальне судження — здатність здобувача зважувати варіанти, обґрунтовувати академічні вибори і приймати відповідальність за епістемічної невизначеності — і робиться видимою через чотири практики: анотовані сліди рішень, практики перевірки та відповідальності, усний захист і діалогічну відповідальність, і розходження чернетків з історією версій. Виявлення утримується лише як додатковий шар для чіткого спотворення або свідомого аутсорсингу інтелектуальної праці, ніколи як первинна інфраструктура доброчесності, оскільки воно питає, чи було використано GenAI, а не як були зроблені рішення за роботою; аргумент також називає ризик справедливості, що моделі, зцентровані на виявленні, падають найбільше на здобувачів, які покладаються на генеративні інструменти для мовного або когнітивного Скаффолдинг.

Третій маршрут стоїть між виявленням і перепроєктуванням. Akçapınar (2026) передбачає ризик нечесності з допомогою ШІ з ранньосеместрових слідів LMS з AUC 0,763 і окреслює вихід як академічну настанову з низькими ставками — нагадування, подальші дії щодо завдань, короткі перевірки — а не як доказ проступку, наполягаючи, щоб оцінка залишалася відокремленою від оцінювання і дисциплінарних записів.

Зв’язки

Академічна доброчесність пов’язана з Валідність оцінювання, ШІ-грамотність, Виявлення ШІ, Аутентичне оцінювання, Оцінювання, Політика щодо ШІ в освіті, Регулювання ШІ в освіті, Етика та Справедливість. Вона є етичним виміром ШІ в освіті, невіддільним від over-reliance і ширшого питання про те, як Генеративний ШІ переформатовує Вища освіта та K-12 навчання.

• Синтез систематичного огляду. Огляд PRISMA 25 досліджень (Balalle & Pannilage 2025) встановлює, що ШІ діє і як загроза (генероване ШІ письмо, інструменти парафразування), і як інструмент виявлення (оцінки ШІ Turnitin), що програмне забезпечення виявлення є ненадійним для робіт, згенерованих ШІ, і що установи мусять будувати культуру академічної доброчесності через чітку політику, перепроєктування оцінювання та навчання етиці, а не лише через поліцейську функцію.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

• Від поліцейської функції до діалогу: перевірка навчання. Практичний облік інституційної рамки Grand Canyon University (Mandernach 2026) стверджує, що виявлення є ненадійним і формальні процеси доброчесності рідко досягають розв’язання, залишаючи викладачів з «підозрою без засобів». GCU натомість запровадила перевірку навчання — просячи студентів продемонструвати розуміння своєї поданої роботи в короткій розмові — переосмислюючи доброчесність від проблеми відповідності до проблеми оцінювання. Вона відновлює авторитет викладача, переміщує студентів від «як не бути викритим» до справжнього залучення, і розглядає використання ШІ як прийнятне, коли студент може продемонструвати навчання; початкова тривога студентів щодо перевірки підкреслює, що політика, важка на нагляді, може роз’їдати Довіра.

• GenAI перемагає автогрейдувальні домашні завдання (2026): ChatGPT пройшов кожен із 150 тестових сеансів на навмисно змінених, автогрейдувальних завданнях домашніх робіт Qiskit (квантові обчислення) — персоналізація, приховані посилання, рефлексії, виконання симулятора — показуючи, що оцінювачі на основі рубрик не можуть надійно розрізняти роботи, виконані ШІ, і роботи, виконані студентом, і стверджуючи на користь прямого оцінювання розуміння (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Оцінювання в епоху ШІ — результат як доказ (2026): аналіз на рівні університету стверджує, що криза оцінювання ШІ є розходженням між проєктуванням оцінювання та навчальними результатами, а не лише нечесністю; вона документує шкоди нагляду (браузери блокування, відстеження очей), «Пастку розкриття» (студенти бояться, що заяви про використання ШІ знижують оцінки), розрив у продуктивності, який оцінює соціально-економічний статус (платні проти безкоштовних рівнів Великі мовні моделі (LLM)), і «педагогічне вигорання» серед викладачів, які поліцюють ШІ — рекомендуючи оцінювання на основі процесу замість виявлення (Evaluation in the Age of AI: Output as Evidence of Learning).

Новіші докази: етичне міркування, межі виявлення, маркетинг ШІ та студенти-привиди

Хвиля нещодавніх досліджень загострює картину академічної доброчесності в епоху генеративного ШІ:

• Старшокласники міркують про «ШІ-гіарізм» ситуативно, а не як фіксоване правило. Chan (2026) показує, що етичне міркування старшокласників про «ШІ-гіарізм» є витонченим і контекстно залежним — багато хто бачить роботи з допомогою ШІ прийнятними, коли вони підтримують розуміння, але проблематичними, коли вони заміщають їхні власні зусилля — кидаючи виклик припущенню, що студенти просто не мають доброчесності або що одна політика може охопити їхню етику.

• Одні автентичні оцінювання не можуть убезпечити доброчесність. Kofinas et al. (2025) встановлюють, що перевіряючі загалом не можуть розрізняти оцінювання з внеском GenAI від тих без нього, і що рівень автентичності оцінювання не має впливу на здатність убезпечитися від або виявити використання GenAI. Сектор вищої освіти «не може покладатися лише на автентичні оцінювання, щоб контролювати вплив GenAI» — прямий виклик стратегії перепроєктування оцінювання, яка мусить бути поєднана з іншими заходами.

• Настанови щодо доброчесності мусять поширюватися на процес дослідження, а не лише на викладання. Dai & Chan (2026) встановлюють, що аспіранти-дослідники здійснюють ШІ-грамотність на дослідницьких задачах і стверджують, що політики відповідального використання, які нині зосереджуються на викладанні і оцінюванні, мусять скаффолдити етичні виміри використання GenAI у дослідженнях — де занепокоєння центруються на оригінальності, авторстві, приватності даних і деградації навичок, а не лише на плагіаті.

• Мета мусить передувати політиці. Taylor & LaCroix (2026) стверджують, що те, чи становить використання GenAI проступок, залежить від мети університету. Зростаючі справи про проступки відображають структурну неузгодженість неоліберального університету, де технологічний ентузіазм, корпоративний вплив і забезпечення політики конфліктують — залишаючи студентів відповідальними за поведінку, яку установа неявно формує. Університети не можуть правдоподібно забезпечувати доброчесність без узгодженості між заявленою місією, педагогікою і практикою технологій.

• Психологічні та поведінкові детермінанти. Дослідження Frontiers відображає психологічні механізми та поведінкові детермінанти академічної доброчесності за ШІ — як ставлення, самоефективність, норми і сприйняті наслідки формують чесне використання — пов’язуючи доброчесність з Мотивація, Самоефективність та ШІ-грамотність як поведінковими конструктами, а не як чистим дотриманням правил. Tabares-Cruz et al. (2026) квантифікують їх в SEM 980 студентів еквадорських університетів, розташовуючи схильності до академічної доброчесності та прозорості першими, далі — ШІ-грамотність, критичну перевірку, інституційні настанови, саморегуляцію та захист даних — причому схильності до доброчесності та ШІ-грамотність разом пояснюють значну частку етичного використання GenAI і перевершують самі лише інституційні правила.

• Маркетинг ШІ нормалізує використання і формує «нечесність проти конкуренції». Sobo et al. (2025) показують, що ШІ продається студентам як практична необхідність («Зробіть своє письмо більш природним, щоб вас не помилково позначили»), і студенти почуваються змушеними запровадити його, щоб залишатися конкурентними, навіть турбуючись про залежність і втрату навчання — інтерналізований підприємницький імператив. Це вказує на потребу в грамотності щодо маркетингу як частині освіти з доброчесності ШІ.

• ШІ-гуманізатори викривають перформативний цикл виявлення. Roe et al. (2026) каталогізують 55 вебсайтів ШІ-гуманізаторів, які змінюють згенерований ШІ текст, щоб ухилитися від виявлення, окреслених через драматургію Гоффмана. Гуманізатори роблять проступок дискурсивно відсутнім і перформують легітимність, демонструючи, що гонка озброєнь «виявлення проти обходу» є структурно нескінченною — підкріплюючи перехід від поліцейської функції до проєктування оцінювання та ШІ-грамотність.

• Забезпечення виконання, а не виявлення, — там, де живе розмова. Через 270 929 записів, пов’язаних із ШІ, з 26 освітніх сабреддитів, що охоплюють три з половиною роки, кластер академічної доброчесності утримував 37,1% обговорення, а «Забезпечення виконання проступків» було єдиною найбільшою темою на рівні 12,1%, тоді як 32,3% гілок «викладач–студент» сиділи в суперечках виявлення і забезпечення виконання (Yüce et al. (2026)).

• Студенти-привиди і розрив перевірки агентного ШІ. Bozkurt, Crompton & Fell Kurban (2026) вводять «студента-привида»: цифровий сурогат, створений шляхом зчеплення LLM («розум») з браузерами агентного ШІ («тіло»), який може навігавати LMS, залучати вміст і виконувати оцінювання з людським мімікруванням, роблячи фактичну присутність здобувача необов’язковою. Це створює розрив перевірки, який традиційний прокторинг і виявлення структурно нездатні закрити — загрозу доброчесності, яка зростає, коли ШІ стає агентним, а не лише генеративним.

Найдокладніший дисциплінарний приклад на користь перепроєктування, а не виявлення, походить з обчислювальної освіти. Систематичний огляд 72 досліджень генеративного ШІ в обчислювальній і освіті з програмування (Kumar, Wongsirichot and Nanthaamornphong 2026) виявив лише три дослідження, що вивчають механізми виявлення ШІ — найтоншу доказову базу з 14 тем, які він консолідував — тоді як перепроєктування курсу і оцінювання підтримувалося 25. Огляд розглядає дисбаланс як діагностичний, а не випадковий: установи здебільшого оновили документи політики без перепроєктування оцінювань, і більшість викладачів сидять на рівні терпимості, а не трансформації інтеграції, причому 70% однієї національної вибірки викладачів явно просили навчання з проєктування оцінювань, стійких до ШІ. Його рекомендована відповідь конкретна: додати усний компонент або інший видимий щодо процесу елемент принаймні до одного високоставочного оцінювання на курс, і зробити критичне залучення з результатом ШІ (читання, тестування, змінення, пояснення, критика) оцінюваним, спостережуваним компонентом роботи студента, а не прагненням, залишеним на розсуд студента (Валідність оцінювання).

• Вигадані джерела дійшли до опублікованого запису обчислювальної освіти. Denny et al. (2026) простежили 113 588 джерел із 5225 статей з обчислювальної освіти в ACM Digital Library проти повного корпусу 723 930 публікацій і 15 872 533 джерел, вручну перевірили 828 підозрюваних записів і підтвердили 30 джерел, що містять перевіряємо вигадану бібліографічну інформацію, в 14 статтях, усі опубліковані в 2025 або 2026 році. На SIGCSE Technical Symposium перевірена кількість зросла з 3 у 2025 році до 17 у 2026 році, сидячи в 2,3% статей збірника 2026 року, і галюциновані джерела з’явилися на п’яти майданчиках, спонсорованих SIGCSE або у співпраці з ним, у 2025 році. Число ціле лише зі своєю контрвагою: більшість позначених джерел були доброякісними — 229 були невідповідностями метаданих ACM, де PDF був правильним, і 188 були чинними бібліографічними варіантами — тож цифра майданчика є свідомою нижньою межею. Вона падає на авторів, а не лише на Оцінювання однолітками, оскільки рецензенти, які перевіряють списки джерел, не можуть перевірити кожен запис, і створення чернетків з допомогою Великі мовні моделі (LLM) робить вигадане, але правдоподібне цитування дешевим для створення.

• Чіткість без перепроєктування переміщує зловживання вбік, а не усуває його. Petricini & Zipf (2026) розташовують використання ШІ на двох осях — намір і зусилля студентів проти чіткості і підтримки, яку надає середовище — і повідомляють, що найбільш населеним квадрантом у їхніх даних інтерв’ю була тривожна відповідність, де студенти приховують легітимну допомогу (підтримка граматики, пояснення понять, організація власних ідей), щоб уникнути хибного звинувачення. Їхнє попередження є напрямленим: там, де правила стають чіткими, але Оцінювання досі винагороджує швидкість і продукт, студенти, обізнані з політикою, переходять до ефективного обходу, а не до чеснотного використання інструментів. Austin (2026) доходить до того самого місця з боку завдання — коли агенти задовольняють кожен критерій рубрики без видимого міркування, оцінювання сліду рішень (калібрація впевненості, відкинуті пропозиції ШІ, обмеження, специфічні для курсу) заміняє виявлення, яке, як вона зазначає, дає збій в обох напрямах.

• Роботодавці дисконтують оцінки, які, на їхню думку, створив ШІ — і сходяться на перевірці в присутності. В експерименті з опитуванням приблизно 1750 фахівців з найму в США Boyd-Swan & Reynolds (2026) показують, що окреслення використання ШІ студентами як допоміжного інструмента залишало заявників нештрафованими, тоді як окреслення його як заміни зусиль і здібностей студента знижувало ймовірність інтерв’ю і — більш різко — готовність до переговорів про зарплату, сконцентровану серед заявників із високим GPA незалежно від раси/статі. Коли їх запитали, що полегшило б занепокоєння, обидві групи окреслення вибрали лише один спільний засіб: тести в присутності. Експеримент ізолює вірування (а не фактичне використання ШІ), тож він показує, як лише канал сигналізації переміщує результати найму — ранні докази, що ринки праці можуть штовхати оцінювання назад до форматів, перевіряємих за присутності, того самого напряму проєктування, який література про студентів-привидів закликає установи запровадити.

Перше дослідження теорії запланованої поведінки наміру проступку на основі GAIT розширює цю картину: серед 186 студентів бакалаврату Baig and Paparo (2026) встановили, що ставлення до проступку, суб’єктивні норми щодо нього та позитивні ставлення до ШІ кожне передбачало намір, тоді як негативні ставлення до ШІ — ні, і вища сприйнята ймовірність виявлення передбачала нижчий намір — стримування, підірване документованою ненадійністю інструментів виявлення ШІ.

Політики доброчесності переходять від того, хто написав слова, до того, хто мав ідеї, і детектори перебудовуються, щоб відповідати цьому. IdeaLens передбачає походження ідей з плану, а не з прози: на 50 історіях, які люди написали з нуля, слідуючи згенерованим ШІ планам, він позначив 68% як ШІ, проти 8% для Pangram 4 і 0% для його контрольного, навченого на прозі, і він позначив 94,7% відполірованого ШІ людського тексту як людський (Rajendhran et al. (2026)). Його власна заява про етику називає вихід статистичною оцінкою, яка не мусить використовуватися сама по собі як переконливий доказ використання ШІ.

Пов’язані поняття

• Педагогічні патерни — Послідовності перевірки, запроваджені у відповідь на генеративний ШІ
• Заяви про використання ШІ та розкриття інформації — Заяви про використання та розкриття ШІ
• Валідність оцінювання
• ШІ-грамотність
• Виявлення ШІ
• Аутентичне оцінювання
• Оцінювання
• Політика щодо ШІ в освіті
• Регулювання ШІ в освіті
• Етика
• Справедливість
• Розвантаження когніції
• Неправильне використання ШІ та шкода для навчання
• Зниження шкоди від неправильного використання ШІ
• Хибні уявлення про AI
• Генеративний ШІ
• Вища освіта
• K-12
• ШІ в освіті
• Правові питання та ризики
• Соціальні норми використання ШІ — неформальні правила, що сидять під формальною політикою

Пов’язані статті

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Ціла програма з психології, прийнятна за мінімальних зусиль, і критерії оцінювання, які її пропускають (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Студенти-викладачі відмовилися від GenAI за дозвільної політики; окреслення «пастки» та розрив між опитуванням і заявами

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — Агенти ШІ, радісне оцінювання та третій простір

• Generative AI in computing education: A systematic review and a framework for responsible integration — Докази виявлення тонкі (3 дослідження з 72); перепроєктування несе вагу

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Узгоджена політика курсу GenAI: дозволи, похідні від оцінювання, прозоре обґрунтування (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Генерація варіантів оцінювання, еквівалентних за конструктом (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Як викладачі регулюють ШІ в 31 000 програм курсів; окреслення доброчесності знижується (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 — Чи можуть студенти обдурити шлях до ступеня з біології? Кейс-стаді вразливості оцінок курсів з біології до академічної нечесності в епоху генеративного ШІ

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Невідповідність студентів вимогам щодо заяв про використання ШІ

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Виявлення тексту, згенерованого LLM

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — За межами виявлення: автентичне оцінювання в середовищі, опосередкованому ШІ

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Шкала оцінювання ШІ та реформа оцінювання

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Від автентичних продуктів до автентифікованих процесів

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Це нормально, бо… раціоналізація студентами використання ШІ

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Рамка координаційної гри для етичного використання ШІ

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Сором і провина як соціальні регулятори використання ШІ

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Чи Аліса зробила неправильно? Міжкультурне сприйняття використання ШІ

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Ціннісні судження в оцінюванні робіт із допомогою GenAI: чесність, довіра, валідність та двостороння прозорість (Luo & Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Відповідальність ровесників та оригінальність в груповому оцінюванні, опосередкованому GenAI

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Доказовий розпад виявлення та аргумент на користь процедурної справедливості, пропорційності та проєктування

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Стримування, розкриття та перепроєктування як проблема проєктування оцінювання за недосконалої інформації

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — На яких доказах справді спиралися 1162 файли про проступки GenAI, і відсутній доказовий поріг

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Надмірно ширі правила щодо ШІ та розрізнення розпізнавання проти генерації

• AI-based digital cheating at university, and the case for new ethical pedagogies — Нечесність на основі цифрових технологій ШІ та етичні педагогіки, засновані на запобіганні: справа про проступок від 183 до 27 і п’ять дисциплінарно-специфічних перепроєктувань (Leaton Gray, Edsall & Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Доброчесність як проблема управління: рамка показників із 130 пунктів для академічних управлінців (Coates, Croucher & Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Розгорнутий огляд 38 досліджень голосів студентів вищої освіти про академічну доброчесність і GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Проведення лінії «підтримка проти підміни» для авторів EAL та несправедливість правил, які ігнорують мовне тло (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Ін’єкція підказок проти оцінювання, опосередкованого ШІ: приховані інструкції, які непомітно змінюють оцінку (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Матриця етики використання ШІ: тривожна відповідність і чому сама чіткість може штовхнути студентів до ефективного обходу (Petricini & Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Оцінювання сліду міркувань, коли агенти ШІ можуть виконати завдання (Austin 2026)

• AI-written admissions essays are widespread but penalized — Твори для вступу, написані ШІ, є поширеними, але штрафуються

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Хто діє, хто знає, хто відповідає? Корпусний дискурс-аналіз спроможності, епістемічної відповідальності та підзвітності в дослідженнях вищої освіти з генеративного ШІ

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Відображення авторизованої межі: порівняльне дослідження віньєток політики управління генеративним ШІ в австралійській вищій освіті

• Argus: Academic Integrity in the Era of Generative AI — Argus: академічна доброчесність в епоху генеративного ШІ

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Результат секторального аудиту: університети з мандатом і рамками не показують відмінностей у відкритості оцінювання, емпіричний відповідник проблеми координації

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — Раннє передбачення ризику нечесності з допомогою ШІ зі слідів LMS, окреслене як академічна настава, а не як доказ проступку

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Три з половиною роки освітнього Reddit: забезпечення виконання домінує, і суперечки доброчесності є головною майданчикою «викладач–студент» (Yüce et al. 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Експеримент з опитуванням: окреслення підміни використання ШІ студентами штрафує заявників із високим GPA на наймі та зарплаті; тестування в присутності — єдиний засіб, який вибрали обидві групи

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: на шляху до людськочитабельного, машинностійкого інтерфейсу для читання