AI 学术不端案件里，学校到底拿什么当证据？一项研究翻了 1,162 份案卷

在澳大利亚这一所大学，检测分数只占一小部分，而且越来越少。2023 到 2025 年的 1,162 起与 AI 有关的学术不端案件里，GPTZero 这类 AI 检测工具的输出，在 2023 年占当年证据条目的 5.8%，2024 年 8.8%，2025 年 0.5%，也就是在一个有 618 起这类案件的年份里只有 5 条。三年合起来，检测器输出出现在 1,162 起案件中的 67 起里。常见得多的是：学生在面谈中的承认（出现在 34.3% 的案件里）、查不到的参考文献（30.6%），以及阅卷人认为文字读起来像 AI（20.6%）。证据的类型和强弱，对案件最后怎么结束只有有限的解释力。

这项研究题为《How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis》（生成式 AI 相关学术不端指控的证据有多强？一项混合方法分析），作者是伍伦贡大学的 Albert Munoz、Mercedez Hinchcliff、Cameron Langfield 和 Ann Rogerson，开放获取，2026 年 9 月 2 日刊登于《International Journal for Educational Integrity》（国际教育诚信期刊）。案卷来自作者自己的学校，作者也都在这所学校任职。Rogerson 是该期刊编委，论文把这一点列为利益冲突。

2023 年 1 月到 2025 年 12 月，这所大学一共登记了 5,127 起学术不端案件。研究团队从中筛出 1,162 起涉嫌使用生成式 AI 的，占总数的 22.7%。这个比例逐年上升：

被纳入这 1,162 起，不代表学生被认定做了什么。论文说得很直白："This study does not adjudicate whether individual students engaged in the misuse of generative artificial intelligence."（本研究不判定个别学生是否滥用了生成式人工智能。）

研究者在这些案卷里找出 1,855 条独立的证据，分成 15 类。每条证据都按法学研究里的三个维度打分：相关性、可信度，以及推断力，也就是单拿这一条出来，它对指控的支持有多强。这些评分是研究者的判断，由一个在本地运行、并按他们自己的人工编码校准过的语言模型套用到全部案卷上。它们不是在检验某一条证据到底对不对。

下面是全部 15 类，按出现在多少起案件里排序。一起案件可以同时有好几类证据，所以百分比加起来超过 100。

查不到的参考文献是增长最快的一类，从 2023 年占证据条目的 10.4% 涨到 2025 年的 30.0%。

这些百分比的分母是证据条目，不是案件；论文只给出了 2025 年的条数。三年里与 AI 有关的案件分别是 214、330 和 618 起，这里只作背景，不是上表的分母。三年合起来，AI 检测工具一共出现 69 条，分布在 1,162 起案件中的 67 起里。

先别急着得出「检测器不算数」，有两点要说清楚。

评分是定下来的，不是测出来的。每一条 AI 检测证据的可信度都被评为「低」，而这是研究者事先定好的规则：论文写的是，这些输出 "were treated in the present analysis as low-credibility evidence"（在本分析中被当作低可信度证据处理），而它的可信度量表本来就设计成要考虑 "documented limitations such as AI detector false positive rates"（有据可查的局限，比如 AI 检测器的误判率）。这项研究没有去核对哪个分数是错的。想看一个很小的误判率放到一整所大学会变成多少，当一所大学一年交上去 75,000 篇论文，1% 的误判率意味着什么算过这笔账。

下降也和本校的一条规定对得上。从 2025 年起，这所大学的评估政策就禁止教职员工把作业上传到外部检测器。按现行措辞，教职员工 "are not permitted to upload student work to third party tools, including generative artificial intelligence (GenAI) or misconduct detection software"（不得把学生作业上传到第三方工具，包括生成式人工智能（GenAI）或不端检测软件）。同一条仍然允许使用学校支持的 "approved detection software"（经批准的检测软件），而 2025 年相似度报告仍占证据的 3.1%。学校现行的学术不端程序也列出了可能使用的软件，包括文本比对（Turnitin）和 "language analysis software (e.g. Turnitin Authorship)"（语言分析软件，例如 Turnitin Authorship）。作者对这次下降的解读是：教职员工逐渐接受了检测器输出达不到「可能性权衡」这一证明标准。你的学校有自己的规定，其中一部分收在19 所大学如何限制 AI 检测工具或证据：官方原文汇总里。

论文没有写明的一点是：Turnitin 的 AI 写作分数被归到了哪一类。相似度报告这一类的定义是文本比对证据，举的例子是一份报告显示 "a similarity score of 1%, which is unusually low"（相似度只有 1%，异常地低），针对的是那类作业。AI 检测工具这一类点名的是 GPTZero 和 ZeroGPT。

在直接来自文字本身的证据里，最常见的是阅卷人觉得它读起来像 AI，出现在 239 起案件里。论文举的教职员工描述原话是："generic transitional phrases, unnaturally uniform paragraph structure, and unsolicited definitions of basic terms not required by the task."（套话式的过渡句、整齐得不自然的段落结构，以及题目并不要求、却主动给基础术语下定义。）

研究者把这类证据大多评为「弱」，因为这些特征 "not exclusive to GenAI misuse."（并非生成式 AI 滥用所独有。）它在证据里的占比从 2023 年的 19.5% 变为 2025 年的 14.5%。

还有一类规模小一些，是拿作业和学生平时交的东西比（65 起），评分在「中」和「弱」之间几乎各占一半。论文在背景部分自己点出了它的问题：学生的写作会随时间变化，"which can make legitimate improvement difficult to distinguish from anomalies attributable to misuse."（这会让正当的进步很难和滥用造成的异常区分开。）如果你面对的是这种说法，拿以前的作业当文风基线：怎么挑、比什么、以及它证明不了什么逐项讲了旧作业拿来对比时，哪些地方站得住、哪些地方会被反驳。

出现在最多案件里的一类证据，是学生在面谈中的承认（399 起），几乎每次都被评为「强」。面谈里的另一类证据，是学生解释不了自己的作业，出现在 63 起案件里，一律评为「中」，因为它 "consistent with GenAI use but equally consistent with alternative explanations such as poor comprehension or test anxiety"（与使用生成式 AI 相符，但同样符合其他解释，比如理解不够或考试焦虑）。

作者自己得出了结论："in a substantial proportion of cases, the strongest evidence available emerged only after the institution had already determined the allegation was sufficient to proceed."（在相当一部分案件里，最有力的证据是在学校已经认定指控足以推进之后才出现的。）

而且节奏很快。从提出指控到最终结果，中位数是 12 天（中间一半的案件在 6 到 20 天之间）。按这所大学现行的课程作业学术不端程序，学校会给你一个面谈机会；面谈之前，科目负责人必须确保通过电子邮件把 "the summary of the allegation and evidence that has been collected"（指控摘要和已收集的证据）发给你；你可以带一名支持者陪同，但对方不能代表你发言。学校给学生的指南也提醒："you may be asked to explain how you developed an assessment item"（你可能会被要求解释你是怎么完成这项作业的）。

这些都不是在建议你少说话。如果你确实以作业不允许的方式用了 AI，被误判为 AI 写作：怎么申诉，学校会认哪些证据里有一节专门讲这种情况，它的立场是如实说明。如果你没有，面谈正是你说明作业怎么写出来的地方。

从这批数据看，不明显。研究者检验了证据的类型、数量和评分，与案件升级到哪一级、最后怎么结束有没有关系。他们找到了一些关联，但 "the explanatory power of evidence characteristics across all model specifications is modest"（在所有模型设定下，证据特征的解释力都有限）。

他们的解释在于程序本身。案件升级，取决于教职员工的认定，而不是证据评分。案子最后是被认定为学术不端，还是「学术规范欠佳」（poor academic practice，后果是教育性的，而不是纪律处分），往往取决于是不是初犯这类因素。到了委员会阶段被驳回，可能是因为学生的陈述、程序上的问题，或者出于学生福祉的考虑，而案卷记不下听证会上争论了什么。用作者的话说，整个流程 "no minimum evidentiary threshold at any stage of the pipeline"（任何阶段都没有最低证据门槛）。

这一点在数字里也看得到。有 58 起案件（5.0%）除了指控本身，没有描述任何证据。这种空指控确实在变少，从 2023 年占证据条目的 7.6% 降到 2025 年的约 2.5%。

• 一所大学，三年。 伍伦贡大学，2023 到 2025 年。作者也说，这些规律未必适用于别的学校。
• 是案卷，不是听证会。 "The evidence records capture what was documented in the case file, not what was argued, tested, or weighed during the hearing."（证据记录反映的是案卷里写下了什么，而不是听证会上争论、检验或权衡了什么。）
• 没有按学生分组。 本科还是研究生、本地还是国际学生、哪个学科，数据里都没有，所以它回答不了谁更容易被指控。
• 评分是一套框架。 评分来自作者自己的方案，由一个语言模型套用；模型先用 12 起案件校准，再在 54 起没见过的案件上检验，它和两名人工编码者的一致程度，与两名人工编码者彼此之间的一致程度在统计上没有区别。
• 作者是内部人。 作者是被分析案卷那所大学的员工，他们自己写道，这 "introduces potential bias, especially during the calibration exercise."（带来了潜在偏差，尤其是在校准环节。）
• 中途改过规定。 2025 年禁止把作业上传到第三方检测器的规定，就落在研究时段之内。

1. 问清楚每一条证据是什么。 一个分数、一段被认为像 AI 的文字、和你以往作业的对比、某个文献的问题：让对方逐条列出来。这项研究里有 5.0% 的案件，除了指控什么都没有。你们学校的程序应该写明面谈前你有权看到什么；其余的准备，见被 AI 检测指控后，学术诚信听证会怎么准备。
2. 如果案卷里有检测分数，问清楚是哪个工具，以及你们学校是否允许教职员工使用它。
3. 如果说的是文字读起来怎样，就把写作过程的记录带上。 草稿、笔记、文件的版本历史。怎么在 Word、Google Docs 和 Overleaf 里留住版本历史讲了这些记录分别存在哪里。
4. 准备好解释你的作业。 论证为什么这样安排、主要文献到底说了什么、几稿之间改了什么。这项研究里有 63 起案件，「解释不了」本身就被记成了证据。
5. 第一阶段就把证据交上去。 在这所大学，对认定结果提出申诉，只能基于程序不当，或者 "new and substantial evidence that has not previously been considered."（此前未被考虑过的、新的实质性证据。）去你们学校的程序里找对应的那一句。

对已经立案的案件，这里没有任何东西能帮上忙。那起案件针对的是你交上去的版本，事后再改写，案卷里的内容也不会变。这一节说的是更早的时候：你还在修改草稿，手上有这份草稿的 Turnitin 或 iThenticate 报告，而且已经确认科目说明允许用外部 AI 工具帮你改写措辞（而不是只允许某一个指定工具），也清楚要怎么声明这种帮助。以伍伦贡为例，学校给学生的指南写的是 "use only the permitted gen AI technology"（只使用获准的生成式 AI 技术），超出作业说明范围使用 AI 就算误用。这些条件都满足的话，HumanPen 的降 AI 功能就是做这个的。导入 Turnitin 或 iThenticate 报告，只改报告标出的段落，返回同格式的可编辑文件。提交前把改写结果和你自己的草稿对一遍，因为交上去的每一句，你都应该解释得出来。

大学现在还把 AI 检测分数当证据吗？ 在这所大学，到 2025 年已经很少：5 条，占当年证据条目的 0.5%，此前学校的政策已经禁止教职员工把作业上传到第三方检测器。别的大学有各自的规定，所以这说明不了你们学校的做法。

单凭「读起来像 AI」就够了吗？ 研究者把这类证据大多评为「弱」，因为相关特征并非 AI 使用所独有。这是他们的框架，不是学校的规定。在这所大学，最终决定是按「可能性权衡」，综合案件里的全部证据做出的。论文解释了这是什么意思：必须是「更可能发生过」，而且 "with the burden of proof resting with the institution and the academic raising the allegation rather than the student"（证明责任在学校和提出指控的教师，而不在学生）。

在这项研究里，什么算最有力的证据？ 承认（书面的或在面谈中说的）、考试监考软件留下的记录，以及这些记录显示的违规行为。这几类各自的大多数条目都被评为「强」。

这项研究能说明被指控的学生到底用没用 AI 吗？ 不能。它只是清点并评估案卷里有什么。被纳入这 1,162 起案件，意味着有人怀疑存在 AI 滥用，不是已经认定。

• Albert Munoz、Mercedez Hinchcliff、Cameron Langfield、Ann Rogerson，How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis，《International Journal for Educational Integrity》第 22 卷第 26 篇，2026 年 9 月 2 日发表（正式版本 2026 年 9 月 10 日）；2026 年 10 月 2 日读取（表 2、图 1 和图 2）。
• 伍伦贡大学，Academic Misconduct (Coursework) Procedure，2025 年 11 月 3 日生效版本，第 35、80、119 条；2026 年 10 月 2 日读取。
• 伍伦贡大学，Assessment and Feedback Policy，2025 年 3 月 14 日生效版本，第 14 条；2026 年 10 月 2 日读取。
• 伍伦贡大学，Using Generative Artificial Intelligence (Gen AI) in Assessments；2026 年 10 月 2 日读取。