Làm thế nào để giảm gian lận AI trong khóa học của tôi?

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

Đang là tuần thứ sáu. Một bài luận làm ở nhà trả về trôi chảy mà rỗng, và bạn không thể nói được liệu sinh viên có viết nó hay không. Hoặc bốn bài nộp cùng chung một dáng mà không ai trong lớp tạo ra được vào tháng Chín, và văn phòng liêm chính muốn có một bản giải trình bằng văn bản về việc bài tập đang đo cái gì. Hoặc khoa của bạn đã bỏ phiếu tháng trước để hạn chế AI sinh tạo trong các khóa cốt lõi và để bạn tự làm cho hạn chế đó có ý nghĩa.

Câu trả lời để nói với đồng nghiệp: thôi cố chứng minh ai đã viết bài làm và thay đổi những điều kiện mà bài làm được viết ra. Phát hiện là đòn bẩy yếu nhất bạn có. Những đòn bẩy giữ được là một nhiệm vụ mà lối tắt để lại dấu vết, một bước làm không có hỗ trợ mà bạn quan sát được, và một chuỗi dạy ngắn giữ sinh viên ở bên trong công việc nhận thức.

Tóm tắt

1. Đưa việc phát hiện ra khỏi đường đi quan trọng. Bằng chứng dưới đây cho thấy nó báo động nhầm trên những chỉnh sửa được phép và bỏ sót những lần lảng tránh có chủ đích.

2. Đưa một bước làm không có hỗ trợ, quan sát được vào mọi bài đánh giá có trọng số cao và cho nó trọng lượng thật.

3. Đặt ranh giới AI theo từng bước của nhiệm vụ, không theo khóa học, để nó đi theo thứ bạn đang chấm.

4. Nếu cho phép dùng AI, hãy cấu hình nó để gợi ý thay vì trả lời, và yêu cầu sinh viên thử trước khi nó phản hồi.

5. Làm cho việc khai báo cụ thể và không bị trừ điểm. Quy tắc mơ hồ và quy tắc mang tính trừng phạt đều đẩy sinh viên về phía che giấu.

Phát hiện sẽ không gánh được vụ việc

Bản tổng hợp Liêm chính học thuật báo cáo những hạn chế đáng kể của việc phát hiện văn bản do AI tạo và lập luận rằng liêm chính trong thời đại AI sinh tạo ngày càng là một bài toán thiết kế đánh giá chứ không đơn thuần là một bài toán phát hiện. Hãy mang các con số vào cuộc họp nơi bạn biện hộ cho điều này trước một người đã mua bản quyền.

Trong một nghiên cứu có kiểm soát trên 642 tóm tắt tiếng Anh đã công bố, hai công cụ phát hiện thương mại gắn cờ việc biên tập nhẹ bằng AI tuân thủ hướng dẫn ở mức 38-80%. Chúng gắn cờ những bản gốc 2023-25 chưa bị chỉnh sửa ở mức 9-15%, với các bài không thuộc giáo dục STEM cao hơn hẳn STEM ở mức p<0.001. Sau khi bị “nhân hoá” bằng AI, chính những công cụ đó bắt được dưới 4% các bản viết lại được gắn nhãn AI (Why AI Detection Fails for Academic Integrity). Hãy đọc ba con số đó theo thứ tự. Cách dùng được phép bị gắn cờ thường xuyên hơn cách dùng bị cấm, và cách dùng bị cấm thì gần như vô hình một khi ai đó đã cho nó qua một công cụ diễn đạt lại. Đó là thế bí catch-22 của liêm chính: công cụ phát hiện trừng phạt sự hỗ trợ trung thực trong khi lại tạo điều kiện cho việc lảng tránh có chủ đích.

Bằng chứng thực địa cũng đi theo hướng đó. Trong một nghiên cứu kín, 94% các bài nộp hoàn toàn do AI tạo được đưa vào các kỳ thi trực tuyến đang diễn ra trên năm mô-đun tâm lý học đã không bị phát hiện, và bài làm của AI trung bình đạt điểm cao hơn sinh viên thật (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Đại học Vanderbilt đã tắt công cụ phát hiện có bản quyền của mình sau khi không kiểm chứng được mức dương tính giả 1% mà nhà cung cấp quảng cáo, một mức mà sẽ ngụ ý khoảng 750 sinh viên bị gán nhãn sai trong số 75,000 bài nộp hằng năm.

Không điều nào trong đó chứng minh rằng phát hiện không bao giờ hiệu quả. Nó xác lập hồ sơ sai số mà bạn phải sống chung. Một sinh viên bị gắn cờ là một con người có quyền khiếu nại, và kết quả trên 642 tóm tắt nói rằng cờ rơi nặng nhất vào những sinh viên đã làm đúng điều được phép. Lập luận đầy đủ về việc tại sao điều này thay đổi thứ mà một điểm số có thể chứng minh nằm ở Làm sao thiết kế lại đánh giá để điểm số vẫn cho tôi biết điều gì đó bảo vệ được về những gì sinh viên biết hoặc có thể làm?.

Thay đổi thứ mà bài tập làm cho dễ

Bản tổng hợp Giảm việc lạm dụng AI xếp việc thiết kế lại vào Bậc 1 vì một lý do cấu trúc: nó hiệu quả bất kể sinh viên có chọn hành vi đúng hay không, vì nó ràng buộc môi trường thay vì dựa vào động cơ.

Hãy bắt đầu bằng một nhãn. Thang Đánh giá AI (AIAS) gán cho mỗi bài tập một mức sử dụng AI, từ “không dùng AI” qua “AI chỉ để động não” và “AI hỗ trợ kèm ghi nguồn” đến “dùng AI hoàn toàn”, để kỳ vọng được nêu rõ và có thể thực thi thay vì phải suy ra.

Rồi thay đổi sản phẩm. Một tổng quan hệ thống 72 nghiên cứu về AI sinh tạo trong giáo dục máy tính đánh giá việc thiết kế lại vừa khả thi vừa có đòn bẩy cao nhất, và chỉ ra một động thái: thêm một yếu tố nói miệng hoặc yếu tố khác làm quá trình hiển thị vào ít nhất một bài đánh giá có trọng số cao trong mỗi khóa học. Nó gọi đó là can thiệp hiệu quả nhất trong toàn bộ tập tài liệu. Phát hiện là mảng mỏng nhất mà bài tổng quan đề cập, chỉ với 3 nghiên cứu, so với 60-80% sinh viên máy tính báo cáo dùng AI sinh tạo trong bài tập, thường không có sự cho phép rõ ràng của giảng viên, và 70% của một mẫu giảng viên toàn quốc yêu cầu rõ ràng việc tập huấn về thiết kế đánh giá chống AI (Generative AI in computing education: A systematic review and a framework for responsible integration).

Thực đơn, đại khái theo thứ tự mỗi lựa chọn chịu được một lớp đông đến đâu.

Không có hỗ trợ, tại lớp, đóng sách: thi có giám sát, bài kiểm tra ngắn, viết có giới hạn thời gian. Hãy cho những thứ này trọng số lớn hơn trước đây, vì bài tập về nhà là sản phẩm mà AI làm phình lên. Thi vấn đáp và buổi bảo vệ bài làm hiệu quả vì cùng lý do, vì đối thoại theo thời gian thực rất khó thuê ngoài (Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future).

Sản phẩm quá trình: bản nháp, dấu vết lập luận, ghi chú có chú thích kiểu “cho thấy cách bạn nghĩ”, nhật ký sửa đổi, để quá trình hiển thị thay vì chỉ có sản phẩm (From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich). Các nhiệm vụ chân thực song hành với chúng: tình huống địa phương, tài liệu thực tập, dữ liệu của chính sinh viên, bất cứ thứ gì khó giao cho người khác (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It).

Việc tạo biến thể nhiệm vụ theo từng sinh viên, trong đó mỗi sinh viên nhận một phiên bản khác nhau về bề mặt nhưng tương đương về cấu trúc, khiến việc sao chép trở nên vô dụng về mặt cấu trúc. Hãy coi sự bảo đảm đó là có điều kiện theo năng lực: VARIA phát hiện các mô hình sinh biên tiên tiến chỉ đạt 0.81-0.88 trên một điểm số liêm chính kết hợp, trong khi các mô hình không ở biên sụp xuống 0.50-0.55. Nếu các biến thể của bạn không tương đương, bạn đã mua sự bảo vệ chống chia sẻ bài kèm theo sự bất công giữa các sinh viên.

Thu hẹp khoảng cách giữa luyện tập và kỳ thi

Đây là phần giảng viên hay bỏ qua, và cũng là nơi bằng chứng nhân quả mạnh nhất.

Trong một thử nghiệm ngẫu nhiên có kiểm soát thực địa, một gia sư kiểu ChatGPT không có rào chắn làm tăng kết quả luyện tập có hỗ trợ thêm 48% và làm giảm điểm thi không có hỗ trợ 17%. Một phiên bản có rào chắn, gợi ý thay vì trả lời và được nạp thông tin về bài toán do giáo viên soạn, đã xoá bỏ hoàn toàn tác hại (Generative AI without guardrails can harm learning: Evidence from high school mathematics). Ở quy mô lớn hơn, một nghiên cứu trên 26,811 học sinh phát hiện việc thuê ngoài bài tập về nhà làm tăng điểm bài tập về nhà 18% trong khi làm giảm điểm kỳ thi đóng sách 20% trong vòng sáu tháng (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).

Hãy để ý hình dạng của cả hai kết quả. Phần tăng và phần mất rơi vào những thước đo khác nhau, và chỉ một trong số đó là thứ bạn chứng nhận. Một thử nghiệm ngẫu nhiên đơn lẻ không thể cho bạn độ lớn của hiệu ứng trong khóa học của bạn. Nó cho bạn hướng, và cả hai nghiên cứu đều chỉ cùng một hướng.

Nếu bạn định cho sinh viên dùng một gia sư, hãy cấu hình nó trước học kỳ thay vì sau lời phàn nàn đầu tiên:

1. Đặt nó ở chế độ đưa ra những gợi ý tăng dần theo kiểu Socratic thay vì bước trả lời tiếp theo.

2. Nạp vào nó các lời giải đúng và những hiểu lầm phổ biến để nó nhắm vào lỗi thay vì nhắc lại nội dung.

3. Yêu cầu sinh viên thử trước khi bất kỳ đầu ra nào xuất hiện.

4. Áp dụng quy tắc bẫy của sự dễ dãi: nếu để AI vào khiến nhiệm vụ có cảm giác không cần nỗ lực, thì nó đang ở sai chỗ.

Quy tắc cuối đó cũng là nơi giàn giáo và rào chắn phát huy giá trị, và là nơi một sinh viên mô phỏng hữu ích để thử prompt của chính bạn trước khi sinh viên thật gặp nó.

Yêu cầu sinh viên cho thấy họ làm được gì

Bạn sẽ không bao giờ xác lập được một tệp được tạo ra thế nào. Bạn có thể xác lập, với giá rẻ, liệu sinh viên có làm được điều mà tệp đó có vẻ đang thể hiện hay không.

“Phản hồi tốt nhất trước việc sinh viên dùng AI không phải là phát hiện, mà là đối thoại” mô tả các cơ chế: một lời giải thích hai phút trực tiếp hoặc được ghi âm về một bài đã nộp, một bài kiểm tra ngắn tiếp theo về cùng nội dung làm mà không dùng công cụ, một yêu cầu sửa lại một mẫu trong bài của chính họ và giải thích những thay đổi. Nguồn này là một ghi chép của người thực hành, nên hãy coi nó là một thực hành hứa hẹn chứ không phải bằng chứng về hiệu ứng.

Việc kiểm chứng cũng quyết định liệu quy trình xử lý vi phạm của bạn có đứng vững trước một kháng nghị hay không. Munoz và các cộng sự (2026) phân tích các hồ sơ cáo buộc vi phạm liên quan đến AI sinh tạo có thật và phát hiện rằng công lý tự nhiên đòi hỏi sinh viên phải được cho biết cáo buộc và được trao cơ hội phản hồi trước mọi kết luận, thường là trong một cuộc họp điều tra hoặc một buổi phỏng vấn trước hội đồng, và bất cứ điều gì họ nói đều được đưa vào hồ sơ chứng cứ. Các phạm trù bằng chứng của họ giải thích vì sao điều này phải được xây vào khóa học: dấu vết hành vi do hệ thống ghi lại chỉ tồn tại trong đánh giá có giám sát, còn bằng chứng quá trình yếu hơn như bản nháp, các buổi họp giám sát và bài thuyết trình chỉ tồn tại ở nơi những thứ đó vốn đã là thông lệ. Một thói quen kiểm chứng sẽ trở thành bằng chứng bạn có thể dựa vào về sau.

Câu chữ của quy tắc cũng phải chính xác. Wright (2026) cho thấy những lệnh cấm coi chuyển giọng nói thành văn bản và soạn thảo bằng AI sinh tạo là cùng một “việc dùng AI” là quá rộng và có nguy cơ kỷ luật những sinh viên không làm điều bị cấm. Đó là vấn đề công bằng trước khi là vấn đề pháp lý, và Legal Issues and Risks đề cập phần còn lại.

Giữ sinh viên trong vòng lặp khi họ làm bài

Cấm công cụ và cho phép công cụ mà không có cấu trúc tạo ra cùng một kết cục, đó là sinh viên đứng bên ngoài công việc nhận thức.

Bản tổng hợp Giảm việc lạm dụng AI nêu tám nguyên tắc thiết kế cho phiên bản được cho phép, trong đó có: giữ lại ma sát nhận thức, định vị AI như một người bạn tư duy tạm thời chứ không phải một thẩm quyền, gắn các điểm kiểm tra đánh giá vào, và yêu cầu nhật ký siêu nhận thức cùng nhật ký prompt.

Chuỗi mang những nguyên tắc đó đủ ngắn để in lên một phiếu bài tập:

1. Nghĩ trước. Sinh viên động não, lập dàn ý hoặc viết nháp độc lập trước khi mở bất cứ thứ gì.

2. AI sau. Họ dùng nó để phê phán, mở rộng hoặc tạo ra các phương án thay thế dựa trên suy nghĩ họ đã có.

3. Suy ngẫm sau cùng. Họ ghi lại mình đã dùng nó để làm gì, những gì họ chấp nhận và từ chối, và vì sao. Một prompt kèm nhật ký sửa đổi là đủ.

Làm cho việc khai báo cụ thể và rẻ để điền

Hãy thay ô đánh dấu chung chung “tôi đã dùng AI” bằng một khuôn khổ khai báo đặc thù theo ngành, ánh xạ việc sử dụng vào các giai đoạn nhận thức, ví dụ lập kế hoạch cấu trúc so với tạo nội dung (Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education). Một trang bìa hỏi những giai đoạn nào, công cụ nào, những prompt nào, và đầu ra được đánh giá ra sao làm được nhiều việc hơn một câu trả lời có hoặc không.

Hai điều kiện khiến nó trung thực. Việc khai báo phải an toàn, vì những chính sách mang tính trừng phạt hoặc mơ hồ chủ động đẩy sinh viên về phía che giấu (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher), và sinh viên cân nhắc rủi ro khi nói với bạn so với rủi ro khi không nói ("Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education).

Phép tính cũng phải nghiêng về phía nói ra. Mohamed và Temimi mô hình hoá việc này như một bài toán thông tin không hoàn hảo chứ không phải một bài toán đạo đức. Việc khai báo chỉ hấp dẫn chừng nào chi phí của sự trung thực còn thấp, và vì dương tính giả của một công cụ phát hiện cũng rơi vào sinh viên trung thực, giám sát mạnh hơn có thể làm cho việc che giấu trở nên hấp dẫn hơn một cách tương đối mỗi khi độ nhạy tăng thêm tạo ra nhiều dương tính giả mới hơn là dương tính thật mới. Hãy đọc một lần sử dụng đã khai báo như bối cảnh chứ không phải lời thú tội, và thiết kế cho sinh viên dễ bị cám dỗ che giấu nhất.

Dạy chính năng lực mà bạn đang chấm

Bản tổng hợp Giảm việc lạm dụng AI xếp việc dạy năng lực AI và kỹ năng viết prompt vào Bậc 2, dưới thay đổi cấu trúc.

Ví dụ đã được đo là một mô-đun K-12 dùng việc luyện prompt theo tình huống với một Large Language Models (LLMs) tự chấm điểm. Nó cải thiện kỹ năng viết prompt thực tế và nâng mức tự tin khi dùng AI để học thêm 10.4%, với 87% báo cáo rằng họ đã học được cách dùng AI có trách nhiệm (Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module).

Điều sinh viên thực sự tin thì ít hoài nghi hơn cơn hoảng loạn gợi ra. Trong 504 sinh viên xã hội học, 65% đã dùng AI sinh tạo cho bài tập, nhưng chỉ 3% để tạo văn bản cho bài tập và 2% để tạo ra một bản nháp đầy đủ. 81% đã nhận được một số hướng dẫn về AI và chỉ 46% thấy nó rất rõ ràng (Student Use of and Views on GenAI for Writing). Sự mơ hồ, chứ không phải sự chống đối, là vấn đề thực tế, và đó là lý do một quy tắc rõ ràng cộng với một chuỗi được dạy thay đổi hành vi nhiều hơn một lời cảnh báo. Mulisa và Mezgebu (2026) mô tả sinh viên đang hỏi liệu AI sinh tạo là một công cụ tạo điều kiện cho gian lận hay một người bạn đồng hành hỗ trợ việc học, và chính câu hỏi đó là thứ mà kỳ vọng của bạn nên trả lời.

Tác hại đáng được dạy một cách rõ ràng là khoảng cách giữa kết quả biểu hiện và việc học: kết quả biểu hiện tăng ngay bây giờ, việc học giảm về sau, và sinh viên chỉ trải nghiệm phần đầu. Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking và It's OK Because...": The Wild West of Student Rationalization of AI Use in Academic Writing đề cập phía chuẩn mực bạn học và sự biện minh, trong đó có lập luận “ai cũng làm thế” mà một chuẩn mực rõ ràng làm xẹp đi. Về nền tảng này vững đến đâu, xem Bằng chứng về các biện pháp can thiệp năng lực AI trong giáo dục đại học là gì? và 10 phát hiện hàng đầu từ nghiên cứu AI trong giáo dục mà giảng viên nên biết là gì?.

Giảng viên hiểu sai gì về điều này

Một công cụ phát hiện là bảo hiểm. Hãy đếm xem phí bảo hiểm chi trả những gì: ở mức mà Vanderbilt không kiểm chứng được, 1% của 75,000 bài nộp hằng năm là 750 sinh viên bị gán nhãn sai, và nghiên cứu trên 642 tóm tắt cho thấy các cờ tập trung vào những chỉnh sửa được phép.

Một lệnh cấm giải quyết được câu hỏi. Một lệnh cấm viết bằng ngôn ngữ “việc dùng AI” bắt luôn cả việc chuyển giọng nói thành văn bản cùng với việc soạn thảo, nghĩa là bạn có thể kỷ luật một sinh viên vì đã đọc chính câu của mình (Wright, 2026). Nó cũng không cho bạn biết gì về việc sinh viên đó làm được gì.

Gian lận là vấn đề động cơ, nên hình phạt là công cụ. Động cơ là có thật, và nó không phải đòn bẩy có bằng chứng tốt nhất. Thiết kế lại được xếp Bậc 1 vì nó không đòi hỏi sinh viên phải chọn đúng, và mô hình vùng phản ứng nói rằng hãy thiết kế cho sinh viên dễ bị cám dỗ che giấu nhất.

Nếu tôi cho phép dùng AI, việc lạm dụng không còn là vấn đề của tôi. Cho phép mà không có rào chắn tạo ra mức tăng 48% ở phần luyện tập và mức giảm 17% ở bài thi trong cùng một nghiên cứu. Đặt rào chắn trở lại thì tác hại biến mất.

Sinh viên vốn đã biết ranh giới ở đâu. 81% đã có hướng dẫn và chưa đến một nửa thấy nó rõ ràng. Các con số 3% và 2% nói rằng phần lớn họ không tạo ra cả bài tập; con số 46% nói rằng họ đang đoán về phần còn lại.

Một ô đánh dấu là một bản khai báo. Một ô đánh dấu ghi lại rằng sinh viên đã bấm vào đó. Một bản khai báo theo từng bước cho bạn biết họ đã làm gì ở mỗi bước, và đó là phiên bản duy nhất giúp được bạn hoặc họ.

Những gì sẽ quay lại với bạn

“Tôi không có thời gian thiết kế lại cả khóa học trong học kỳ này.” Đừng thiết kế lại khóa học. Hãy thiết kế lại một bài tập: một bước không có hỗ trợ, một dòng rubric có điểm. Đó là thay đổi trong hai giờ, và đó chính là thay đổi mà bài tổng quan 72 nghiên cứu chỉ ra.

“Bảo vệ bằng miệng là bất khả thi với 300 sinh viên.” Vậy đừng chạy 300 buổi. Hãy cho phần đóng sách trọng số, yêu cầu sản phẩm quá trình, và kiểm tra miệng theo mẫu trên những bài nộp có vẻ không khớp với bài làm trước đó. Ba trăm sinh viên không cần 300 cuộc trò chuyện để thay đổi phép tính.

“Tôi cần thứ gì đó để trình văn phòng liêm chính.” Bằng chứng quá trình mạnh hơn một điểm số của công cụ phát hiện, vì Munoz và các cộng sự phát hiện rằng cơ hội phản hồi và hồ sơ của chính khóa học là những thứ mà hồ sơ vụ việc dựa vào. Một tỷ lệ phần trăm bị gắn cờ là một cáo buộc. Một lời giải thích được ghi lại là một bản ghi.

“Bắt buộc khai báo chỉ làm khổ người trung thực.” Đúng là như vậy, nếu việc khai báo mời gọi sự nghi ngờ. Hãy giữ chi phí của sự trung thực gần bằng không: không trừ điểm cho một lần sử dụng đã khai báo, và đọc bản khai báo như bối cảnh. Mô hình dự báo việc che giấu đúng vào lúc sự trung thực trở nên đắt.

“Dù sao sinh viên cũng sẽ dùng AI.” Họ sẽ dùng, và câu hỏi hữu ích là bài tập của bạn làm cho phản ứng nào trở nên dễ nhất. Trong một lớp mà 65% báo cáo có dùng và 2% báo cáo tạo ra cả bản nháp, phần lớn lưu lượng là sự hỗ trợ mà bạn có thể đang dạy, chứ không phải gian lận mà bạn cần bắt.

“Siết chặt quy tắc sẽ bắt nhầm sinh viên không làm gì sai.” Đó là kiểu thất bại đã được ghi nhận, không phải giả thuyết. Sự chính xác là biện pháp bảo vệ: nêu tên hành vi bị cấm, không nêu tên công cụ.

Việc cần làm trong tuần này

1. Viết lại điều khoản AI trong bài tập gây tranh cãi nhất của bạn để nó nêu tên những bước cụ thể và những hành vi cụ thể, và bỏ câu chữ bao trùm.

2. Thêm một bước không có hỗ trợ vào bài tập đó và cho nó đủ trọng số để có ý nghĩa.

3. Đưa một sản phẩm quá trình vào rubric kèm điểm, và mô tả thế nào là tốt một cách chính xác như bạn mô tả sản phẩm.

4. Nếu bạn cho phép dùng một gia sư, hãy kiểm tra cấu hình của nó trong tuần này theo bốn thiết lập ở trên.

5. Nói với sinh viên, bằng văn bản, rằng một lần sử dụng đã khai báo sẽ không bị trừ điểm, và hãy làm đúng như vậy.

Đi tiếp từ đây

Làm sao thiết kế lại đánh giá để điểm số vẫn cho tôi biết điều gì đó bảo vệ được về những gì sinh viên biết hoặc có thể làm? là phần bạn đồng hành về thiết kế đánh giá, và là nơi nên bắt đầu nếu câu hỏi của bạn là điểm số đang là bằng chứng cho điều gì. Chúng ta có nên dùng công cụ phát hiện AI? xử lý trực tiếp quyết định về công cụ phát hiện, Làm thế nào để tôi viết chính sách AI cho khóa học và truyền đạt nó tới sinh viên? đề cập câu chữ mà sinh viên thực sự đọc, và A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform cung cấp sơ đồ nhãn. Về phía giảng dạy, Bằng chứng về các biện pháp can thiệp năng lực AI trong giáo dục đại học là gì? và AI Misuse and Learning Harm đề cập công việc dạy năng lực đáng giá bao nhiêu và vì sao tác hại xảy ra.