Jak szkoły korzystają z narzędzi do wykrywania AI (i co z tego wynika dla uczniów)
Katie · Zespół redakcyjny SUS IT
Katie to pedagog i autorka programów nauczania ze skupieniem na uczciwości akademickiej w erze AI.
Równoważnie o wdrożeniach detektorów w edukacji, sprawiedliwości ocen, samodzielnej weryfikacji prac i sensownych odwołaniach.
Szkoły i uczelnie traktują detekcję AI jako jeden z wielu sygnałów — nie jako ostateczny wyrok. Zrozumienie, jak to naprawdę działa w instytucji, pomaga korzystać z narzędzi jak SUS IT konstruktywnie, zamiast uzależniać się od pojedynczego procenta.
Dlaczego w ogóle zaczęto skanować prace
Regulaminy uczciwości akademickiej powstały przed erą generatywnej AI. Po starcie ChatGPT instytucje reagowały w pośpiechu — od całkowitych zakazów po obowiązek zgłaszania każdego użycia AI. Detektory dały wykładowcom sposób na masowe „sito”, choć niedoskonałe. Dziś większość programów traktuje wynik skanu jako punkt wyjścia do rozmowy obok historii ocen, stylu i bezpośredniego kontaktu z uczniem.
Jak to wygląda w praktyce
Modele się różnią: integracja z LMS i automatyczny skan każdej pracy; skan selekcyjny przy podejrzeniach; albo model odstraszający — informacja, że prace mogą być sprawdzane, bez skanowania wszystkiego. W każdym razie odpowiedzialne programy łączą automatykę z ludzką oceną. Wynik powyżej progu to impuls do wyjaśnień, nie wyrok.
Co detektory realnie mierzą
Detektory tekstu patrzą na statystyki: perplexity (jak „zaskakujące” są słowa w kontekście) i burstiness (zmienność długości i złożoności zdań). Teksty z LLM często mają niską perplexity i niską burstiness: przewidywalny rytm i słownictwo. Problem: formalny styl akademicki — dokładnie ten, którego wymaga się od studentów — też bywa statystycznie „gładki”. Stąd więcej fałszywych alarmów niż w luźnej prozie.
Fałszywe alarmy
To udokumentowany problem, zwłaszcza dla osób piszących po angielsku jako po drugim języku, dla specyficznych stylów i gatunków technicznych. Raport inżynieryjny napisany w języku obcym może wyglądać „jak model”, choć każde słowo jest ludzkie. Dobre instytucje o tym wiedzą. Jeśli praca została oflagowana, masz prawo zapytać, co ją uruchomiło, i przedstawić kontrdowody.
Co zrobić przed deadlinem
Najskuteczniej: samodzielnie „pre-skan” przed oddaniem. Zobaczysz wynik i zdążysz dopracować głos, dodać przykłady z życia, urozmaicić zdania. Trzymaj notatki, konspekty i wcześniejsze wersje w dokumencie z historią zmian — to prosty dowód ewolucji myśli, którego typowa generacja „z jednego strzału” nie ma.
Odwołanie od flagi
Spokój i dokumentacja: notatki z researchu, szkice, historia przeglądarki z sesji, wszystko co pokazuje proces. Zapytaj o procedurę odwoławczą — sensowne regulaminy ją mają. Niezależna reanaliza innym narzędziem bywa dodatkowym kontekstem, choć nie daje absolutnej pewności. Rdzeń mocnego odwołania to ślad pracy w czasie.
Szerszy obraz
Detekcja to tylko wątek większej rozmowy: po co jest pisanie w edukacji. Chodzi o myślenie, research i komunikację — nie o sam plik PDF. AI, które „omija” ten proces, podważa cel zadania; AI pomagające uporządkować myśli czy sprawdzić gramatykę to inna para kaloszy. Granica bywa rozmyta — stąd znaczenie jasnych zasad instytucji, uczciwości studentów i fair użycia detektorów jako wsparcia integralności, a nie kary dla uczciwych.