Перейти к содержимому

БЕЛАЯ КНИГА

Вне зоны обнаружения

Концептуальные основы этической интеграции ИИ в академические исследования

Алекс СпецовкаДженни Рисерч2026Список литературы (81)

  • <80%Точность детекторов ИИ в независимых тестах
  • 50%Ложноположительных срабатываний на популярных платформах
  • 61%Текстов неносителей языка ошибочно признаны ИИ

Широкое распространение генеративного ИИ в академической среде выявило фундаментальную истину, которую институты до сих пор неохотно признавали:

Парадигма обнаружения потерпела крах.

В ходе независимого тестирования точность инструментов обнаружения ИИ часто не достигала и 80%.1 Wakjira et al. (2025) На широко используемых платформах уровень ложноположительных результатов может достигать 50%.2 Weber-Wulff et al. (2023) Также задокументирована системная предвзятость: более 61% текстов, написанных неносителями английского языка, помечаются как созданные ИИ.3 Liang et al. (2023) Таким образом, нынешний подход по принципу «обнаружить и наказать» приносит больше вреда, чем пользы.

Тем временем интеграция ИИ в научную работу уже приобрела массовый характер. Исследования показывают, что от 13,5% до 22,5% научных работ содержат признаки использования ИИ.4 Liang et al. (2025a) Процессы рецензирования затронуты в аналогичной степени: на некоторых конференциях как минимум 15,8% рецензий были подготовлены с помощью ИИ.5 Latona et al. (2024) В данном документе доказывается, что перед высшим образованием стоит вопрос не о том, как предотвратить использование ИИ, а о том, как выстроить институциональные рамки, которые сделают интеграцию ИИ прозрачной, контролируемой и педагогически обоснованной.

Дальнейший путь требует отказа от ненадежной слежки в пользу архитектур прозрачности — инструментов и политик, изначально разработанных для того, чтобы сделать вклад ИИ видимым, проверяемым и надлежащим образом ограниченным. Этот сдвиг представляет собой не капитуляцию перед технологической неизбежностью, а возможность переосмыслить академическую добропорядочность в новую эпоху.

Часть I: Эпистемологические пределы обнаружения ИИ

Широкое внедрение детекторов ИИ в академической среде опирается на ошибочную предпосылку: будто текст, созданный ИИ, и текст, написанный человеком, представляют собой четко различимые категории, которые можно надежно разделить с помощью алгоритмического анализа. Эмпирические данные, накопленные с конца 2022 года, показывают, что это предположение полностью опровергается при строгой проверке.6 Weber-Wulff et al. (2023); Sadasivan et al. (2023)

В ходе наиболее масштабной независимой оценки систем обнаружения ИИ на сегодняшний день, проведенной Вебер-Вульфф и коллегами и опубликованной в International Journal for Educational Integrity, были протестированы четырнадцать инструментов обнаружения, включая двенадцать общедоступных платформ и две коммерческие системы.7 Weber-Wulff et al. (2023) Результаты оказались однозначными: точность всех инструментов составила менее 80%, и лишь пять из них превысили порог в 70%. Исследование пришло к выводу, что эти инструменты не являются ни точными, ни надежными, демонстрируя выраженную склонность классифицировать текст как написанный человеком, вместо того чтобы выявлять контент, сгенерированный ИИ.

В реальных условиях эффективность снижается еще сильнее. Исследования показывают, что детекторы испытывают серьезные трудности даже с относительно простыми текстами от ИИ, а их точность резко падает, когда они сталкиваются с измененным контентом или техниками обхода, такими как перефразирование.8 Perkins et al. (2024c); Weber-Wulff et al. (2023) Было установлено, что некоторые детекторы ИИ-контента совершенно неэффективны при распознавании перефразированных текстов.9 Liu et al. (2024)

Turnitin, широко используемая в академических кругах коммерческая система, попыталась решить эти ограничения за счет преднамеренной калибровки, заведомо допуская определенный процент ложноотрицательных результатов, чтобы сохранить низкий уровень ложноположительных срабатываний на уровне документа.10 Jabarian and Imas (2025) Этот компромисс, будучи продуктовым решением, обнажает фундаментальную проблему: системы обнаружения зачастую не могут одновременно обеспечить высокую чувствительность (выявление ИИ-контента) и высокую специфичность (предотвращение ошибочного обвинения человека). Неспособность традиционных детекторов ИИ надежно отличать естественное перефразирование человеком от генерации ИИ подрывает их полезность для контроля академической честности.11 Bordalejo et al. (2025)

Теоретическое обоснование этого ограничения было сформулировано Садасиваном и коллегами из Мэрилендского университета.12 Sadasivan et al. (2023) Их математический анализ показал, что для достаточно продвинутых языковых моделей даже идеальные детекторы могут лишь незначительно превзойти случайное угадывание, особенно после применения таких трансформаций, как перефразирование.13 Cheng et al. (2025); Sadasivan et al. (2023) Как резюмировал профессор Сохейл Фейзи: «Существует верхний предел возможностей наших детекторов, который фундаментально их ограничивает, так что крайне маловероятно, что мы сможем разработать детекторы, способные надежно идентифицировать созданный ИИ контент».14 University of Maryland (2025)

Речь идет не о временной технической трудности, ожидающей инженерного решения. По мере совершенствования языковых ИИ-моделей и сближения их результатов с паттернами человеческого письма, статистические сигнатуры, на которых строится обнаружение, стираются. Это сближение делает задачу надежного разграничения человеческого и машинного текста практически невыполнимой как для людей, так и для автоматизированных систем.15 Knott et al. (2024); Frank et al. (2024) Садасиван и коллеги представили математическое доказательство того, что по мере роста сложности языковых моделей и улучшения их способности имитировать человека эффективность даже самого совершенного детектора падает. Это указывает на фундаментальное ограничение точности обнаружения, которое невозможно преодолеть простым улучшением алгоритмов.

Часть II: Системная трансформация научной работы

Пока учебные заведения сосредоточены на контроле использования ИИ студентами бакалавриата, они упускают из виду гораздо более глубокую трансформацию, которая уже произошла в профессиональном научном сообществе. Данные свидетельствуют о том, что написание статей с привлечением ИИ стало нормой для научных изданий уже через два года после релиза ChatGPT.16 Matsui (2025); Yip et al. (2025)

Наиболее методологически строгое исследование этого феномена, опубликованное Кобаком и коллегами в журнале Science Advances в июле 2025 года,17 Kobak et al. (2025) охватило 15,1 млн англоязычных биомедицинских аннотаций, проиндексированных в PubMed за период с 2010 по 2024 год. Используя методику анализа «избыточных слов», заимствованную из эпидемиологических исследований смертности от COVID-19, исследователи выявили слова, которые стали встречаться значительно чаще, чем предсказывалось трендами до эпохи ChatGPT. Их выводы показывают, что как минимум 13,5% биомедицинских аннотаций в 2024 году — примерно каждая седьмая — обрабатывались с помощью больших языковых моделей. Эта нижняя граница существенно колебалась в зависимости от дисциплины, страны и журнала, достигая в некоторых случаях 40%.

Исследователи выделили 379 «маркерных слов стиля», указывающих на использование ИИ, включая такие понятия, как «delve» (углубляться), «crucial» (крайне важный), «meticulous» (скрупулезный) и «intricate» (замысловатый), частота использования которых резко возросла после ноября 2022 года. В исследовании делается вывод, что «LLM оказали беспрецедентное влияние на научный стиль письма в биомедицинских исследованиях, превзойдя по своему эффекту даже такие масштабные мировые события, как пандемия COVID-19».18 Kobak et al. (2025)

Аналогичные изменения затронули и процесс рецензирования. Анализ Лианга и коллег, представленный на Международной конференции по машинному обучению в 2024 году,19 Liang et al. (2024) показал, что от 6,5% до 16,9% экспертных рецензий на крупных ИИ-конференциях были существенно изменены с помощью LLM (под изменениями понималось нечто большее, чем просто исправление опечаток). Исследовав рецензии на конференциях ICLR 2024, NeurIPS 2023, CoRL 2023 и EMNLP 2023, авторы обнаружили, что частота употребления слова «commendable» (достойный похвалы) выросла в 9,8 раза, а «meticulous» (скрупулезный) — в 34,7 раза в рецензиях ICLR 2024 по сравнению с периодом до ChatGPT. Поведенческие паттерны, связанные с активным использованием LLM, включали более низкую заявленную уверенность рецензентов, отправку текстов перед самым дедлайном и меньшую готовность отвечать на возражения авторов.

Официальные структуры начинают признавать эту реальность. Сообщается, что в октябре 2025 года платформа arXiv скорректировала правила в категории «Компьютерные науки» в отношении обзорных статей и концептуальных документов.20 Sun et al. (2025); Jianghao et al. (2025) Это решение было продиктовано резким увеличением числа обзорных работ, созданных с помощью LLM, которые зачастую являлись не более чем аннотированными библиографическими списками.21 Liang et al. (2025b); Wang et al. (2024) Платформа ежемесячно получает сотни таких материалов и сталкивается с трудностями при отборе качественных работ.

Эти данные описывают системную трансформацию научной деятельности в целом, а не единичные случаи академического мошенничества со стороны студентов. Борьба с использованием ИИ среди студентов на фоне его бесконтрольного внедрения в профессиональной среде представляет собой концептуальную ошибку со стороны руководства вузов.

13.5%
Биомедицинских аннотаций 2024 года написаны с помощью LLM
40%
Использования ИИ в отдельных областях, странах и изданиях
16.9%
Рецензий на ведущих конференциях по ИИ изменены моделями

Часть III: Предвзятость детекции как кризис равенства прав

Помимо технической ненадежности, инструменты обнаружения ИИ демонстрируют систематическую предвзятость, превращающую их использование в проблему ущемления гражданских прав.22 Gorichanaz (2023); Giray (2024) Эта предвзятость наиболее сильно бьет по авторам, для которых английский язык является вторым, но также затрагивает нейроотличных студентов и другие группы, чей стиль письма отличается от алгоритмических представлений о «человечности».23 Gegg-Harrison and Quarterman (2024); Chambers and Kelley (2025)

В ключевом исследовании по этой проблематике Лианг и коллеги оценили работу семи популярных GPT-детекторов на двух базах данных: 91 эссе TOEFL, написанных неносителями английского языка, и 88 эссе учащихся восьмых классов, для которых английский является родным.24 Liang et al. (2023) Если для текстов носителей языка точность распознавания была практически абсолютной, то более половины работ неносителей языка были ошибочно классифицированы как сгенерированные ИИ. В частности, детекторы на базе GPT неверно распознали 61,3% таких образцов.25 Perkins et al. (2024c) Предвзятость носила тотальный характер: 97,80% эссе TOEFL были помечены как сгенерированные ИИ как минимум одним детектором, а 19,78% были единогласно признаны ИИ-текстами всеми семью системами.26 Arango et al. (2024)

Природа этой предвзятости заложена в самих алгоритмах, а не случайна.27 Liang et al. (2023) Системы детекции оценивают перплексию (perplexity) — меру предсказуемости выбора слов.28 Park (2024) Тексты неносителей языка естественным образом отличаются меньшим лексическим разнообразием, более простой грамматикой и предсказуемым подбором слов. Эссе TOEFL, которые были единогласно признаны текстами ИИ, характеризовались значительно более низкой перплексией. Системы обнаружения наказывают авторов именно за те языковые особенности, которые естественны для людей, осваивающих чужой язык.

Это влечет серьезные правовые последствия. Студенты, изучающие английский язык — а это более 10% всех учащихся в США29 Alejandro (2024), — защищены Разделом VI Закона о гражданских правах от дискриминации по расовому признаку и национальному происхождению. Ошибочные обвинения, выдвинутые на основе предвзятого алгоритма детектора, могут стать поводом для судебных исков,30 Jacob et al. (2024); Ovalle (2023); Jiang et al. (2024) на что уже обращают внимание эксперты в сфере образования. Для иностранных студентов такие инциденты могут грозить не просто плохими оценками, но и аннулированием виз, что ломает всю их академическую карьеру.31 Bannister et al. (2024); Giray (2024) При этом студенты оказываются в заведомо уязвимом положении, вынужденные оправдываться и доказывать свое авторство перед лицом бездушного алгоритма.32 Gorichanaz (2023)

Нейроотличные учащиеся сталкиваются с аналогичными барьерами. Исследования подтверждают, что нейродивергентные авторы, подобно неносителям языка, значительно чаще получают ложноположительные результаты при проверке ИИ-детекторами.33 Gegg-Harrison and Quarterman (2024); Chambers and Kelley (2025) Принцип тот же: студенты с аутизмом часто используют специфический стиль письма, характеризующийся некоторой сухостью формулировок, ограниченным словарем и особыми речевыми конструкциями, которые алгоритмы ошибочно приравнивают к машинному тексту.34 França et al. (2024); Chambers and Kelley (2025); Carik et al. (2024)

Попытки контролировать честность с помощью тотальной детекции создают несправедливое разделение по признаку языковых привилегий. Авторы, чья манера письма близка к алгоритмической норме «человечности» (как правило, нейротипичные носители английского), практически не рискуют, в то время как те, чьи тексты естественным образом выходят за рамки этих шаблонов, несут на себе несоразмерное бремя подозрений.35 Giray (2024)

Часть IV: Архитектура прозрачности как альтернативная парадигма

Если автоматическое обнаружение неэффективно технически и несправедливо этически, то какая есть альтернатива? Выход кроется во внедрении прозрачности в сами инструменты ИИ — создании систем, которые фиксируют и визуализируют участие искусственного интеллекта на этапе работы, вместо попыток угадать его наличие постфактум.

Этот подход основан на концепции «Проектируемой прозрачности» (Transparency by Design), описанной Фельцманн и коллегами в журнале Science and Engineering Ethics по аналогии с принципами конфиденциальности GDPR.36 Felzmann et al. (2020) Данный подход предполагает интеграцию прозрачности «пошагово и в превентивном ключе, а не как запоздалое дополнение». Для образовательных ИИ-инструментов это означает создание платформ, в которых след участия ИИ фиксируется автоматически.

Платформа Jenni AI разрабатывалась именно с опорой на этот принцип. Вместо того чтобы представлять ИИ как черный ящик, генерирующий готовый текст, архитектура платформы гарантирует, что человек остается ключевым автором, контролирующим весь процесс работы, а вклад ИИ детально документируется. От обычных систем массовой генерации Jenni отличает ряд конструктивных решений.

Инструмент автодополнения на уровне отдельных предложений заставляет автора активно участвовать в написании статьи. Функция автозаполнения в Jenni AI предлагает варианты по одному предложению за раз. Пользователь обязан вдумчиво прочитать и вручную подтвердить или скорректировать предложение, прежде чем двигаться дальше. Это в корне отличается от генерации готовых абзацев или целых страниц, когда человек просто берет готовое вместо самостоятельной работы. Интерактивный формат удержания фокуса гарантирует, что человек принимает ключевые решения по структуре, логике и аргументации текста.

Интегрированная проверка источников через библиотеку Jenni решает ключевую проблему ИИ-текстов — ложные ссылки и фальсификацию данных. Jenni AI позволяет загружать собственные материалы через BibTeX, ссылки DOI/PMID/arXiv или PDF-файлы напрямую. Затем ИИ строит подсказки строго на основе этих документов, связывая цитаты с файлами в личной библиотеке пользователя.37 Walters and Wilder (2023); Spennemann (2025); Mustaffa et al. (2025)

Настраиваемые лимиты помощи позволяют учебным заведениям и самим авторам гибко определять границы допустимого использования ИИ. Исследования показывают, что ИИ воспринимается сообществом положительно, когда он автоматизирует рутину: повышает читаемость, проверяет грамматику, помогает структурировать эссе или искать литературу.38 Shimray and Subaveerapandiyan (2025); Xu (2025); Liao et al. (2024); Arroyo-Machado et al. (2025) Это соответствует общему пониманию: ИИ может быть ассистентом в оформлении, но главная аналитическая и творческая работа должна оставаться за человеком.39 Kwon (2025); Rughiniș et al. (2025)

Многоязычный интерфейс решает проблему равенства прав, упомянутую в Части III. Jenni AI поддерживает более 30 языков, позволяя авторам структурировать мысли на родном языке, получая качественный академический текст на английском. Это решение признает очевидное: цель научной работы заключается в ценности идей, а не чистоте произношения. Использование ИИ для преодоления языкового барьера не является нарушением правил: это лишь рабочий инструмент для авторов, доносящих свои собственные идеи до научного мира.40 Filimonovic and Rutzer (2025); Prakash et al. (2025); Amano et al. (2025); Rueda et al. (2025); Sebastian and Baron (2024); Lepp and Sarin (2024)

Документирование процесса работы и функциональный экспорт помогают соблюдать требования вузов по раскрытию информации. Jenni AI сохраняет подробную историю изменений, четко разграничивая человеческий ввод и ИИ-подсказки, что полностью соответствует рекомендациям по открытости в сфере образования.41 MLA-CCCC Task Force (2023)

Ориентированный на прозрачность подход переводит ИИ-инструменты в категорию этичных помощников. Сам процесс работы с Jenni документирует авторство, избавляя от необходимости проводить подозрительные и неточные расследования постфактум.

Часть V: Шаги по внедрению новых стандартов в вузах

Переход от тотального контроля к прозрачности требует системных изменений в правилах обучения, методах оценки знаний и подготовке преподавателей. Ряд ведущих университетов уже начали эту реформу, задавая стандарты для всей отрасли.

Основой изменений является отказ от слепого доверия детекторам в пользу открытого декларирования использования ИИ. В руководстве Корнеллского университета прямо указывается: «Мы настоятельно не рекомендуем использовать существующие алгоритмы автоматического выявления ИИ для фиксации нарушений академической честности ввиду их крайней ненадежности».42 Cornell University (2025) Колумбийский университет соглашается с тем, что «детекцию ИИ следует расценивать как справочный ориентир, а не как критерий оценки», указывая на «серьезные риски ложных обвинений, способные разрушить учебный процесс».43 Columbia University (2025) Питтсбургский университет официально отказался от закупки и поддержки любых детекторов ИИ, сославшись на «высокий риск ложноположительных срабатываний».44 University of Pittsburgh (2025a)

Альтернативой становятся четкие требования к раскрытию информации. Позиция Комитета по этике научных публикаций (COPE) формирует понятный стандарт: авторы, использующие ИИ, обязаны быть предельно открытыми и «декларировать в разделе материалов и методов (или аналогичном блоке), как и какой инструмент ИИ применялся», при этом полностью разделяя «всю полноту ответственности» за финальный текст.45 da Veiga (2025)

Изменение формата экзаменационных заданий защищает учебный процесс надежнее любых детекторов ИИ. Рабочая группа MLA-CCCC рекомендует переходить к защите полной истории редактирования документов, позволяющей наглядно увидеть, «какие фрагменты были без изменений скопированы из сторонних источников».46 MLA-CCCC Task Force (2023)

Интерактивные устные опросы и коллоквиумы, требующие от студента обоснования своей логики вживую, мгновенно проверяют глубину знаний вне зависимости от того, как писалась работа.47 Theobold (2021); Gaines and Burrows (2024); Smith and Tanner (2010) Портфолио с защитой промежуточных этапов демонстрируют динамику понимания темы, избавляя от риска того, что студент принесет полностью сгенерированную ИИ работу перед самым дедлайном.48 Chan and Colloton (2024); Generative AI in Higher Education (2025b); Kong et al. (2024); Pedersen et al. (2018)

Шкала градации использования ИИ (AI Assessment Scale), предложенная Перкинсом, Фёрзом, Роу и Макво, предлагает пять градаций вовлечения ИИ в зависимости от специфики задания.49 Perkins et al. (2024b); Perkins et al. (2024a) Уровень 1 запрещает ИИ и проверяет базовую память. Уровни 2 и 3 разрешают ИИ для поиска идей и вычитки. Уровень 4 допускает написание при обязательном раскрытии истории правок. Уровень 5 предполагает полную свободу работы с ИИ при фокусе на экспертную оценку человеком. Пилотное внедрение этой шкалы повысило общую успеваемость студентов на 5.9%, увеличив долю успешно сданных модулей на 33.3% наряду с резким падением числа случаев академического мошенничества.50 Furze et al. (2024)

Программы повышения квалификации преподавателей критически важны для успеха этой реформы. Стандарты грамотности в сфере ИИ включают развитие технических навыков, умения оценивать результаты работы нейросетей, навыки их практического использования и понимание связанных с этим этических вопросов.51 UNESCO (2024); Tadimalla and Maher (2024); Chiu et al. (2024) Преподаватели должны научиться адаптировать оценочные задания под ИИ-реальность, создавать понятные правила для своих курсов и формировать здоровую культуру использования новых технологий.52 Gupta et al. (2024)

Институциональные закупки одобренных вузом ИИ-инструментов, гарантирующих прозрачность правок, обеспечивают единый стандарт работы, при этом ряд университетов уже предоставляют студентам лицензии на ИИ-инструменты с защитой персональных данных.53 Ng et al. (2025); Wu et al. (2024) Известные вузы, включая Университет Карнеги — Меллона, активно вырабатывают новые регламенты безопасного использования ИИ-сервисов с фокусом на защиту интеллектуальной собственности и единую корпоративную авторизацию сотрудников.54 Pastva et al. (2024)

Переход от детекции к прозрачности требует не просто коррекции правил, а масштабной культурной трансформации.55 Zhai et al. (2024); Miah (2024); Laflamme and Bruneault (2025); Lund et al. (2025) Научное сообщество все яснее осознает, что прозрачность использования ИИ стала неотъемлемой частью интеллектуальной честности в современных реалиях.56 Zhang et al. (2025) Целью реформы должен стать не запрет и не вседозволенность, а выработка критического отношения к тому, когда, как и почему привлечение ИИ-помощников является этически оправданным.57 Hysaj et al. (2025); Figueroa et al. (2024)

Заключение

Представленные в этом документе данные приводят нас к неудобному, но очевидному выводу: высшие учебные заведения не смогут победить в гонке вооружений за счет карательных технологий детекции ИИ.

Детекторы не справляются со своей прямой задачей. Точность инструментов в ходе независимых тестов опускается ниже уровня в 80%,58 Weber-Wulff et al. (2023) уровень ложных обвинений на ИИ-платформах достигает 50%,59 Walters (2023) а системная предвзятость бьет по иностранным студентам, чьи честные работы признаются ИИ-текстами более чем в 61% случаев.60 Liang et al. (2023) И это не технические огрехи, которые легко устранить обновлениями. Теорема Садасивана математически доказывает, что по мере роста способностей ИИ точность даже идеального детектора стремится к результату броска монетки.61 Sadasivan et al. (2023) Попытки обнаружения ИИ ограничены фундаментальными законами статистики.

Тем временем трансформация, которую вузы пытались предотвратить, повсеместно свершилась. Около 13.5% биомедицинских аннотаций обрабатываются большими моделями,62 Kobak et al. (2025) до 22.5% статей в области Computer Science претерпевают изменения с помощью ИИ,63 Liang et al. (2025a) а доля рецензий, созданных экспертами с привлечением нейросетей, доходит на конференциях до 16.9%.64 Liang et al. (2024) Преследование студентов на фоне масштабного внедрения технологий в профессиональной науке — это попытка бороться с симптомами, не замечая изменений в самой окружающей среде.

Альтернативой является не хаос, а осознанная прозрачность. Помощники, поддерживающие попредложное редактирование, встроенную сверку цитируемых источников и запись трека правок, переводят ИИ-помощь в прозрачный режим по умолчанию. Наряду с регламентами декларирования ИИ в соответствии со стандартами COPE65 da Veiga (2025) и открытой историей документов по рекомендациям MLA-CCCC,66 MLA-CCCC Task Force (2023) внедрение открытого подхода позволяет сохранить авторитет науки без конфликтов, обвинений и посягательств на базовые права учащихся.

Перед университетами уже не стоит вопрос о том, разрешать ли использовать ИИ. Преподаватели, ученые и сами студенты уже встроили эти технологии в свою рутину. Вопрос сегодня формулируется иначе: останется ли сфера ИИ тайным инструментом обхода правил или превратится в открытое образовательное пространство.

Институты, упрямо вливающие ресурсы в детекторы ИИ, рискуют навредить тем, кого призваны защищать, массово отсеивая иностранных и нейроотличных студентов при сохранении полной свободы для искушенных нарушителей. Те же, кто переведет фокус внимания на архитектуру прозрачности, смогут возглавить новую эпоху, научив авторов четко отделять легитимную ИИ-помощь от плагиата и академического мошенничества.

Дальнейший путь требует конкретных действий. Вузам следует пересмотреть свои контракты на закупку детекторов с учетом данных об их неточности и предвзятости. Пришло время разработать правила декларирования ИИ как инструмента помощи, а не абсолютного зла. Необходимо вкладываться в квалификацию педагогов и открывать перед ними функциональные стороны новых систем. Наконец, вузам следует оценить потенциал инструментов нового поколения, оптимизированных под трекинг правок: они станут надежной академической инфраструктурой новой эпохи, снизив недоверие и напряженность.

Это не капитуляция перед технологической действительностью. Прогресс лишь напоминает о том, что академическая честность всегда строилась на базе общих стандартов, ответственности авторов и взаимного доверия, а не тотального контроля. Цели остаются прежними: гарантировать, что знания отражают реальный труд, а публикации — глубокую личную работу исследователя. Но наши методы обязаны поспевать за миром вокруг. Детекция ИИ безнадежно устарела. Открытая архитектура прозрачности — это решение, в котором нуждается современное образование.

Декларация об использовании ИИ

При подготовке данного документа авторы использовали Jenni AI для улучшения слога, структурирования библиографии и повышения общего качества подачи материала. После завершения автоматического форматирования авторы повторно вычитали материал и несут на себе единоличную ответственность за все выдвинутые тезисы.

Что учебные заведения могут сделать сейчас

  1. 1Проверьте действующие контракты на инструменты детектирования с учётом приведённых здесь данных о точности и предвзятости.
  2. 2Разработайте правила раскрытия информации, в которых помощь ИИ нужно декларировать, а не запрещать.
  3. 3Инвестируйте в повышение квалификации преподавателей, чтобы развивать грамотность в области ИИ.
  4. 4Рассматривайте инструменты, ориентированные на прозрачность, как инфраструктуру, а не как угрозу.

Для учебных заведений

Дайте своей кафедре или библиотеке инструмент для письма, в основе которого лежит прозрачность.

Узнать о Jenni для команд

Для исследователей

Присоединяйтесь к тысячам исследователей, которые доверяют Jenni создание прозрачных и подтверждаемых научных работ.

Начать писать

Список литературы

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

Цитировать эту работу

Спецовка, Алекс. Вне детектирования: рамки этичной интеграции ИИ в академические исследования. Дженни Рисерч, 2026. jenni.ai/ru/whitepaper.

Нам доверяют университеты и компании по всему миру

google logo
penn logo
cambridge university
aston university logo

Нам доверяют университеты и компании по всему миру

google logo
penn logo
cambridge university
aston university logo

Нам доверяют университеты и компании по всему миру

google logo
penn logo
cambridge university
aston university logo
ПРИНЦИПИАЛЬНОСТЬ ПО ОПРЕДЕЛЕНИЮ

Создано для доверия, а не только для скорости

Каждая работа, созданная с помощью Jenni, отличается встроенной наглядностью и возможностью проверки.

Пишите с уверенностью

Проверяйте текст непосредственно по цитируемым источникам, чтобы убедиться, что ваши утверждения точно отражают литературу.

Уверенность в иске

Анализ достоверности утверждений затронул проблемы избыточных, слабых или отсутствующих цитат, а также случаи противоречий в аргументах цитирования.

Искаженный

Противоречит

3

Не поддерживается

4

Слабо поддерживается

2

Преувеличенный

Неподтвержденный

Выявляйте проблемы на ранних этапах и избегайте бесконечных согласований

Проверяйте свои утверждения на соответствие существующим исследованиям, чтобы ваши аргументы были обоснованными.

Дом для ваших научных публикаций

Больше не нужно возиться с интеграцией приложений — пишите свою следующую научную работу в одном месте.

Конфиденциальность данных

Ваши черновики остаются конфиденциальными. Jenni не использует ваши тексты для обучения моделей, а нашим вышестоящим поставщикам ИИ по контракту запрещено обучаться на данных пользователей Jenni.

Декларация об ИИ

Вставьте заявление о соответствии требованиям, которое согласуется со стандартами раскрытия информации таких платформ, как Принципы ОЭСР в области ИИ и Рекомендация ЮНЕСКО об этических аспектах ИИ.

Создано для совместной работы

Пишите, редактируйте и оформляйте цитаты вместе с соавторами в одном простом в использовании редакторе документов. Избавьтесь от головной боли с версиями благодаря бесшовному совместному творчеству.

Я использовал Jenni для составления аннотаций к своим заявкам на докторскую степень (PhD), уделив особое внимание цифровизации, оптимизации цепочек поставок и устойчивости к внешним факторам. Этот инструмент помог мне превратить мои исследовательские идеи в лаконичные, убедительные предложения, которые привлекли внимание многих читателей.

Ребекка Накаланда | Преподаватель Бизнес-школы Университета Макарере

Готовы писать с уверенностью?

Присоединяйтесь к тысячам исследователей, которые доверяют Jenni создание прозрачных и подтверждаемых научных работ.

Start for free

No credit card required

Cancel anytime

Более 6 млн

Академики по всему миру

Сэкономлено 5,2 часа

В среднем на одну статью

Более 15 млн

Статьи, написанные о Jenni

Готовы писать с уверенностью?

Присоединяйтесь к тысячам исследователей, которые доверяют Jenni создание прозрачных и подтверждаемых научных работ.

Start for free

No credit card required

Cancel anytime

Более 6 млн

Академики по всему миру

Сэкономлено 5,2 часа

В среднем на одну статью

Более 15 млн

Статьи, написанные о Jenni

Готовы писать с уверенностью?

Присоединяйтесь к тысячам исследователей, которые доверяют Jenni создание прозрачных и подтверждаемых научных работ.

Start for free

No credit card required

Cancel anytime

Более 6 млн

Академики по всему миру

Сэкономлено 5,2 часа

В среднем на одну статью

Более 15 млн

Статьи, написанные о Jenni