误判率高且存在偏见：美国多所高校放弃AI检测工具，转而重构教学评估体系

【核心提要】

• 因AI文本检测工具准确性低且对非母语学生存在歧视，耶鲁、康内尔等名校不再将其作为判定作弊的主要依据。
• 为应对日益普遍的AI作弊问题，高校教师正转向采取口试、视频辩论等更具实效的考核方式来重塑评估模式。
• 学术界对AI的态度存在分歧：部分教师担忧学生过度依赖工具，而哈佛等机构则主张应拥抱并整合AI技能以适应现代职场需求。

【正文报道】

随着生成式人工智能（Generative AI）的普及，学术诚信面临前所未有的挑战。然而，旨在识别学生是否利用AI完成作业的检测工具正受到质疑。研究表明，此类工具误判率极高，且被证实对非英语母语者存在偏见。受此影响，包括耶鲁大学（Yale University）和康内尔大学（Cornell University）在内的多所美国高校已明确表示，不再鼓励或允许教师仅依赖AI检测工具作为判定学生作弊的主要依据。

误判不仅会严重破坏师生间的信任，更可能对学生的学业记录甚至未来的职业前景造成不可逆转的损害。在某些极端情况下，被错误指控作弊的学生甚至会反诉校方侵权或污蔑。威斯康星大学麦迪逊分校（University of Wisconsin-Madison）的教师指南明确指出，由于检测工具存在显著的技术缺陷和偏见风险，学校必须采取更稳健的手段来确保学术诚信。

为了应对这一挑战，部分教授开始尝试更为复杂的“陷阱”式教学法。威斯康星大学麦迪逊分校的一位细菌学教授鲍斯蒂安（Bastien）曾通过在作业中插入隐藏指令（如要求AI在特定段落加入特定词汇）来检测学生是否使用大模型（LLM）。虽然这一方法在初期成功识别出部分作弊者，但随着技术演进，目前的大型语言模型往往能忽略此类指令，且警觉的学子也会主动剔除这些提示。这表明单纯依靠“猫鼠游戏”式的技术对抗已难以奏效。

面对日益复杂的作弊手段，多位美国教授表示，他们正致力于重新设计评估体系。其中一种替代方案是将传统的书面作业与口试（Oral Exams）相结合。鲍斯蒂安指出，虽然通过视频辩论或现场答辩能更有效地验证学生的真实水平，但此类考核的评分难度更高，且仍需不断优化以防学生利用AI生成内容后进行背诵。

目前，关于AI在教育中的角色，学术界仍存在显著分歧。一项调查显示，约95%的大学教师担心学生过度依赖AI工具。然而，另一派观点则认为，学生应当掌握并熟练运用AI技能，以提高工作效率、深化专业知识，从而满足现代职场的需求。哈佛大学（Harvard University）本科院院长戴明（Dim）在近期的一封邮件中明确主张，相关课程应“接受、甚至鼓励”使用AI工具。他强调，放弃盲目追求的AI检测，对师生双方都有利。

【小编观点】
技术的快速迭代往往领先于教育政策的制定。目前学术界正经历从“技术封堵”到“教学重构”的思维转变。与其在不可靠的算法中寻找作弊证据，不如通过改变考核逻辑（如增加即时互动、实操环节或口头表达），来构建一个更符合AI时代要求的评估体系。

背景链接：

• 耶鲁大学关于学术诚信与生成式AI的官方声明
• 哈佛大学关于AI融入课程建设的最新政策指南