Liêm chính học thuật

Bản dịch máy tự động của trang tiếng Anh này, chưa được người bản ngữ xem xét.

Liêm chính học thuật - khung đạo đức chi phối công việc học thuật trung thực trong thời đại AI. Cơ sở kiến thức ghi lại cách khái niệm này đã được định khung lại bởi AI sinh tạo: từ một vấn đề phát hiện đầu ra không trung thực sang một vấn đề thiết kế, nhằm làm cho công việc trung thực trở nên hữu hình, có thể kiểm chứng và đáng để thực hiện. Nghiên cứu về liêm chính học thuật trong lĩnh vực này đã tiến hóa từ các cách tiếp cận lấy phát hiện làm trung tâm sang việc thiết kế lại đánh giá một cách nền tảng, quản trị do sư phạm dẫn dắt, và dạy học sinh cách sử dụng AI tốt thay vì chỉ giám sát xem các em có dùng nó hay không.

Những câu hỏi cần cân nhắc

• Hãy nghĩ về lần gần nhất bạn nghe người ta thảo luận về 'gian lận bằng AI'. Cuộc trò chuyện đó nói về việc bắt học sinh hay về việc thiết kế những bài tập mà học sinh sẽ muốn làm một cách trung thực? Sự nhấn mạnh nào quen thuộc với bạn hơn, và vì sao?
• Một sản phẩm trau chuốt và có vẻ hợp lý giờ đây có thể được tạo ra trong vài giây. Nếu bạn không còn đánh giá được năng lực của một học sinh qua sản phẩm em nộp, bạn sẽ cần thấy hoặc nghe điều gì để tin rằng em thực sự đã học được điều đó?
• Nghiên cứu cho thấy học sinh thường hợp lý hóa việc dùng AI ('sao chép văn bản AI không làm hại ai') chứ không lạm dụng vì ác ý. Một chính sách liêm chính thuần túy trừng phạt giả định gì về động cơ của học sinh, và những giả định đó có thể sai ở đâu?
• Một hướng nghiên cứu coi việc dùng AI của học sinh là một vấn đề phối hợp: hành vi thay đổi khi kỳ vọng của bạn học và động cơ của đánh giá thay đổi, chứ không phải khi các quy tắc được nhắc lại. Những yếu tố nào về bạn học hay về thiết kế trong bối cảnh của chính bạn có thể đang âm thầm định hình xem việc dùng AI có trung thực hay không?
• Các nghiên cứu cho thấy nỗi sợ bị trừng phạt khiến học sinh che giấu việc dùng AI, và những học sinh minh bạch thậm chí có thể trở thành đối tượng bị nghi ngờ. Nếu bạn thiết kế một biểu mẫu 'khai báo sử dụng AI', điều gì sẽ khiến một học sinh thực sự muốn điền nó một cách trung thực?
• Cùng một chính sách AI của thể chế được học sinh ở các nền văn hóa khác nhau diễn giải khác nhau: văn hóa, chứ không phải câu chữ của chính sách, định hình điều gì được cảm nhận là sai. Một chính sách liêm chính nên được truyền đạt thế nào tới một nhóm học viên đa văn hóa để các kỳ vọng thực sự được hiểu?

Giới thiệu

Sự xuất hiện của AI sinh tạo không tạo ra nhu cầu về liêm chính học thuật; nó khiến những điểm yếu trong các cách tiếp cận hiện có khó bị bỏ qua hơn. Một sản phẩm trau chuốt và có vẻ hợp lý giờ đây có thể được tạo ra trong vài giây, nên sự giống nhau của sản phẩm ngày càng là một dấu hiệu không đáng tin về năng lực. Điều này chuyển câu hỏi liêm chính từ "chúng ta có thể bắt được việc dùng AI không?" sang "các đánh giá của chúng ta có còn đủ căn cứ cho những suy luận mà chúng ta rút ra về việc học của sinh viên không?"

Sự tiến hóa từ phát hiện sang thiết kế lại

• Hoài nghi về phát hiện: nghiên cứu về AI Detection và các phân tích thể chế ngày càng cho thấy công cụ phát hiện AI không đáng tin và không công bằng về mặt thủ tục. Phát hiện văn bản do LLM tạo gặp những hạn chế nền tảng. Những bài nộp hoàn toàn do AI tạo có thể đi qua các hệ thống thi trực tiếp mà phần lớn không bị phát hiện, và những người chấm có kinh nghiệm cũng không nhận ra một cách đáng tin các bài do GenAI viết. Phát hiện, trong trường hợp tốt nhất, là một công cụ hạn chế và tùy bối cảnh, không phải một chiến lược được ưu tiên hàng đầu. Khối lượng mà nó vẫn được giao phụ trách thì không hề nhỏ: một phân tích sáu năm về một khóa CS2 quy mô lớn phát hiện 45.7% sinh viên học kỳ Xuân 2026 bị gắn cờ vì những mẫu phù hợp với việc lập trình có hỗ trợ LLM (Racovan và cộng sự (2026)).
• Biên độ hẹp của phát hiện, và gian lận như hành vi có kế hoạch: Leaton Gray, Edsall và Parapadakis (2025) tập hợp các lập luận cho rằng AI khuếch đại một lỗ hổng mà lĩnh vực vốn đã có. Văn bản do AI tạo đã từng được chấp nhận như do người viết trong tới 80% trường hợp, trong khi bằng chứng họ trích dẫn đặt phát hiện bằng máy ở khoảng 80% so với 78.4% của người chấm, một biên độ quá hẹp để mang một kết luận vi phạm. Đóng góp khác biệt hơn của họ là phân tích động cơ: dựa trên Lý thuyết Hành vi Có kế hoạch của Ajzen và lý thuyết tự hiệu quả của Bandura, họ dẫn phân tích tổng hợp của Krou và cộng sự (2021) cho thấy Self-Efficacy tương quan nghịch với gian lận, trong khi năng lực thực tế hoàn toàn không tương quan nghịch với nó. Do đó một sinh viên có năng lực và tự tin, nếu đọc một bài đánh giá là bất công, có thể gian lận để lấy lại quyền kiểm soát. Kết luận đi theo đúng sự đảo ngược mà trang này ghi lại ở chỗ khác: một bài đánh giá mà mô hình có thể trả lời một cách thuyết phục là một bài đánh giá tầm thường về mặt trí tuệ, và lỗi thuộc về bài đánh giá chứ không phải về sinh viên.
• Thiết kế lại đánh giá: Authentic Assessment, các cách tiếp cận vượt qua phát hiện, và Thang đánh giá AI chuyển trọng tâm từ bắt việc dùng AI sang thiết kế những bài đánh giá mà ở đó việc dùng AI hoặc là không liên quan, hoặc là minh bạch, hoặc là bắt buộc để thể hiện một năng lực cụ thể.
• Tính dễ tổn thương mang tính cấu trúc của việc chấm điểm: Chan và cộng sự cung cấp một nghiên cứu trường hợp cụ thể về cách việc chấm điểm hiện nay bị phơi bày về mặt cấu trúc trước hành vi không trung thực có AI làm trung gian. Trong một khoa sinh học, giảng viên chỉ coi các kỳ thi có giám sát trực tiếp là ít tổn thương nhất; các bài tập ngoài giờ lên lớp được coi là rất dễ tổn thương, khiến khoảng một phần ba điểm của sinh viên rất dễ tổn thương và 80% ít nhất ở mức có phần dễ tổn thương. Điều này định khung vấn đề liêm chính một phần như một vấn đề thiết kế chấm điểm, tạo động lực tái cân bằng theo hướng đánh giá có giám sát hoặc trong lớp và các thiết kế đánh giá thực chất khó bị thuê ngoài hơn. Ivory và cộng sự (2026) cung cấp đối tác ở cấp ngành học với cả một chương trình tâm lý học ba năm: 36 trong 40 bài đánh giá thuộc 16 loại tạo ra nội dung có thể đạt với nỗ lực tối thiểu, và bốn bài thất bại là những bài đòi hỏi sự hiện diện, phương tiện trực quan, hoặc bộ dữ liệu của chính sinh viên. Cách họ lý giải vì sao nó đạt mới là phần có thể khái quát hóa: việc chấm điểm thưởng cho cấu trúc trôi chảy và việc sử dụng đúng phân tích một cách thiện chí dung thứ cho các giá trị bịa đặt và các tài liệu tham khảo bị ảo giác, nên ranh giới đạt hay không đạt, chứ không phải phát hiện, quyết định xem đầu ra AI có được chấm là thành tích hay không, và tính dễ tổn thương của đánh giá "không thể chỉ bị quy cho việc sử dụng của sinh viên".
• Bài nộp như một bề mặt tấn công: prompt injection nhắm vào chấm điểm bằng AI. Humble (2026) red team một quy trình chấm điểm thường ngày và cho thấy một bài nộp của sinh viên có thể mang các chỉ dẫn ẩn làm thay đổi điểm mà một công cụ AI tạo ra: hai trong năm chiến lược chèn gián tiếp nhúng trong tệp bài nộp đã nâng một bài luận rớt lên mức đạt mà không có cảnh báo nào hiển thị cho người dùng, với tỷ lệ tấn công thành công được báo cáo là 100% (9/9) và 94% (17/18), cả hai đều kết hợp thao túng chỉ dẫn, nhập vai và làm nhiễu qua các định dạng docx, pdf và htm. Cuộc tấn công cơ bản nhất thất bại hoàn toàn, và sự từ chối của nó diễn ra âm thầm: công cụ vô hiệu hóa cuộc trò chuyện mà không báo cáo nỗ lực đó. Một lần chèn bị phát hiện lại tạo ra lời trấn an rằng công cụ sẽ chấm "chỉ theo đúng hướng dẫn chính thức của bài tập", trước khi sáu lần chạy tiếp theo của cùng tệp đó vẫn nâng điểm. Hệ quả về liêm chính chạy theo cả hai chiều: một điểm số bị nâng bởi một chỉ dẫn ẩn không mang lại bất kỳ tuyên bố tính hợp lệ nào; cùng kỹ thuật đó có thể bị dùng để làm suy giảm một bài nộp mà không để lại dấu vết bền vững trong đầu ra; và người chấm con người trở thành kiểm tra thực sự duy nhất đối với sự thao túng được thiết kế để không hữu hình.
• Tính hợp lệ như khung tổ chức: Assessment Validity định khung lại liêm chính như một vấn đề chứng cứ. Nghiên cứu về đánh giá thực chất giới thiệu sự thay thế cấu trúc: một sản phẩm do AI tạo ra được quy cho sinh viên, nên bài đánh giá suy luận về năng lực của công cụ chứ không phải của sinh viên. Câu hỏi về chứng cứ tồn tại bất kể chính sách AI nào: dù việc sử dụng bị cấm, được cho phép hay bị bắt buộc, bài đánh giá vẫn phải tạo ra bằng chứng đủ căn cứ cho suy luận đang được rút ra.
• Biến thể ở quy mô lớn như một cơ chế liêm chính không giám sát: VARIA (Lee 2026) đánh giá chuẩn tiền đề đằng sau Đánh giá Thực chất Tích hợp AI (AIAA): thay giám sát thi cử bằng việc biến đổi nhiệm vụ theo từng sinh viên để việc sao chép trở nên vô dụng về mặt cấu trúc. Bảo đảm liêm chính phụ thuộc điều kiện vào việc LLM tạo ra các biến thể khác nhau về bề mặt và tương đương về cấu trúc; thí điểm 600 biến thể của VARIA phát hiện các mô hình tiên tiến chỉ đáp ứng điều này ở mức sát ngưỡng (điểm kết hợp 0.81 đến 0.88) trong khi các mô hình không tiên tiến sụp đổ (0.50 đến 0.55), nên "biến thể ở quy mô lớn không thể chỉ được giải quyết bằng prompt". Điều này trao cho cuộc tranh luận phát hiện đối lại thiết kế lại một kiểm tra thực nghiệm, có thể bị bác bỏ: lời hứa không giám sát của đánh giá thực chất, biến đổi theo nhiệm vụ, giờ phụ thuộc vào một năng lực tạo sinh đã được đo (và vẫn còn hẹp) thay vì một năng lực được giả định.
• Kiểm chứng phản tư của sinh viên trước GenAI: Kadel và cộng sự (2026) lập luận rằng các mô hình phản tư truyền thống không còn có thể kiểm chứng phản tư của sinh viên một khi GenAI có thể viết văn phản tư, và nhúng liêm chính trực tiếp vào bên trong một mô hình phản tư: giai đoạn Pitfalls của khuôn khổ 5P xử lý tường minh đạo văn, ảo giác và phụ thuộc quá mức, trong khi các giai đoạn Process và Product của nó yêu cầu ghi lại prompt và thẩm định đầu ra để lập luận của chính người học có thể phân biệt được với những đóng góp do AI tạo ra.
• Phát triển chính sách: Các chính sách AI của thể chế và nghiên cứu về Educational AI Policy xem xét cách các trường đại học phát triển và truyền đạt các kỳ vọng liêm chính, và vì sao những tuyên bố chính sách trừu tượng lại thường thất bại đến vậy.
• Liêm chính như một vấn đề quản trị, không phải vấn đề phát hiện. Coates, Croucher và Calderon (2025) chuyển ràng buộc chi phối từ hành vi sinh viên sang quản trị học thuật, mà họ gọi là kiên cường nhưng "không được định vị hay chuẩn bị tốt" để đối phó các mối đe dọa liên quan GenAI đối với việc xác thực đánh giá sinh viên. Câu trả lời của họ là một khuôn khổ chỉ báo liêm chính gồm 130 mục trên tám chiều, từ Thiết kế (19 mục) đến Cải thiện (6 mục), và bao gồm các câu hỏi quản trị chứ không phải các thang đo tâm lý: hội đồng cao nhất của thể chế có nhận được thông tin cập nhật về chất lượng đánh giá hay không, bao nhiêu phần trăm đánh giá giống với các vấn đề liên quan và có ý nghĩa, bao nhiêu phần trăm sinh viên được những người thầy đánh giá họ biết đến như từng cá nhân. Khuôn khổ được phát triển qua một tổng quan nghiên cứu nhiều năm, năm nghiên cứu trường hợp đại học Úc, tạo mẫu, xác nhận của chuyên gia với 60 chuyên gia được mời từ sáu khu vực trên thế giới, và thí điểm định lượng, và nó đi kèm với các cải cách về kiến trúc quản trị, con người, và công nghệ cùng nguồn lực mà các tác giả cho rằng chỉ sinh lợi dưới áp lực bên ngoài từ quy định, đánh giá chuẩn và cạnh tranh giữa các thể chế; họ trình bày khuôn khổ này như một sản phẩm định hình và kêu gọi kiểm chứng tâm lý trước khi dùng nó để so sánh hay đo lường.
• Điều các tài liệu thực sự nói: liêm chính chi phối chính sách AI của thể chế. Eldredge và cộng sự (2026) phân tích các tài liệu chính sách và hướng dẫn AI của toàn bộ 48 chương trình thạc sĩ tin học y tế và quản lý thông tin y tế được CAHIIM công nhận tại Hoa Kỳ: 40 chương trình (83%) có ít nhất một tài liệu đủ tiêu chuẩn, và các tài liệu đó định khung AI áp đảo như một vấn đề ngăn chặn việc sinh viên lạm dụng trong học phần, lấy liêm chính học thuật và sử dụng được phép làm trung tâm. Liêm chính học thuật là từ khóa xuất hiện thường xuyên nhất với khoảng cách lớn (n = 139, trước trích dẫn với 59, đánh giá với 50, và đạo văn với 38), trong khi các chủ đề quyền riêng tư, sở hữu trí tuệ và quy định có xuất hiện nhưng ít phổ biến hơn (HIPAA n = 5, FERPA n = 11, hướng dẫn IRB n = 8). Mô hình hóa chủ đề trên cùng bộ ngữ liệu trả về bốn chủ đề, chủ đề đầu tiên là liêm chính học thuật và sử dụng AI phù hợp, cùng với AI sinh tạo trong giảng dạy, sử dụng AI và công cụ dữ liệu trong nghiên cứu, và sự tham gia của sinh viên với các hệ thống AI hội thoại. Giá trị chứng cứ đối với trang này là sự định lượng: cách định khung lấy liêm chính làm trung tâm không chỉ là mặc định tu từ của chính sách AI thể chế, mà còn thực nghiệm là nội dung chi phối của nó. Nhận xét sắc nhất của các tác giả nói về chỗ mà sự chú ý đó dừng lại: họ ghi nhận tương đối ít hướng dẫn đề cập việc dùng AI trong học tập ứng dụng, nghiên cứu và môi trường mô phỏng, nơi các quan ngại về chương trình học và quản trị dữ liệu giao nhau, nên các tài liệu quản lý học phần trong khi những bối cảnh mà tấm bằng đang chuẩn bị cho sinh viên thì phần lớn không được đề cập.
• Cách định khung liêm chính đang nhường chỗ cho quy định theo nhiệm vụ: Nghiên cứu dọc của Chirikov (2026) trên hơn 31,000 đề cương khóa học cho thấy chính sách AI của giảng viên đang dịch chuyển khỏi khung thuần túy dựa trên liêm chính: các đề cập đến liêm chính học thuật trong đề cương giảm từ 63% (Xuân 2023) xuống 49% (Thu 2025), trong khi các tham chiếu đến tác động của AI lên việc học tăng từ 1% lên 29%. Giảng viên ngày càng quy định AI theo loại nhiệm vụ: hạn chế nó đối với việc soạn thảo và lập luận (nơi AI sẽ thay thế việc học) và cho phép nó đối với việc biên tập, hiệu đính và hỗ trợ học tập, thay vì áp dụng một lệnh cấm liêm chính bao trùm. Điều này định khung lại chính sách liêm chính như một quyết định thiết kế ở cấp nhiệm vụ chứ không phải một quy tắc nhị phân.
• Sự kháng cự của máy như biện pháp phòng ngừa, không phải phát hiện. Làm nhiễu chính tài liệu - khoảng cách ký tự, từ và dòng, rung độ mờ, lớp phủ sọc và nhiễu ảnh, cùng các tấn công đối kháng dựa trên quyết định - nâng mức nỗ lực cần thiết cho việc lạm dụng LLM với nỗ lực thấp ngay tại nguồn, trong khi vẫn đo cùng một kiến thức (Salaun và cộng sự (2026)). Việc sao chép thủ công vẫn khả thi, và các tấn công đối kháng chỉ bảo vệ những dòng được chọn, để lại sai số ký tự trên toàn tài liệu dưới 8.44%.

Thủ tục xử lý vi phạm và sự sụp đổ chứng cứ của nó

Bộ máy cưỡng chế nằm trên chính sách liêm chính tự nó là một quyết định thiết kế, và AI sinh tạo đã tháo dỡ nền tảng chứng cứ của nó. Teichmann (2026) lập luận rằng thủ tục xử lý vi phạm mà các trường đại học nhập từ lĩnh vực đạo văn giả định rằng việc sử dụng bị cấm có thể được phát hiện và chứng minh, một tiền đề mà công nghệ này làm tan biến. Khác với phần mềm so khớp văn bản, vốn chỉ ra một nguồn bị sao chép, một bộ phân loại văn bản AI không xác định được nguồn nào (vì không có nguồn nào tồn tại); nó đưa ra một phán đoán xác suất về phong cách, phán đoán này suy giảm khi bị diễn đạt lại, gán nhãn sai một cách hệ thống cho văn bản của người viết tiếng Anh không phải bản ngữ, và không thể được giải thích hay bị chất vấn đối chứng, trong khi việc sử dụng thành thạo hoặc chỉ biên tập nhẹ không để lại dấu vết nào. Việc vẫn tiếp tục đảo ngược nghĩa vụ chứng minh (sinh viên được yêu cầu chứng minh một điều phủ định), gây căng thẳng cho mọi yếu tố của công lý thủ tục, và khiến tổn hại của việc buộc tội sai giáng nặng nhất lên những người vốn đã chịu thiệt thòi. Biện pháp khắc phục được đề xuất gồm hai phần: một chuẩn chứng cứ mà theo đó điểm số của công cụ phát hiện một mình không bao giờ làm căn cứ cho một kết luận, với các phản hồi phân bậc và lấy giáo dục làm đầu, và một sự chuyển dịch nỗ lực của thể chế sang thiết kế đánh giá thực chất và lấy tính hợp lệ làm trung tâm: câu trả lời cho AI không thể phát hiện là đánh giá tốt hơn chứ không phải giám sát tốt hơn. Trường hợp giới hạn không có bộ máy nào cả: Isley, Gaebler và Goel (2026) ghi nhận một chương trình thạc sĩ chính sách công của Hoa Kỳ cấm hỗ trợ của AI sinh tạo trong một bản cam kết có chữ ký và không sàng lọc bài nộp nào, nơi 56.1% ứng viên năm 2025 nộp ít nhất một bài luận mà một công cụ phát hiện thương mại phân loại là chủ yếu do AI viết, và mỗi bài luận bị gắn cờ gắn với xác suất được nhận thấp hơn 1.5 điểm phần trăm (p < .01), tăng lên 2.6 điểm (p < .001) khi giữ nguyên chất lượng bài luận. Không có bước phát hiện, xét xử hay cưỡng chế nào giữa quy tắc và kết quả, nên hình phạt được thực thi hoàn toàn qua phán đoán không thành văn của người đọc hồ sơ tuyển sinh: cấm đoán cộng với phán đoán của người đọc không có trợ giúp tái tạo đúng hình phạt tùy nghi, không được giải thích mà một thủ tục công bằng tồn tại để ngăn chặn.

Munoz và cộng sự (2026) cung cấp đối tác thực nghiệm bằng cách mã hóa mọi vụ vi phạm GenAI tại một trường đại học khu vực của Úc trong ba năm: 1,162 vụ với 1,855 mục chứng cứ, mỗi mục được đánh giá về độ liên quan, độ tin cậy và sức mạnh suy luận. Đầu ra của công cụ phát hiện là loại chứng cứ được dùng đến nhiều nhất và ít có khả năng chịu được sức nặng nhất: báo cáo Turnitin hay báo cáo tương đồng mang 100% sức mạnh suy luận Yếu và đầu ra của công cụ phát hiện độc lập có 100% độ tin cậy Thấp, và chứng cứ từ công cụ phát hiện giảm xuống còn 0.5% số mục vào năm 2025 khi các thể chế tiếp nhận điều nó không thể chứng minh; trong khi các loại chứng cứ mạnh nhất là những loại không dựa trên phân loại văn bản xác suất: hồ sơ tuyển sinh của sinh viên, hành vi bị cấm được quan sát trong kỳ thi, và các tài liệu tham khảo bịa đặt được kiểm chứng độc lập, vốn là sự dịch chuyển cấu trúc lớn nhất với 22.3% số mục. Phê bình sắc nhất của họ mang tính cấu trúc chứ không phải chứng cứ, vì "không có yêu cầu nào buộc người điều tra phải đánh giá chất lượng chứng cứ có sức chứng minh trước khi đưa một cáo buộc tiến lên, không có ngưỡng chứng cứ tối thiểu nào ở bất kỳ giai đoạn nào của quy trình", nên chất lượng chứng cứ không có quan hệ đáng tin cậy với kết quả vụ việc. Họ cũng ghi lại cách chính sách đuổi kịp thực tiễn: chính sách đánh giá có hiệu lực đến năm 2024 không nói gì về AI, và từ tháng 1 năm 2025 một chính sách sửa đổi cho phép phần mềm xác thực được phê duyệt trong khi cấm tải công việc của sinh viên lên các công cụ phát hiện AI của bên thứ ba.

Thất bại thứ hai là về phạm vi chứ không phải về chứng minh. Wright (2026) cho thấy các lệnh cấm được viết ở cấp danh tính nền tảng thay vì ở cấp chức năng bắt cả việc chuyển đổi định dạng không tạo sinh - chép lời nói thành văn bản, OCR, văn bản thuần sang LATEX - cùng với việc soạn thảo tạo sinh mà chúng muốn ngăn, dù tài liệu khoa học máy tính đã được bình duyệt coi nhận dạng và tạo sinh là những thao tác riêng biệt. Chi phí giáng xuống không đồng đều: những sinh viên có tình trạng ảnh hưởng đến kiểm soát vận động tinh, độ rõ của chữ viết tay hoặc độ chính xác khi đánh máy đã dựa vào đúng những công cụ đó, và khi các sản phẩm chuyển giọng nói thành văn bản độc lập bị ngừng cung cấp hoặc bị làm suy giảm, việc chép lời có AI đang lấp vào khoảng trống chức năng đó, nên một quy tắc bao trùm quá mức loại bỏ một phương tiện chủ yếu để tạo ra công việc dễ đọc, biến tranh chấp này thành một vấn đề khả năng tiếp cận và công bằng trước khi nó là một vấn đề liêm chính. Biện pháp của Wright là một định nghĩa AI sinh tạo dựa trên chức năng cộng với bốn tiêu chí vận hành - trung thực, không tăng cường, có thể truy vết và có cam kết - nhằm trao cho sinh viên một con đường có cấu trúc để phản bác một cáo buộc chỉ liên quan đến chép lời, trong khi vẫn để nghĩa vụ chứng minh thuộc về thể chế.

Vấn đề chứng cứ của phát hiện cũng là một vấn đề về tính hợp lệ. Bởi vì hỗ trợ của AI mang tính lặp và đan xen với việc soạn thảo thay vì được thuê ngoài toàn bộ, quyền tác giả và quyền sở hữu ý nghĩa tách rời nhau, và một sản phẩm nộp bài vững chắc có thể không chứng minh rằng sinh viên đã thực hiện phán đoán mà nhiệm vụ nhắm tới. Hiệu năng của công cụ phát hiện biến thiên theo nhiệm vụ, ngành học và phiên bản mô hình, và việc sử dụng AI được khai báo hay bị nghi ngờ có thể hoạt động như một dấu hiệu thiên lệch cho người chấm, nên một phản ứng dựa trên phát hiện thêm phương sai không liên quan đến cấu trúc thay vì loại bỏ nó. Nơi các cuộc tranh luận về liêm chính hỏi ai đã tạo ra các từ ngữ, một cách lý giải theo tính hợp lệ hỏi rằng thành tích đó đủ căn cứ cho tuyên bố nào về sinh viên.

Vấn đề hợp lý hóa

Sinh viên thường không lạm dụng AI vì ác ý; họ hợp lý hóa nó. Nghiên cứu phỏng vấn xác định ít nhất năm điểm đứt gãy nơi cách sinh viên diễn giải chính sách AI lệch khỏi ý định của giảng viên, và một phân loại gồm hơn 20 kiểu hợp lý hóa khác nhau - từ "sao chép văn bản AI không làm hại ai" đến "văn bản phản ánh niềm tin của tôi là do tôi viết". Những kiểu hợp lý hóa này mang tính tùy nghi, hậu nghiệm và mâu thuẫn nội tại, và chúng mô tả một "dốc trượt đạo đức dựng đứng" mà trên đó sinh viên trượt xa ra ngoài các mục tiêu sư phạm. Đây là lý do vì sao những hiểu lầm của sinh viên về AI là nguyên nhân thượng nguồn của các vi phạm liêm chính, và vì sao giáo dục liêm chính phải giải quyết lập luận đạo đức, chứ không chỉ kỹ năng kỹ thuật.

Tổng quan phạm vi của Ji (2026) trên 38 nghiên cứu thực nghiệm về tiếng nói sinh viên cung cấp phần tổng hợp mà mục này dựa vào. Bốn chủ đề của nó là sự mơ hồ (tạo ra cả một nhiệm vụ bị đọc là gian lận, kiểm tra ngữ pháp và động não phần lớn được chấp nhận, còn diễn đạt lại, lập dàn ý và dịch nằm trong vùng xám), quyền chủ động đạo đức trong đó sinh viên tự xây các quy tắc cá nhân trong một khoảng trống hướng dẫn mà họ đọc như sự chấp thuận ngầm cho hành vi của mình, khoảng cách giữa nhận thức đạo đức và thực hành, và sự đa dạng theo giới tính, cấp học, ngành học và văn hóa. Khoảng cách nhận thức và thực hành chính là vấn đề hợp lý hóa được đo ở quy mô lớn: Chỉ số Bất hòa Đạo đức của Huang và cộng sự phân loại 522 sinh viên Trung Quốc thành bốn nhóm, một trong số đó thường xuyên làm điều họ coi là không chính đáng, và mô hình phương trình cấu trúc của Ofem và cộng sự trên 4,679 sinh viên Nigeria phát hiện rằng nhận thức tích cực về ChatGPT dự báo việc sử dụng không trung thực trong khi thái độ liêm chính tích cực đóng vai trò trung gian âm có ý nghĩa. Ji đọc sinh viên không phải là những người tiếp nhận thụ động GenAI, cũng không phải những thủ phạm không có ràng buộc đạo đức, mà là những tác nhân chủ động đang đi lại trong một vùng xám đạo đức, đó là lý do vì sao các nghiên cứu được tổng quan hội tụ về những phản hồi đồng kiến tạo, mang tính giáo dục và nhạy cảm bối cảnh thay vì những phản hồi trừng phạt.

Vì sao chỉ chính sách thì thất bại: vấn đề phối hợp

Một khuôn khổ trò chơi phối hợp đưa ra một giải thích ở cấp cơ chế về lý do các tuyên bố chính sách hiếm khi thay đổi hành vi: việc dùng AI của sinh viên là một vấn đề phối hợp, trong đó các lựa chọn cá nhân phụ thuộc vào kỳ vọng của bạn học và thiết kế đánh giá. Phát hiện then chốt của mô hình là động lực ngưỡng phi tuyến: những thay đổi nhỏ, được hiệu chỉnh tốt đối với động cơ của đánh giá phản tư có thể kích hoạt những dịch chuyển nhanh chóng trên toàn nhóm theo hướng sử dụng có trách nhiệm, trong khi những động cơ yếu hoặc lệch hướng để thực tiễn cơ hội chủ nghĩa tồn tại. Trên thực tế, việc thiết kế lại khiêm tốn (ví dụ yêu cầu sinh viên phản tư về các tương tác AI của mình) có thể có tác động không tương xứng ở những nơi các quy tắc trừu tượng không có tác động nào.

Trách nhiệm giải trình với bạn học không phải lúc nào cũng hướng về liêm chính, như Chen và Zou (2026) phát hiện trong đánh giá nhóm có chấm điểm: bảy trong mười lăm nhóm sinh viên cố ý giảm việc dùng GenAI một phần để tránh ăn theo bạn cùng nhóm, vì hệ quả nhóm được chia sẻ chứ không khép kín trong từng cá nhân; tuy vậy ở năm nhóm, một bầu không khí tập thể dễ dãi - "cả nhóm tôi đều dùng GenAI" - làm giảm nhận thức về rủi ro lạm dụng và đảo ngược chính cơ chế trách nhiệm giải trình mà làm việc nhóm được cho là tạo ra. Cùng nghiên cứu đó phát hiện sinh viên định khung lại tính nguyên bản như sự trung thành với hiểu biết mà các bạn cùng lớp cùng xây dựng, và khuyến nghị thực tiễn của nó đi trực tiếp từ đó: hãy biến việc thương lượng về sử dụng AI được chấp nhận thành một kết quả học tập tường minh, được ghi lại và có thể đánh giá, thay vì để chuẩn mực tự nổi lên từ áp lực bạn học hay nhận thức về rủi ro.

Chính sách không nhất quán trong toàn thể chế tạo ra đúng sự phỏng đoán mà cách lý giải theo phối hợp dự báo. Chín trong mười một người được phỏng vấn trong Zou và cộng sự (2026) định khung việc khóa học của chính họ cho phép tường minh sử dụng AI sinh tạo như một "cái bẫy" có thể - một mồi nhử để nhận diện những sinh viên không thể cưỡng lại - dù chính sách đó công khai và được viết trong hướng dẫn đánh giá; sinh viên khái quát hóa từ những lệnh cấm và cảnh báo gặp ở nơi khác thay vì đọc các quy tắc của khóa học mình theo đúng nghĩa của chúng. Kết luận của các tác giả đi theo cơ chế chứ không theo câu chữ: sự rõ ràng ở cấp khóa học là không đủ, và cần sự nhất quán ở cấp chương trình hoặc cấp thể chế để sinh viên thôi suy ra ý định từ văn hóa xung quanh.

Cùng một hành vi, các phán quyết khác nhau - và việc khai báo không thay đổi gì. Poudyal (2026) áp dụng 15 tình huống chuẩn hóa vào môi trường chính sách của 20 trường đại học Úc và tạo ra 300 phân loại: 120 (40.0%) bị cấm rõ ràng, 56 (18.7%) không xác định, và không có trường hợp nào được cho phép rõ ràng, trong khi các văn bản ràng buộc không nói gì về AI sinh tạo ở 100 tổ hợp mà hướng dẫn đã giải quyết được 88 tổ hợp. Việc khai báo không quyết định kết quả: cùng một trạng thái khai báo tạo ra các phân loại khác nhau tùy theo quy tắc cho phép và chỉ dẫn nhiệm vụ, và trường khai báo ghi nhận 117 yêu cầu được thỏa mãn và 80 khai báo sai.

Thủ tục quan trọng không kém chính sách, và nền tảng chứng cứ của chúng đã sụp đổ đối với AI. Teichmann (2026) lập luận rằng thủ tục xử lý vi phạm mà các trường đại học nhập từ đạo văn dựa trên một tiền đề mà AI sinh tạo đã tháo dỡ: rằng việc sử dụng bị cấm có thể được phát hiện và chứng minh. Khác với phần mềm so khớp văn bản, vốn có thể chỉ ra một nguồn bị sao chép, các bộ phân loại văn bản AI không xác định nguồn nào vì không có nguồn nào tồn tại: chúng đưa ra một phán đoán xác suất về phong cách, phán đoán này suy giảm khi bị diễn đạt lại, phân loại sai một cách hệ thống những người không phải bản ngữ, và không thể được giải thích hay chất vấn đối chứng, trong khi việc sử dụng thành thạo hoặc chỉ biên tập nhẹ không để lại dấu vết nào. Việc vẫn tiếp tục đảo ngược nghĩa vụ chứng minh (sinh viên được yêu cầu chứng minh một điều phủ định), gây căng thẳng cho mọi yếu tố của công lý thủ tục, và khiến tổn hại của việc buộc tội sai giáng nặng nhất lên những người vốn đã chịu thiệt thòi. Biện pháp khắc phục được đề xuất gồm hai phần: công bố một chuẩn chứng cứ mà theo đó đầu ra của công cụ phát hiện một mình không bao giờ làm căn cứ cho một kết luận, với các phản hồi phân bậc lấy giáo dục làm đầu, và chuyển nỗ lực của thể chế sang thiết kế đánh giá thực chất và lấy tính hợp lệ làm trung tâm. Mohamed và Temimi (2026) cung cấp đối tác ở cấp cơ chế từ phía sinh viên: bởi vì mỗi môi trường đánh giá làm cho một phản hồi nào đó trở nên hấp dẫn nhất, việc cấm đoán để lại sự che giấu là hấp dẫn khi kiểm chứng còn mỏng, việc giám sát làm cho hành vi sử dụng ẩn trở nên tốn kém hơn mà không làm cho việc khai báo trở nên an toàn, và chỉ có thiết kế lại - hạ thấp lợi ích của việc thuê ngoài trong khi nâng cao giá trị của lập luận hữu hình - mới đưa sinh viên về phía sử dụng có trách nhiệm. Kết quả sắc nhất của họ là sự răn đe đi qua khả năng phân biệt của một công cụ phát hiện giữa việc sử dụng ẩn và công việc hợp pháp chứ không phải qua tỷ lệ bắt được, nên khi dương tính giả tăng nhanh hơn dương tính thật, việc giám sát mạnh hơn có thể làm cho việc che giấu trở nên hấp dẫn hơn một cách tương đối.

• Nghĩa vụ liêm chính có thể bị viết lại thành năng lực cá nhân. Trên 366 bản tóm tắt về GenAI trong giáo dục đại học, từ liêm chính xuất hiện 461 lần nhưng chỉ 6 trong 166 cách diễn đạt nghĩa vụ nêu tên sinh viên, nên kiểm chứng và khai báo hiện ra như những kỹ năng sinh viên được kỳ vọng có, chứ không phải những nghĩa vụ thể chế thực thi (Poudyal, 2026).

• Một chính sách liêm chính quy định chi tiết đến đâu không cho biết bài đánh giá bị phơi bày đến đâu. Kiểm toán 15,587 hồ sơ học phần, Villanueva (2026) phát hiện các trường đại học có lệnh cải cách toàn thể chế và những trường có các khuôn khổ rộng trải trên cùng một dải mức độ phơi bày của đánh giá: đối tác thực nghiệm cho cách lý giải theo trò chơi phối hợp về lý do các tuyên bố hiếm khi thay đổi hành vi.

Chiều kích xã hội và cảm xúc

Việc thực thi liêm chính có một chi phí cảm xúc bị bỏ qua. Nghiên cứu về xấu hổ và tội lỗi với sinh viên cho thấy những cảm xúc này điều tiết khi nào và bằng cách nào việc dùng AI trở nên hữu hình, tạo ra các hành vi che giấu và khai báo có chọn lọc, và rằng chúng cùng tồn tại với việc tiếp tục sử dụng, tạo ra những vòng lặp giảm quyền chủ động và căng thẳng đạo đức thay vì thay đổi hành vi. Đó là lý do vì sao các chuẩn mực quanh việc dùng AI điều tiết tính hữu hình hiệu quả hơn là điều tiết việc sử dụng. Sinh viên thậm chí mô tả việc dùng AI của mình bằng ngôn ngữ của sự nghiện. Hàm ý là: một chính sách nặng về phát hiện và hướng về giám sát có nguy cơ đẩy việc lạm dụng xuống dưới bề mặt thay vì giải quyết nó, làm xói mòn sự thương lượng thẳng thắn mà việc sử dụng hiệu quả đòi hỏi.

Mặt trái của che giấu là từ chối, và nó mang chi phí cảm xúc của riêng nó. Trong 85 giáo viên tập sự mà Zou và cộng sự (2026) khảo sát dưới một chính sách đánh giá cho phép tường minh AI sinh tạo, 62.4% (53 người) chọn không dùng nó chút nào, và việc sử dụng của những người áp dụng thì nông và mang tính sửa lỗi: hiệu đính (43.8%) và kiểm tra độ rõ (34.4%) vượt xa việc tạo văn bản (18.8%) và động não (12.5%). Nỗi sợ bị buộc tội sai, chứ không phải khó khăn kỹ thuật, làm phần lớn công việc: 41.5% người không áp dụng nêu lý do này, so với 13.2% nêu thiếu kiến thức hoặc kỹ năng, trong khi 77.4% định khung việc không sử dụng đơn giản là sở thích làm việc một mình. Khi một chính sách dễ dãi bị đọc như một cái bẫy, phản hồi an toàn là từ chối lời mời, và điều đó khiến thể chế mất chính công việc tích hợp AI mà nó đang cố mời gọi.

Các bản khai báo sử dụng AI

Các bản khai báo sử dụng và công bố AI là cơ chế cụ thể qua đó các kỳ vọng liêm chính được hiện thực hóa, và nghiên cứu cho thấy chúng thường thất bại khi bị coi là những biểu mẫu tuân thủ trung tính. Gonsalves (2025) phát hiện 74% sinh viên không khai báo việc dùng AI trên một tờ khai bắt buộc của bài tập, do nỗi sợ bị trừng phạt, sự mơ hồ của hướng dẫn, việc thực thi không nhất quán và chuẩn mực bạn học. Kirsanov và cộng sự (2026) và Vetter và cộng sự (2026) xác nhận rằng nỗi sợ bị trả đũa và chính sách không rõ ràng làm tê liệt việc khai báo, và rằng những sinh viên minh bạch thậm chí có thể trở thành đối tượng bị nghi ngờ. Chang và cộng sự (2026) định khung lại việc khai báo như một hành vi tìm kiếm hỗ trợ/tự điều chỉnh mà lo âu chuyển hướng sang bạn học. Bài học chung là: các chính sách khai báo phải giải quyết những rào cản cảm xúc và xã hội, phải rõ ràng và nhất quán, và phải coi việc khai báo như sư phạm định hình chứ không phải giám sát. Luo & Dawson (2026) bổ sung phía giáo viên của phương trình: việc giáo viên chấm điểm công việc có GenAI hỗ trợ được dẫn dắt bởi các phán đoán giá trị về sự trung thực, sự cần mẫn và sự tin cậy của sinh viên, và nhiều giáo viên trừng phạt (hoặc có ý muốn trừng phạt) những sinh viên khai báo sử dụng GenAI, ngay cả khi chất lượng công việc tốt. Đây là vấn đề "minh bạch hai chiều": sinh viên được kỳ vọng khai báo việc sử dụng, nhưng giáo viên hiếm khi làm rõ việc khai báo đó sẽ ảnh hưởng đến điểm số thế nào, nên việc khai báo trung thực có thể mang một hình phạt chấm điểm không được nói ra. Nghiên cứu đặt vấn đề khai báo vào thực tế đầy giá trị của việc giáo viên chấm điểm và lập luận rằng sự minh bạch phải chạy theo cả hai chiều.

Báo cáo của chính sinh viên định lượng mức độ thông điệp đó đang được tiếp nhận kém đến đâu. Trong một khảo sát 504 sinh viên đại học ngành xã hội học, 81 phần trăm cho biết giảng viên hoặc trợ giảng của họ đã đưa ra hướng dẫn về việc dùng AI, nhưng chỉ 46 phần trăm gọi những chỉ dẫn đó là rất rõ ràng; 19 phần trăm cho biết không nhận được hướng dẫn nào và số còn lại mô tả nó tốt nhất là hơi rõ ràng (Kuznetsov, Sheely & Baker, 2026). Nỗi sợ phạm một lỗi học thuật là mối quan ngại phổ biến thứ hai mà sinh viên nêu (28 phần trăm) - một chi phí do sự mơ hồ áp đặt chứ không phải do việc thực thi, vì chỉ 3 phần trăm cho biết dùng GenAI để tạo văn bản cho bài tập và 2 phần trăm để tạo cả một bản nháp. Hàm ý thực tiễn là sự rõ ràng trong truyền đạt tự nó là một cơ chế liêm chính, và một sinh viên không thể biết điều gì được phép đang chịu một rủi ro mà thể chế chưa bao giờ có ý áp đặt.

Việc cho phép ở cấp khóa học cũng không giải quyết được tình thế tiến thoái lưỡng nan của việc khai báo. Trong nghiên cứu của Zou và cộng sự (2026) trên 85 giáo viên tập sự có bài đánh giá cho phép tường minh AI sinh tạo, số tự khai báo tổng cộng là 28 người so với 32 người trong khảo sát ẩn danh, và hai nguồn dữ liệu bất đồng theo những hướng ngược nhau tùy khóa học: Khóa A ghi nhận 14 người dùng trong khảo sát nhưng chỉ 8 khai báo, trong khi Khóa C đảo ngược mẫu hình (8 trong khảo sát, 12 khai báo). Các tác giả đọc sự phân kỳ này như hệ quả của việc chấm điểm định hình điều sinh viên sẵn lòng để lộ ra, bổ sung bằng chứng từ giáo viên tập sự rằng một hệ thống khai báo đo hành vi khai báo nhiều như nó đo việc sử dụng.

Biến thiên văn hóa và bối cảnh

Văn bản chính sách không bằng nhận thức về chính sách. Nghiên cứu xuyên quốc gia phát hiện rằng, dù các chính sách thể chế giống nhau về chức năng, sinh viên ở các trường đại học khác nhau đánh giá cùng những thực hành có AI hỗ trợ một cách khác nhau: văn hóa, chứ không phải câu chữ chính sách, dẫn dắt cảm nhận về điều sai. Hài hòa chính sách không tạo ra hài hòa nhận thức, nên các nhóm học viên đa văn hóa diễn giải cùng những quy tắc một cách khác nhau, một quan ngại về công bằng đối với việc thực thi và chấm điểm, lập luận cho việc làm rõ dựa trên tình huống thay vì những tuyên bố quy tắc trừu tượng.

Nền tảng ngôn ngữ, chứ không phải văn hóa, là trục biến thiên thứ hai. Li (2026) lập luận rằng vì cùng một giao diện thực hiện cả việc biên tập ngôn ngữ được phép lẫn việc soạn thảo nội dung bị cấm, các quy tắc liêm chính coi GenAI như một phạm trù hỗ trợ không được phép duy nhất đã biến bất lợi về ngôn ngữ thành rủi ro liêm chính: một lệnh cấm tuyệt đối loại bỏ một hình thức hỗ trợ ngôn ngữ có thể mở rộng, một chế độ cho phép nhưng phải khai báo chất công việc tuân thủ lên vai sinh viên EAL, những người sử dụng thường xuyên và lặp lại hơn, và các lệnh cấm biên tập vượt quá những thay đổi nhỏ tập trung sự nghi ngờ vào những người viết có độ trôi chảy đã thay đổi nhiều nhất. Ranh giới mà Li đề xuất dựa trên mục đích chứ không dựa trên công cụ: hỗ trợ được phép không thêm ý tưởng mới, không thêm nguồn mới và không sắp xếp lại đáng kể phần phân tích, trong khi sự thay thế tạo ra hoặc định hình lại đáng kể công việc trí tuệ đang được đánh giá; và nó được neo vào cấu trúc của bài đánh giá bởi vì các tiêu chí chấm cho điểm vì độ trôi chảy và cách diễn đạt tự nhiên đưa vào phương sai không liên quan đến cấu trúc đối với người viết EAL (Assessment Validity). Khuôn khổ này hạ đầu ra của công cụ phát hiện xuống thành một tín hiệu sàng lọc hiếm khi là bằng chứng, ưu tiên việc tam giác hóa qua các bài nộp theo giai đoạn, lịch sử bản nháp, đường dẫn nguồn có thể kiểm chứng và một cuộc trò chuyện ngắn phù hợp với cấu trúc, và nó hiệu chỉnh việc khai báo để hỗ trợ thường ngày không mang chi phí tuân thủ vượt quá chi phí mà các bạn học đơn ngữ phải chịu.

Từ giám sát sang sư phạm

Cơ sở kiến thức ghi lại một sự chuyển dịch hệ hình: từ AI như một mối đe dọa liêm chính cần bị giám sát, sang AI như một công cụ mà việc sử dụng phù hợp phải được dạy. Đây là chiều kích đạo đức của Năng lực AI (AI Literacy) và được hiện thân trong thiết kế thực tiễn:

• Các bản khai báo sử dụng AI theo nhiệm vụ: Các khuôn khổ khai báo đặc thù theo lĩnh vực thay các ô đánh dấu chung chung "tôi đã dùng AI" bằng những bản khai báo có cấu trúc, ánh xạ việc sử dụng vào các giai đoạn nhận thức (ví dụ lập kế hoạch cấu trúc so với tạo nội dung), buộc phải phản tư và chuyển trọng tâm từ giám sát sang thực hành nghề nghiệp.

• Đánh giá minh bạch quy trình: những kiến trúc như quản lý nhận thức, bài nộp theo giai đoạn, bảo vệ vấn đáp, và AI Viva (một tác nhân hội thoại dò hỏi xem sinh viên có hiểu bài nộp của mình hay không) làm cho phán đoán của con người, việc kiểm chứng và trách nhiệm trở nên hữu hình. Miles, Haber-Curran và Arar (2026) đẩy cùng logic đó xuống tận bản thân prompt: rubric mẫu của họ chấm việc tinh chỉnh lặp lại, việc diễn giải phản biện đầu ra, và việc sửa đổi có phản tư, nên điều được đánh giá là sự tham gia của sinh viên với công cụ chứ không phải sản phẩm mà nó tạo ra; và họ lập luận rằng chỉ dạy sinh viên tối ưu hóa đầu ra sẽ để nguyên các chiều kích đạo đức và nhận thức luận của việc sử dụng.

• Giảm thiểu lạm dụng: liêm chính nằm bên cạnh AI Misuse and Learning Harm (chi phí học tập của việc lạm dụng) và Giảm thiểu lạm dụng AI (những can thiệp ngăn chặn nó), gắn sự trung thực với việc học thực sự thay vì với việc tuân thủ quy tắc.

• Minh bạch như một chiến lược liêm chính, không chỉ là phép lịch sự: trường hợp thiết kế của McCorkle (2025) coi lý lẽ cho mỗi việc sử dụng được phép hay không được phép như chính cơ chế liêm chính. Những sinh viên được phỏng vấn sau khi phớt lờ một chính sách cấm giải thích rằng họ không thấy mình hành xử không trung thực, điều này định khung lại thất bại như sự mơ hồ chứ không phải sự không tuân thủ; nên việc thiết kế lại đã trả lời điều đó bằng cách biện minh cho mỗi hạn chế bằng bài đánh giá cụ thể mà nó bảo vệ, và bằng cách thiết kế cho phần giữa có thể thuyết phục "20-60-20" của McCabe thay vì số ít người kiên quyết. Trường hợp này cũng nêu tên chi phí công bằng của chính sách mơ hồ: chính những kỳ vọng không rõ ràng và không đồng đều giữa các giảng viên là thứ biến thất bại của chính sách thành hành động kỷ luật (Equity).

• Thiết kế, không phát hiện: trường hợp Bochum. Việc thiết kế lại các môn nhập môn vật lý hạt nhân và vật lý hạt của ngành vật lý tại Đại học Ruhr Bochum (Mikhasenko và cộng sự, 2026) gắn chính sách AI của mình với một thất bại liêm chính thực tiễn thay vì với phát hiện: vì các bài tập trên lớp được công bố trước, một số sinh viên chuẩn bị sẵn các lời giải do AI tạo và chép chúng lên bảng mà không tham gia vào lập luận dự kiến. Các tác giả coi đây là một vấn đề thiết kế, chuyển các bài tập sang thảo luận chuẩn bị trước trong lớp và lấy một bài thi viết làm yếu tố quyết định điểm, chứ không phải một vấn đề giám sát, trong khi cho phép tường minh việc dùng AI trong học tập, giải thích vì sao việc kiểm chứng là trách nhiệm của sinh viên, và ghi nhận rằng bài tập về nhà mở, được phép dùng AI cũng làm tăng sự phụ thuộc, việc tiếp cận không đồng đều các mô hình trả phí, và khối lượng công việc của trợ giảng.

Tuyên bố rõ nhất về sự đảo ngược sư phạm đến từ El Khoury và Ma (2026), những người lập luận rằng cải cách bắt đầu từ sự nghi ngờ thu hẹp trí tưởng tượng giáo dục vào kiểm soát, tuân thủ và giám sát, và rằng liêm chính nên là một hệ quả của việc đánh giá được thiết kế cho sự tham gia chứ không phải điểm khởi đầu của nó. Quan sát hỗ trợ của họ là một cơ chế đã hữu hình ở chỗ khác trong cơ sở kiến thức này: sự buông bỏ tham gia là một trong những điều kiện khiến hành vi không trung thực trở nên dễ xảy ra hơn, nên những chương trình hành động kiểm tra sức chịu đựng của đánh giá hoặc hạn chế việc dùng AI mà không giải quyết sự tham gia sẽ để lại một phần của vấn đề nguyên vẹn.

Sinh viên ngoài giáo dục đại học Anglophone mô tả cùng căng thẳng đó bằng ngôn ngữ của chính họ. Mulisa và Mezgebu (2026) phỏng vấn 27 sinh viên đại học tại một trường đại học Ethiopia và phát hiện tập thể sinh viên bị chia rẽ ngay trong chính nó: gần như tất cả đều dùng GenAI hoặc thấy bạn học dùng nó, phần lớn cho rằng nó cải thiện thành tích học tập của họ, một thiểu số nhỏ gọi việc sử dụng đó là hành vi sai trái hoàn toàn, và gần như tất cả mô tả một sân chơi không đồng đều, trong đó công việc có AI hỗ trợ đạt điểm cao hơn nỗ lực trung thực trong khi những người làm việc độc lập mất đi cảm giác cần mẫn. Nét sắc nhất của lời kể là cách sinh viên định nghĩa đạo văn, một định nghĩa có thể bảo vệ về mặt kỹ thuật và chưa đầy đủ: nếu đạo văn nghĩa là tái tạo từ ngữ của người khác, thì một văn bản do máy viết mà không sao chép gì không phải là đạo văn; đó là lý do vì sao các tác giả lập luận rằng định nghĩa phải mở rộng ra ngoài việc sao chép và dán, theo "AI-plagiarism" của Ka và Chan (2025), và vì sao họ đặt niềm tin của chính sinh viên, chứ không chỉ các quy tắc của thể chế, vào trung tâm của việc sử dụng có đạo đức.

Sharma (2026) đưa sự đảo ngược sư phạm tiến thêm một bước bằng cách mở rộng khung hậu đạo văn của Eaton từ một định hướng đạo đức thành thiết kế đánh giá. Theo cách lý giải này, liêm chính được thực hiện qua phán xét đánh giá - năng lực của người học trong việc cân nhắc các lựa chọn, biện minh cho các quyết định học thuật và nhận trách nhiệm dưới sự bất định về nhận thức luận - và được làm hữu hình qua bốn thực hành: dấu vết quyết định có chú giải, các thực hành kiểm chứng và trách nhiệm giải trình, bảo vệ vấn đáp và trách nhiệm giải trình đối thoại, và so sánh khác biệt giữa các bản nháp cùng lịch sử phiên bản. Phát hiện chỉ được giữ lại như một lớp bổ sung cho những trường hợp xuyên tạc rõ ràng hoặc cố ý thuê ngoài lao động trí tuệ, không bao giờ là hạ tầng chính của liêm chính, bởi vì nó hỏi GenAI có được dùng hay không thay vì hỏi các quyết định phía sau công việc đã được đưa ra thế nào; lập luận này cũng nêu tên rủi ro công bằng rằng các mô hình lấy phát hiện làm trung tâm giáng nặng nhất lên những người học dựa vào công cụ tạo sinh để có giàn giáo ngôn ngữ hoặc nhận thức.

Con đường thứ ba nằm giữa phát hiện và thiết kế lại. Akçapınar (2026) dự báo rủi ro gian lận có AI hỗ trợ từ các dấu vết LMS đầu học kỳ với AUC 0.763, và định khung đầu ra như một hướng dẫn học thuật có rủi ro thấp - lời nhắc, theo dõi bài tập, những lần hỏi thăm ngắn - chứ không phải bằng chứng về hành vi sai trái, nhấn mạnh rằng điểm số phải được giữ tách khỏi việc chấm điểm và hồ sơ kỷ luật.

Các kết nối

Liêm chính học thuật kết nối với Assessment Validity, Năng lực AI (AI Literacy), AI Detection, Authentic Assessment, Assessment, Educational AI Policy, AI Regulation in Education, Ethics, và Equity. Đây là chiều kích đạo đức của AI trong giáo dục, không thể tách rời khỏi Phụ thuộc quá mức và câu hỏi rộng hơn về cách Generative AI định hình lại việc học ở bậc đại học và K-12.

• Tổng hợp từ tổng quan hệ thống. Một tổng quan PRISMA trên 25 nghiên cứu (Balalle & Pannilage 2025) phát hiện AI vừa là một mối đe dọa (văn bản do AI tạo, công cụ diễn đạt lại) vừa là một công cụ phát hiện (điểm AI của Turnitin), rằng phần mềm phát hiện không đáng tin đối với công việc do AI tạo, và rằng các thể chế phải xây dựng một văn hóa liêm chính học thuật qua chính sách rõ ràng, thiết kế lại đánh giá và đào tạo đạo đức thay vì chỉ giám sát.(Reassessing Academic Integrity in the Age of AI: A Systematic Literature Review on AI and Academic Integrity)

Liêm chính là một mối quan tâm trung tâm nhưng là một kết quả hiếm. Trên 394 nghiên cứu về GenAI trong giáo dục đại học, liêm chính học thuật và đạo đức nằm trong số những kết quả được nhắm tới ít nhất (Lin và cộng sự (2026)).

• Từ giám sát sang đối thoại: kiểm chứng việc học. Một ghi chép thực hành về khuôn khổ toàn thể chế của Đại học Grand Canyon (Mandernach 2026) lập luận rằng phát hiện không đáng tin và các quy trình liêm chính chính thức hiếm khi đi đến kết luận, để giảng viên với "sự nghi ngờ không có đường giải quyết". GCU thay vào đó áp dụng kiểm chứng việc học - yêu cầu sinh viên thể hiện hiểu biết về bài nộp của mình trong một cuộc trò chuyện ngắn - định khung lại liêm chính từ một vấn đề tuân thủ thành một vấn đề đánh giá. Nó khôi phục quyền hạn của giảng viên, chuyển sinh viên từ "làm sao để không bị bắt" sang sự tham gia thực sự, và coi việc dùng AI là chấp nhận được khi sinh viên có thể chứng minh việc học; sự lo âu ban đầu của sinh viên về việc kiểm chứng nhấn mạnh rằng một chính sách nặng về giám sát có thể bào mòn niềm tin.

• GenAI đánh bại bài tập về nhà có thể chấm tự động (2026): ChatGPT vượt qua mọi phiên trong 150 phiên kiểm tra trên các thiết kế bài tập Qiskit (điện toán lượng tử) được làm cứng có chủ ý và có thể chấm tự động - cá nhân hóa, tài liệu tham khảo ẩn, phản tư, thực thi trên trình mô phỏng - cho thấy những người chấm dựa trên rubric không thể phân biệt một cách đáng tin công việc do AI hoàn thành với công việc do sinh viên hoàn thành, và lập luận cho việc đánh giá trực tiếp sự hiểu biết (ChatGPT Solves All Tested Qiskit Homework Assignments).

• Đánh giá trong thời đại AI - đầu ra như bằng chứng (2026): một phân tích ở cấp đại học lập luận rằng khủng hoảng đánh giá do AI là sự lệch pha giữa thiết kế đánh giá và kết quả học tập, không chỉ là sự không trung thực; nó ghi lại các tổn hại của giám sát (trình duyệt khóa, theo dõi ánh mắt), một "Bẫy Khai báo" (sinh viên sợ khai báo dùng AI sẽ bị hạ điểm), một khoảng cách hiệu năng chấm điểm theo địa vị kinh tế xã hội (các bậc Large Language Models (LLMs) trả phí so với miễn phí), và "sự kiệt sức sư phạm" ở giảng viên khi phải giám sát AI - khuyến nghị đánh giá dựa trên quy trình thay vì phát hiện (Evaluation in the Age of AI: Output as Evidence of Learning).

Bằng chứng mới hơn: lập luận đạo đức, giới hạn của phát hiện, tiếp thị AI, và sinh viên bóng ma

Một làn sóng nghiên cứu gần đây làm sắc nét bức tranh về liêm chính học thuật trong thời đại AI sinh tạo:

• Học sinh trung học lập luận về "AI-giarism" theo tình huống, không theo một quy tắc cố định. Chan (2026) cho thấy lập luận đạo đức của học sinh trung học về "AI-giarism" là tinh tế và phụ thuộc bối cảnh: nhiều em coi công việc có AI hỗ trợ là chấp nhận được khi nó hỗ trợ hiểu biết nhưng có vấn đề khi nó thay thế nỗ lực của chính mình, thách thức giả định rằng học sinh đơn giản là thiếu liêm chính hoặc rằng một chính sách duy nhất có thể bao quát đạo đức của các em.

• Chỉ đánh giá thực chất thì không thể bảo vệ liêm chính. Kofinas và cộng sự (2025) phát hiện những người chấm nói chung không thể phân biệt các bài đánh giá có đầu vào GenAI với những bài không có, và rằng mức độ thực chất của bài đánh giá không có tác động đến khả năng bảo vệ chống lại hoặc phát hiện việc dùng GenAI. Lĩnh vực giáo dục đại học "không thể chỉ dựa vào đánh giá thực chất để kiểm soát tác động của GenAI" - một thách thức trực tiếp đối với chiến lược thiết kế lại đánh giá, vốn phải đi kèm với các biện pháp khác.

• Hướng dẫn liêm chính phải mở rộng vào quy trình nghiên cứu, không chỉ vào giảng dạy. Dai & Chan (2026) phát hiện các nhà nghiên cứu sau đại học thực hiện Năng lực AI (AI Literacy) xuyên suốt các nhiệm vụ nghiên cứu và lập luận rằng các chính sách sử dụng có trách nhiệm, vốn hiện tập trung vào giảng dạy và đánh giá, phải giàn giáo các chiều kích đạo đức của việc dùng GenAI trong nghiên cứu, nơi các quan ngại xoay quanh tính nguyên bản, quyền tác giả, quyền riêng tư dữ liệu và sự suy giảm kỹ năng thay vì chỉ đạo văn.

• Mục đích phải đi trước chính sách. Taylor & LaCroix (2026) lập luận rằng việc dùng GenAI có cấu thành hành vi sai trái hay không phụ thuộc vào mục đích của trường đại học. Số vụ vi phạm gia tăng phản ánh sự bất nhất về cấu trúc trong trường đại học tân tự do, nơi nhiệt tình công nghệ, ảnh hưởng của doanh nghiệp và việc thực thi chính sách xung đột với nhau, để lại sinh viên phải chịu trách nhiệm cho những hành vi được thể chế ngầm định hình. Các trường đại học không thể thực thi liêm chính một cách đáng tin cậy nếu thiếu sự nhất quán giữa sứ mệnh đã tuyên bố, sư phạm và thực hành công nghệ.

• Các yếu tố quyết định tâm lý và hành vi. Nghiên cứu của Frontiers ánh xạ các cơ chế tâm lý và yếu tố quyết định hành vi của liêm chính học thuật dưới tác động của AI - cách thái độ, tự hiệu quả, chuẩn mực và hệ quả được nhận thức định hình việc sử dụng trung thực - nối liêm chính với động lực, tự hiệu quả và Năng lực AI (AI Literacy) như những cấu trúc hành vi chứ không phải việc tuân thủ quy tắc thuần túy. Tabares-Cruz và cộng sự (2026) định lượng những điều này trong một mô hình phương trình cấu trúc trên 980 sinh viên đại học Ecuador, sắp xếp các khuynh hướng liêm chính học thuật và minh bạch lên đầu, tiếp theo là năng lực AI, kiểm chứng phản biện, hướng dẫn của thể chế, tự điều chỉnh, và bảo vệ dữ liệu - với các khuynh hướng liêm chính và Năng lực AI (AI Literacy) cùng nhau giải thích một phần đáng kể của việc sử dụng GenAI có đạo đức và vượt xa chỉ các quy tắc thể chế.

• Tiếp thị AI bình thường hóa việc sử dụng và định khung "gian lận so với cạnh tranh". Sobo và cộng sự (2025) cho thấy AI được tiếp thị tới sinh viên như một thứ cần thiết thực tiễn ("Hãy làm cho bài viết của bạn nghe tự nhiên hơn để tránh bị gắn cờ nhầm"), và sinh viên cảm thấy bị buộc phải tiếp nhận nó để giữ tính cạnh tranh, ngay cả khi lo lắng về sự phụ thuộc và việc đánh mất cơ hội học - một mệnh lệnh doanh nhân đã được nội tâm hóa. Điều này chỉ ra nhu cầu về năng lực truyền thông như một phần của giáo dục liêm chính AI.

• Các công cụ "nhân hóa" AI phơi bày vòng lặp trình diễn của phát hiện. Roe và cộng sự (2026) lập danh mục 55 trang web nhân hóa AI, những trang thay đổi văn bản do AI tạo để né phát hiện, được định khung qua phép kịch học của Goffman. Các công cụ nhân hóa làm cho hành vi sai trái vắng mặt trên bình diện diễn ngôn và trình diễn tính chính danh, chứng minh rằng cuộc chạy đua phát hiện đối lại né tránh là không có hồi kết về mặt cấu trúc, củng cố sự dịch chuyển từ giám sát sang thiết kế đánh giá và Năng lực AI (AI Literacy).

• Thực thi, không phải phát hiện, mới là nơi cuộc trò chuyện diễn ra. Trên 270,929 bản ghi liên quan AI từ 26 diễn đàn Reddit về giáo dục trong ba năm rưỡi, cụm chủ đề liêm chính học thuật chiếm 37.1% cuộc thảo luận và Thực thi Xử lý Vi phạm là chủ đề đơn lẻ lớn nhất với 12.1%, trong khi 32.3% các luồng giữa giảng viên và sinh viên nằm trong các tranh chấp về phát hiện và thực thi (Yüce và cộng sự (2026)).

• Sinh viên bóng ma và khoảng trống kiểm chứng của AI tác tử. Bozkurt, Crompton & Fell Kurban (2026) giới thiệu "sinh viên bóng ma": một bản thay thế số được tạo ra bằng cách ghép LLM ("trí óc") với các trình duyệt AI tác tử ("thân thể"), có thể điều hướng LMS, tham gia nội dung và hoàn thành bài đánh giá với sự bắt chước giống người, khiến sự hiện diện của người học thực trở thành tùy chọn. Điều này tạo ra một khoảng trống kiểm chứng mà việc giám sát thi và phát hiện truyền thống không thể lấp được về mặt cấu trúc - một mối đe dọa liêm chính lớn lên khi AI trở nên tác tử chứ không chỉ tạo sinh.

Trường hợp ngành học rõ nhất cho việc thiết kế lại thay vì phát hiện đến từ giáo dục khoa học máy tính. Một tổng quan hệ thống trên 72 nghiên cứu về AI sinh tạo trong khoa học máy tính và giáo dục lập trình (Kumar, Wongsirichot và Nanthaamornphong 2026) phát hiện chỉ ba nghiên cứu xem xét các cơ chế phát hiện AI, nền tảng bằng chứng mỏng nhất trong 14 chủ đề mà nó tổng hợp, trong khi việc thiết kế lại khóa học và đánh giá được 25 nghiên cứu hỗ trợ. Tổng quan này coi sự mất cân đối là dấu hiệu chẩn đoán chứ không phải ngẫu nhiên: các thể chế phần lớn đã cập nhật tài liệu chính sách mà không thiết kế lại đánh giá, và phần lớn giảng viên đứng ở mức chấp nhận chứ không phải chuyển đổi trong tích hợp, với 70% một mẫu giảng viên quốc gia yêu cầu tường minh việc đào tạo về thiết kế đánh giá kháng AI. Phản hồi được khuyến nghị thì cụ thể: thêm một thành phần vấn đáp hoặc một yếu tố làm quy trình hữu hình vào ít nhất một bài đánh giá có trọng số cao trong mỗi khóa học, và biến việc tham gia phản biện với đầu ra AI (đọc, kiểm thử, sửa đổi, giải thích, phê phán) thành một thành phần được chấm điểm và quan sát được trong công việc của sinh viên thay vì một khát vọng để tùy sinh viên quyết định (Assessment Validity). Một tổng quan PRISMA trên 72 nghiên cứu về đánh giá trong giáo dục đại học phát hiện ba phản hồi thiết kế lặp lại trước GenAI - định hướng quy trình, tính thực chất, và các cách tiếp cận vấn đáp và đối thoại - được định khung như việc bổ sung lớp lên các nguyên tắc tính hợp lệ, tính thực chất và tính căn chỉnh sẵn có thay vì thay thế chúng (Crompton và Burke (2026)).

• Các tài liệu tham khảo bịa đặt đã đi vào kỷ lục xuất bản của ngành giáo dục khoa học máy tính. Denny và cộng sự (2026) truy vết 113,588 tài liệu tham khảo từ 5,225 bài báo giáo dục khoa học máy tính trong Thư viện Số ACM đối chiếu với toàn bộ ngữ liệu 723,930 ấn phẩm và 15,872,533 tài liệu tham khảo, kiểm chứng thủ công 828 bản ghi khả nghi, và xác nhận 30 tài liệu tham khảo chứa thông tin thư mục có thể kiểm chứng là bịa đặt trên 14 bài báo, tất cả đều xuất bản năm 2025 hoặc 2026. Tại Hội nghị Kỹ thuật SIGCSE, số lượng được xác nhận tăng từ 3 vào năm 2025 lên 17 vào năm 2026, nằm trong 2.3% các bài báo kỷ yếu năm 2026, và các tài liệu tham khảo bị ảo giác xuất hiện ở năm hội nghị do SIGCSE bảo trợ hoặc đồng tổ chức vào năm 2025. Con số này chỉ vững khi đi cùng đối trọng của nó: phần lớn các tài liệu tham khảo bị gắn cờ là vô hại - 229 là sự không khớp siêu dữ liệu ACM nơi tệp PDF vẫn đúng và 188 là các biến thể thư mục hợp lệ - nên con số theo hội nghị là một giới hạn dưới có chủ ý. Nó giáng lên các tác giả, chứ không chỉ lên đánh giá đồng đẳng, bởi vì người bình duyệt kiểm tra danh mục tài liệu tham khảo không thể kiểm chứng từng mục, và việc soạn thảo có LLM hỗ trợ làm cho một trích dẫn bịa đặt nhưng có vẻ hợp lý trở nên rẻ để tạo ra.

• Sự rõ ràng mà không thiết kế lại chỉ đẩy lạm dụng sang bên cạnh thay vì loại bỏ nó. Petricini & Zipf (2026) đặt việc dùng AI trên hai trục - ý định và nỗ lực của sinh viên đối chiếu với độ rõ ràng và sự hỗ trợ mà môi trường cung cấp - và báo cáo rằng góc phần tư đông nhất trong dữ liệu phỏng vấn của họ là tuân thủ lo âu, nơi sinh viên giấu đi sự giúp đỡ chính đáng (hỗ trợ ngữ pháp, giải thích khái niệm, sắp xếp ý tưởng của chính mình) để tránh bị buộc tội sai. Cảnh báo của họ mang tính định hướng: ở nơi các quy tắc trở nên rõ ràng nhưng bài đánh giá vẫn thưởng cho tốc độ và sản phẩm, những sinh viên am hiểu chính sách chuyển sang né tránh hiệu quả thay vì sử dụng công cụ một cách đạo đức. Austin (2026) đi đến cùng điểm đó từ phía bài tập: khi các tác tử thỏa mãn mọi tiêu chí của rubric mà không để lộ lập luận, việc chấm dấu vết quyết định (hiệu chỉnh độ tin cậy, các gợi ý AI bị từ chối, các ràng buộc đặc thù của khóa học) thay thế cho phát hiện, mà bà ghi nhận là sai hướng theo cả hai chiều.

• Nhà tuyển dụng chiết khấu những điểm số mà họ tin là do AI tạo ra, và hội tụ về kiểm chứng trực tiếp. Trong một thí nghiệm khảo sát với khoảng 1,750 chuyên gia tuyển dụng Hoa Kỳ, Boyd-Swan & Reynolds (2026) cho thấy việc định khung việc dùng AI của sinh viên như một công cụ hỗ trợ không khiến ứng viên bị phạt, trong khi việc định khung nó như một sự thay thế cho nỗ lực và năng lực của sinh viên làm giảm khả năng được phỏng vấn và, rõ rệt hơn, làm giảm thiện chí thương lượng lương, tập trung ở các ứng viên có GPA cao bất kể chủng tộc hay giới tính. Khi được hỏi điều gì sẽ làm dịu các quan ngại, cả hai nhóm định khung chỉ chọn chung một biện pháp: bài kiểm tra trực tiếp. Thí nghiệm này cô lập niềm tin (chứ không phải việc dùng AI thực tế), nên nó cho thấy chỉ riêng kênh phát tín hiệu đã làm thay đổi kết quả tuyển dụng - bằng chứng sớm rằng thị trường lao động có thể đẩy đánh giá trở lại các định dạng có thể kiểm chứng sự hiện diện, cùng hướng thiết kế mà tài liệu về sinh viên bóng ma thúc giục các thể chế áp dụng.

Nghiên cứu đầu tiên về Lý thuyết Hành vi Có kế hoạch đối với ý định vi phạm dựa trên GAIT mở rộng bức tranh này: trong 186 sinh viên đại học, Baig và Paparo (2026) phát hiện thái độ đối với hành vi sai trái, chuẩn mực chủ quan về nó, và thái độ tích cực đối với AI đều dự báo ý định, trong khi thái độ tiêu cực đối với AI thì không, và nhận thức về khả năng bị phát hiện cao hơn dự báo ý định thấp hơn - một hiệu quả răn đe bị làm suy yếu bởi tính không đáng tin đã được ghi nhận của các công cụ phát hiện AI.

Các chính sách liêm chính đang dịch chuyển từ việc ai đã viết các từ ngữ sang việc ai đã có các ý tưởng, và các công cụ phát hiện đang được xây dựng lại để phù hợp. IdeaLens dự báo nguồn gốc ý tưởng từ một dàn ý thay vì từ văn xuôi: trên 50 câu chuyện mà người ta viết từ đầu theo các kế hoạch do AI tạo, nó gắn cờ 68% là do AI, so với 8% của Pangram 4 và 0% của nhóm đối chứng được huấn luyện trên văn xuôi, và nó gán nhãn 94.7% văn bản của người được AI đánh bóng là do người viết (Rajendhran và cộng sự (2026)). Tuyên bố đạo đức của chính nó gọi đầu ra là một ước lượng thống kê không được dùng một mình làm bằng chứng kết luận về việc dùng AI.

Gillette và cộng sự (2026) ghi lại chế độ này từ bên trong một khoa: những giáo viên đã thay đổi định dạng đánh giá nói rằng "hầu như không thể nói liệu một sinh viên đã dùng AI trong việc viết bài tập hay chưa", trong khi sinh viên tức giận yêu cầu được kháng nghị theo lương tâm và "làm bẽ mặt" thay vì phát hiện.

• Cảm biến tốt hơn không thay đổi điều mà bài đánh giá có thể chứng nhận. Một hệ thống giám sát thi bằng ước lượng tư thế YOLOv11 báo cáo độ chính xác phân loại 99.56% minh họa giới hạn của con đường phát hiện: nó đo tư thế đối chiếu với một nhãn hành vi, không báo cáo dữ liệu chuẩn nào về hành vi sai trái, và không đưa ra phân tích theo nhóm (Arif và cộng sự, 2026). Biện pháp mà Villanueva lập luận là bằng chứng đủ về việc học ở các giai đoạn then chốt, chứ không phải giám sát tối đa mọi bài nộp.

Những hiểu lầm phổ biến

• "Công cụ phát hiện nhận diện được văn bản AI." Văn bản do AI tạo đã được chấp nhận như do người viết trong tới 80% trường hợp, trong khi bằng chứng cho phát hiện đặt phát hiện bằng máy ở khoảng 80% so với 78.4% của người chấm. Phán đoán của người và của máy gần như (không) đáng tin ngang nhau, nên một kết luận từ công cụ phát hiện không phải là bằng chứng về quyền tác giả.
• "Vấn đề chỉ là thiểu số." Khối lượng thì không hề như vậy: một phân tích sáu năm về một khóa CS2 quy mô lớn phát hiện 45.7% sinh viên học kỳ Xuân 2026 bị gắn cờ. Gần một nửa một khóa, điều khiến đây thành một vấn đề thiết kế chính dòng chứ không phải một trường hợp biên.
• "Giảng viên biết bài đánh giá nào dễ tổn thương." Trong một khoa sinh học, giảng viên chỉ coi các kỳ thi có giám sát trực tiếp là ít tổn thương nhất, trong khi các bài tập ngoài giờ lên lớp được coi là bị phơi bày. Nhận thức đó khớp với trường hợp hiển nhiên và coi mọi thứ còn lại là an toàn.

Khái niệm liên quan

• Pedagogical Patterns - Các chuỗi kiểm chứng được áp dụng để đối phó với AI sinh tạo
• AI Use and Disclosure Statements - Các bản khai báo sử dụng và công bố AI
• Assessment Validity
• Năng lực AI (AI Literacy)
• AI Detection
• Authentic Assessment
• Assessment
• Educational AI Policy
• AI Regulation in Education
• Ethics
• Equity
• Giảm tải nhận thức
• AI Misuse and Learning Harm
• Giảm thiểu lạm dụng AI
• Misconceptions about AI
• Generative AI
• Higher Education
• K-12
• AI trong Giáo dục
• Legal Issues and Risks
• Social Norms of AI Use - những quy tắc không thành văn nằm dưới chính sách chính thức

Bài viết liên quan

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — Cả một chương trình tâm lý học có thể đạt với nỗ lực tối thiểu, và các tiêu chí chấm đã để nó lọt qua (Ivory và cộng sự 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — Giáo viên tập sự từ chối GenAI dưới một chính sách dễ dãi; định khung "cái bẫy" và khoảng cách giữa khảo sát và khai báo

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI tác tử, đánh giá vui vẻ, và không gian thứ ba

• Generative AI in computing education: A systematic review and a framework for responsible integration — Bằng chứng về phát hiện rất mỏng (3 nghiên cứu trong 72); thiết kế lại mới là phần gánh nặng

• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Chính sách khóa học GenAI căn chỉnh: quyền được phép suy ra từ đánh giá, lý lẽ minh bạch (McCorkle 2025)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — Tạo biến thể đánh giá tương đương về cấu trúc (Lee 2026)

• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Cách giảng viên quy định AI trên 31,000 đề cương khóa học; khung liêm chính đang giảm (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 — Sinh viên có thể gian lận để lấy bằng sinh học không? Một nghiên cứu trường hợp về tính dễ tổn thương của điểm số khóa học sinh học trước hành vi không trung thực học thuật trong thời đại AI sinh tạo

• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Sinh viên không tuân thủ các bản khai báo sử dụng AI

• Once a Response, Always a Response: Detecting LLM-generated Text via Latent Prompt Restoration — Phát hiện văn bản do LLM tạo

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Vượt qua phát hiện: đánh giá thực chất trong một thế giới có AI làm trung gian

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Thang đánh giá AI và cải cách đánh giá

• From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — Từ sản phẩm thực chất đến quy trình được xác thực

• It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing — Không sao vì... Sự hợp lý hóa việc dùng AI của sinh viên

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — Khuôn khổ trò chơi phối hợp cho việc sử dụng AI có đạo đức

• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — Xấu hổ và tội lỗi như những bộ điều tiết xã hội của việc dùng AI

• Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Alice có làm sai không? Nhận thức xuyên văn hóa về việc dùng AI

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — Các phán đoán giá trị trong việc chấm công việc có GenAI hỗ trợ: trung thực, tin cậy, tính hợp lệ và minh bạch hai chiều (Luo & Dawson 2026)

• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — Trách nhiệm giải trình bạn học và tính nguyên bản trong đánh giá nhóm có GenAI làm trung gian

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — Sự sụp đổ chứng cứ của phát hiện và lập luận cho công lý thủ tục, tính tương xứng và thiết kế

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — Răn đe, khai báo và thiết kế lại như một vấn đề thiết kế đánh giá dưới thông tin không hoàn hảo

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — 1,162 hồ sơ vi phạm GenAI thực sự dựa trên chứng cứ gì, và ngưỡng chứng cứ còn thiếu

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Các quy tắc AI bao trùm quá mức và sự phân biệt chép lời so với tạo sinh

• AI-based digital cheating at university, and the case for new ethical pedagogies — Gian lận kỹ thuật số dựa trên AI và các sư phạm đạo đức hướng phòng ngừa: vụ vi phạm từ 183 xuống 27 và năm thiết kế lại đặc thù ngành học (Leaton Gray, Edsall & Parapadakis 2025)

• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — Liêm chính như một vấn đề quản trị: một khuôn khổ 130 chỉ báo cho các nhà quản trị học thuật (Coates, Croucher & Calderon 2025)

• Academic integrity in the age of generative AI: A scoping review of research on higher education student voices — Tổng quan phạm vi 38 nghiên cứu về tiếng nói sinh viên giáo dục đại học về liêm chính học thuật và GenAI (Ji 2026)

• GenAI assessment and language equity: Drawing the line between support and substitution — Vẽ ranh giới giữa hỗ trợ và thay thế cho người viết EAL, và sự bất công của các quy tắc bỏ qua nền tảng ngôn ngữ (Li 2026)

• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection nhắm vào việc chấm điểm có AI làm trung gian: các chỉ dẫn ẩn làm thay đổi điểm mà không bị phát hiện (Humble 2026)

• Designing for Virtuous AI Use: The AI-Use Ethics Matrix in AI-Mediated Classrooms — Ma trận Đạo đức Sử dụng AI: tuân thủ lo âu, và vì sao chỉ sự rõ ràng có thể đẩy sinh viên vào né tránh hiệu quả (Petricini & Zipf 2026)

• When AI Agents Can Complete the Assignment: Practical Strategies for Designing Tasks That Still Require Human Thinking — Chấm dấu vết lập luận khi AI tác tử có thể hoàn thành bài tập (Austin 2026)

• AI-written admissions essays are widespread but penalized — Bài luận tuyển sinh do AI viết phổ biến nhưng bị trừng phạt

• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Ai hành động, ai biết, ai trả lời? Một phân tích diễn ngôn có hỗ trợ ngữ liệu về quyền chủ động, trách nhiệm nhận thức luận và trách nhiệm giải trình trong nghiên cứu giáo dục đại học về AI sinh tạo

• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Lập bản đồ ranh giới được phép: một nghiên cứu so sánh chính sách và tình huống về quản trị AI sinh tạo trong giáo dục đại học Úc

• Argus: Academic Integrity in the Era of Generative AI — Argus: Liêm chính học thuật trong thời đại AI sinh tạo

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — Kiểm toán ngành: các trường có lệnh cải cách và các trường có khuôn khổ không khác nhau về mức phơi bày của đánh giá, đối tác thực nghiệm cho vấn đề phối hợp

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) - Dự báo sớm rủi ro gian lận có AI hỗ trợ từ dấu vết LMS, được định khung như hướng dẫn học thuật chứ không phải bằng chứng vi phạm

• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Ba năm rưỡi Reddit giáo dục: thực thi chiếm ưu thế, và các tranh chấp liêm chính là diễn đàn chính giữa giảng viên và sinh viên (Yüce và cộng sự 2026)

• Early Evidence on Employer Responses to College Student Use of Generative AI — Thí nghiệm khảo sát: cách định khung "thay thế" đối với việc dùng AI của sinh viên phạt các ứng viên GPA cao trong tuyển dụng và lương; kiểm tra trực tiếp là biện pháp duy nhất cả hai nhóm chọn

• AIRRI: Towards a Human-Readable, Machine-Resistant Reading Interface — AIRRI: Hướng tới một giao diện đọc dễ đọc với con người và kháng máy