Интеграцияланган академиялык чынчылдыкты башкаруу алкагы, генеративдик жасалма интеллект академиялык ишке, баалоого жана университеттердин академиялык чынчылдык боюнча чечимдерине катышкан шарттарда; так эрежелерди, этикалык AI сабаттуулугун, жарактуу баалоону, башкарылуучу текшерүүнү, пропорционалдуу жоопкерчиликти, калыбына келтирүүчү процесстерди, тартиптик чараларды жана институционалдык үйрөнүүнү өз ара байланыштырууга сунушталган концептуалдык башкаруу модели. Изилдөө системалуу обзор же эксперименттик натыйжалуулук изилдөөсү эмес. Авторлор 64 академиялык жана саясаттык булактан турган максаттуу корпусту салыштырма коддоо, терс-учур талдоосу, булактан-концепцияга көз салуу жана нормативдик чечмелөө аркылуу изилдеп; натыйжада академиялык чынчылдыкты үч өзүнчө, бирок байланышкан деңгээлде караган модель түзүшкөн: академиялык иштин чынчылдыгы, баалоонун чынчылдыгы жана институционалдык процедуралык чынчылдык.

Моделдин негизги мамилеси — “студент AI колдонду беле?” деген суроо өзүнчө жетишсиз. Негизги баалана турган нерсе: AI кайсы функцияны аткарганы, кайсы окуу компетенциясы AIге өткөрүлгөнү, колдонууга уруксат берилген-берилбегени, салым ачык айтылган-айтылбаганы, студент акыркы продуктуну түшүнүп жана коргой алабы, дооматтарды жана булактарды текшердиби, ошондой эле баалоо дизайны чындап көздөлгөн окууну өлчөйбү же жокпу.

Изилдөө университет колдонгон AI технологияларын да академиялык чынчылдык маселесинин бир бөлүгү катары карайт. AI-content detection, similarity analysis, automated grading, proctoring же risk prediction сыяктуу системалардан алынган упайлар өзүнчө күнөө же авторлук далили боло албайт деп ырастайт. Булакка ылайык, мындай көрсөткүчтөр маанилүү болушу үчүн кошумча тастыктоочу далилдер, компетенттүү адамдык кароо, жазуу жүзүндөгү негиздеме, студенттин жооп берүү мүмкүнчүлүгү жана көз карандысыз апелляция механизми керек.

Авторлордун негизги салымы академиялык чынчылдык учурларын жөн гана жыйынтыкталган жеке окуялар болуудан чыгарып, case-to-governance feedback деп аталган институционалдык үйрөнүү циклине байланыштыруу болуп саналат. Эгер учур эреженин бүдөмүктүгүн, начар баалоо дизайнын, AI сабаттуулугунун жетишсиздигин, жеткиликтүүлүк теңсиздигин, технология сатып алуу көйгөйүн же процедуралык катаны ачып берсе, мекеме студент тууралуу гана чечим чыгарбастан; тиешелүү саясатты, баалоону, колдоону же технология системасын да кайра карап чыгышы керек.

Бирок бул алкак ырасталган кийлигишүү эмес. Булак модель нормативдик жана эмпирикалык жактан текшерүүгө боло турган сунуш экенин; бардык мекемелерде, дисциплиналарда же маданияттарда натыйжалуу экени көрсөтүлгөн универсалдуу чечим эмес экенин ачык белгилейт.

Генеративдик жасалма интеллект академиялык чынчылдык маселесин эмне үчүн өзгөртүп жатат?

Академиялык чынчылдык генеративдик жасалма интеллектке чейин эле плагиатты аныктоо менен гана чектелген эмес. Академиялык маданият, чынчылдык, ишеним, адилеттүүлүк, урмат-сый, жоопкерчилик, баалоо дизайны, окутуу, студентти колдоо жана институционалдык жөнгө салуу буга чейин эле тармактын негизги компоненттери болгон. Изилдөөнүн мамилесине ылайык, генеративдик AI бул негиздерди жок кылбайт; адамдын академиялык өндүрүшкө кандай салым кошконун көзөмөлдөөнү кыйыныраак кылат.

Мисалы, ошол эле генеративдик AI системасы:

• идея жаратууга,
• аргументти кайра түзүүгө,
• текстти которууга,
• код жаратууга,
• булактарды кыскача баяндоого,
• кайтарым байланышты симуляциялоого,
• маселени чечүүгө,
• же түздөн-түз тапшырылуучу акыркы текстти жазууга

салым кошо алат. Булак бул функциялар этикалык жактан бири-бирине тең эмес экенин баса белгилейт. Колдонуунун кабыл алынуусу AIдин бар экенине караганда кайсы академиялык функцияны өзүнө алганына жана максаттуу окуу натыйжасы менен байланышынын кандай экенине көбүрөөк көз каранды.

Когнитивдик делегация деген эмне?

Когнитивдик делегация, студент адатта өзү аткарууга тийиш болгон ой жүгүртүү, талдоо, маселе чечүү, жазуу, коддоо, синтездөө же чечим кабыл алуу процессинин бир бөлүгүн AI системасына өткөрүп бериши.

Делегациянын өзү автоматтык түрдө академиялык бузуу дегенди билдирбейт. Эгер тапшырма AI колдоосундагы сынчыл талдоо жөндөмүн өлчөөгө багытталса, кеңири AI өндүрүшү тапшырманын мыйзамдуу бөлүгү болушу мүмкүн. Тескерисинче, баштапкы программалоо курсунда максат студент белгилүү алгоритмди өзү түзүүсү болсо, ошол эле түрдөгү код генерациясы максаттуу компетенцияны жок кылышы мүмкүн.

Ошондуктан изилдөө AI колдонууну куралдын брендине эмес, функциясына карап классификациялоону сунуштайт.

Бул Изилдөө Системалуу Обзорбу?

Жок. Авторлор изилдөөнү ачык түрдө “critical conceptual synthesis” деп аташат; 64 булактан турган корпус максаттуу жана концептуалдык жетиштүүлүк максаты менен түзүлгөн, системалуу обзорлордо күтүлгөн exhaustive/reproducible retrieval, duplicate-removal audit, study-level quality aggregation же мета-аналитикалык таасир эсептөөсү жүргүзүлгөн эмес.

Эмне үчүн системалуу обзор жүргүзүлгөн эмес?

Изилдөө суроолору бир кийлигишүүнүн таасирин, таралышын же бири-бирине окшош эксперименттик жыйынтыктарды чогултуу жөнүндө эмес. Авторлор ар башка билим салттарындагы түшүнүктөрдү салыштырат:

• academic integrity,
• assessment validity жана assessment security,
• generative AI in education,
• AI literacy,
• responsible AI governance,
• algorithmic accountability,
• restorative justice.

Бул булактардын айрымдары эмпирикалык изилдөө, айрымдары концептуалдык макала, айрымдары саясаттык текст, айрымдары китеп же практикалык алкак. Изилдөө аларды бир түрдөгү далил катары бириктирбейт. Эмпирикалык изилдөө үлгүлөрдү жана тобокелдиктерди көрсөтүү үчүн, концептуалдык эмгек түшүнүктөрдү аныктоо үчүн, саясаттык текст нормативдик милдеттерди көрсөтүү үчүн, ал эми практикалык алкак процедураларды түшүнүү үчүн колдонулат.

Төрт изилдөө суроосу

1. RQ1: Генеративдик AI академиялык иш, баалоо жана институционалдык процедура деңгээлдеринде академиялык чынчылдыкты кантип өзгөртөт?
2. RQ2: Алдын алуучу башкаруу, этикалык AI сабаттуулугу, башкарылуучу текшерүү жана калыбына келтирүүчү жоопкерчиликти кайсы милдеттер жана механизмдер өз ара байланыштырат?
3. RQ3: AI менен байланышкан академиялык чынчылдык бузуу учурларында кайсы шарттарда билим берүүчү, калыбына келтирүүчү, тартиптик же айкалыштырылган жооп колдонулушу керек?
4. RQ4: Кайсы принциптер контексттер арасында туруктуу калышы керек; кайсы элементтер дисциплина, укук, маданият же мекеме шарттарына жараша ылайыкташтырылышы керек?

Академиялык чынчылдыктын үч деңгээли

Эмне үчүн бул үч деңгээлди бөлүү керек?

Булакка ылайык, баалоо дизайнындагы көйгөй автоматтык түрдө студенттин академиялык бузушу эмес. Мисалы, тапшырманын көрсөтмөсү AI колдонууну так жөнгө салбаса, бул жагдай жеке жоопкерчиликти баалоодо маанилүү. Ошол сыяктуу студенттин эрежеге баш ийиши тапшырма чындап окууну өлчөйт дегенди билдирбейт.

Ушул эле айырма мекеме үчүн да колдонулат. AI detector упайынын жогору болушу студенттин авторлугун же ниетин өзүнчө далилдебейт. Эгер мекеме бул упайды натыйжа аныктоочу далил катары колдонсо, маселе студенттин жүрүм-туруму гана эмес, институционалдык процедуранын ишенимдүүлүгү болуп калат.

Авторлук, салым, атрибуция жана жоопкерчилик бир эле нерсе эмес

Изилдөө төрт түшүнүктү атайын бөлүп карайт:

• Authorship: дисциплинанын академиялык эрежелеринин алкагында жоопкерчилик жүктөгөн интеллектуалдык салым макамы.
• Contribution: адам же курал кайсы функцияны аткарганын көрсөтөт.
• Attribution: жардамдын, булактын же таасирдин ачык таанылышы.
• Responsibility: акыркы доомат, ой жүгүртүү, далил, ката жана натыйжалар үчүн ким жооп берерин билдирет.

AI текст, код, визуал же эсептөө жарата алат; бирок академиялык жоопкерчиликти өзүнө ала албайт, сынга жооп бере албайт же катанын кесепетин кабыл ала албайт. Ошондуктан AIдин маанилүү салымы ачык көрсөтүлсө да, акыркы академиялык жоопкерчилик адамда калат.

Эпистемикалык жоопкерчилик деген эмне?

Эпистемикалык жоопкерчилик, студент же изилдөөчү AI жараткан продуктуну жөн гана тапшырбастан; андагы фактыларды, эсептөөлөрдү жана булактарды текшериши, маанилүү тандоолорду негиздеши, зарыл болсо AI салымын ачык көрсөтүшү, продуктуну дисциплинанын далил стандарттары менен салыштырышы жана каталар үчүн жоопкерчиликти өзүнө алышы.

AI колдонууну эмне үчүн пайыз менен өлчөө жетишсиз?

Булак “тексттин канча пайызы AI тарабынан түзүлдү?” деген мамилени негизги чечим ыкмасы катары четке кагат. AI салымы жогору болушу AI жыйынтыгын сынга алууга багытталган тапшырмада толугу менен мыйзамдуу болушу мүмкүн. Тескерисинче, бир нече сүйлөмдүк AI жардамы максатталган негизги жоопту түз берсе, көлөмү аз көрүнгөнүнө карабастан окуу натыйжасын жараксыз кылышы мүмкүн.

Ошондуктан бааланууга тийиш болгон өлчөмдөр:

• AI аткарган функция,
• студенттин көзөмөл деңгээли,
• AI колдонуунун ачык көрсөтүлүшү,
• студенттин окуу далили,
• пайда болгон академиялык чынчылдык тобокелдиги.

AI колдонуунун функционалдык классификациясы

Булак өзгөчө бул категориялар өлчөнгөн тобокелдик упайлары эмес экенин белгилейт. Булар мекеме тапшырмага жана дисциплинага ылайыкташтырышы керек болгон аналитикалык чечим категориялары.

Төрт катмарлуу саясат архитектурасы

Булак университет боюнча бир эле “AI колдонсо болот/болбойт” деген сүйлөм жетишсиз экенин айтат. Жалпы эреже программа, курс жана акырында ар бир баалоо тапшырмасынын деңгээлине чейин которулушу керек.

Бул мамиле продукт аталышына негизделген эрежелерден көрө функцияга негизделген эрежелерди артык көрөт. Анткени жазуу жардамчысы убакыт өтүшү менен изилдөө, коддоо же мультимодалдык өндүрүш жасай алат; продукт аталыштарынын уруксат/тыюу тизмеси тез эскирет.

AI-resilient assessment деген эмне?

Изилдөөдөгү AI-resilient assessment түшүнүгү “AI колдонууга болбой турган экзамен” дегенди билдирбейт. Максат — AI бар болгон учурда да студент максатталган окууну чындап көрсөттүбү же жокпу деп чечмелөөгө мүмкүн болушу.

Бул үчүн процесс документтери, тандалган черновиктер, commentary, oral explanation, method reconstruction же кошумча тапшырма сыяктуу толуктоочу далилдер колдонулушу мүмкүн. Бирок булак алардын эч бирин автоматтык чечим катары көрбөйт.

Мисалы, oral assessment:

• студенттин ой жүгүртүүсүн көрсөтө алат,
• бирок тынчсыздануу, майыптык, тил компетенциясы же баалоочулардын айырмачылыгы жаңы адилетсиздиктерди жаратышы мүмкүн.

Ошол сыяктуу portfolio процесс далилин бере алат, бирок жасалма түзүлүшү же ашыкча жумуш жүгүн жаратышы мүмкүн. Ошондуктан булак “AI-proof assessment” издөөнүн ордуна ар түрдүү далилдерди бирге жана пропорционалдуу колдонууну сунуштайт.

AI Детектору Берген Упай Академиялык Бузуунун Далилиби?

Жок. Булакка ылайык AI-content detector, similarity score, proctoring flag же risk score изилденүүгө тийиш болгон көрсөткүч гана болушу мүмкүн; авторлук, ниет же күнөөнүн өзү эмес жана натыйжа жараткан чечим үчүн башка далилдер менен ырастоо, компетенттүү адамдык кароо, жазуу жүзүндөгү негиздеме жана көз карандысыз апелляция жолу керек.

Governed verification деген эмне?

Governed verification, академиялык шектенүүнү изилдөө укугун жок кылбай, текшерүүнү ачык далил жана процедура чектерине киргизген мамиле.

Булак төмөнкү айырмаларды көрсөтөт:

• similarity percentage → тексттик дал келүүнү көрсөтөт, ниетти көрсөтпөйт;
• AI-content score → ыктымалдык классификациясы, авторлук далили эмес;
• risk model → үлгүнү көрсөтөт, күнөө далили эмес.

“Адамдык көзөмөл бар” деп айтуу эмне үчүн өзүнчө жетишсиз?

Булак human-in-the-loop деген сөз айкашын автоматтык кепилдик катары кабыл албайт. Кароону жүргүзгөн адамда:

• тема боюнча жетиштүү билим,
• далилди кароого убакыт,
• система упайын четке кагуу ыйгарым укугу,
• керектүү документтерге жеткиликтүүлүк,
• чечимин негиздөө жоопкерчилиги

болушу керек. Адамдын AI системасы берген жыйынтыкты гана бекитиши чыныгы substantive human oversight эмес.

AI сабаттуулугу студенттин гана милдети эмес

Макаланын маанилүү айырмаларынын бири — AI literacy “студент ChatGPTни туура колдонсун” деген гана жөндөм эмес. Булак AI сабаттуулугун институционалдык мүмкүнчүлүк катары да карайт.

AI Сабаттуулугу Академиялык Бузуунун Алдын Алууга Жетиштүүбү?

Жок. Булак AI сабаттуулугу текшерүү, ачык көрсөтүү, катаны таануу жана этикалык ой жүгүртүүнү жакшырта аларын; бирок атаандаштык, басым, жумуш жүгү, кабыл алынган адилетсиздик же артыкчылык издөө себептүү эрежени билген адам деле атайылап бузуу жасай аларын баса белгилейт.

Бул айырма маанилүү: билим менен жүрүм-турум бир эле өзгөрмө эмес. Университет студенттерге AI боюнча билим берип гана академиялык чынчылдык жоопкерчилигин жеке адамга өткөрө албайт. Эрежелер, assessment design, incentives, opportunity, staff capacity жана enforcement системасы да бааланууга тийиш.

Жооп тандоо логикасы

Булак бир бузууга бир типтүү жаза берүүнү да, бардык учурларды калыбына келтирүүчү жолго жөнөтүүнү да колдобойт. Чечим төмөнкү факторлорго жараша кабыл алынууга тийиш:

• эреже канчалык так жана жеткиликтүү болгон?
• жүрүм-турум атайылап жасалдыбы же туура эмес түшүнүүгө негизделдиби?
• AI максаттуу компетенциянын ордун канчалык деңгээлде басты?
• адилетсиз артыкчылык же зыян пайда болдубу?
• учур биринчи жолубу же кайталануубу?
• далилдин сапаты кандай?
• калыбына келтирүүгө боло турган зыян барбы?
• калыбына келтирүүчү катышуу коопсуз жана чындап ыктыярдуу боло алабы?

Билим берүүчү жооп кайсы учурда артыкчылык алат?

Булакка ылайык, эреже бүдөмүк, жеткиликсиз же жетиштүү үйрөтүлбөсө; окуянын таасири төмөн, биринчи жолу болуп, туура эмес түшүнүүгө же начар ой жүгүртүүгө негизделсе, билим берүүчү түзөтүү көбүрөөк салмак ала алат. Мындай учурда clarification, rework же learning plan сыяктуу натыйжалар каралышы мүмкүн.

Тартиптик жооп кайсы учурда керек болушу мүмкүн?

Эреже так белгилүү болсо да атайылап жашыруу, стратегиялык адилетсиз артыкчылык, олуттуу академиялык/кесиптик/safety таасир, кайталанган жүрүм-турум же мурдагы кийлигишүүлөрдүн ийгиликсиздиги болсо formal disciplinary procedure керек болушу мүмкүн.

Булак тартипти жоюуну жактабайт. Сындалган нерсе — текшерүү жана тартиптин далилсиз, автоматтык же пропорционалдуу эмес колдонулушу.

Калыбына Келтирүүчү Мамиле Студентке Болгону “Катаңды Ойлон да Кайра Жаса” Дегенби?

Жок. Булак reflection, retraining же resubmission өзүнчө калыбына келтирүүчү адилеттүүлүк эмес экенин ачык белгилейт; чыныгы калыбына келтирүүчү процесс үчүн зыянды жана таасирленген тараптарды аныктоо, ыктыярдуу жана маалымдалган катышуу, жоопкерчилик, коопсуз/facilitated dialogue, конкреттүү repair agreement, көзөмөл жана reintegration керек.

Калыбына келтирүүчү процесс үчүн минималдуу шарттар

Студенттин калыбына келтирүүчү процесске катышуудан баш тартышы күнөөлүүлүктүн далили же оорлотуучу фактор деп саналбайт. Калыбына келтирүүчү процесс ылайыксыз болсо, формалдуу процедура колдонулушу мүмкүн.

Интеграцияланган алкак кантип иштейт?

Булак интеграцияны алты негизги механизм менен түшүндүрөт:

1. Clarity: жалпы принциптерди программа, курс жана assessment деңгээлине чейин которуу.
2. Capable judgement: студент, окутуучу жана мекеменин AI жыйынтыгын жана эрежелерди баалай ала турган компетенцияга ээ болушу.
3. Evidential validity: окуу далилинин жарактуу, жеткиликтүү жана чечмелене турган болушу; автоматтык indicatorды proof кылбоо.
4. Differentiated responsibility: студент, окутуучу, мекеме жана provider милдеттерин көрүнүктүү, бирок аралаштырбай кароо.
5. Restorative–disciplinary complementarity: билим берүү, калыбына келтирүү жана тартип бири-бирин автоматтык жокко чыгарбоосу; учурга жараша тандалышы.
6. Case-to-governance feedback: учурлар саясат жана система өзгөрүүсүнө кайтарым байланыш бериши.

Модель эмне үчүн сызыктуу процесс эмес?

Саясат AI сабаттуулугуна таасир этиши мүмкүн; бирок AI сабаттуулугу да эрежедеги бүдөмүктү ача алат. Verification assessment дизайнындагы көйгөйдү көрсөтүшү мүмкүн. Калыбына келтирүүчү диалог жеткиликтүүлүк же жумуш жүгү көйгөйлөрүн көрүнүктүү кыла алат. Ошондуктан булак Figure 12ни туруктуу хронология эмес, өз ара аракеттенген байланыш архитектурасы катары окууну талап кылат.

Жети убактылуу жобо

Бул таблицада “жобо” сөзү маанилүү. Булак буларды далилденген мыйзамдар катары сунуштабайт. Мисалы, P1 келечектеги изилдөөдө колдоого алынбаса, frameworkти илимий текшерүү үчүн бул маанилүү жыйынтык болот.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөө дизайны

Conceptual sufficiency деген эмне?

Авторлор булак издөөнү “эми бардык макалалар табылды” деген доомат менен токтотушкан эмес. Издөө төрт изилдөө суроосуна керектүү негизги категориялар, каршы позициялар жана байланыштар жетиштүү көрсөтүлүп, жаңы булактар негизинен мурда табылган концептуалдык функцияларды кайталай баштаган чекке чейин уланган.

Булак муну эмпирикалык qualitative saturation же exhaustive systematic retrieval менен теңебейт.

64 булактуу корпустун тармактар боюнча бөлүштүрүлүшү

Бул сандар сапат рейтинги же тармактагы адабияттын чыныгы көлөмү эмес. Алар авторлор максаттуу тандаган 64 булактын framework ичиндеги аналитикалык ролунун бөлүштүрүлүшүн гана көрсөтөт.

Талдоо алты этапта жүргүзүлгөн

1. Изилдөө суроолору жана камтуу чеги аныкталган.
2. Established literature ичинен sensitising concepts чыгарылган.
3. Open жана focused coding аркылуу түшүнүктөр жана байланыштар салыштырылган.
4. Negative cases жана counter-positions frameworkке каршы сыналган.
5. Түшүнүктөр жөнөкөй тема тизмесинин ордуна механизмдерге айландырылган.
6. Жети provisional proposition түзүлүп, boundary cases менен текшерилген.

Sensitising concepts баштапкы чекиттер; жыйынтык катары кабыл алынган эмес. Мисалы, prevention, literacy жана restoration изилдөөнүн башында эле маанилүү тармактар болгон. Ошондуктан авторлор framework баштапкы божомолдорду гана кайталабашы үчүн атайын каршы мисалдарды издешкен.

Negative-case analysis эмне үчүн маанилүү?

Авторлор жактырган көз карашты колдогон булактар менен катар төмөнкү каршы учурлар да изделген:

• AI literacy бузууга бөгөт боло албаган учурлар,
• verification жана sanction легитимдүү боло алган учурлар,
• oral же process-rich assessment жаңы теңсиздик жараткан учурлар,
• human review automation bias себептүү ийгиликсиз боло алган учурлар,
• restorative мамиле мажбурлоочу, коопсуз эмес же ылайыксыз болгон учурлар.

Ошондуктан framework “алдын алуу дайыма аныктоодон жакшы”, “AI боюнча билим берсек көйгөй чечилет” же “restorative мамиле бардык учурда жазадан жакшы” сыяктуу бир тараптуу дооматтарды жаратпайт.

Төрт нормативдик негиз

Алкак төрт ой жүгүртүү салтын чогуу колдонот:

1. Academic-integrity values: honesty, trust, fairness, respect, responsibility жана courage.
2. Assessment scholarship: validity, transparency, evaluative judgement, accessibility жана social justice.
3. Responsible AI: human agency, accountability, explainability, privacy, risk management жана contestability.
4. Restorative justice: harm, affected parties, participation, responsibility, repair жана reintegration.

Булак бул баалуулуктарды ар бир учурда бир убакта максималдуу деңгээлге жеткирүү мүмкүн эмес экенин баса белгилейт. Мисалы, көбүрөөк transparency accountabilityни жогорулатып, бирок privacyни азайтышы мүмкүн. Көбүрөөк verification assessment ишенимдүүлүгүн сакташы мүмкүн, бирок surveillance жана accessibility көйгөйлөрүн жаратышы мүмкүн.

Differentiated responsibility

Туруктуу принциптер жана жергиликтүү ылайыкташтырылуучу элементтер

Ишке ашыруу жол картасы

Баалоодо “учурлардын саны азайдыбы?” деген суроо эмне үчүн жаңылыш болушу мүмкүн?

Академиялык чынчылдык учурларынын азайышы ар кандай нерсени билдириши мүмкүн:

• чындап эле бузуу азайган болушу мүмкүн,
• учурлар азыраак билдирилген болушу мүмкүн,
• enforcement ыраатсыз болушу мүмкүн,
• студенттер системага ишенбегендиктен билдирүү же апелляция азайган болушу мүмкүн.

Ошондуктан булак учурлардын санын гана ийгиликтин көрсөткүчү катары кабыл албайт.

Баалоо көрсөткүчтөрү жок дегенде төмөнкү тармактарды бөлүшү керек:

• implementation,
• procedural legitimacy,
• educational outcome,
• equity,
• institutional learning.

Изилдөө түздөн-түз колдогон жыйынтыктар

• Генеративдик AI assistance менен authorship ортосундагы чекти татаалдаштырып, cognitive delegation мүмкүнчүлүктөрүн көбөйтөт.
• Academic work integrity, assessment integrity жана institutional procedural integrity бири-биринен бөлүнүшү керек.
• AI колдонуунун этикалык баасы “AI колдонулдубу?” деген суроо менен гана жүргүзүлбөйт; AI функциясы менен learning outcome байланышы бааланышы керек.
• Автоматтык indicatorлор proof катары колдонулбашы керек.
• AI literacy зарыл мүмкүнчүлүк, бирок compliant conduct кепилдиги эмес.
• Restorative justice reflection/retraining/resubmission гана эмес.
• Калыбына келтирүүчү процесс voluntary participation жана substantive safeguards талап кылат.
• Discipline айрым олуттуу же deliberate учурларда легитимдүү болушу мүмкүн.
• Институционалдык жоопкерчилик студенттин agencyсин жок кылбайт; студенттин жоопкерчилиги да институционалдык кемчиликтерди көрүнбөс кылбашы керек.
• Учурлар anonymized pattern analysis аркылуу саясат жана assessment жакшыртуунун булагы боло алат.

Изилдөө түздөн-түз колдобогон жыйынтыктар

• Сунушталган framework академиялык бузууну азайтат деп далилденген эмес.
• AI literacy программалары өзүнчө misconductту азайтат деп бул макалада текшерилген эмес.
• AI-resilient assessment өлчөө жарактуулугун чындап жогорулатары эмпирикалык ырасталган эмес.
• Governed verification процедуралык каталарды азайтат деп бул изилдөөдө өлчөнгөн эмес.
• Калыбына келтирүүчү процесстер recurrenceты азайтканы же reintegrationды көбөйткөнү көрсөтүлгөн эмес.
• Case-to-governance feedback бардык мекемелерде чыныгы институционалдык үйрөнүү жаратары далилденген эмес.
• AI detector упайлары белгилүү чек үстүндө ишенимдүү күнөө далили деген жыйынтык колдоого алынбайт.
• Бир assessment форматы “AI-proof” деген жыйынтык колдоого алынбайт.
• Framework ар бир өлкө, маданият, укук системасы же академиялык дисциплинага бирдей көчүрүлө алары көрсөтүлгөн эмес.

Изилдөөнүн күчтүү жактары

Далил түрлөрүн аралаштырбоо: Эмпирикалык макала, саясат документи, концептуалдык изилдөө жана автордук сунуш бирдей эпистемикалык макамда берилбейт.

Counter-case колдонуу: Framework колдоочу мисалдардын негизинде гана түзүлгөн эмес; артыкчылыктуу чечимдер ийгиликсиз болушу мүмкүн болгон шарттар да каралган.

Студентке багытталган күнөөлөө мамилесинен качуу: Assessment, саясат, технология providerы жана институционалдык процедура да accountability чөйрөсүнө кирет.

Due processти коргоо: Verification, human review, reason-giving жана appeal ачык түрдө бири-бирине байланышкан.

Текшерүүгө мүмкүн болушу: Жети proposition үчүн mechanism, counter-case жана illustrative indicator берилип, framework келечекте falsifiable/qualifiable изилдөө программасына айландырылган.

Негизги чектөөлөр

Purposive selection: Корпус exhaustive эмес жана булактардын тандалуу ыктымалдыгын эсептөө мүмкүн эмес

Англис тили чектөөсү: Англис тилинен тышкаркы маданий жана аймактык академиялык чынчылдык, авторлук, ыйгарым укук, ишеним жана repair түшүнүктөрү жетиштүү чагылдырылбай калышы мүмкүн.

Гетерогендүү булак түрлөрү: Китептер, эмпирикалык изилдөөлөр, саясат тексттери жана концептуалдык изилдөөлөр ар башка далил түрлөрүн берет.

Interpretive coding: Концептуалдык синтез изилдөөчүнүн ой жүгүртүүсүн талап кылат жана confirmation bias ыктымалдыгын толук жок кыла албайт.

Технологиянын тез өзгөрүшү: Generative AI системалары жана жөнгө салуулар тез өзгөргөндүктөн task-level сунуштар убакыт өтүшү менен жаңыланышы керек.

Эмпирикалык ырастоо жок: Framework expert consensus, stakeholder deliberation, institutional case testing же intervention evaluation процессинен өткөн эмес.

Түз stakeholder катышуусу жок: Framework иштелип жатканда студент, окутуучу, integrity practitioner, accessibility specialist же policymaker түз катышуучу катары кошулган эмес.

Институционалдык мүмкүнчүлүк божомолу: Модель staff training, appeal, accessibility support, facilitator, procurement expertise жана data-protection review үчүн ресурстарды талап кылат. Бардык университеттерде мындай мүмкүнчүлүк болбошу мүмкүн.

Себептик жыйынтык чыгарууга болбойт: Изилдөө policy clarity breachти азайтарын, literacy жүрүм-турумду жакшыртарын же restoration recurrenceты төмөндөтөрүн көрсөтпөйт.

Келечекте кантип текшерсе болот?

Булак frameworkти longitudinal studies, comparative assessment research, case audits, appeal analysis, vignette experiments, implementation studies жана participant research сыяктуу дизайндар менен текшерүүнү сунуштайт.

P1 үчүн task guidance жана comprehension маалыматтары; P2 үчүн literacy + behavioural/process evidence; P3 үчүн validity, accessibility жана workload; P4 үчүн appeal, reversal жана differential error; P6 үчүн consent, repair жана recurrence; P7 үчүн учур талдоосунан реалдуу policy/assessment өзгөрүүсүнө чейинки көз салынуучу чынжыр бааланса болот.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: Preventive and Restorative Academic Integrity in AI-Assisted Higher Education: A Critical Conceptual Synthesis and Integrated Governance Framework

Авторлор: Gabriel Bădescu; Mihail Susinski; Cristian Vasile; Petre Săvescu; Emilia Constantinescu; Gabriel Tănasie; Nicolae Dima; Larisa-Ofelia Filip; Adrian Savu; Caius Didulescu.

Авторлордун ирети: Булакта берилген толук ирет сакталган.

Тең салым: Булакта equal-contribution билдирүүсү жок.

Corresponding authors: Mihail Susinski жана Adrian Savu.

Мекеме 1: Faculty of Agronomy, University of Craiova, Craiova, Romania.

Мекеме 2: Faculty of Mining, University of Petroșani, Petroșani, Romania.

Мекеме 3: Faculty of Geodesy, Technical University of Civil Engineering Bucharest, Bucharest, Romania.

Журнал: Education Sciences.

Басмачы: MDPI, Basel, Switzerland.

Том / макала номери: 16, 1365.

Номер: 9.

DOI: 10.3390/educsci16091365.

Расмий DOI шилтемеси: https://doi.org/10.3390/educsci16091365

Received: 30 June 2026.

Revised: 2 August 2026.

Accepted: 21 August 2026.

Published: 24 August 2026.

Булак түрү: Review; critical conceptual synthesis.

Systematic review: Жок. Авторлор бул айырманы методологиялык жактан өзгөчө белгилешет.

Meta-analysis: Жок.

Жаңы эксперимент / survey / participant data: Жок.

Рецензиялоо: Education Sciences anonymous peer review колдонгон рецензияланган академиялык журнал.

Лицензия: Creative Commons Attribution — CC BY.

Корпус: 64 academic and policy publications.

Негизги убакыт аралыгы: 2016–July 2026; зарыл foundational pre-2016 булактар сакталган.

Булактарды аныктоо: Scopus, Web of Science, Google Scholar, publisher platforms жана UNESCO/OECD/EU/NIST расмий repositories аркылуу iterative purposive identification.

Тандоо логикасы: Булак изилдөө суроолорунун жок дегенде бирине construct definition, relevant practice/risk, ethical/policy principle, counter-position же implementation түшүндүрмөсү аркылуу түз салым кошсо, ал сакталган.

Тил чектөөсү: Англис тилиндеги булактар.

Citation impact threshold: Колдонулган эмес.

Stopping rule: Conceptual sufficiency.

Аналитикалык этаптар: Scope/RQ definition; sensitising concepts; open/focused coding; counter-position and boundary-case analysis; mechanism mapping; seven provisional propositions.

Frameworkтин үч integrity деңгээли: Integrity of academic work; integrity of assessment; institutional procedural integrity.

Интеграцияланган негизги компоненттер: Preventive governance; ethical AI literacy; governed verification; restorative accountability; proportionate discipline; case-to-governance feedback.

Формула / теңдеме: Изилдөөнүн негизги илимий салымы математикалык модель эмес; борбордук сандык теңдеме же таасир формуласы билдирилген эмес.

Жети proposition: P1 policy clarity; P2 AI literacy; P3 AI-resilient assessment; P4 governed verification; P5 differentiated responsibility; P6 restorative processes; P7 case-to-governance feedback.

Framework validation: Жүргүзүлгөн эмес. Expert consensus, stakeholder deliberation, institutional case testing жана intervention evaluation колдонулган эмес.

Эмпирикалык натыйжалуулук: Далилденген эмес.

Universal transferability: Доомат кылынбайт.

Funding: Изилдөө тышкы каржылоо алган эмес.

Institutional Review Board: Not applicable.

Informed Consent: Not applicable.

Data Availability: Жаңы эмпирикалык маалымат түзүлгөн же талданган эмес. Концептуалдык source corpus жана framework-comparison audit Appendices A жана Bде документтештирилген.

AI-assisted revision disclosure: Авторлор ревизия учурунда англис тилин жакшыртуу, structural organisation жана draft visual materials даярдоо үчүн AI-assisted language and formatting tools колдонгонун; бардык жыйынтыктарды сын көз менен карап чыкканын жана акыркы макала үчүн жоопкерчиликти өзүнө алганын билдиришет.

Conflicts of Interest: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

CRediT / автордук салымдар

• Conceptualization: Gabriel Bădescu, Mihail Susinski, Nicolae Dima, Adrian Savu, Caius Didulescu.
• Methodology: Gabriel Bădescu, Cristian Vasile, Petre Săvescu, Nicolae Dima, Larisa-Ofelia Filip.
• Formal analysis: Gabriel Bădescu, Emilia Constantinescu, Caius Didulescu.
• Investigation: Mihail Susinski, Petre Săvescu, Gabriel Tănasie.
• Resources: Larisa-Ofelia Filip, Adrian Savu, Caius Didulescu.
• Data curation: Gabriel Bădescu, Nicolae Dima.
• Visualization: Gabriel Bădescu, Mihail Susinski, Cristian Vasile, Petre Săvescu, Emilia Constantinescu, Gabriel Tănasie, Nicolae Dima.
• Supervision: Gabriel Bădescu, Cristian Vasile, Adrian Savu.
• Project administration: Gabriel Bădescu.
• Writing — original draft preparation: Gabriel Bădescu, Emilia Constantinescu, Gabriel Tănasie, Caius Didulescu.
• Writing — review and editing: Gabriel Bădescu, Caius Didulescu.

Негизги методологиялык чектөөлөр: Purposive жана exhaustive эмес corpus; англис тилиндеги булактар гана; академиялык, policy, conceptual жана practice булактарынын гетерогендүү эпистемикалык макамы; interpretive coding жана confirmation-bias ыктымалдыгы; AI жана regulation тармагындагы тез өзгөрүү; framework эмпирикалык текшерилбегени; түз stakeholder participation жоктугу; колдонуу олуттуу institutional capacity талап кылышы.

Негизги чечмелөө чеги: Изилдөө “бул модель колдонулса академиялык бузуу азаят” деген жыйынтыкты далилдебейт. Изилдөө академиялык чынчылдык көйгөйлөрүн кантип классификациялоого, институционалдык жоопкерчиликти кантип бөлүштүрүүгө, далил жана апелляция процесстерин кантип коргоого жана келечекте кайсы байланыштарды эмпирикалык текшерүүгө болорун түшүндүргөн нормативдик жана концептуалдык башкаруу архитектурасын сунуштайт.