Університети перебудовують іспити через AI: чому «детектор ChatGPT» уже не рятує

AI уже не «додатковий інструмент» — він став частиною студентської рутини

Університети входять у новий навчальний рік із проблемою, яку вже неможливо вирішити простою забороною ChatGPT. За опитуванням Higher Education Policy Institute, 95% британських студентів використовують AI принаймні в одному навчальному сценарії, а 94% — для роботи, що оцінюється. Частка тих, хто прямо вставляє AI-згенерований текст у завдання, зросла до 12%.

Ці цифри не означають, що 94% студентів «списують». До AI відносять пояснення складних тем, структурування ідей, резюме матеріалів, пошук помилок у тексті й інші дозволені або сірі сценарії. Але вони показують головне: стара модель оцінювання, де викладач бачить лише фінальний файл, дедалі гірше відповідає на питання хто саме виконав інтелектуальну роботу.

Nature зібрала нову відповідь університетів: перевіряти не файл, а процес

Nature описує кілька стратегій, які зараз тестують викладачі в різних країнах. Найпростіша — повернення частини контролю в аудиторію: письмові іспити, короткі усні захисти, демонстрація коду та пояснення власних рішень. Інший підхід — дозволити AI, але вимагати показати промпти, історію правок і пояснити, що студент прийняв, а що відкинув.

Є й цікавіші формати: завдання, де студент має знайти галюцинації моделі, порівняти кілька AI-відповідей із джерелами або виправити навмисно слабкий згенерований аналіз. У такому форматі використання AI не приховується — воно стає частиною того, що оцінюється.

«AI-детектор показав 80%» не може бути вироком

Окрема проблема — детектори AI-тексту. HEPI у серпневому огляді наголосив, що їхня точність сильно залежить від інструмента, типу тексту й налаштувань, а ризик помилкових спрацьовувань особливо важливий для студентів, для яких англійська не є першою мовою. Тому дедалі більше університетських практик розглядають detector score лише як сигнал для перевірки, а не як самодостатній доказ порушення.

Це важливий зсув. Якщо університет карає студента на підставі непрозорого алгоритму, він фактично замінює одну проблему — непрозоре використання AI студентом — іншою: непрозорим використанням AI адміністрацією.

Старі домашні есе втрачають роль «доказу знань»

AI не робить есе безглуздим. Він робить слабким припущення, що готовий текст автоматично доводить володіння матеріалом. Саме тому найстійкіші формати оцінювання комбінують кілька сигналів: чернетки, усний захист, проміжні версії, роботу в аудиторії, аналіз джерел і здатність пояснити власне рішення.

Для університетів це дорожче за автоматичну перевірку PDF. Потрібно більше часу викладача, нові рубрики оцінювання та іноді менші групи. Але це також повертає оцінюванню сенс: перевіряти не здатність виробити гладкий текст, а розуміння, аргументацію і вміння працювати з інструментами.

61% людських есе позначили як AI: проблема детекторів стає проблемою справедливості

Найсильніший аргумент проти «детектора як судді» — не абстрактна можливість помилки, а те, що помилки можуть бути систематичними. HEPI наводить дослідження, у якому сім популярних AI-детекторів перевірили на 91 TOEFL-есе, написаному людьми, для яких англійська не є рідною. У середньому 61% справжніх людських текстів ці системи помилково позначили як AI-generated. На роботах носіїв англійської результати були значно кращими.

Це особливо важливо для міжнародних студентів: простіша лексика, коротші конструкції та передбачуваніший синтаксис можуть виглядати для detector-моделі як «машинний стиль». Тобто інструмент ризикує карати не за використання ChatGPT, а за те, що людина пише другою мовою.

Навіть начебто маленька похибка масштабується. Коли Turnitin заявляв приблизно 1% false-positive rate, Vanderbilt University зіставив це зі своїм обсягом близько 75 000 перевірених робіт на рік: арифметично це могло означати приблизно 750 неправдивих спрацювань. Університет вимкнув detector. Водночас інші дослідження отримували значно нижчі false-positive rates, тому коректний висновок не «детектори завжди марні», а інший: їхня точність сильно залежить від інструмента, тексту та групи студентів, а один score не може бути достатнім доказом порушення.

Університети вже тестують assessment, який перевіряє відповідальність за результат

Найцікавіша частина матеріалу Nature — конкретні схеми, які вже використовують викладачі. У San José State University обчислювальний хімік Gianmarc Grazioli дає студентам Python-завдання: 70% оцінки залежить від того, чи працює код, а ще 30% — від короткого усного захисту, де студент має пояснити конкретні рядки. Викладачеві не принципово, хто підказав синтаксис — ChatGPT чи документація; студент має розуміти й нести відповідальність за кожен рядок.

Інший підхід — зробити AI частиною завдання. Nicholas Mattei пропонує студентам знайти джерела, дати одне й те саме завдання трьом LLM, порівняти відповіді та отримати додаткові бали за знайдені hallucinations або помилкові посилання. Ruben Verborgh дозволяє на іспиті книги, інтернет і AI, але ставить широкі debugging-питання, де механічна відповідь моделі не замінює розуміння методології.

Це важлива зміна філософії: замість спроб довести, хто натискав клавіші, університет перевіряє, чи може студент відтворити логіку, пояснити рішення, показати процес і знайти помилки помічника.

95 513 студентів у США: AI-use і AI-cheating — не одне й те саме

Велике дослідження, опубліковане у Science в травні 2026 року, опитало 95 513 студентів у 20 великих державних research universities США. Приблизно дві третини користувалися generative AI, майже 40% — щомісяця або частіше. Серед тих, хто використовував AI, щонайменше 9% повідомили про використання його для cheating.

Дуже показова деталь: серед щоденних користувачів 26% повідомляли про cheating, а серед тих, хто користувався AI приблизно щомісяця, — 7%. Але автори не стверджують, що часте використання саме спричиняє порушення: це може бути кореляція. Так само різнилися дисципліни й соціальні групи. Висновок роботи — не універсальна заборона, а course-specific і discipline-specific redesign оцінювання.

Вердикт RankPoint

Головна битва в освіті 2026 року — не «заборонити чи дозволити ChatGPT». Вона про те, як перебудувати перевірку знань у світі, де генерація хорошого чернеткового тексту коштує секунди. Найпереконливіший напрям — оцінювати процес, усне розуміння, джерела й здатність критикувати AI, а не полювати за магічним детектором, який нібито точно знає автора кожного речення.