Lompat ke konten

WHITEPAPER

Melampaui Deteksi

Sebuah Kerangka Kerja untuk Integrasi AI yang Etis dalam Penelitian Akademis

Alex SpezowkaPenelitian Jenni2026Referensi (81)

  • <80%Akurasi pendeteksi AI dalam pengujian independen
  • 50%Positif palsu pada platform yang digunakan secara luas
  • 61%Tulisan berbahasa Inggris dari penutur non-asli ditandai sebagai AI

Proliferasi AI generatif dalam konteks akademis telah mengungkap kebenaran mendasar yang enggan diakui oleh institusi:

Paradigma deteksi telah gagal.

Alat deteksi AI mencapai tingkat akurasi yang sering kali di bawah 80% dalam pengujian independen.1 Wakjira dkk. (2025) Tingkat positif palsu (false positive) bahkan dapat mencapai 50% di berbagai platform yang digunakan secara luas.2 Weber-Wulff dkk. (2023) Kebiasaan sistemis yang terdokumentasi juga ditemukan, dengan lebih dari 61% tulisan berbahasa Inggris dari penutur non-asli ditandai sebagai buatan AI.3 Liang dkk. (2023) Oleh karena itu, pendekatan saat ini berupa "deteksi dan hukum" justru menciptakan lebih banyak kerugian daripada pencegahan.

Sementara itu, integrasi AI ke dalam karya ilmiah telah terjadi dalam skala besar. Studi menunjukkan bahwa 13.5% hingga 22.5% dari makalah akademis saat ini menunjukkan bukti adanya bantuan AI.4 Liang dkk. (2025a) Proses tinjauan sejawat (peer review) juga terkena dampak serupa, dengan sekurang-kurangnya 15.8% tinjauan menunjukkan bantuan AI di beberapa konferensi.5 Latona dkk. (2024) Buku putih ini berargumen bahwa pertanyaan yang dihadapi pendidikan tinggi saat ini bukanlah lagi bagaimana mencegah penggunaan AI, melainkan bagaimana membangun kerangka kerja institusional yang membuat integrasi AI menjadi transparan, berbatas, dan sehat secara pedagogis.

Langkah ke depan menuntut kita untuk meninggalkan pengawasan yang tidak andal dan beralih ke arsitektur transparansi—perangkat dan kebijakan yang dirancang sejak awal agar kontribusi AI dapat terlihat, dapat diaudit, dan dibatasi dengan tepat. Pergeseran ini bukanlah kepasrahan terhadap keniscayaan teknologi, melainkan sebuah peluang untuk merancang ulang integritas akademis di era baru.

Bagian I: Batasan Epistemologis dari Deteksi AI

Penerapan alat deteksi AI secara luas di lingkungan akademik bertumpu pada premis yang keliru: bahwa teks buatan AI dan buatan manusia merupakan kategori yang berbeda secara jelas dan dapat dipisahkan secara andal melalui analisis algoritmik. Bukti empiris yang terkumpul sejak akhir tahun 2022 membuktikan bahwa asumsi ini gagal di bawah pengujian yang ketat.6 Weber-Wulff dkk. (2023); Sadasivan dkk. (2023)

Evaluasi independen paling komprehensif terhadap alat deteksi AI hingga saat ini, yang dilakukan oleh Weber-Wulff dan rekan asistennya serta diterbitkan dalam International Journal for Educational Integrity, menguji empat belas alat deteksi, termasuk dua belas platform yang tersedia untuk umum dan dua sistem komersial.7 Weber-Wulff dkk. (2023) Temuannya sangat jelas: semua alat memiliki skor akurasi di bawah 80%, dengan hanya lima alat yang melampaui 70%. Studi tersebut menyimpulkan bahwa alat-alat ini tidak akurat maupun andal, serta menunjukkan bias utama yang cenderung mengklasifikasikan hasil tulisan sebagai buatan manusia daripada mendeteksi teks buatan AI.

Penurunan kinerja ini menjadi kian parah dalam kondisi dunia nyata. Studi menunjukkan bahwa bahkan pada teks buatan AI yang relatif sederhana, alat deteksi menunjukkan masalah yang signifikan, dan akurasinya menurun drastis saat menghadapi konten yang dimanipulasi atau teknik pengaburan seperti parafrasa.8 Perkins dkk. (2024c); Weber-Wulff dkk. (2023) Beberapa pendeteksi konten AI ditemukan tidak efektif dalam mengidentifikasi teks yang telah diparafrasakan.9 Liu dkk. (2024)

Turnitin, sistem komersial yang digunakan secara luas di dunia akademik, telah berupaya mengatasi keterbatasan ini melalui kalibrasi yang disengaja, kabarnya dengan menerima persentase tertentu dari negatif palsu guna mempertahankan tingkat positif palsu yang rendah di tingkat dokumen.10 Jabarian dan Imas (2025) Kompromi strategis ini, meskipun merupakan pilihan desain produk, menggarisbawahi tantangan mendasar: sistem deteksi sering kali tidak dapat mencapai sensitivitas tinggi (menangkap konten buatan AI) dan spesifisitas tinggi (menghindari salah identifikasi pada konten tulisan manusia) secara bersamaan. Sulit bagi pendeteksi AI tradisional untuk membedakan secara andal antara parafrasa manusia yang sah dan pembuatan teks oleh AI, yang pada akhirnya merusak kegunaannya dalam menegakkan integritas akademis.11 Bordalejo dkk. (2025)

Landasan teoretis untuk batasan ini ditetapkan oleh Sadasivan dan rekan-rekannya di University of Maryland.12 Sadasivan dkk. (2023) Analisis matematis mereka menunjukkan bahwa untuk model bahasa yang cukup mumpuni, pendeteksi optimal sekalipun hanya akan unggul sedikit di atas klasifikasi acak, terutama setelah diterapkannya transformasi seperti parafrasa.13 Cheng dkk. (2025); Sadasivan dkk. (2023) Sebagaimana dirangkum oleh Profesor Soheil Feizi, "Ada batasan atas pada pendeteksi kita yang secara fundamental membatasi performanya, sehingga sangat kecil kemungkinan kita dapat mengembangkan pendeteksi yang akan mengidentifikasi konten buatan AI secara andal."14 University of Maryland (2025)

Ini bukan sekadar keterbatasan teknis yang menanti solusi rekayasa perangkat lunak. Seiring dengan peningkatan model bahasa AI dan hasil keluarannya yang kian mendekati pola penulisan manusia, tanda statistik yang menjadi sandaran deteksi akan semakin pudar. Konvergensi ini menyulitkan pengguna manusia maupun sistem otomatis untuk membedakan secara andal antara teks buatan manusia dan buatan AI.15 Knott dkk. (2024); Frank dkk. (2024) Sadasivan dan rekan-rekannya memberikan hasil ketidakmungkinan teoretis yang menunjukkan bahwa seiring dengan model bahasa yang semakin canggih dan lebih baik dalam meniru teks manusia, kinerja pendeteksi terbaik sekalipun akan menurun. Hal ini menunjukkan adanya kendala mendasar pada akurasi deteksi yang tidak dapat diatasi hanya melalui peningkatan algoritme saja.

Bagian II: Transformasi Sistemik Produksi Ilmiah

Meskipun institusi sangat menyadari penggunaan AI di kalangan mahasiswa sarjana, mereka tidak menyadari transformasi yang jauh lebih signifikan yang telah terjadi di dalam riset akademik profesional. Bukti menunjukkan bahwa penulisan dengan bantuan AI telah menjadi norma dalam penerbitan ilmiah dalam waktu dua tahun setelah peluncuran ChatGPT.16 Matsui (2025); Yip dkk. (2025)

Studi yang paling ketat secara metodologi mengenai fenomena ini, yang diterbitkan oleh Kobak dan rekan-rekannya di Science Advances pada Juli 2025,17 Kobak dkk. (2025) menganalisis 15,1 juta abstrak biomedis berbahasa Inggris yang diindeks oleh PubMed dari tahun 2010–2024. Menggunakan metodologi "kata berlebih" (excess word) yang terinspirasi oleh studi epidemiologi angka kematian COVID-19, para peneliti mengidentifikasi kata-kata yang muncul lebih sering daripada yang diproyeksikan oleh tren sebelum era ChatGPT. Temuan mereka menunjukkan bahwa setidaknya 13.5% dari abstrak biomedis tahun 2024—sekitar satu dari tujuh—diproses dengan model bahasa besar (LLM). Batas bawah ini sangat bervariasi berdasarkan subkategori, bahkan mencapai 40% untuk disiplin ilmu, negara, dan jurnal tertentu.

Para peneliti mengidentifikasi 379 "kata gaya" yang mengungkap penggunaan AI, termasuk istilah seperti "delve" (menelaah), "crucial" (penting), "meticulous" (teliti), dan "intricate" (rumit) yang menunjukkan peningkatan frekuensi yang dramatis pasca-November 2022. Studi tersebut menyimpulkan bahwa "LLM telah memberikan dampak yang belum pernah terjadi sebelumnya pada penulisan ilmiah dalam penelitian biomedis, melampaui efek dari peristiwa besar dunia seperti pandemi COVID."18 Kobak dkk. (2025)

Proses tinjauan sejawat juga terkena dampak yang serupa. Analisis Liang dan rekan-rekan yang dipresentasikan pada International Conference on Machine Learning tahun 202419 Liang dkk. (2024) menemukan bahwa antara 6.5% dan 16.9% tinjauan sejawat di konferensi-konferensi besar AI dimodifikasi secara substansial oleh LLM—didefinisikan sebagai modifikasi di luar sekadar pemeriksaan ejaan. Studi tersebut memeriksa ulasan dari ICLR 2024, NeurIPS 2023, CoRL 2023, dan EMNLP 2023, menemukan bahwa frekuensi kata untuk istilah seperti "commendable" (patut dipuji) meningkat 9,8 kali lipat dan "meticulous" (teliti) meningkat 34,7 kali lipat pada ulasan ICLR 2024 dibandingkan dengan basis data sebelum ChatGPT. Pola perilaku yang dikaitkan dengan penggunaan LLM yang tinggi meliputi tingkat keyakinan yang dilaporkan lebih rendah, pengiriman tugas yang mendekati tenggat waktu, dan penurunan kemungkinan membalas sanggahan penulis.

Respons dari institusi mulai mengakui kenyataan ini. Pada Oktober 2025, arXiv kabarnya mengindikasikan perubahan pada kategori ilmu komputernya terkait artikel tinjauan atau makalah posisi.20 Sun dkk. (2025); Jianghao dkk. (2025) Keputusan ini kabarnya didorong oleh peningkatan signifikan dalam makalah survei yang dibantu LLM, yang sering kali digambarkan tidak lebih dari sekadar bibliografi beranotasi.21 Liang dkk. (2025b); Wang dkk. (2024) Platform tersebut menerima ratusan artikel sejenis setiap bulan dan menghadapi tantangan dalam membedakan kiriman artikel yang berkualitas.

Poin-poin data ini menggambarkan transformasi sistemik dari produksi akademis, bukan sekadar masalah kecurangan mahasiswa secara individu. Kebijakan yang hanya berfokus pada deteksi tulisan mahasiswa sarjana sementara praktik profesional berkembang tanpa kendali merupakan bentuk kesalahan pengategorian dalam merespons masalah institusional.

13.5%
Dari abstrak biomedis tahun 2024 menunjukkan penggunaan LLM
40%
Di beberapa bidang, negara, dan jurnal
16.9%
Dari juri tinjauan sejawat di konferensi besar AI

Bagian III: Bias Deteksi sebagai Krisis Keadilan

Di luar masalah ketidakandalan, alat deteksi AI menunjukkan bias sistemik yang mengubah penerapannya menjadi masalah hak-hak sipil.22 Gorichanaz (2023); Giray (2024) Bias ini paling mencolok terjadi pada penutur bahasa Inggris non-asli, namun juga meluas ke mahasiswa neurodivergen dan populasi lain yang pola penulisannya menyimpang dari ekspektasi algoritmik tentang "sifat kemanusiaan."23 Gegg-Harrison dan Quarterman (2024); Chambers dan Kelley (2025)

Studi penting mengenai masalah ini, yang diterbitkan oleh Liang dkk. di Patterns, mengevaluasi tujuh detektor GPT yang digunakan secara luas terhadap dua kumpulan teks (korpus): 91 esai TOEFL yang ditulis oleh penutur bahasa Inggris non-asli dan 88 esai kelas delapan yang ditulis oleh penutur asli bahasa Inggris.24 Liang dkk. (2023) Meskipun pendeteksi mencapai akurasi yang hampir sempurna untuk esai penutur asli, alat-alat tersebut salah mengklasifikasikan lebih dari separuh sampel tulisan bahasa Inggris non-asli sebagai tulisan buatan AI. Secara khusus, alat deteksi berbasis GPT salah mengklasifikasikan 61.3% sampel dari penutur bahasa Inggris non-asli.25 Perkins dkk. (2024c) Bias ini sangat merata: 97.80% esai TOEFL ditandai sebagai buatan AI oleh setidaknya satu pendeteksi, dan 19.78% di antaranya secara bulat salah diklasifikasikan oleh ketujuh alat deteksi tersebut.26 Arango dkk. (2024)

Mekanisme yang mendasari bias ini bersifat algoritmik, bukan sebuah kebetulan.27 Liang dkk. (2023) Sistem deteksi beroperasi dengan mengukur "perpleksitas"— seberapa mudah pilihan kata dapat diprediksi.28 Park (2024) Penutur bahasa Inggris non-asli secara alami menghasilkan teks dengan keragaman linguistik yang lebih sedikit dan pilihan kata yang lebih mudah diprediksi karena keterbatasan kekayaan leksikal, berkurangnya variasi sintaksis, dan kompleksitas tata bahasa yang lebih rendah. Esai TOEFL yang salah diklasifikasikan secara mutlak menunjukkan tingkat perpleksitas yang jauh lebih rendah. Dengan demikian, sistem ini menghukum pola bahasa yang sebenarnya menjadi ciri tulisan yang kompeten dari penutur bahasa kedua.

Implikasi hak sipil dari hal ini sangatlah besar. Mahasiswa yang sedang mempelajari Bahasa Inggris (English Language Learner)—yang mencakup lebih dari 10% populasi mahasiswa di AS29 Alejandro (2024)—dilindungi di bawah Title VI dari Undang-Undang Hak Sipil atas dasar ras dan asal negara. Tuduhan palsu yang didasarkan pada bias pendeteksi AI dapat dikategorikan sebagai tindakan diskriminasi yang dapat dituntut secara hukum,30 Jacob dkk. (2024); Ovalle (2023); Jiang dkk. (2024) sebuah kekhawatiran yang mengemuka dalam konteks pendidikan. Bagi mahasiswa internasional, tuduhan semacam itu dapat berdampak di luar sanksi akademis, yang berpotensi memengaruhi status keimigrasian mereka dan menyebabkan kerugian besar pada karier akademis mereka.31 Bannister dkk. (2024); Giray (2024) Mahasiswa sering kali mendapati diri mereka berada dalam posisi harus membela karya mereka dari tuduhan algoritmik.32 Gorichanaz (2023)

Mahasiswa neurodivergen menghadapi kerentanan yang serupa. Penelitian membuktikan bahwa penulis neurodivergen, mirip dengan penulis bahasa kedua, lebih cenderung menerima hasil positif palsu dari alat deteksi teks AI.33 Gegg-Harrison dan Quarterman (2024); Chambers dan Kelley (2025) Mekanismenya mencerminkan masalah penutur non-asli: mahasiswa autis sering kali menunjukkan pola penulisan yang dicirikan oleh gaya kaku, kosakata terbatas, dan kesulitan mengekspresikan pikiran, yang tanpa sengaja menyerupai ekspektasi algoritmik dari hasil kerja AI.34 França dkk. (2024); Chambers dan Kelley (2025); Carik dkk. (2024)

Oleh karena itu, penegakan aturan berbasis deteksi menciptakan sistem dua tingkat berdasarkan hak kebebasan linguistik. Mahasiswa yang gaya penulisannya secara alami sesuai dengan ekspektasi algoritmik tentang "sifat kemanusiaan"—biasanya penutur asli bahasa Inggris dengan pola komunikasi neurotipikal—menghadapi risiko yang sangat minim. Di sisi lain, mereka yang gaya penulisan sahnya menyimpang dari ekspektasi ini harus memikul risiko tuduhan yang tidak proporsional.35 Giray (2024)

Bagian IV: Arsitektur Transparansi sebagai Paradigma Alternatif

Jika deteksi gagal baik secara teknis maupun etis, alternatif apa yang tersedia? Jawabannya terletak pada membangun transparansi ke dalam alat AI itu sendiri—merancang sistem yang membuat kontribusi AI terlihat dan terbatas daripada mencoba mengidentifikasinya secara retrospektif melalui pengawasan.

Pendekatan ini mengacu pada kerangka kerja "Transparency by Design" (Transparansi sejak Perancangan) yang dirumuskan oleh Felzmann dan rekan-rekannya dalam Science and Engineering Ethics, yang mengadaptasi prinsip-prinsip "Privacy by Design" dari GDPR ke dalam konteks AI.36 Felzmann dkk. (2020) Kerangka kerja ini mengusulkan pengintegrasian transparansi "secara bertahap dan sebagai nilai ex-ante (sejak awal), bukan sebagai pemikiran tambahan pasca-kejadian." Untuk alat AI akademik, ini berarti merancang sistem di mana kontribusi AI pada hakikatnya dapat dilacak, alih-alih memerlukan deteksi forensik pasca-kejadian.

Jenni AI dikembangkan dengan filosofi utamakan-transparansi ini sebagai prinsip desain fundamentalnya. Alih-alih menjadikan AI sebagai kotak hitam (black box) yang menghasilkan konten untuk kemudian ditinjau oleh manusia, arsitektur platform ini memastikan bahwa keputusan manusia tetap menjadi pusat dalam proses penulisan sementara bantuan AI tetap terlihat dan berbatas. Beberapa pilihan desain spesifik membedakan pendekatan ini dari sistem pembuatan teks massal.

Layanan teks otomatis (autocomplete) di tingkat kalimat, alih-alih pembuatan teks massal, menjaga keterlibatan manusia sepanjang proses penulisan. Fungsi pelengkapan otomatis Jenni AI menghasilkan satu kalimat pada satu waktu, mengharuskan pengguna meninjau dan menerima secara aktif setiap saran sebelum melanjutkan. Hal ini kontras dengan sistem yang menghasilkan seluruh paragraf atau dokumen sekaligus, yang menciptakan kondisi penggantian pemikiran manusia secara menyeluruh oleh AI. Pola keterlibatan ini penting: interaksi kalimat demi kalimat membuat penulis manusia terus membuat keputusan tentang konten, struktur, dan argumentasi, alih-alih hanya meninjau hasil AI secara pasif.

Verifikasi kutipan terintegrasi melalui Perpustakaan Riset (Research Library) milik Jenni mengatasi kerentanan inti dari teks akademik yang dibantu AI: sumber yang direkayasa atau salah atribusi. Jenni AI memungkinkan pengguna untuk mengimpor materi penelitian yang ada melalui file BibTeX, pengenal DOI/PMID/arXiv, atau unggahan PDF langsung. Saran AI kemudian didasarkan pada sumber yang terverifikasi ini, dengan kutipan yang ditautkan ke dokumen spesifik di perpustakaan pengguna.37 Walters dan Wilder (2023); Spennemann (2025); Mustaffa dkk. (2025)

Batasan kontribusi yang dapat dikonfigurasi memungkinkan institusi dan pengguna untuk menerapkan batasan yang sesuai pada bantuan AI. Penelitian menunjukkan bahwa alat AI sering digunakan dan dinilai dapat diterima untuk mendukung tugas sehari-hari seperti meningkatkan keterbacaan, pemeriksaan tata bahasa, tinjauan pustaka, pencarian informasi, penyuntingan, dan menstrukturkan makalah akademis.38 Shimray dan Subaveerapandiyan (2025); Xu (2025); Liao dkk. (2024); Arroyo-Machado dkk. (2025) Hal ini sejalan dengan pemahaman yang lebih luas bahwa meskipun AI dapat membantu dalam bidang-bidang ini, pekerjaan analisis dan argumentasi utama tetap diharapkan untuk ditulis oleh manusia sendiri.39 Kwon (2025); Rughiniș dkk. (2025)

Dukungan multibahasa mengatasi masalah keadilan yang didokumentasikan di Bagian III. Jenni AI beroperasi di lebih dari tiga puluh bahasa, memungkinkan para peneliti untuk bekerja dalam bahasa ibu mereka sambil menghasilkan keluaran teks dalam bahasa Inggris. Pilihan desain ini menegaskan bahwa tujuan penulisan akademis adalah komunikasi ide yang jelas, bukan sekadar unjuk kefasihan bahasa Inggris seperti penutur asli. Penutur non-asli yang menggunakan AI untuk bantuan bahasa tidak sedang menyiasati persyaratan integritas akademis; mereka sedang menggunakan alat bantu untuk mengomunikasikan ide-ide yang telah mereka kembangkan secara mandiri.40 Filimonovic dan Rutzer (2025); Prakash dkk. (2025); Amano dkk. (2025); Rueda dkk. (2025); Sebastian dan Baron (2024); Lepp dan Sarin (2024)

Dokumentasi proses dan fleksibilitas ekspor mendukung persyaratan pengungkapan dari institusi. Jenni AI menyimpan catatan konten yang dibantu AI versus tulisan asli manusia sepanjang proses penulisan, sejalan dengan rekomendasi umum untuk transparansi dan dokumentasi dalam integritas akademis.41 MLA-CCCC Task Force (2023)

Pendekatan utamakan-transparansi ini memposisikan ulang alat penulisan AI sebagai akselerator yang etis, alih-alih ancaman integritas. Alat itu sendiri menjadi mekanisme pengungkapan, membuat kontribusi AI terlihat secara langsung sejak awal daripada memerlukan investigasi forensik setelah pekerjaan selesai.

Bagian V: Jalur Implementasi Institusional

Transisi dari deteksi ke transparansi membutuhkan perubahan terkoordinasi dalam kebijakan, desain asesmen (penilaian), dan pengembangan kapasitas dosen. Beberapa institusi terkemuka telah memulai pergeseran ini, memberikan model untuk adopsi yang lebih luas.

Beralih dari sistem deteksi ke persyaratan pengungkapan (disclosure) merupakan perubahan kebijakan yang mendasar. Panduan dari Cornell University secara eksplisit menyatakan: "Saat ini kami tidak menyarankan penggunaan algoritme deteksi otomatis untuk pelanggaran integritas akademik yang melibatkan AI generatif, mengingat ketidakandalannya."42 Cornell University (2025) Demikian pula, Columbia University mengakui bahwa "deteksi AI harus diperlakukan sebagai panduan rujukan dan bukan metrik penilaian kelas," serta menyadari adanya "risiko salah identifikasi, yang dapat menimbulkan konsekuensi buruk di dalam kelas."43 Columbia University (2025) University of Pittsburgh juga menolak untuk mendukung atau menyokong alat deteksi AI apa pun, dengan alasan "risiko substansial dari hasil positif palsu."44 University of Pittsburgh (2025a)

Alternatifnya adalah persyaratan pengungkapan yang jelas dengan perlindungan prosedural. Pernyataan sikap COPE menetapkan kerangka kerja: penulis yang menggunakan AI harus "transparan dalam mengungkapkan di bagian Bahan dan Metode (atau bagian serupa) dalam makalah tentang bagaimana alat AI tersebut digunakan dan alat mana yang digunakan," sembari tetap memegang "tanggung jawab penuh" atas semua konten.45 da Veiga (2025)

Perancangan ulang asesmen menawarkan bukti integritas yang lebih kuat daripada deteksi. Satuan Tugas Bersama MLA-CCCC merekomendasikan penugasan yang mewajibkan mahasiswa untuk membagikan dan mengomentari riwayat versi (version history) karya tulis mereka, menggunakan alat yang dapat memutar ulang riwayat penulisan guna memperjelas "kapan teks disalin dan ditempel dari sumber lain."46 MLA-CCCC Task Force (2023)

Ujian lisan interaktif, di mana mahasiswa mengartikulasikan penalaran mereka secara real-time, memverifikasi pemahaman secara langsung tanpa memedulikan bagaimana draf tulisan dibuat.47 Theobold (2021); Gaines dan Burrows (2024); Smith dan Tanner (2010) Pendekatan portofolio disertai refleksi berjenjang mendokumentasikan proses belajar mahasiswa dari waktu ke waktu, sehingga penggantian tulisan secara utuh oleh AI menjadi tidak praktis.48 Chan dan Colloton (2024); Generative AI in Higher Education (2025b); Kong et al. (2024); Pedersen dkk. (2018)

AI Assessment Scale (Skala Asesmen AI) yang dikembangkan oleh Perkins, Furze, Roe, dan MacVaugh menyediakan kerangka kerja lima tingkat untuk mengkalibrasi integrasi AI yang sesuai di berbagai jenis tugas.49 Perkins dkk. (2024b); Perkins dkk. (2024a) Tingkat 1 berlaku untuk lingkungan yang diawasi guna menguji retensi pengetahuan. Tingkat 2 dan 3 masing-masing mengizinkan AI untuk pencarian ide dan penyuntingan. Tingkat 4 mengizinkan penulisan berbantuan AI dengan pengungkapan yang jelas. Tingkat 5 memungkinkan eksplorasi penuh AI dengan fokus pada kurasi dan pengawasan oleh manusia. Uji coba implementasi di satu institusi menunjukkan peningkatan perolehan nilai mahasiswa sebesar 5.9% dan kenaikan kelulusan modul sebesar 33.3%, sembari berhasil mengurangi kasus pelanggaran akademik akademis.50 Furze dkk. (2024)

Pengembangan dosen merupakan prasyarat untuk implementasi yang efektif. Kerangka kerja literasi AI, yang mencakup bidang kompetensi seperti pemahaman teknis, keterampilan evaluatif, aplikasi praktis, dan pertimbangan etis, menjadi panduan dalam pengembangan ini.51 UNESCO (2024); Tadimalla dan Maher (2024); Chiu dkk. (2024) Hasil khusus untuk dosen meliputi pengembangan tugas berbasis AI, penyusunan kebijakan khusus mata kuliah, dan pembentukan budaya penggunaan AI yang bertanggung jawab.52 Gupta dkk. (2024)

Investasi institusi pada alat-alat AI yang disetujui dengan fitur transparansi memungkinkan implementasi yang konsisten, dengan beberapa universitas menyediakan akses yang dikelola universitas dan perlindungan privasi data untuk penggunaan alat AI.53 Ng dkk. (2025); Wu dkk. (2024) Banyak universitas, termasuk Carnegie Mellon, sedang terlibat dalam diskusi dan pengembangan kebijakan untuk mengelola alat AI, yang berfokus pada autentikasi institusi dan perlindungan data.54 Pastva dkk. (2024)

Pergeseran dari deteksi ke transparansi memerlukan perubahan budaya di samping revisi kebijakan.55 Zhai dkk. (2024); Miah (2024); Laflamme dan Bruneault (2025); Lund dkk. (2025) Wacana akademik yang lebih luas menekankan bahwa transparansi AI sangat krusial bagi kejujuran intelektual di lingkungan akademik.56 Zhang dkk. (2025) Tujuannya bukanlah pelarangan mutlak ataupun pembebasan tanpa aturan, melainkan pengembangan praktik reflektif mengenai kapan, bagaimana, dan mengapa bantuan AI dapat melayani tujuan akademis yang sah.57 Hysaj dkk. (2025); Figueroa dkk. (2024)

Kesimpulan

Bukti yang disajikan dalam buku putih ini mengarah pada kesimpulan yang tidak menyenangkan tetapi tidak dapat dihindari: institusi tidak dapat lagi mengandalkan deteksi sebagai jalan keluar untuk menegakkan integritas akademis di era AI generatif.

Sistem deteksi gagal secara fundamental dari kinerjanya sendiri. Pengujian independen menunjukkan tingkat akurasi di bawah 80%,58 Weber-Wulff dkk. (2023) tingkat positif palsu setinggi 50% untuk platform yang digunakan secara luas,59 Walters (2023) dan bias sistemis yang menandai lebih dari 61% tulisan berbahasa Inggris dari penutur non-asli sebagai buatan AI.60 Liang dkk. (2023) Ini bukanlah eror sistem (bug) biasa yang menunggu perbaikan. Hasil ketidakmungkinan teoretis dari Sadasivan dan rekan-rekan menunjukkan bahwa seiring dengan peningkatan model bahasa, pendeteksi optimal sekalipun kinerjanya akan menyusut mendekati klasifikasi acak.61 Sadasivan dkk. (2023) Deteksi bukannya tidak memadai untuk sementara waktu; melainkan memang terbatas secara fundamental.

Sementara itu, transformasi yang ingin dicegah oleh institusi sebenarnya sudah terjadi. Setidaknya 13.5% dari abstrak biomedis menunjukkan bukti pemrosesan AI,62 Kobak dkk. (2025) 22.5% makalah ilmu komputer membuktikan adanya modifikasi AI,63 Liang dkk. (2025a) dan hingga 16.9% tinjauan sejawat di konferensi besar dibantu secara substansial oleh AI.64 Liang dkk. (2024) Kebijakan yang hanya berfokus pada esai mahasiswa sarjana sementara karya ilmiah tingkat profesional berkembang bebas tanpa pengawasan adalah tindakan yang hanya mengatasi gejala luar tanpa mengobati kondisi yang sebenarnya.

Alternatifnya bukanlah sikap serba membolehkan, melainkan transparansi. Perangkat yang dirancang dengan interaksi di tingkat kalimat, verifikasi kutipan terintegrasi, dan pelacakan kontribusi akan membuat penggunaan AI terlihat secara default (sejak awal) bukan baru dideteksi setelah selesai. Dikombinasikan dengan persyaratan pengungkapan yang selaras dengan pedoman COPE65 da Veiga (2025) dan dokumentasi proses seperti yang direkomendasikan oleh Satuan Tugas Bersama MLA-CCCC,66 MLA-CCCC Task Force (2023) pendekatan utamakan-transparansi ini tetap dapat menjaga integritas akademis tanpa menimbulkan kekeliruan, ketidakadilan, dan ketegangan permusuhan yang timbul dari penegakan hukum berbasis deteksi.

Pertanyaan yang dihadapi institusi bukan lagi apakah akan mengizinkan penggunaan AI. Pertanyaan itu telah dijawab oleh para dosen, peneliti, dan mahasiswa yang telah mengintegrasikan alat-alat ini ke dalam pekerjaan mereka. Pertanyaannya sekarang adalah apakah penggunaan AI akan diintegrasikan secara pedagogis atau disubstitusikan secara diam-diam.

Institusi yang terus berinvestasi pada aspek deteksi saja akan mendapati diri mereka menjalankan sistem yang merugikan mahasiswa yang seharusnya mereka layani—secara tidak proporsional menandai penutur non-asli dan penulis neurodivergen sementara pengguna yang canggih dapat menghindari deteksi sepenuhnya. Mereka yang beralih ke transparansi dapat membentuk norma-norma baru alih-alih sekadar bereaksi terhadapnya, membangun kerangka kerja yang membedakan bantuan yang sah dari penipuan akademis melalui kejelasan pandangan, bukan dari pengawasan ketat.

Langkah ke depan membutuhkan tindakan nyata. Institusi harus mengaudit kontrak alat deteksi mereka saat ini berdasarkan data akurasi dan bias yang disajikan di sini. Mereka harus mengembangkan kebijakan pengungkapan yang memperlakukan bantuan AI sebagai sesuatu yang dapat dideklarasikan secara jujur, alih-alih dilarang total. Mereka harus berinvestasi dalam pengembangan kapasitas dosen guna membangun literasi AI di seluruh dimensi fungsional, etika, dan retorika. Dan mereka harus mengevaluasi alat-alat yang berorientasi pada transparansi—platform yang dirancang untuk membuat kontribusi AI dapat dilacak—sebagai infrastruktur dasar untuk lingkungan akademik yang baru, bukan sebagai ancaman bagi lingkungan yang lama.

Ini bukanlah kepasrahan terhadap keniscayaan teknologi. Ini adalah pengakuan bahwa integritas akademis selalu bergantung pada norma, ekspektasi, dan pengungkapan yang jujur, bukan dari pengawasan yang sempurna. Tujuannya tetap tidak berubah: memastikan bahwa kualifikasi mencerminkan proses pembelajaran yang tulus dan bahwa karya ilmiah mewakili kontribusi intelektual yang autentik. Caranya harus berubah karena lingkungannya telah berubah. Deteksi telah menjawab pertanyaan yang kini tidak lagi memiliki jawaban andal. Transparansi menjawab kenyataan yang kini dihadapi institusi.

Deklarasi Penggunaan AI

Selama penyiapan dokumen putih (whitepaper) ini, para penulis menggunakan Jenni AI untuk menyempurnakan tulisan dan memverifikasi format kutipan, serta meningkatkan kejelasan dan kualitas komunikasi tertulis. Setelah menggunakan alat ini, para penulis meninjau dan mengedit konten sesuai kebutuhan serta bertanggung jawab penuh atas konten publikasi ini.

Langkah selanjutnya bagi institusi

  1. 1Audit kontrak alat deteksi yang berjalan berdasarkan data akurasi dan bias yang disajikan di sini.
  2. 2Susun kebijakan pengungkapan yang memperlakukan bantuan AI sebagai hal yang perlu dinyatakan, bukan dilarang.
  3. 3Berinvestasilah dalam pengembangan dosen untuk membangun literasi AI.
  4. 4Nilai alat yang berorientasi pada transparansi sebagai infrastruktur, bukan ancaman.

Untuk institusi

Hadirkan alat menulis yang mengutamakan transparansi di departemen atau perpustakaan Anda.

Lihat Jenni untuk Tim

Untuk peneliti

Bergabunglah dengan ribuan peneliti yang memercayai Jenni untuk karya yang transparan dan dapat diverifikasi.

Mulai menulis

Referensi

Alejandro, S. (2024). The education balancing act: AI progression, fairness and biases. Policy Perspectives, 31. https://doi.org/10.4079/pp.v31i0.15
Amano, T., Bowker, L., & Burton-Jones, A. (2025). AI-mediated translation presents two possible futures for academic publishing in a multilingual world. PLoS Biology, 23(6). https://doi.org/10.1371/journal.pbio.3003215
Arango, M. C., Hincapié-Otero, M. M., Hardeman, K. N., Shao, B., Starbird, L., & Starbird, C. A. (2024). Special considerations for the use of AI tools by PEERs as a learning and communication aid. Carolina Digital Repository (University of North Carolina at Chapel Hill). https://doi.org/10.17615/m0hg-9687
Arroyo‐Machado, W., Ma, J., Chen, T., Johnson, T. P., Islam, S., Michalegko, L., & Welch, E. W. (2025). Generative AI and academic scientists in US universities: Perception, experience, and adoption intentions. PLoS ONE, 20(8). https://doi.org/10.1371/journal.pone.0330416
Bannister, P., Peñalver, E. A., & Urbieta, A. S. (2024). International students and generative artificial intelligence. Journal of International Students, 14(3), 149–170. https://doi.org/10.32674/jis.v14i3.6277
Bordalejo, B., Pafumi, D., Onuh, F., Khalid, A. K. M. I., Pearce, M. S., & O’Donnell, D. P. (2025). “Scarlet Cloak and the Forest Adventure”: A preliminary study of the impact of AI on commonly used writing tools. International Journal of Educational Technology in Higher Education, 22(1). https://doi.org/10.1186/s41239-025-00505-5
Carik, B., Ping, K., Ding, X., & Rho, E. H. (2024). Exploring large language models through a neurodivergent lens: Use, challenges, community-driven workarounds, and concerns. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2410.06336
Chambers, S., & Kelley, M. C. (2025). The misclassification of autistic writing as AI-generated. In Lecture notes in computer science (pp. 89–103). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-98420-4_7
Chan, C. K. Y., & Colloton, T. (2024). Generative AI in higher education. https://doi.org/10.4324/9781003459026
Cheng, Y., Sadasivan, V. S., Saberi, M., Saha, S., & Feizi, S. (2025). Adversarial paraphrasing: A universal attack for humanizing AI-generated text. https://doi.org/10.48550/ARXIV.2506.07001
Chiu, T. K. F., Ahmad, Z., Ismailov, M., & Sanusi, I. T. (2024). What are artificial intelligence literacy and competency? A comprehensive framework to support them. Computers and Education Open, 6, 100171. https://doi.org/10.1016/j.caeo.2024.100171
Columbia University. (2025). Office of the Provost — Generative AI. https://provost.columbia.edu/content/generative-ai
da Veiga, A. (2025). Ethical guidelines for the use of generative artificial intelligence and artificial intelligence-assisted tools in scholarly publishing: A thematic analysis. Science Editing, 12(1), 28–34. https://doi.org/10.6087/kcse.352
Felzmann, H., Fosch-Villaronga, E., Lutz, C., & Tamò-Larrieux, A. (2020). Towards transparency by design for artificial intelligence. https://doi.org/10.1007/s11948-020-00276-4
Figueroa, B. M., Eaton, S. E., Pethrick, H., Hayden, A., Brennan, R. W., Wiens, J., & McDermott, B. (2024). Academic integrity and artificial intelligence in higher education (HE) contexts: A rapid scoping review. Canadian Perspectives on Academic Integrity, 7(3). https://doi.org/10.55016/ojs/cpai.v7i3.78123
Filimonovic, D., & Rutzer, C. (2025). Generative AI as a linguistic equalizer in global science. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2511.11687
Frank, J. H., Herbert, F., Ricker, J., Schönherr, L., Eisenhofer, T., Fischer, A., Dürmuth, M., & Holz, T. (2024). A representative study on human detection of artificially generated media across countries. https://doi.org/10.1109/sp54263.2024.00159
França, A. B. C., Reategui, E. B., Mintz, J., Meira, R. R., & Motz, R. (2024). Writing analytics and AI for special education: Preliminary results on students with autism spectrum disorder. In Communications in computer and information science (pp. 192–199). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-64312-5_23
Furze, L., Perkins, M., Roe, J., & MacVaugh, J. (2024). The AI assessment scale (AIAS) in action: A pilot implementation of GenAI-supported assessment. Australasian Journal of Educational Technology. https://doi.org/10.14742/ajet.9434
Gaines, T., & Burrows, N. L. (2024). Exploring alternative assessments during COVID: Instructor experiences using oral exams. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1379886
Gegg-Harrison, W., & Quarterman, C. (2024). AI detection's high false positive rates and the psychological and material impacts on students. In Advances in educational marketing, administration, and leadership book series (pp. 199–219). IGI Global. https://doi.org/10.4018/979-8-3693-0240-8.ch011
Generative AI in higher education. (2025). Edward Elgar Publishing. https://doi.org/10.4337/9781035326020
Giray, L. (2024). The problem with false positives: AI detection unfairly accuses scholars of AI plagiarism. The Serials Librarian, 1–9. https://doi.org/10.1080/0361526x.2024.2433256
Gorichanaz, T. (2023). Accused: How students respond to allegations of using ChatGPT on assessments. Learning Research and Practice, 9(2), 183–196. https://doi.org/10.1080/23735082.2023.2254787
Gupta, A., Atef, Y., Mills, A., & Bali, M. (2024). Assistant, parrot, or colonizing loudspeaker? ChatGPT metaphors for developing critical AI literacies. Open Praxis, 16(1), 37–53. https://doi.org/10.55982/openpraxis.16.1.631
Hysaj, A., Dean, B. A., & Freeman, M. (2025). Exploring the purposes and uses of generative artificial intelligence tools in academic writing for multicultural students. Higher Education Research & Development, 1–15. https://doi.org/10.1080/07294360.2025.2488862
Is AI-generated content actually detectable? (2025). University of Maryland. https://cmns.umd.edu/news-events/news/ai-generated-content-actually-detectable
Jabarian, B., & Imas, A. (2025). Artificial writing and automated detection. https://doi.org/10.2139/ssrn.5407424
Jacob, S., Tate, T., & Warschauer, M. (2024). Emergent AI-assisted discourse: A case study of a second language writer authoring with ChatGPT. Journal of China Computer-Assisted Language Learning. https://doi.org/10.1515/jccall-2024-0011
Jiang, Y., Hao, J., Fauss, M., & Li, C. (2024). Detecting ChatGPT-generated essays in a large-scale writing assessment: Is there a bias against non-native English speakers? Computers & Education, 217, 105070. https://doi.org/10.1016/j.compedu.2024.105070
Jianghao, L., Rong, S., Jiachen, Z., Xi, Y., Yong, Y., & Zhang, W. (2025). Stop DDoS attacking the research community with AI-generated survey papers. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.09686
Knott, A., Pedreschi, D., Jitsuzumi, T., Leavy, S., Eyers, D., Chakraborti, T., Trotman, A., Sundareswaran, S., Baeza‐Yates, R., Biecek, P., Weller, A., Teal, P. D., Basu, S., Haklıdır, M., Morini, V., Russell, S., & Bengio, Y. (2024). AI content detection in the emerging information ecosystem: New obligations for media and tech companies. Ethics and Information Technology, 26(4). https://doi.org/10.1007/s10676-024-09795-1
Kobak, D., González-Márquez, R., Horvát, E. Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27). https://doi.org/10.1126/sciadv.adt3813
Kong, S. C., Lee, J. C., & Tsang, O. (2024). A pedagogical design for self-regulated learning in academic writing using text-based generative artificial intelligence tools: 6-P pedagogy of plan, prompt, preview, produce, peer-review, portfolio-tracking. Research and Practice in Technology Enhanced Learning, 19, 30. https://doi.org/10.58459/rptel.2024.19030
Kwon, D. (2025). Is it OK for AI to write science papers? Nature survey shows researchers are split. Nature, 641(8063), 574–578. https://doi.org/10.1038/d41586-025-01463-8
Laflamme, A. S., & Bruneault, F. (2025). Redefining academic integrity in the age of generative artificial intelligence: The essential contribution of artificial intelligence ethics. Journal of Scholarly Publishing, 56(2), 481–509. https://doi.org/10.3138/jsp-2024-1125
Latona, G. R., Ribeiro, M. H., Davidson, T. R., Veselovsky, V., & West, R. (2024). The AI review lottery: Widespread AI-assisted peer reviews boost paper scores and acceptance rates. https://doi.org/10.48550/ARXIV.2405.02150
Lepp, H., & Sarin, P. (2024). a global AI community requires language-diverse publishing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2408.14772
Liang, W., Izzo, Z., Zhang, Y., Lepp, H., Cao, H., Zhao, X., Chen, L., Ye, H., Liu, S., Huang, Z., McFarland, D. A., & Zou, J. (2024). Monitoring AI-modified content at scale: A case study on the impact of ChatGPT on AI conference peer reviews. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2403.07183
Liang, W., Yüksekgönül, M., Mao, Y., Wu, E. Q., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Liang, W., Zhang, Y., Wu, Z., Lepp, H., Ji, W., Zhao, X., Cao, H., Liu, S., He, S., Huang, Z., Yang, D., Potts, C., Manning, C. D., & Zou, J. (2025a). Quantifying large language model usage in scientific papers. Nature Human Behaviour. https://doi.org/10.1038/s41562-025-02273-8
Liang, X., Yang, J., Wang, Y., Tang, C., Zheng, Z., Niu, S., Song, S., Wang, H., Tang, B., Xiong, F., Mao, K., & Li, Z. (2025). SurveyX: Academic survey automation via large language models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.14776
Liao, Z., Antoniak, M., Cheong, I., Cheng, E. Y. Y., Lee, A. H., Lo, K., Chang, J. C., & Zhang, A. X. (2024). LLMs as research tools: A large scale survey of researchers' usage and perceptions. https://doi.org/10.48550/ARXIV.2411.05025
Liu, J. Q. J., Hui, K. T., Zoubi, F. A., Zhou, Z. Z. X., Samartzis, D., Yu, C. C. H., Chang, J. R., & Wong, A. Y. L. (2024). The great detectives: Humans versus AI detectors in catching large language model-generated medical writing. International Journal for Educational Integrity, 20(1). https://doi.org/10.1007/s40979-024-00155-6
Lund, B., Orhan, Z., Mannuru, N. R., Bevara, R. V. K., Porter, B., Vinaih, M. K., & Bhaskara, P. (2025). Standards, frameworks, and legislation for artificial intelligence (AI) transparency. AI and Ethics, 5(4), 3639–3655. https://doi.org/10.1007/s43681-025-00661-4
Matsui, K. (2025). Delving into PubMed records: How AI-influenced vocabulary has transformed medical writing since ChatGPT. Perspectives on Medical Education, 14(1), 882–890. https://doi.org/10.5334/pme.1929
Miah, M. (2024). Unveiling the evolutionary impact of artificial intelligence on the workforce. Informatica Economica, 28, 39–58. https://doi.org/10.24818/issn14531305/28.1.2024.04
MLA-CCCC Joint Task Force on Writing and AI. (2023). Academic integrity and assignment design. https://aiandwriting.hcommons.org/2023/09/22/academic-integrity-and-assignment-design/
Mustaffa, N. E., Lai, K. H., Preece, C., & Wong, F. Y. (2025). A bibliometric review of large language model hallucination. International Journal of Research and Innovation in Social Science, 5025–5037. https://doi.org/10.47772/ijriss.2025.909000409
Ng, B., Liu, J., Tong, X., Ye, K., Yenne, G., Chandrasekaran, V., & Li, J. (2025). Analyzing security and privacy challenges in generative AI usage guidelines for higher education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.20463
Ovalle, A. (2023). Decoding the digital fuku: Deciphering colonial legacies to critically assess ChatGPT in Dominican education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2310.17533
Park, S. (2024). AI chatbots and linguistic injustice. Journal of Universal Language, 25(1), 99–119. https://doi.org/10.22425/jul.2024.25.1.99
Pastva, J., Jebbia, D., Reilly, M., & Werlinich, A. (2024). The implementation of Keenious at Carnegie Mellon University. Journal of eScience Librarianship, 13(1). https://doi.org/10.7191/jeslib.800
Pedersen, A. Y., Caviglia, F., Kay, J., & Luckin, R. (2018). Researcher or fellow citizen?: Looking for a role model in the humanities. Research Portal Denmark, 2, 945–948.
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The artificial intelligence assessment scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Perkins, M., Roe, J., & Furze, L. (2024). The AI assessment scale revisited: A framework for educational assessment. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2412.09029
Perkins, M., Roe, J., Vu, B., Postma, D., Hickerson, D., McGaughran, J., & Khuat, H. Q. (2024). GenAI detection tools, adversarial techniques and implications for inclusivity in higher education. Cornell University. https://doi.org/10.48550/arxiv.2403.19148
Prakash, A., Aggarwal, S., Varghese, J. J., & Varghese, J. (2025). Writing without borders: AI and cross-cultural convergence in academic writing quality. Humanities and Social Sciences Communications, 12(1). https://doi.org/10.1057/s41599-025-05484-6
Rueda, J., Ivanković, V., & Blunden, C. (2025). A cautiously optimistic view on large language model use against linguistic injustice in academia. Nature Machine Intelligence, 7(11), 1773–1774. https://doi.org/10.1038/s42256-025-01138-z
Rughiniș, C., Vulpe, S., Țurcanu, D., & Rughiniș, R. (2025). AI at the knowledge gates: Institutional policies and hybrid configurations in universities and publishers. Frontiers in Computer Science, 7. https://doi.org/10.3389/fcomp.2025.1608276
Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2023). Can AI-generated text be reliably detected? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2303.11156
Sebastian, F., & Baron, R. (2024). Artificial intelligence: What the future holds for multilingual authors and editing professionals. Science Editor. https://doi.org/10.36591/se-d-4702-01
Shimray, S. R., & Subaveerapandiyan, A. (2025). Artificial intelligence in academic writing and research: Adoption and effectiveness. Open Information Science, 9(1). https://doi.org/10.1515/opis-2025-0026
Smith, J. I., & Tanner, K. D. (2010). The problem of revealing how students think: Concept inventories and beyond. CBE—Life Sciences Education, 9(1), 1–5. https://doi.org/10.1187/cbe.09-12-0094
Spennemann, D. (2025). The origins and veracity of references ‘cited’ by generative artificial intelligence applications: Implications for the quality of responses. Publications, 13, 12. https://doi.org/10.3390/publications13010012
Sun, Z., Zhu, X., Zhou, X., Tong, X., Wang, S., Fu, J., Li, G., Liu, Z., & Wu, F. (2025). SurveyBench: Can LLM(-agents) write academic surveys that align with reader needs? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.03120
Tadimalla, S. Y., & Maher, M. L. (2024). AI literacy for all: Adjustable interdisciplinary socio-technical curriculum. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.10552
Theobold, A. S. (2021). Oral exams: A more meaningful assessment of students’ understanding. Journal of Statistics and Data Science Education, 29(2), 156–159. https://doi.org/10.1080/26939169.2021.1914527
UNESCO. (2024). AI competency framework for teachers. https://doi.org/10.54675/zjte2084
University of Pittsburgh. (2025). Generative AI: Encouraging academic integrity. https://teaching.pitt.edu/resources/encouraging-academic-integrity/
Wakjira, T. G., Tijani, I. A., Alam, M. S., Mashal, M., & Hasan, K. (2025). Can we trust AI content detection tools for critical decision-making? Information, 16(10), 904. https://doi.org/10.3390/info16100904
Walters, W. H. (2023). The effectiveness of software designed to detect AI-generated writing: A comparison of 16 AI text detectors. Open Information Science, 7(1). https://doi.org/10.1515/opis-2022-0158
Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-41032-5
Wang, Y., Guo, Q., Yao, W., Zhang, H., Zhang, X., Wu, Z., Zhang, M., Dai, X., Zhang, M., Wen, Q., Ye, W., Zhang, S., & Zhang, Y. (2024). Autosurvey: Large language models can automatically write surveys. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2406.10252
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19(1). https://doi.org/10.1007/s40979-023-00146-z
Wu, C., Zhang, H., & Carroll, J. M. (2024). AI governance in higher education: Case studies of guidance at Big Ten universities. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.02017
Xu, Z. (2025). Patterns and purposes: A cross-journal analysis of AI tool usage in academic writing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.00632
Yip, R., Sun, Y. J., Bassuk, A. G., & Mahajan, V. B. (2025). Artificial intelligence’s contribution to biomedical literature search: Revolutionizing or complicating? PLOS Digital Health, 4. https://doi.org/10.1371/journal.pdig.0000849
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: A systematic review. https://doi.org/10.1186/s40561-024-00316-7
Zhang, X., Zhang, J., & Oubibi, M. (2025). Effects of Chinese college students’ academic integrity perceptions on the intention to disclose AI-generated outputs: A moderated mediation model. Journal of Academic Ethics, 23(4), 1709–1728. https://doi.org/10.1007/s10805-025-09622-2

Kutip makalah ini

Spezowka, Alex. Melampaui Deteksi: Sebuah Kerangka Kerja untuk Integrasi AI yang Etis dalam Penelitian Akademik. Penelitian Jenni, 2026. jenni.ai/id/whitepaper.

Dipercaya oleh Universitas dan bisnis di seluruh dunia

google logo
penn logo
cambridge university
aston university logo

Dipercaya oleh Universitas dan bisnis di seluruh dunia

google logo
penn logo
cambridge university
aston university logo

Dipercaya oleh Universitas dan bisnis di seluruh dunia

google logo
penn logo
cambridge university
aston university logo
INTEGRITAS SEJAK AWAL

Dibangun untuk kepercayaan, bukan hanya kecepatan

Setiap karya yang dibuat dengan Jenni dilengkapi dengan transparansi dan verifikasi bawaan.

Menulislah dengan percaya diri

Verifikasi teks secara langsung terhadap sumber yang dikutip untuk memastikan klaim Anda mewakili literatur dengan akurat.

Tingkat keyakinan klaim

Analisis keyakinan klaim mengatasi masalah sitasi yang mubazir, lemah, atau hilang, di samping contoh-contoh kontradiksi dalam argumen sitasi.

Disalahtafsirkan

Bertentangan

3

Tidak didukung

4

Didukung secara Lemah

2

Berlebihan

Tidak dapat diverifikasi

Temukan masalah sejak dini dan cegah putaran umpan balik yang berulang

Periksa klaim Anda terhadap penelitian yang ada, pastikan argumen Anda dapat dipertahankan.

Rumah bagi tulisan penelitian Anda

Tidak perlu lagi bersusah payah dengan integrasi aplikasi, tulis makalah Anda berikutnya di satu tempat.

Privasi Data

Draf Anda tetap bersifat pribadi. Jenni tidak menggunakan tulisan Anda untuk melatih model, dan penyedia AI hulu kami secara kontraktual dilarang melatih data pengguna Jenni.

Deklarasi AI

Masukkan pernyataan kepatuhan yang selaras dengan standar pengungkapan dari kerangka kerja seperti Prinsip AI OECD dan Etika AI UNESCO.

Dirancang untuk Kolaborasi

Tulis, edit, dan kutip bersama rekan penulis Anda dalam satu editor dokumen yang mudah digunakan. Hindari masalah versi dokumen dengan kolaborasi yang lancar.

Saya menggunakan Jenni untuk menyusun sinopsis pendaftaran S3 saya, yang berfokus pada digitalisasi, optimalisasi rantai pasok, dan ketahanan. Alat ini membantu saya mengubah ide-ide penelitian saya menjadi proposal yang ringkas dan menarik yang berhasil memikat perhatian banyak pembaca.

Rebecca Nakalanda | Dosen, Makerere University Business School

Siap untuk menulis dengan percaya diri?

Bergabunglah dengan ribuan peneliti yang memercayai Jenni untuk karya yang transparan dan dapat diverifikasi.

Start for free

No credit card required

Cancel anytime

Lebih dari 6

Akademisi di seluruh dunia

5,2 jam dihemat

Rata-rata per makalah

Lebih dari 15 jt

Makalah yang ditulis tentang Jenni

Siap untuk menulis dengan percaya diri?

Bergabunglah dengan ribuan peneliti yang memercayai Jenni untuk karya yang transparan dan dapat diverifikasi.

Start for free

No credit card required

Cancel anytime

Lebih dari 6

Akademisi di seluruh dunia

5,2 jam dihemat

Rata-rata per makalah

Lebih dari 15 jt

Makalah yang ditulis tentang Jenni

Siap untuk menulis dengan percaya diri?

Bergabunglah dengan ribuan peneliti yang memercayai Jenni untuk karya yang transparan dan dapat diverifikasi.

Start for free

No credit card required

Cancel anytime

Lebih dari 6

Akademisi di seluruh dunia

5,2 jam dihemat

Rata-rata per makalah

Lebih dari 15 jt

Makalah yang ditulis tentang Jenni