Детектор ИИ в вузе ошибается чаще, чем кажется
Программы, которые обещают определить, писал ли студент работу сам или с помощью нейросети, дают не доказательство, а вероятность. Ошибки возможны в обе стороны: ИИ-текст может пройти, а честная работа получить подозрение.
Фото: Alison wood, CC BY 3.0, Wikimedia Commons
Поэтому вузы всё чаще смотрят не только на результат проверки, но и на то, как студент может объяснить и защитить свою работу.
Как работают инструменты проверки
Классические системы вроде «Антиплагиата» сравнивают текст с базой источников и ищут заимствования. Нейросетевой текст при этом часто оказывается уникальным: модель генерирует фразы заново, а не копирует чужие. Поэтому обычная проверка на плагиат его не замечает.
Для этого появились отдельные детекторы. Принцип у них общий: они оценивают, насколько текст предсказуем. Языковые модели выбирают наиболее вероятные слова, и написанный ими текст часто выглядит слишком ровным, с однотипной длиной предложений и типовыми оборотами. Детектор считает статистические признаки и выдаёт процент вероятности машинного происхождения.
Российские системы проверки, в том числе «Антиплагиат», добавляли модули такого рода. За зарубежными сервисами вроде Turnitin и GPTZero аналогичные функции закрепились раньше. Точные характеристики конкретных версий стоит смотреть в документации самих разработчиков.
Важно понимать смысл результата. «Семьдесят процентов» не означает, что семьдесят процентов текста написала нейросеть. Это оценка модели, насколько фрагмент похож на машинный.
Почему детекторы ошибаются
Ошибки бывают двух типов. Ложноположительные: человек написал сам, а система решила, что это ИИ. Ложноотрицательные: текст сгенерирован, но детектор его пропустил.
Причин несколько. Первая: сухой академический стиль сам по себе предсказуем. Студент, который аккуратно пишет по шаблону научной работы с типовыми формулировками, рискует выглядеть «слишком гладким». Исследователи из Стэнфорда показывали, что детекторы чаще ошибочно отмечали тексты авторов, для которых язык не родной, потому что их лексика проще и однообразнее.
Вторая причина: достаточно слегка переработать сгенерированный текст, чтобы показатели упали. Перефразирование, перестановка абзацев, добавление личных примеров, прогон через другую программу сбивают статистику. Появились и сервисы, которые обещают «очеловечивание» текста, и между ними и детекторами идёт гонка.
Третья причина: модели быстро развиваются. Детектор, настроенный на прежние версии нейросетей, хуже справляется с новыми. Сама компания OpenAI в 2023 году закрыла свой классификатор ИИ-текстов, объяснив это низкой точностью. Этот пример хорошо показывает, насколько сложна задача.
Какие правила устанавливают вузы
Единого стандарта нет. Каждый вуз сам решает, как относиться к нейросетям, и правила могут различаться даже между кафедрами. Часть вузов разрешает использование ИИ для поиска идей, редактуры и проверки грамматики, но требует указывать это. Другие запрещают его при написании выпускных работ.
Типичные положения касаются нескольких вещей: обязательное указание, если ИИ использовался; личная ответственность автора за все факты и ссылки; запрет выдавать сгенерированный текст за собственный. Нарушения могут расцениваться как нарушение академической этики.
Многие преподаватели признают, что результат детектора нельзя считать единственным основанием для санкций. Более справедливая практика состоит в том, чтобы использовать проверку как сигнал для разговора: попросить студента пересказать работу, объяснить выбор источников, ответить на вопросы по методике. Человек, писавший сам, легко это делает.
Конкретные положения нужно искать в локальных нормативных актах своего вуза, в методичках кафедры и в требованиях к ВКР. Они обновляются, поэтому лучше уточнять актуальную версию перед сдачей работы.
Как студенту защититься от необоснованных обвинений
Лучшая защита это прозрачный процесс. Стоит сохранять черновики, заметки, историю версий документа в Google Docs, Яндекс Документах или Word, а также список прочитанных источников. Если возникнет спор, эти материалы показывают, как рождалась работа.
Полезно заранее проверить текст самому. Если детектор отметил абзац, можно добавить собственные наблюдения, конкретные примеры из практики, расчёты, ссылки на лекции. Такой текст получается не только менее «машинным», но и лучше как научная работа.
Если студент использовал ИИ для вспомогательных задач, например для поиска структуры или исправления ошибок, разумно сказать об этом научному руководителю до сдачи. Заранее раскрытое использование воспринимается спокойнее, чем найденное постфактум.
При несогласии с результатом проверки стоит запросить подробный отчёт, указать на ограничения метода и предложить устную защиту либо проверку на знание материала. Спорить с процентом бесполезно, а демонстрировать понимание темы получается лучше.
Что вузы делают вместо гонки с детекторами
Всё больше преподавателей меняют формат заданий. Вместо эссе на общие темы появляются задачи, привязанные к конкретным данным курса, устные защиты, промежуточные отчёты, работа в аудитории. Такие форматы труднее выполнить одной генерацией.
Растёт и другой подход: обучать студентов осмысленно работать с ИИ. Нейросеть может объяснить сложную тему, предложить план, найти слабые места в аргументах. Если результат проверяется и дополняется, это инструмент обучения. Если вставляется без чтения, обучения не происходит, и проблема в этом, а не в самом факте использования.
Перспективы связаны с двумя направлениями. Первое: технологии маркировки, когда сами модели оставляют скрытые метки в тексте. Пока такие решения ограничены и обходятся перефразированием. Второе: оценка процесса, а не только результата, например через историю редактирования и промежуточные версии.
Вывод простой: детектор остаётся вспомогательным инструментом с заметной погрешностью. Надёжнее всего работают понятные правила, честность в использовании ИИ и умение автора свободно говорить о своей работе.
