AI 使用与披露声明

本页是英文页面的机器翻译，尚未经母语者审校。

AI 使用与披露声明（AI use and disclosure statements） — 通过这些政策、声明与实践，学习者被要求（或选择）披露他们在学术工作中对生成式 AI 的使用。也被称为 AI 使用声明、AI 披露声明或透明性声明，这些机制位于学术诚信、伦理、信任与 AI 时代的评估的交叉点上。本知识库的研究表明，披露远非中立的管理手续：它受惩罚恐惧、模糊政策、执行不一致、同伴规范、污名与自我控告的心理代价所塑造，并与自我调节学习与求助行为（Help-Seeking）深度纠缠。

值得思考的问题

如果你是一个在某次作业中使用过生成式 AI 的学生，你会告诉老师吗？本页表明，诚实的答案很大程度上受恐惧塑造——研究发现披露很罕见，由"惩罚焦虑"与对自我控告的担忧驱动。关于你自己披露行为的哪些假设可能需要质疑？
这里核心的设计问题是，披露是充当监控，还是充当伦理参与的支架。在读之前，你假设披露表格试图做的是哪一种——你能想出同一份表格如何服务于相反目的吗？
一个惊人的发现是，总是披露的学生被指控作弊的几率高出三倍以上——透明招致怀疑。如果诚实会增加怀疑，这对我们应如何设计师生之间的信任意味着什么？
本页区分强制性合规机制与构建 AI 素养和自我调节的形成性披露实践。你认为你自己机构的做法最接近哪一种，而要变成另一种需要改变什么？
研究将隐瞒与适应不良的自我调节联系起来，将披露与适应性求助联系起来——使你的 AI 使用可见可以引来教师有用的校准。你（作为学习者或教师）何时发现，让自己的不确定或求助可见比隐藏更有益？
披露规范因学科、语言背景与情境而异——当一些学生比另一些更可能因隐瞒而受罚时，便产生了公平影响。如果你在设计一项披露政策，你会如何防止它把不均等的负担压在已处于边缘的学习者身上？

引言

AI 使用与披露声明是学生据以报告是否以及如何在某次作业中使用生成式 AI 的声明——从封面表上的复选框到记录模型、输入、目的以及输出如何被评价的结构化格式。系统在种类与细节上都差异很大：一些作为带不披露罚则的强制性合规机制运作，另一些作为形成性实践，把披露当作发展 AI 素养、透明度与伦理判断的工具。决定它们成为哪一种的设计问题是，披露是用来抓人还是用来教，这使该概念牢固地落在学术诚信与教育人工智能政策之中。

AI 使用披露声明是什么

AI 使用声明要求或邀请学生陈述是否以及如何在某次作业中使用生成式 AI——通常在课程封面表、提交表格或反思提示中。框架差异很大，从简单的复选框声明到记录模型、输入、目的以及输出如何被评价的结构化格式（例如 Model-Input-Evaluation/MInE 框架）。它们从强制性合规机制（对不披露施以罚则）到**形成性实践**——把披露当作发展 AI 素养、透明度与自我教育中的人工智能监管的教学法工具——不等。核心设计问题是，披露是充当监控，还是充当伦理参与的支架。

为什么披露对教育 AI 重要

披露是使 AI 辅助工作可见从而可治理的机制——它是学术诚信的对位面，也是师生之间信任的前提。没有关于 AI 使用的透明度，教育者无法区分正当支持与不当行为、校准反馈、或察觉公平缺口。但研究表明，披露同时也是一个**情感与社会过程**，而不只是政策过程。

研究显示了什么

披露罕见且由焦虑驱动。 跨研究来看，多数学生不向教师披露 AI 使用。Kirsanov et al. (2026) 发现只有约 34% 的经济学学生承认使用 AI，披露更为罕见，由"惩罚焦虑"驱动。Vetter et al. (2026) 发现 66% 的学生从不或很少披露，首要原因是学业受罚的恐惧。Gonsalves (2025) 记录了国王学院商学院对强制性声明的 74% 不遵从。
模糊与惩罚性政策驱动隐瞒。 当 AI 使用政策不清、无执行或为禁令时，学生隐藏使用而非参与。"特定情境下有限使用"的政策最能预测披露；"不允许"或"不知道有政策"的政策预测隐瞒。研究反复呼吁清晰、一致、协作共建的政策。
披露有心理代价——还有隐性代价。 学生把声明视为自我控告，一些人认为 AI 使用像用计算器一样属于私事。Vetter et al. (2026) 发现"总是"披露的学生被指控的几率高出 3 倍以上——透明可能招致怀疑。Chang et al. (2026) 发现担忧把披露引向同伴而非抑制它，使学生与教师反馈隔绝。
披露与自我调节学习纠缠在一起。 Chang et al. (2026) 把教师导向的披露解读为适应性求助——使帮助可见并引来外部校准——而隐瞒（尤其在重度 AI 使用者中）类似于适应不良的调节。结构化的形成性披露可以促进有效自我调节所特有的元认知反思与伦理推理。
披露规范因学科、语言与情境而异。 教育、社科与 STEM/健康学科学生比商科学生披露更多；单语学生可能比多语学生披露更少。一项研究中国际学生披露更少，引发公平关切。披露规范不会随学业进展自动形成。
披露规范在专业项目中尚未定局。 Gutowski and Hurley (2025) 报告，ABA 认可的美国法学院对是否任何 AI 使用都必须披露意见不一，描述了学生提交给教师的披露表格，并发现对学术或课堂写作应如何引用 AI 无共识——《蓝皮书》本身保持沉默。他们还预言，披露最终会像指出学生用过搜索引擎一样显得无意义，这是对当下所写规则保质期的告诫，并将规范问题扎根于法律教育。

披露不是检测机制

一种反复出现的机构错误是把声明当作捕捉违规使用的手段。它们无法承担这一功能：它们依赖坦诚，而对它们的执行会回到同样的不可检测性，因为机构一般无法证明一次未申报的使用发生过。Teichmann (2026) 把它们的真正价值置于别处——置于嵌入信任文化中的可见诚信承诺，以及透明、共享期望与学生反思，而非执行。教育机制是规范性的，不是司法鉴证性的。

其规模有据可查：在一个美国公共政策硕士项目的 7,462 份申请中，一份签署的无 AI 声明并未阻止 56.1% 的 2025 年申请者提交被商用检测器归为"主要由 AI 写成"的一篇论文，且每一篇被标记的论文与 1.5 到 2.6 个百分点的更低录取概率相关（Isley, Gaebler and Goel (2026)）。

Mohamed and Temimi (2026) 的建模工作给出了披露成立的条件，它被表达为一个设计阈值而非期望：只有当诚实的代价低于它买到的威慑时，披露的使用才胜过隐藏的使用。由于这一界限随检测可信度上升，检测与披露安全相互强化——但前提是被标记的误报风险同等落在诚实与不诚实的回应上，此时诚实仍保有相对保护。他们的设计启示很直接：把一次申报的 AI 使用当作情境而非认罪，这恰好在监控最强的场景中压低诚实的代价，并把披露读作评价性判断的展示而非认领。许可与披露是两把独立的杠杆——许可改变可接受使用的形式边界，披露改变可见性——在一方面的成功对另一方面毫无说明。

AlGhamdi (2026) 对披露效应本身提供了一个暗示性的检验。同一门课程进行了一项盲法研究（AlGhamdi 2024）与一项透明研究，只有透明组明确限定了 AI 的角色并质疑评价权威。由于组别与年份不同，作者称这一对照是暗示性的而非因果的，但论证披露充当了教学提示而非免责声明——它把反馈从理所当然的行为转变为反思的对象，且没有脱离或抗拒的迹象。

通过调查最具创新性的 50 所美国大学的生成式 AI 指引，Qian (2026) 把披露定位在帮助与虚假陈述的边界上：在 AI 被允许之处，机构指示学生承认、引用或以其他方式记录 AI 协助，而非把输出呈现为完全自产，而掌握引用与来源规范权威的是图书馆——而非诚信办公室。MIT 图书馆的"AI 不是作者、作者有责任记录工具如何贡献"的框定即体现了这一模式，Qian 同时把披露读作一种诚信规范、一种在提交前降低模糊性的设计原则，以及与问责、公平、隐私并列的四大诚信支柱之一。这正是上文所述的非司法鉴证式用途，也是 Qian 建议把图书馆制度化为引用权威、而非扩大检测的原因。

披露带有信任惩罚，合法性是所论证的机制。 在十三项实验中，多数为美国在线小组成员并汇总为 4,093 个观测（θ = 0.81, z = 10.52, 95% CI [0.66, 0.96]），披露 AI 使用的行为者比保持沉默者更不受信任（Schilke and Reimann (2025)）。该效应在六种披露框定、一位已知 AI 已被使用的评价者、以及强制与自愿两种制度下均存活。它是上文调查发现——总是披露的学生面临高出三倍的被指控几率——的实验对应面：透明本身使披露者付出代价。该论文唯一面向学生的结果是，当教授披露用 AI 评分时，学生对该教授的信任更低。

设计有效的披露

清晰与一致胜过威慑。 制定清晰、一致、协作共建的 AI 政策，附有可接受使用及如何声明的具体示例；避免促使隐瞒的惩罚性或模糊框架。
应对情感障碍。 仅针对行为的披露政策不足够——使 AI 使用正常化，降低被评判感与污名，并向学生保证诚实披露不会受罚。
让披露成为形成性的，而不仅是合规性的。 使用反思提示与结构化声明（模型/输入/评价），使披露构建 AI 素养与自我调节，而非充当监控。
培训教师建立信任，而非依赖检测。 披露绝不应随之以指控；教师应学会建立信任的对话，而非倚赖不可靠的 AI 检测器。
为公平而设计。 关注跨学科、语言身份与学生背景的披露差异，避免把不均等负担压在已处边缘的学习者身上的机制。

关联

AI 使用与披露位于学术诚信（其母关切）、伦理、信任与信任校准（披露作为一种脆弱性的行动）、AI 治理与教育人工智能政策（制度政策框架）、以及评估（披露被操作化之处）的交叉点。它连接到 AI 素养（学生需要理解披露什么、如何披露）、自我调节学习与求助行为（Help-Seeking）（披露作为可见的求助）、以及公平性（差异化披露）。它与 AI 误用与学习损害（披露意在使之可见的伤害）和人工智能检测（披露框架日益取代的检测式替代方案）不同但相关。

关联概念

关联文章

Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — 超越检测：学生如何在在线评估中使用与隐藏 AI
"Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — 学生的 AI 披露、污名与自我调节学习
The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — 披露的隐性代价：披露与教师指控
Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — 学生对 AI 使用声明的不遵从
Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — 作为教育而非检测的声明
Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — 作为评估设计阈值的诚实代价
Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — 披露作为 50 所创新美国大学中帮助与虚假陈述之间的边界（Qian 2026）
Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — 法学院政策中披露与 AI 引用无共识（Gutowski & Hurley 2025）
AI-written admissions essays are widespread but penalized — AI 写的申请文书普遍但受罚
The transparency dilemma: How AI disclosure erodes trust — 十三项实验：披露 AI 使用通过合法性降低披露者的可信度

元数据

层次	Higher Ed
技术与方法	生成式人工智能
评估与测量	评估
机构与政策	教育人工智能政策
公平、伦理与负责任使用	AI 使用与披露声明, 伦理, 信任
教育中的人工智能基础	学术诚信

Source History Edit Chat