Chúng ta có nên dùng công cụ phát hiện AI?

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

Một điểm số của công cụ phát hiện quay về với cờ đánh dấu trên một bài nộp mà bạn đã đọc hai lần, hoặc một đồng nghiệp muốn bật công cụ trước hạn nộp bài luận tiếp theo, hoặc một hội đồng liêm chính yêu cầu bạn bảo vệ một kết luận dựa trên một con số phần trăm. Sẽ có người trong phòng nói rằng điểm số chỉ là một mảnh bằng chứng. Điều bạn đang quyết định thì hẹp hơn lập luận theo sau nó: liệu con số này có thể mang trọng lượng trong một quy trình xử lý hành vi sai trái hay không, và bạn sẽ đặt gì vào chỗ của nó nếu câu trả lời là không.

Câu trả lời ngắn mà bạn có thể lặp lại trong cuộc họp: điểm số của công cụ phát hiện không thể làm nền cho một kết luận, vì nó không thể được kiểm chứng với dữ liệu gốc, không thể bị chất vấn, và không đạt mức cân bằng xác suất. Sai số của nó lặp lại theo khuôn mẫu, và chúng giáng xuống nặng nhất vào những người biên tập trung thực và những sinh viên viết bằng ngôn ngữ thứ hai. Thay vào đó, hãy hỏi liệu sinh viên có thể chứng minh hiểu biết về những gì họ đã nộp hay không, và đầu tư vào năng lực đó.

Tóm tắt

1. Hãy ghi vào chính sách rằng đầu ra của công cụ phát hiện không bao giờ kích hoạt một hệ quả, không bao giờ đứng một mình, và không bao giờ làm nền cho một kết luận. Đặt câu đó vào chính văn bản chính sách, nơi một hội đồng có thể tìm thấy nó sau khi bản ghi nhớ đã biến mất.

2. Thay câu “bạn có dùng AI không?” bằng câu “bạn có thể cho tôi thấy bạn hiểu điều này không?”. Dùng một cuộc trò chuyện ngắn, một bản nháp sớm, hoặc một lời giải thích được ghi lại.

3. Đưa một bước có xác thực hoặc không có công cụ hỗ trợ vào mỗi nhiệm vụ có hệ quả lớn, với quy mô vừa với năng lực chấm bài bạn thực sự có.

4. Yêu cầu nhà cung cấp cung cấp bằng văn bản các tỷ lệ sai số, rồi thử tái lập chúng trên chính bài nộp của bạn. Vanderbilt đã thử cách này và đã tắt công cụ.

5. Chuyển tiền từ giấy phép phát hiện sang năng lực xác minh và hướng dẫn. Đó là nơi khiếu nại của giảng viên được ghi nhận đang chỉ tới.

Quyết định xem bạn có một kết luận hay một câu hỏi

Đây là hai công việc khác nhau và chúng chạy trên hai loại bằng chứng khác nhau. Một kết luận đòi hỏi bằng chứng đạt mức cân bằng xác suất, và điểm số của công cụ phát hiện không tự mình đạt tới đó. Nó không thể được kiểm chứng với dữ liệu gốc, vì trong bài nộp thật không ai biết văn bản được tạo ra thế nào, nên việc kiểm chứng trở thành vòng tròn, và tỷ lệ dương tính giả cùng âm tính giả chỉ có nghĩa bên trong một thử nghiệm có kiểm soát. Công cụ không công bố ngưỡng, không công bố dữ liệu huấn luyện và không cho phép tái lập độc lập, điều đó để một sinh viên bị gắn cờ không có gì để đáp và bạn không có gì để giải thích (Heads We Win, Tails You Lose: AI Detectors in Education, Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Kết hợp điểm số với các tín hiệu khác không sửa được điều này. Các dấu hiệu ngôn ngữ, so sánh phong cách, phán đoán của LLM và sự im lặng của sinh viên vẫn cộng lại ít hơn mức tiêu chuẩn. Sự im lặng là thứ đáng để ý: sinh viên giữ quyền từ chối, và việc từ chối không làm lệch cán cân. Điều bạn có thể hỏi một cách chính đáng là liệu sinh viên có thể chứng minh được việc học mà bài đánh giá tuyên bố đo lường hay không, và một câu trả lời bằng lời đáp lại điều đó theo cách mà một điểm tương đồng sẽ không bao giờ làm được (Heads We Win, Tails You Lose: AI Detectors in Education).

Cách đặt vấn đề nhị phân cũng là câu hỏi sai. Bài làm của sinh viên thường được tạo ra với AI, trên một dải liên tục lai, và các chính sách nói “trong bài đánh giá” hiếm khi định nghĩa bài đánh giá bắt đầu từ lúc nào, điều đó để phán đoán cho người đầu tiên đọc tệp (Heads We Win, Tails You Lose: AI Detectors in Education).

Bên dưới tất cả những điều đó là một vấn đề dữ liệu tham chiếu. Các công cụ phát hiện được huấn luyện và kiểm thử trên văn bản người viết trước kỷ nguyên AI sinh tạo, và chính quá trình kiểm chứng của Turnitin dùng 700,000 bài báo trước năm 2019. Kho ngữ liệu đó được giả định là đại diện cho văn xuôi sinh viên hiện nay, một giả định chưa ai kiểm chứng và thay đổi theo mỗi lần ra mô hình mới (Heads We Win, Tails You Lose: AI Detectors in Education).

Xem các con số về độ chính xác trước khi bạn trích dẫn một con số

Thử nghiệm có kiểm soát mạnh nhất trong cơ sở tri thức đã xem xét 642 bản tóm tắt tiếng Anh đã công bố thuộc bốn lĩnh vực và hai giai đoạn thời gian. Ở ngưỡng 0.50, hai công cụ phát hiện thương mại gắn cờ cho việc biên tập nhẹ bằng AI vẫn tuân thủ hướng dẫn ở mức 38-80%, gắn cờ cho các bản gốc 2023-25 chưa chỉnh sửa ở mức 9-15% (nhóm ngoài STEM cao hơn hẳn nhóm STEM, p<0.001), và, sau khi văn bản đã qua một dịch vụ ngụy trang văn bản, chỉ bắt được dưới 4% các bản viết lại có nhãn AI, tức tỷ lệ âm tính giả trên 96%. Các tác giả gọi đây là một tình thế tiến thoái lưỡng nan kiểu catch-22 về liêm chính: những sinh viên khai báo và biên tập nhẹ là những người công cụ bắt được, còn những sinh viên chủ tâm lách nó thì không. Khuyến nghị của họ rất rõ ràng, rằng điểm số của công cụ phát hiện không bao giờ nên được dùng làm bằng chứng hành vi sai trái độc lập (Why AI Detection Fails for Academic Integrity).

Một bộ đánh giá chuẩn độc lập đi tới cùng kết luận từ một hướng khác. Không công cụ nào trong 14 công cụ đạt độ chính xác 80%, và việc diễn đạt lại đơn giản, biên tập nhỏ hoặc một dịch vụ ngụy trang văn bản gần như cắt giảm một nửa ngay cả mức đó. Ở các tỷ lệ nền thực tế, dương tính giả nhiều hơn dương tính thật (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Tỷ lệ bắt được đối với việc tạo ra toàn bộ văn bản còn tệ hơn các tỷ lệ sai số được nêu trong tiêu đề. Trong một nghiên cứu thực địa bí mật, các nhà nghiên cứu đưa những bài nộp hoàn toàn do AI tạo vào một hệ thống kỳ thi trực tuyến đang vận hành, trên năm học phần tâm lý học: 94% không bị phát hiện, và bài làm của AI trung bình đạt điểm cao hơn sinh viên thật. Gian lận thuê viết đã từ lâu cho thấy cùng một vấn đề cấu trúc, vì nó không để lại dấu vết nào đáng tin để tìm (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Độ chính xác cũng thay đổi theo nhiệm vụ. Khi các nhà nghiên cứu kiểm tra liệu AI sinh tạo có thể phát hiện đầu ra của chính nó không, kết quả đáng tin với lập trình và văn bản suy ngẫm dài, và kém với câu trả lời ngắn, nơi mô hình thường đánh giá văn bản của chính nó là giống người hơn bài làm thật của sinh viên. Những biến thể prompt nhỏ làm giảm mạnh độ chính xác (Distinguishing Artificial from Authentic: Evaluating LLMs for Detecting LLM-Generated Content). Một ngưỡng đúng cho nhiệm vụ này sẽ hỏng ở nhiệm vụ khác, và bạn sẽ không biết là ngưỡng nào cho tới lúc bị kháng nghị.

Rồi còn có chuyện hết hạn. Một nghiên cứu năm 2026 định hình lại việc phát hiện như một bài toán thích ứng: một tấn công viết lại hộp đen kéo công cụ thương mại Pangram xuống độ chính xác cân bằng 63.5% và recall AI 27.0%, và một công cụ phát hiện được huấn luyện trên Llama 3.3 70B Instruct chỉ đạt recall 55% trên các bản tóm tắt từ một mô hình mới hơn. Thích ứng tại thời điểm kiểm thử khôi phục lên 94.4% độ chính xác cân bằng và 99% recall trên chính văn bản đó, và đó là nửa đáng khích lệ. Cùng bài báo cho thấy cái giá của cách sửa: khi mức độ sử dụng LLM mô phỏng lan rộng, recall của một công cụ phát hiện có giám sát cố định trên văn bản người suy giảm từ 85.9% xuống 73.4% trong suốt thập kỷ. Điều kiện hết hạn của nó được nêu thẳng: độ chính xác cân bằng không thể vượt quá một nửa của một cộng khoảng cách biến thiên toàn phần giữa phân bố văn bản người và văn bản AI, nên sự hội tụ của hai phân bố đó sẽ đánh bại mọi công cụ phát hiện dựa trên học máy. Một điểm số đã được kiểm chứng chỉ đúng cho tới khi các mô hình thay đổi, và chúng thay đổi vài tháng một lần (Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift).

Và cỗ máy chưa bao giờ vượt qua rõ ràng một người đọc cẩn thận. Leaton Gray, Edsall và Parapadakis (2025) báo cáo việc máy phát hiện văn bản AI hoặc văn bản bị diễn đạt lại ở khoảng 80%, so với 78.4% ở người đánh giá, và dẫn bằng chứng rằng văn bản do AI tạo đã được chấp nhận như do người viết trong tới 80% trường hợp. Khoảng cách đó biến mất vào dải sai số mà con người vốn đã mang theo, một dải quá hẹp để làm nền cho một kết luận (AI-based digital cheating at university, and the case for new ethical pedagogies).

Xác định sai số rơi vào bài làm của ai

Những đặc điểm mà công cụ phát hiện đọc như tín hiệu của AI, nghĩa là mật độ token dài, tần suất từ ngữ học thuật và phong cách đều đặn, cũng là đặc điểm của một bài viết ngôn ngữ thứ hai thành thạo. Vì vậy việc phân loại sai đi theo nền tảng ngôn ngữ chứ không theo hành vi, điều đó khiến đây trước hết là một câu hỏi về công bằng rồi mới là một câu hỏi kỹ thuật (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI).

Sự lệch đó cũng xuất hiện ngoài tiếng Anh. Một bộ đánh giá chuẩn trên 3,811 đoạn văn có thể chứng minh tác giả là người viết trước ChatGPT phát hiện năm công cụ phát hiện công khai được huấn luyện bằng tiếng Anh, chạy đúng như khi phát hành, gắn cờ 81.4% các đoạn văn tiếng Kazakh do người viết (TMR RoBERTa) và 79.6% các bài luận sinh viên Kazakh đã công bố (Desklib DeBERTa), với 25.5% cho Fakespot, và rằng việc hiệu chỉnh lại chúng về tỷ lệ dương tính giả 1% thì đổi lại chỉ bắt được tối đa 1.3% văn bản do máy tạo. Lưu ý của chính nghiên cứu đó quan trọng khi bạn trích dẫn nó: các đoạn văn của người là văn bản công khai trước ChatGPT đúng như khi tìm thấy chứ không phải bài luận sinh viên, nên các tỷ lệ giáo dục của nó là những con số kém chắc chắn nhất mà nó báo cáo (Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh).

Lĩnh vực thêm một trục nữa. Các bản tóm tắt ngoài STEM bị gắn cờ cao hơn hẳn các bản tóm tắt STEM trong nghiên cứu 642 bản tóm tắt, điều đó phản ánh quy ước viết của những lĩnh vực đó chứ không phải hành vi của tác giả (Why AI Detection Fails for Academic Integrity). Hai công cụ thương mại được dùng rộng rãi đạt độ chính xác 0.69 và 0.61 trong một so sánh, và cả hai đều thất bại trên văn bản lai người và AI (Evaluating the accuracy and reliability of AI content detectors in academic contexts, Who wrote this? Evaluating the reliability of AI detection tools in higher education). Một công cụ phát hiện là một bài kiểm tra phong cách, và phong cách mà nó trừng phạt bám theo nền tảng ngôn ngữ, lĩnh vực và cách đăng ký lời nói. Không điều nào trong số đó là sự thật về việc sinh viên có dùng AI hay không, và mọi điều trong số đó là sự thật về chính sinh viên. Khuôn mẫu rộng hơn được ghi lại trong Tác động khác nhau giữa các nhóm người học.

Một phần cái giá xuất hiện trước cả phiên điều trần. Vì các quy trình chính thức đòi hỏi bằng chứng ở mức phát hiện mà trên thực tế không có, giảng viên rơi vào tình trạng mà một tường thuật của người hành nghề gọi là “nghi ngờ không có lối giải”, trong khi sinh viên tự biện lý cho việc dùng AI của mình và hồ sơ vụ việc bị đình trệ (The Best Response to Student AI Use Is Not Detection, It Is Dialog). Cái giá về niềm tin rơi vào chính mối quan hệ mà quy trình phụ thuộc vào.

Đổi câu hỏi bạn đặt cho sinh viên

Đại học Grand Canyon chuyển từ “Sinh viên này có dùng AI không?” sang “Sinh viên này có thể chứng minh hiểu biết về những gì mình đã nộp không?”, dùng các cuộc trò chuyện ngắn, bản nháp sớm và lời giải thích được ghi lại, triển khai toàn trường vào mùa thu 2025. Lập luận ủng hộ cách này là thực tiễn: giảng viên vốn đã đủ năng lực để đánh giá sự hiểu biết, và sự chuyển dịch này trả lại quyền hạn cho họ thay vì để họ chờ một bằng chứng sẽ không bao giờ tới (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

Điều này cũng thay đổi việc sinh viên có thể làm gì với lời buộc tội. Được cho thấy mối lo và được yêu cầu giải thích, sinh viên có thể giải quyết nó. Được cho thấy một con số phần trăm, họ chỉ có thể phủ nhận nó.

Điều hành cuộc trò chuyện để nó đứng vững khi bị xem xét

Hãy coi một cuộc trò chuyện xác minh là một bước trong quy trình, có thông báo và có biên bản, và nó sẽ đứng vững khi ai đó đọc hồ sơ một học kỳ sau.

Bắt đầu bằng thông báo. Nói cho sinh viên biết điều gì đã tạo ra mối lo, bằng ngôn ngữ đơn giản, và nói cuộc trò chuyện này để làm gì. Nếu mối lo đến từ một điểm số của công cụ phát hiện, hãy nói điều đó, và nói rằng điểm số đó không phải là một kết luận. Nếu bạn chỉ nói với sinh viên rằng họ bị buộc tội gian lận, cuộc gặp trở thành một cuộc bảo vệ nhân cách chứ không phải một bản tường trình về bài làm.

Sau đó hỏi về chính bài làm. Bạn đang muốn nói điều gì trong phần này. Bằng chứng này đến từ đâu. Vì sao bạn sắp xếp nó theo cách này. Bạn đã bỏ đi những gì. Một sinh viên đã viết bài đó có thể trả lời những câu này ở mức độ các quyết định. Sinh viên không viết bài đó sẽ trả lời ở mức độ chủ đề, và sự khác biệt hiện ra nhanh chóng mà không ai cần chứng minh ý định.

Giữ nguyên quyền im lặng. Từ chối trả lời không có nghĩa là nhượng bộ điều gì, và một thủ tục coi việc từ chối là lời thú nhận sẽ không đứng vững khi bị kháng nghị. Ghi lại điều gì đã được hỏi, điều gì đã được trả lời, và điều gì đã bị từ chối.

Kết thúc bằng một quyết định mà bạn có thể nêu ra mà không cần điểm số. Hoặc sinh viên đã chứng minh được sự hiểu biết mà bài đánh giá đo lường, hoặc có một mối lo riêng, có thực chất về bài làm mà bạn có thể mô tả bằng lời của mình. Nếu cả hai đều không đúng, hồ sơ kết thúc ở đó. Kết cục đó là bình thường và nên được ghi lại như vậy, vì một quy trình chỉ luôn ghi nhận tội lỗi sẽ dạy cho hội đồng sau rằng nghi ngờ cũng giống như một kết luận.

Đặt vào bài tập một bước mà công cụ không thể len vào

Các bài đánh giá bằng lời không đồng bộ, được xây dựng như những prompt đúng lúc với câu trả lời ghi âm ngắn, có giới hạn thời gian, được chấm theo rubric nhúng sẵn, cho kết quả tương đương với thi trắc nghiệm trực tiếp trong một nghiên cứu và tốt hơn rõ rệt trong một nghiên cứu khác, với sinh viên báo cáo việc chuẩn bị tích cực hơn và cảm nhận mức liên quan nghề nghiệp cao hơn. Với một nhà quản lý, tính chất quan trọng là nó mở rộng quy mô mà không cần giám sát thi (Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era).

Thiết kế lại nhiệm vụ làm được nhiều việc hơn là gia cố khâu kiểm tra. Một nghiên cứu tình huống trên sinh viên kinh tế bậc đại học phát hiện chỉ khoảng một phần ba báo cáo có dùng AI, với việc khai báo còn hiếm hơn nữa, và đọc việc không khai báo như sự thận trọng hợp lý dưới một chính sách mơ hồ chứ không phải sự không trung thực. Chính những sinh viên đó ủng hộ các nhiệm vụ thực tế, dựa trên dữ liệu như là cách sửa (Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It). Kỳ vọng, khai báo và soi xét việc dùng AI tốt hơn là kiểm soát nó, vì tính xác thực phải được thiết kế chứ không thể bị áp đặt (Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World).

Hai quyết định theo sau. Quy mô đến trước. Một khâu kiểm tra bằng lời ngắn cho mỗi bài nộp lớn là khả thi trong một seminar. Trong một lớp ba trăm người, bản nháp theo giai đoạn và kiểm tra lấy mẫu trên những bài bất thường là thứ còn trụ được tới tuần thứ mười. Hãy chọn phiên bản mà bạn vẫn chạy được vào tuần cuối học kỳ với số giờ chấm bài bạn có, vì một bước xác thực sụp đổ dưới tải trọng sẽ để bạn quay lại với đúng bài nộp đó.

Điểm số đến sau. Nếu một bản giải trình, một lịch sử bản nháp hay một bài suy ngẫm về một gợi ý AI bị từ chối không được điểm nào, nó sẽ được làm trong năm phút và không ai đọc, và sinh viên sẽ tối ưu cho phần được chấm điểm. Hãy cho nó đủ trọng số để bỏ qua bước đó tốn kém hơn là làm nó.

Làm cho việc khai báo thành lựa chọn rẻ nhất

Các chính sách mơ hồ hoặc mang tính trừng phạt đẩy tới chỗ che giấu. Những khuôn khổ khai báo cụ thể gắn với các giai đoạn nhận thức, đi kèm một bảo đảm rằng khai báo trung thực không bị phạt, thu được nhiều thông tin từ sinh viên hơn là giám sát (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher, "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education). Câu hỏi thiết kế là: các quy tắc của bạn làm cho phản hồi nào dễ nhất với sinh viên đang muốn giấu, và một quy tắc coi việc khai báo là lời thú tội đã trả lời câu đó một cách tồi.

Cách hành văn làm phần lớn công việc ở đây. Một bản khai báo yêu cầu sinh viên đánh dấu một ô rồi nằm không được đọc trong hệ thống nộp bài sẽ dạy họ rằng khai báo chỉ là hình thức, và khóa sau học điều đó nhanh hơn. Một bản khai báo gắn với một giai đoạn của bài làm, hỏi công cụ được dùng để làm gì ở giai đoạn đó và sinh viên đã làm gì với đầu ra, cho bạn một thứ bạn thực sự đọc được, và cho sinh viên một lý do để chính xác.

Viết những điều khoản giữ bạn khỏi phiên điều trần

Rủi ro hiếm khi bắt đầu bằng kiện tụng. Nó xuất hiện trước hết như một kháng nghị nội bộ hoặc một khiếu nại lên cơ quan quản lý, và điều đầu tiên bị kiểm tra là thủ tục. Công lý tự nhiên đòi hỏi sinh viên được cho biết lời buộc tội và được tạo cơ hội phản hồi trước mọi quyết định, và cơ hội đó thường là một cuộc gặp điều tra hoặc một phiên phỏng vấn hội đồng mà biên bản của nó trở thành bằng chứng. Những kết luận đạt được mà thiếu bước đó thì dễ bị tấn công, ngay cả khi mối nghi ngờ bên dưới là hợp lý (How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis).

Tiêu chuẩn bằng chứng đến thứ hai. Kết luận về hành vi sai trái cần bằng chứng đạt mức cân bằng xác suất, và nếu vụ việc của bạn không thể được trình bày mà thiếu điểm số của công cụ phát hiện, thì vụ việc đó yếu ngay từ bề mặt (Heads We Win, Tails You Lose: AI Detectors in Education). Khi vụ việc chỉ dựa vào phong cách, một lối xác minh bằng lời phải nằm trong thủ tục, chứ không nằm trong thiện chí của chủ tịch hội đồng.

Phạm vi là thứ ba. Những lệnh cấm AI toàn diện không tách được việc chép lời và OCR khỏi việc soạn thảo bằng AI sinh tạo có thể loại bỏ một công cụ hỗ trợ mà sinh viên có tình trạng ảnh hưởng tới kiểm soát vận động, độ rõ của chữ viết tay hoặc độ chính xác khi gõ phím phụ thuộc vào, trong đó một số công cụ đã bị ngừng cung cấp và việc chép lời bằng AI đang lấp vào khoảng trống. Đó là rủi ro pháp lý đồng thời là sự thiếu chính xác (Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment). Hãy nêu tên các công cụ hỗ trợ và công cụ chép lời trong văn bản chính sách.

Mua sắm là thứ tư. Các công cụ phát hiện lưu bài làm của sinh viên trên máy chủ của bên thứ ba, đôi khi ở nước ngoài với mức bảo vệ quyền riêng tư yếu hơn, điều đó đưa rủi ro rò rỉ dữ liệu, thời hạn lưu giữ và việc sử dụng thương mại tiếp theo vào sổ rủi ro của tổ chức bạn thay vì trang quảng cáo của nhà cung cấp. Các điều khoản nên bao gồm thời hạn lưu giữ, việc dùng cho huấn luyện mô hình, vị trí lưu trữ, thông báo khi có rò rỉ dữ liệu và quyền kháng nghị (Heads We Win, Tails You Lose: AI Detectors in Education). Phần trình bày của cơ sở tri thức về rủi ro pháp lý nằm ở Các vấn đề và rủi ro pháp lý, và nó trung thực về giới hạn của mình: nó ghi lại thủ tục, các loại bằng chứng và độ tin cậy của công cụ, chứ không ghi lại các phán quyết đã xét xử.

Điều làm giảm rủi ro là yếu tố thủ tục. Không bao giờ coi đầu ra là bằng chứng độc lập hay yếu tố kích hoạt tự động. Ghi lại tiêu chuẩn mà quy trình của bạn áp dụng. Cho thông báo và một cơ hội thực sự để phản hồi có ghi biên bản. Đề nghị xác minh khi vụ việc chỉ dựa vào phong cách. Giữ lại dấu vết kiểm toán cho thấy tất cả những điều đó đã diễn ra.

Thử cách hành văn với bốn trường hợp

Ngôn ngữ chính sách hỏng ở những trường hợp không ai hình dung khi nó được viết. Hãy chạy bốn trường hợp này qua bản nháp của bạn trước khi nó được đưa ra hội đồng, và ghi lại chỗ văn bản không có câu trả lời.

Một sinh viên đã đưa bản nháp qua công cụ dịch. Chính sách cần nói rõ việc dịch có tính là dùng AI hay không, và liệu nó có tính giống nhau với một sinh viên viết bằng ngôn ngữ thứ hai và một người viết bằng ngôn ngữ thứ nhất hay không. Nếu chính sách im lặng, hội đồng sẽ tùy nghi, và sự tùy nghi là nơi lập luận về công bằng bắt đầu.

Một người dùng AI để lập dàn ý và tự viết từng đoạn. Dưới một quy tắc hỏi liệu AI có chạm vào bài làm hay không, sinh viên này nằm cùng loại với người tạo ra toàn bộ bài nộp. Dưới một quy tắc gắn với các bước, họ không nằm cùng loại, và bạn có thể nói vì sao. Sự khác biệt đó chính là cách hiểu khái niệm, và chính sách phải gọi tên nó.

Một người tạo ra văn bản và không giải thích được nó. Đây là trường hợp mà quy trình của bạn được xây dựng để xử lý, và là trường hợp được giải quyết mà không cần điểm số của công cụ phát hiện.

Một sinh viên dùng chép lời vì việc gõ phím không đáng tin. Hãy nêu tên các công cụ hỗ trợ như một loại riêng với lối xử lý riêng, để một điều chỉnh hỗ trợ không trở thành một lời buộc tội.

Nhà quản lý hiểu sai điều gì về công cụ phát hiện

Tỷ lệ dương tính giả mà nhà cung cấp công bố là một con số rủi ro bạn có thể lập ngân sách dựa vào. Vanderbilt đã mua giấy phép cho một công cụ quảng cáo tỷ lệ dương tính giả 1%, rồi thử kiểm chứng con số đó và không làm được. Với 75,000 bài nộp mỗi năm, 1% ngụ ý khoảng 750 sinh viên bị gắn nhãn sai. Trường đại học đã tắt công cụ (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Một tỷ lệ bạn không tái lập được trên chính kho ngữ liệu của mình là một con số tiếp thị, còn những sinh viên bị gắn nhãn sai vẫn là việc của bạn phải xử lý.

Việc phát hiện ngăn được những sinh viên nếu không sẽ gian lận. Tác dụng răn đe chạy qua khả năng phân biệt của công cụ giữa việc dùng kín đáo và bài làm hợp pháp, chứ không qua tỷ lệ bắt được thô của nó. Khi việc tăng độ nhạy tạo ra nhiều dương tính giả mới hơn dương tính thật mới, việc giám sát mạnh hơn làm cho việc che giấu trở nên hấp dẫn hơn một cách tương đối, nên bạn đốt uy tín vào những sinh viên không làm gì sai nhanh hơn là nhận ra người đã làm sai (Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education). Phân tích tổng hợp của Krou và cộng sự, được trích trong cùng bài tổng quan đó, thấy rằng hiệu năng tự thân tương quan âm với gian lận trong khi năng lực thực tế không tương quan nghịch với nó chút nào, nên sinh viên có năng lực vẫn có thể gian lận khi họ cho rằng bài đánh giá là bất công. Phát hiện không phải một công cụ đáng tin cũng không phải một biện pháp răn đe hiển nhiên (AI-based digital cheating at university, and the case for new ethical pedagogies).

Một điểm số cộng vài chỉ báo là thành một vụ việc. Không phải vậy. Tiêu chuẩn là bằng chứng đạt mức cân bằng xác suất, và điểm số kết hợp với các dấu hiệu, so sánh phong cách, phán đoán của LLM hay sự im lặng vẫn chưa đủ. Một phép thử đáng áp dụng là liệu bạn có dám nói lập luận đó thành lời trong một phiên điều trần hay không (Heads We Win, Tails You Lose: AI Detectors in Education).

Một giấy phép công cụ phát hiện tốn ít hơn việc thiết kế lại bài đánh giá. Giấy phép là khoản mục nhỏ nhất, và nó mang theo rủi ro bảo vệ dữ liệu, công việc mua sắm, và một dòng kháng nghị vĩnh viễn dựa trên một công cụ mà sai số của nó có khuôn mẫu theo nền tảng ngôn ngữ. Giảng viên mô tả trải nghiệm đó là “nghi ngờ không có lối giải”, nên khoản ngân sách thay đổi được kết quả là năng lực xác minh và hướng dẫn (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

Một lệnh cấm toàn diện bảo vệ tổ chức. Những quy tắc bao trùm quá rộng có thể tước đi một điều chỉnh hỗ trợ và mời gọi chính lập luận phân biệt đối xử mà bạn đang muốn tránh, vì sai số chúng tạo ra tập trung vào những nhóm nhận diện được chứ không trải đều (Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment, Evaluating the accuracy and reliability of AI content detectors in academic contexts).

Những gì sẽ quay lại với bạn

“Nhà cung cấp của chúng tôi quảng cáo tỷ lệ dương tính giả 1%.” Công cụ mà Vanderbilt mua giấy phép đã tuyên bố đúng như vậy, và tuyên bố đó không sống sót qua nỗ lực kiểm chứng của trường. Các bộ đánh giá chuẩn độc lập không đặt công cụ nào trên 80% độ chính xác (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Hãy yêu cầu nghiên cứu kiểm chứng và kho ngữ liệu mà nó chạy trên, rồi yêu cầu được tự chạy nó.

“Chúng tôi chỉ dùng nó như một mảnh bằng chứng.” Tiêu chuẩn là bằng chứng đạt mức cân bằng xác suất, và một điểm số kết hợp với các dấu hiệu, so sánh phong cách, phán đoán của LLM hay sự im lặng vẫn không thỏa mãn tiêu chuẩn đó (Heads We Win, Tails You Lose: AI Detectors in Education). Nếu hội đồng không chấp nhận lập luận đó khi nói thành lời, thì hồ sơ không nên chứa nó.

“Nếu chúng ta ngừng phát hiện, gian lận sẽ thắng.” Gian lận vốn đã vượt qua được các công cụ này. 94% bài nộp do AI chèn vào đã qua một kỳ thi trực tuyến đang vận hành mà không bị chú ý, việc ngụy trang văn bản đánh bại phát hiện hơn 96% số lần, và gian lận thuê viết vốn đã không để lại dấu vết đáng tin. Điều công cụ phát hiện thực sự bắt được, với độ tin cậy đã đo, là việc biên tập nhẹ trung thực và văn xuôi của người không bản ngữ (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI, Why AI Detection Fails for Academic Integrity).

“Chúng tôi chỉ dùng nó kín đáo, để mở đầu một cuộc trò chuyện.” Đó là cách dùng ít tổn hại nhất, và nó vẫn có giá, vì những sinh viên dễ bị gắn cờ nhất lại là những người ít có khả năng lạm dụng AI nhất. Nghi ngờ sau đó rơi vào sai người trước khi bất kỳ cuộc trò chuyện nào bắt đầu (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI). Câu trả lời của Grand Canyon là ngừng xuất phát từ nghi ngờ ngay từ đầu (The Best Response to Student AI Use Is Not Detection, It Is Dialog).

“Một sinh viên không có gì phải giấu thì không có gì phải sợ.” Nghiên cứu 642 bản tóm tắt phát hiện việc biên tập nhẹ tuân thủ hướng dẫn bị gắn cờ ở mức 38-80% tại ngưỡng 0.50, và bộ đánh giá chuẩn Kazakh phát hiện 81.4% và 79.6% các đoạn văn chứng minh được là do người viết bị các công cụ phát hiện đã phát hành gắn cờ (Why AI Detection Fails for Academic Integrity, Unchecked or Falsely Accused? Evaluating AI-Generated Text Detectors on Kazakh). Một hồ sơ trong sạch không mang lại bảo vệ nào khi tín hiệu là phong cách. Đó cũng là lý do các tác giả Kazakh tự đánh dấu các tỷ lệ giáo dục của mình là con số yếu nhất trong nghiên cứu, và là lý do bạn không nên trích chúng như một tỷ lệ cho bài luận sinh viên.

“Chúng ta có thể chỉ yêu cầu khai báo và coi việc thiếu khai báo là có tội không?” Một khai báo thiếu không phải bằng chứng của việc dùng kín đáo, và coi nó là như vậy làm cho việc che giấu trở nên hợp lý. Những khuôn khổ cụ thể gắn với các giai đoạn nhận thức, với việc khai báo trung thực được bảo vệ khỏi bị phạt, khai thác được nhiều thông tin hơn là giám sát (Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher, "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education). Bằng chứng trên trang này nói về điều gì tạo ra việc khai báo. Nó không nói gì về việc một chế độ khai báo ngăn được bao nhiêu gian lận.

Việc cần làm trong tuần này

1. Mở quy trình xử lý hành vi sai trái của bạn và tìm mọi chỗ mà một điểm số của công cụ phát hiện có thể kích hoạt một bước. Viết một câu loại bỏ yếu tố kích hoạt đó, và mang nó tới người sở hữu văn bản.

2. Gửi email cho nhà cung cấp để xin nghiên cứu kiểm chứng đứng sau tỷ lệ sai số được quảng cáo, và hỏi họ đã dùng kho ngữ liệu nào.

3. Chọn bài tập có hệ quả lớn nhất của bạn và thêm một bước có xác thực mà bạn có thể chấm trong khoảng thời gian mình có.

4. Phác ba câu hỏi bạn sẽ hỏi một sinh viên bị gắn cờ, bắt đầu từ việc họ đang muốn lập luận điều gì và họ đã kiểm tra nó thế nào.

5. Gửi các điều khoản về mua sắm và khả năng tiếp cận tới văn phòng ký hợp đồng, với các điều khoản về lưu giữ, sử dụng cho huấn luyện và rò rỉ dữ liệu được ghi rõ.

Đi tiếp từ đây

Người bạn đồng hành về phía thiết kế là Làm sao để giảm gian lận AI trong khóa học của tôi?, và thiết kế lại bài đánh giá trong kỷ nguyên AI đưa lập luận về đánh giá đi xa hơn. Chính sách AI của khóa học bao quát cách hành văn và truyền đạt một chính sách khóa học, và năng lực AI bao quát những gì sinh viên cần biết để làm việc với các công cụ này mà không đánh mất chính bài làm. Các trang khái niệm đứng sau lập luận là liêm chính học thuật, công bằng trong giáo dục AI và các vấn đề và rủi ro pháp lý; các điều khoản riêng về phát hiện ở trên là tầng thể chế của chính sách giáo dục về AI.