Przypadek oszustw z użyciem AI na Brown University ujawnia kryzys egzaminów uniwersyteckich

Profesor Brown University Roberto Serrano dostrzegł uderzającą sprzeczność, gdy jeden domowy egzamin semestralny przyniósł średnią w grupie na poziomie 96 procent. Horyzontalny charakter bezpieczeństwa egzaminów stał się widoczny, gdy ta średnia gwałtownie spadła w warunkach nadzorowanych. Jego przypadek sugeruje, że uniwersytety nie mogą chronić standardów akademickich, po prostu dodając kolejne narzędzie wykrywania do niezmienionego systemu oceniania.

Serrano prowadzi Ekonomię dobrobytu i teorię wyboru społecznego, zaawansowany kurs ekonomii matematycznej. Zezwolił na egzaminy wykonywane w domu po tym, jak studenci wyrazili niepokój po śmiertelnej strzelaninie na kampusie Brown University w grudniu 2025 roku. Według opisanego przypadku z zajęć później znalazł dowody na powszechne nieuprawnione użycie AI podczas kursu.

Spór wykracza poza jedne zajęcia czy jeden chatbot. Uniwersytety obiecują elastyczne kształcenie, jednocześnie poświadczając, że wskazani studenci opanowali określone umiejętności. Generatywna AI utrudnia pogodzenie tych zobowiązań, gdy praca odbywa się poza kontrolowanymi warunkami.

Brown University stoi teraz przed takim samym wyborem jak uczelnie na całym świecie. Może traktować oszustwa z użyciem AI przede wszystkim jako indywidualne przewinienia albo przeprojektować ocenianie wokół weryfikowalnego uczenia się. Pierwsza droga zachowuje znane procedury. Druga uznaje, że znane procedury nie zapewniają już wystarczających dowodów.

Egzamin semestralny ze średnią 96 procent uruchomił alarm

Istotną zmianą nie był dostęp studentów do ChatGPT. Było nią to, że utrwalony egzamin przestał dostarczać wiarygodnych dowodów indywidualnego uczenia się.

Serrano prowadził ten kurs przez niemal dwie dekady i zwykle zapisywało się na niego około 30 studentów. Wiosną 2026 roku liczba zapisanych wzrosła do 86 po tym, jak zaoferował egzaminy wykonywane w domu. Taki model dawał studentom nieograniczony czas i odpowiadał na uzasadnione obawy związane z powrotem do sal zajęciowych.

Domowy egzamin semestralny przyniósł średni wynik 96 procent. Serrano powiedział, że historyczne średnie z egzaminów semestralnych wynosiły od 65 do 80 procent, choć nowy egzamin był trudniejszy. Prawie połowa grupy miała podobno otrzymać maksymalny wynik.

Wysokie oceny same w sobie nie dowodzą przewinienia. Wyjątkowo mocna grupa, nieograniczony czas pracy, współpraca, lepsze przygotowanie lub różnice między egzaminami mogą zmienić rozkład wyników. To ograniczenie ma znaczenie, ponieważ oskarżenie może wpłynąć na edukację i reputację studenta.

Serrano dostrzegł inny sygnał w samych pracach. W wielu odpowiedziach zastosowano podobno pośredni dowód przez sprzeczność, choć bardziej naturalny był bezpośredni dowód matematyczny. Gdy Serrano i jego osoby oceniające wpisali pytanie do ChatGPT, narzędzie wygenerowało podobnie zawiłe podejście.

To podobieństwo wzbudziło podejrzenia, ale nadal nie wskazywało, który student użył którego narzędzia. Modele językowe mogą tworzyć różne odpowiedzi na to samo polecenie. Studenci mogą też dochodzić do nietypowych metod po korzystaniu ze wspólnych notatek lub omawianiu problemu razem.

Serrano odpowiedział, przenosząc egzamin końcowy do nadzorowanej sali. Poinformował studentów, że egzamin semestralny będzie się liczył, jeśli egzamin końcowy przyniesie w przybliżeniu porównywalny rozkład wyników. W przeciwnym razie zmieni jego wagę.

Zmiany w liczbie zapisanych i wynikach były dramatyczne. Relacje o incydencie mówią, że 27 studentów zrezygnowało z kursu, w tym 22 osoby, które otrzymały maksymalny wynik z egzaminu semestralnego. Do egzaminu końcowego przystąpiło 59 studentów, 19 nie zdało, a średnia końcowa spadła do około 49 procent.

Tylko dwóch studentów miało podobno wynik w granicach dziesięciu punktów procentowych od rezultatu z egzaminu semestralnego. Ten wzorzec wzmacnia twierdzenie Serrano, że wyniki z egzaminu domowego nie odzwierciedlały samodzielnego opanowania materiału. Nie dowodzi jednak użycia AI w każdym indywidualnym przypadku.

To rozróżnienie definiuje problem instytucjonalny. Uniwersytety potrzebują wystarczających dowodów, by chronić wartość kwalifikacji, nie traktując statystycznych podejrzeń jako automatycznej winy. Procedura stworzona wyłącznie dla pojedynczych przypadków plagiatu ma trudności, gdy jedno zaliczenie przynosi dziesiątki wątpliwych prac.

Brown University miał podobno poprosić Serrano o złożenie skarg przeciwko poszczególnym studentom i dostarczenie każdego egzaminu do weryfikacji. Rzecznik uczelni powiedział, że procedura pozostaje taka sama, niezależnie od tego, czy zarzut dotyczy jednego studenta, czy kilku. Serrano argumentował, że taka odpowiedź nie jest w stanie obsłużyć nadużyć na taką skalę.

Ostrożność uczelni ma uzasadniony cel. Postępowanie dyscyplinarne w sprawach akademickich wymaga powiadomienia, dowodów i możliwości odpowiedzi ze strony studentów. Jednak procedura prowadzona przypadek po przypadku staje się niewystarczająca, gdy sam projekt oceniania tworzy niepewność w odniesieniu do większości grupy.

Dlatego ten epizod ma znaczenie wykraczające poza Brown University. Porażka nastąpiła przed jakimkolwiek formalnym stwierdzeniem przewinienia. Nastąpiła w chwili, gdy uczelnia nie potrafiła już z przekonaniem wyjaśnić, co mierzyły jej wyniki.

Horyzontalny charakter oszustw z użyciem AI zmienia stawkę

Uniwersytety nie tylko egzekwują zakaz niedozwolonej pomocy. Bronią też tego, czy dyplom nadal poświadcza wiedzę i osąd danej osoby.

W tym kontekście horyzontalny charakter oszustw z użyciem AI opisuje przesuwającą się granicę. Każda poprawa zdolności modeli do rozumowania rozszerza zakres nienadzorowanych zadań, które oprogramowanie potrafi przekonująco wykonać. Zaliczenie uznawane za bezpieczne w tym semestrze może stać się podatne na nadużycia przed rozpoczęciem kolejnego kursu.

Generatywna AI to oprogramowanie, które tworzy nowy tekst, obrazy, kod lub inne treści na podstawie instrukcji użytkownika. Nie musi odtwarzać źródła słowo w słowo. To sprawia, że konwencjonalne kontrole plagiatu są mniej użyteczne, ponieważ wynik może być oryginalny pod względem sformułowań, lecz nie autorstwa.

Ekonomia matematyczna kiedyś wydawała się bardziej odporna niż zwykłe pisanie esejów. Studenci musieli dobierać argumenty, konstruować dowody i łączyć formalne wyniki. Relacja Serrano sugeruje, że obecne narzędzia potrafią tworzyć odpowiedzi wystarczająco wiarygodne, by uzyskać wysokie oceny, nawet jeśli ich rozumowanie jest niezręczne.

Presja najpierw spada na prowadzących. Muszą ustalać zasady dotyczące AI, projektować zadania, prowadzić kurs, sprawdzać podejrzane prace, dokumentować przypadki i bronić swoich decyzji. Wielu z nich otrzymało niewielkie szkolenie w zakresie któregokolwiek z tych obowiązków.

Studenci stają wobec innej formy presji. Zasady różnią się między kursami, wydziałami i prowadzącymi. Narzędzie dozwolone do burzy mózgów na jednych zajęciach może stanowić przewinienie na innych. Niejednoznaczne granice utrudniają uczciwe przestrzeganie zasad i osłabiają spójność ich egzekwowania.

Administratorzy ponoszą ryzyko instytucjonalne. Pracodawcy i organizacje zawodowe zakładają, że transkrypcja ocen odzwierciedla wykazane kompetencje. Jeśli uniwersytety nie potrafią zweryfikować tych kompetencji, zaufanie do ocen i poświadczeń osłabnie.

Australijski regulator szkolnictwa wyższego definiuje bezpieczeństwo oceniania jako środki wzmacniające zadania przeciwko oszustwom. Jego wytyczne dotyczące bezpieczeństwa oceniania łączą wiarygodne ocenianie z publicznym zaufaniem do kwalifikacji. Takie ujęcie przenosi problem poza samo łapanie osób łamiących zasady.

Uniwersytety potrzebują zatem dwóch rodzajów oceniania. Niektóre zadania powinny pomagać studentom uczyć się z AI, podczas gdy inne muszą weryfikować, co studenci potrafią zrobić samodzielnie. Mylenie tych celów prowadzi albo do nieograniczonego zlecania pracy na zewnątrz, albo do całkowitego zakazu.

Zadanie wspierające naukę może pozwalać na eksperymentowanie, przygotowywanie wersji roboczych, uzyskiwanie informacji zwrotnej lub porównania wspomagane przez AI. Zadanie weryfikacyjne musi ustalać autorstwo i kompetencje w warunkach odpowiednich do efektu uczenia się. To samo zadanie rzadko służy obu celom równie dobrze.

Nie oznacza to, że każdy egzamin musi wrócić do odręcznie pisanych prac egzaminacyjnych. Wymaga jednak od liderów programów określenia, które efekty wymagają samodzielnego wykonania. Obliczenia, diagnozowanie, interpretacja, obrona ustna, ocena źródeł i profesjonalny osąd wymagają różnych metod weryfikacji.

Student może na przykład użyć AI do przygotowania analizy polityki publicznej. Następnie może ustnie obronić jej założenia, odtworzyć kluczowe obliczenie i wyjaśnić, dlaczego alternatywne dowody zmieniają wniosek. Taka sekwencja sprawdza zarówno kompetencje w zakresie AI, jak i osobiste zrozumienie.

Kadra akademicka potrzebuje także wsparcia wobec zwiększonego nakładu pracy. Kontrole ustne, zadania etapowe i nadzorowane wymagają czasu. Uniwersytety nie mogą ogłaszać reformy oceniania, pozostawiając pojedynczym prowadzącym pokrycie wszystkich kosztów operacyjnych.

Sprawa Brown University wywarła presję na profesora, ponieważ instytucjonalny problem zapewniania jakości ujawnił się w ramach jednego kursu. Uniwersytety muszą odwrócić ten podział odpowiedzialności. Programy powinny odpowiadać za bezpieczeństwo oceniania, a prowadzący wdrażać wspólny projekt.

Wykrywanie nie udźwignie systemu uczciwości akademickiej

Detektory AI nie mogą rozwiązać konfliktu, który zaczyna się od słabych dowodów autorstwa, a kończy na decyzjach dyscyplinarnych o wysokiej stawce.

Narzędzia do wykrywania AI oceniają, czy tekst przypomina treść wygenerowaną przez maszynę. Nie obserwują, jak student stworzył pracę. Ich wynik jest zatem wnioskiem, a nie zapisem postępowania.

Fałszywie dodatnie wyniki mogą narazić uczciwych studentów na zarzuty. Fałszywie ujemne wyniki mogą przepuścić wyrafinowane nadużycia. Edycja, tłumaczenie, dopracowywanie poleceń, mieszane tworzenie tekstu przez człowieka i maszynę oraz aktualizacje modeli mogą wpływać na rezultat.

Problem staje się szczególnie poważny dla studentów piszących w drugim języku. Schematyczne słownictwo lub przewidywalne struktury zdań mogą przypominać wynik modelu. Instytucja, która traktuje wynik detektora jako dowód, ryzykuje pomylenie wzorców językowych z przewinieniem.

Quality Assurance Agency zaleca instytucjom uwzględnianie ograniczeń wykrywania, w tym fałszywie dodatnich wyników i możliwości obejścia systemu. Jej zestaw narzędzi dotyczących oceniania rekomenduje przegląd zadań o wysokiej stawce, wyjaśnianie dozwolonego użycia AI oraz wymaganie przejrzystości tam, gdzie jest to właściwe.

Serrano nie polegał wyłącznie na detektorze. Porównał historyczne wyniki, zmiany w liczbie zapisanych, wzorce rozwiązań, odpowiedzi wygenerowane przez model, rezygnacje z kursu oraz nadzorowany egzamin końcowy. Łącznie te sygnały stanowiły mocny argument, że egzamin semestralny nie był wiarygodnym pomiarem.

Nadal pozostawiają one pytania bez odpowiedzi w odniesieniu do poszczególnych osób. Egzamin końcowy mógł być trudniejszy. Studenci mogli odczuwać większy lęk pod nadzorem. Rezygnacje z kursu zmieniły porównywaną populację. Niedawna krytyka statystyczna argumentuje, że te alternatywne wyjaśnienia ograniczają to, co różnice w wynikach mogą dowodzić.

Ta krytyka nie przywraca zaufania do egzaminu semestralnego. Pokazuje, dlaczego uniwersytety muszą rozdzielić dwie decyzje. Jedna dotyczy tego, czy dane zaliczenie pozostaje ważne. Druga — tego, czy konkretny student dopuścił się przewinienia.

Instytucja może unieważnić lub zmniejszyć wagę naruszonego zaliczenia bez automatycznego uznania każdego studenta za winnego. Następnie może wszcząć postępowanie dyscyplinarne wobec konkretnych osób tylko wtedy, gdy dowody spełniają określony standard. Takie podejście chroni zarówno integralność poświadczeń, jak i rzetelność procedury.

Uniwersytety powinny także zachowywać dowody powstające w trakcie nauki. Historia wersji roboczych, opatrzone adnotacjami źródła, obliczenia, dokumentacja laboratoryjna, commity kodu i krótkie refleksje mogą pokazać, jak rozwijała się praca. Takie zapisy mówią więcej niż końcowy dokument oglądany w oderwaniu od kontekstu.

Dowody dotyczące procesu muszą pozostawać proporcjonalne. Ciągły nadzór stwarzałby ryzyko dla prywatności i mógłby zamienić edukację w monitoring miejsca pracy. Instytucje powinny gromadzić wyłącznie to, co wspiera określony efekt uczenia się i opublikowane zasady oceniania.

Ujawnianie użycia AI stanowi kolejną warstwę. Studenci mogą wskazać narzędzie, opisać jego dozwoloną rolę, zachować istotne prompty i wyjaśnić, które twierdzenia zweryfikowali. Ujawnienie nie zapobiega ukrytemu nadużyciu, ale pozwala audytować dozwolone użycie.

Ta sama zasada pomaga studentom budować osobistą bazę wiedzy. Notatki źródłowe, poprawki i zapisy toku rozumowania mogą dokumentować rozwój intelektualny bez sprowadzania nauki do wyniku detektora.

Jasna polityka musi towarzyszyć takim dowodom. „Używaj AI odpowiedzialnie” to zbyt niejasna wskazówka dla ocenianego zadania. Ocena powinna określać, czy AI może generować pomysły, redagować prozę, tworzyć kod, rozwiązywać problemy lub dostarczać cytowania.

Zasady powinny również wyjaśniać, co studenci muszą przekazać. Jeśli wymagane są prompty, należy wskazać, które i w jakiej formie. Jeśli może nastąpić ustna weryfikacja, trzeba to ujawnić przed rozpoczęciem pracy nad zadaniem.

Ciężar przenosi się wtedy ze zgadywania, czy tekst „wygląda jak AI”, na sprawdzanie określonego zachowania względem znanych wymagań. To uczciwsza podstawa rzetelności akademickiej.

Uniwersytety potrzebują bezpiecznej weryfikacji i nauki wspieranej przez AI

Praktyczną odpowiedzią jest dwutorowy system oceniania, a nie powszechny zakaz ani nieograniczone użycie AI.

Pierwszy tor powinien obejmować bezpieczne formy oceniania, które weryfikują kluczowe indywidualne kompetencje. Mogą to być nadzorowane egzaminy, obrony ustne, rozwiązywanie problemów na żywo, demonstracje praktyczne lub kontrolowane zadania cyfrowe. Forma powinna odpowiadać certyfikowanej umiejętności.

Drugi tor powinien obejmować otwarte formy oceniania, w których użycie AI jest dozwolone lub wymagane. Studenci mogą porównywać wyniki modeli, wskazywać błędy, poprawiać słabe rozumowanie i dokumentować decyzje. Takie zadania traktują kompetencje AI jako efekt uczenia się, a nie ukryty skrót.

Każdy program musi zdecydować, ile dowodów powinno znaleźć się w każdym z tych torów. Kurs medyczny wymaga bezpiecznych demonstracji osądu klinicznego. Kurs programowania może dopuszczać pomoc AI przy kodowaniu, jednocześnie wymagając od studentów wyjaśnienia, przetestowania i zmodyfikowania wygenerowanego kodu na żywo.

Ekonomia daje jasny przykład. Studenci mogliby użyć modelu do zaproponowania argumentu dotyczącego dobrobytu w ramach otwartego zadania. Późniejsze bezpieczne zadanie mogłoby wymagać od nich wyprowadzenia wyniku, wskazania ukrytych założeń i obrony implikacji dla polityki publicznej.

Horyzontalny charakter rozwoju możliwości modeli oznacza, że uniwersytety powinny regularnie przeglądać tę równowagę. Statyczna polityka szybko się zdezaktualizuje, ponieważ narzędzia nieustannie zyskują nowe funkcje rozumowania, kodowania, przeglądania sieci i pracy z multimediami.

Przegląd na poziomie programu ma większe znaczenie niż pojedyncze zmiany w kursach. Jeśli każdy prowadzący będzie reagował niezależnie, studenci zetkną się z mylącą mozaiką zasad. Niektóre kursy staną się nadmiernie restrykcyjne, podczas gdy inne nadal będą wykorzystywać zadania, które już nie weryfikują nauki.

Zasady reformy oceniania opracowane dla australijskiego regulatora zalecają projektowanie oceniania w skali całych programów. Rozróżniają też ocenianie wspierające uczenie się od oceniania potwierdzającego uczenie się.

To rozróżnienie powinno kierować decyzjami o zasobach. Uniwersytety potrzebują wystarczającej zdolności nadzorczej, by weryfikować efekty o dużej wartości. Potrzebują też projektantów dydaktycznych, którzy pomogą kadrze tworzyć otwarte zadania wykorzystujące AI bez rezygnowania z celu kursu.

Bezpieczne ocenianie nie oznacza odtwarzania każdego egzaminu sprzed ery cyfrowej. Tradycyjne testy czasowe mogą nagradzać pamięciowe odtwarzanie, pomijając badania, współpracę czy profesjonalny osąd. Celem jest zweryfikowana kompetencja, a nie nostalgia.

Ocena ustna również ma ograniczenia. Może stawiać w niekorzystnej sytuacji studentów odczuwających lęk, rodzić problemy z dostępnością i pochłaniać znaczną ilość czasu pracowników. Uniwersytety powinny stosować krótkie, ustrukturyzowane sprawdzenia ustne tam, gdzie dostarczają one istotnych dowodów.

Losowa weryfikacja może zmniejszyć obciążenie pracą. Prowadzący mógłby wybrać ograniczoną liczbę zgłoszonych twierdzeń do wyjaśnienia lub poprosić studentów o odtworzenie jednego kluczowego kroku. Studenci wiedzieliby, że każda część ich pracy musi dać się obronić.

Portfolio oceniania stanowi kolejną możliwość. Portfolio łączy kilka elementów dowodowych zebranych w czasie. Pojedyncze podejrzane zgłoszenie ma wtedy mniejszą wagę, a wzorce rozwoju i samodzielnego działania stają się łatwiejsze do dostrzeżenia.

Uniwersytety powinny priorytetowo traktować kluczowe kursy o wysokiej stawce oraz prace na ostatnim roku. Te formy oceny niosą największe ryzyko dla wiarygodności kwalifikacji. Jednoczesna przebudowa każdego quizu o niskiej wartości byłaby marnowaniem ograniczonego czasu kadry.

Polityki potrzebują także skalibrowanych konsekwencji. Celowe zlecenie komuś wykonania zakazanego egzaminu jest poważnym naruszeniem. Pierwszy błąd w ujawnieniu użycia AI przy mylących zasadach zasługuje na inną reakcję. Jedna kara nie może pasować do każdej formy użycia AI.

Komitet Browna miał podobno zalecić jaśniejsze oczekiwania, jednocześnie zniechęcając do nadmiernego skupienia na karaniu. Stanowisko to jest zgodne z silniejszym bezpieczeństwem oceniania. Zapobieganie, weryfikacja, edukacja i dyscyplinowanie pełnią różne funkcje.

Bezpieczny system ogranicza możliwości nadużyć, zanim kara stanie się konieczna. Informuje studentów, jakie dowody muszą przedstawić i dlaczego samodzielne kompetencje nadal mają znaczenie. Egzekwowanie zasad staje się wtedy bardziej wiarygodne, ponieważ reguły i warunki oceniania są ze sobą zgodne.

Uniwersytety powinny włączyć studentów w proces przeprojektowania. Studenci wiedzą, gdzie polityki są sprzeczne, które narzędzia są już normalizowane przez kursy i jak presja związana z obciążeniem pracą wpływa na zachowanie. Ich udział może ujawnić luki i poprawić przestrzeganie zasad.

Równie ważny jest rozwój kompetencji kadry. Wytyczne UNESCO dotyczące edukacji zachęcają instytucje do oceny dydaktycznej i etycznej przydatności AI. Wymaga to szkolenia w zakresie projektowania oceniania, prywatności, ograniczeń modeli i równego dostępu.

Równość nie może być sprawą drugorzędną. Jeśli użycie AI jest wymagane, każdy student potrzebuje dostępu do odpowiedniego narzędzia. Jeśli jest opcjonalne, studenci potrzebują realnej ścieżki bez AI, bez niekorzystnych konsekwencji akademickich.

Dostępność musi również kształtować bezpieczne formy oceniania. Nadzór, pisanie odręczne, pytania ustne i zablokowane oprogramowanie mogą tworzyć bariery. Uniwersytety powinny zachować dostosowania, utrzymując równoważne standardy weryfikacji.

Celem nie jest wyeliminowanie wszystkich nadużyć. Żaden system oceniania nigdy tego nie osiągnął. Chodzi o to, by oszustwa były trudniejsze, uczciwy udział bardziej przejrzysty, a kwalifikacje możliwe do obrony.

Trzy sygnały pokażą, czy uniwersytety traktują sprawę poważnie

Kolejnym sprawdzianem będzie to, czy instytucje zmienią praktykę oceniania, a nie to, czy opublikują kolejne ogólne oświadczenie o odpowiedzialnym AI.

Pierwszym sygnałem jest mapowanie oceniania na poziomie programu. Uniwersytety powinny wskazać efekty uczenia się wymagające niezależnej weryfikacji i pokazać, gdzie następuje taka kontrola. Polityka bez tej mapy pozostawia bez odpowiedzi kluczowe pytanie o wiarygodność kwalifikacji.

Mapowanie wzmocniłoby argument za reformą strukturalną, ponieważ przekształca ogólną troskę w rozliczalny projekt. Jeśli uniwersytety nadal będą przekazywać tę kwestię pojedynczym prowadzącym, doświadczenie Browna powtórzy się na innych kursach.

Drugim sygnałem są inwestycje w zdolność weryfikacji. Warto obserwować nadzorowane przestrzenie egzaminacyjne, przeszkolonych oceniających ustnych, projektantów dydaktycznych, dostępne systemy oceniania i dostosowania obciążenia pracą. Reforma bez obsady kadrowej pozostanie nierówna i krucha.

Ta inwestycja nie musi oznaczać kontrolowania każdego zadania. Powinna koncentrować się na punktach o wysokiej stawce, w których program poświadcza kluczowe kompetencje. Instytucje powinny publikować wystarczająco dużo informacji, aby studenci i pracodawcy rozumieli, na czym opiera się to zapewnienie.

Trzecim sygnałem jest uczciwy standard dowodowy w sprawach nadużyć związanych z AI. Uniwersytety potrzebują pisemnych zasad wyjaśniających, jak będą oceniane wyniki detektorów, historia dokumentu, weryfikacja ustna, zgodne błędy i anomalie w wynikach. Powinny też określić procedury odwoławcze.

Jasny standard wzmocniłby zaufanie nawet wtedy, gdy sprawy kończą się bez kary. Pokazałby, że instytucje potrafią odróżnić naruszoną rzetelność oceny od udowodnionego indywidualnego naruszenia. Dalsze traktowanie wyników detektorów jako rozstrzygających osłabiłoby to zaufanie.

Sprawa Browna pozostaje zarzutem powszechnego nieautoryzowanego wsparcia, a nie zakończonym postępowaniem wobec każdego studenta. Dowody budzą poważne wątpliwości co do domowego egzaminu semestralnego, podczas gdy niepewność pozostaje w kwestii indywidualnej odpowiedzialności.

Ta niepewność nie jest powodem, by zachowywać podatne na nadużycia egzaminy. Jest powodem, by je przeprojektować. Lepsze ocenianie tworzy bezpośrednie dowody uczenia się, zanim administratorzy będą musieli odtwarzać autorstwo po złożeniu pracy.

Horyzontalny charakter oszustw z użyciem AI gwarantuje, że techniczne wykrywanie będzie stale gonić za ruchomym celem. Uniwersytety kontrolują trwalszą dźwignię: to, co proszą studentów zademonstrować, w jakich warunkach i przy jakich dowodach wspierających.

Studenci powinni pytać, czy ich programy wyraźnie oddzielają naukę wspieraną przez AI od niezależnej weryfikacji. Kadra powinna pytać, czy procedury instytucjonalne potrafią obsłużyć awarię oceniania obejmującą całą grupę. Pracodawcy powinni pytać, jak uniwersytety zapewniają kompetencje stojące za dyplomem.

Przypadek Browna stanowi ostrzeżenie, ale wskazuje też praktyczny kierunek. Uniwersytety powinny zabezpieczać kluczowe oceny, uczyć przejrzystego użycia AI, zachowywać proporcjonalne dowody procesu i stosować rzetelną procedurę wobec indywidualnych zarzutów.

Najważniejsze pytanie nie brzmi już, czy studenci mogą używać AI do wykonywania tradycyjnych zadań. Mogą. Pytanie brzmi, czy uniwersytety przeprojektują ocenianie, zanim zaufanie do ich kwalifikacji spadnie tak gwałtownie jak wyniki egzaminu Serrano.