标签
达特茅斯学院教务长因在自己的AI相关论文中大量使用AI却未充分披露而辞职,凸显了高校领导者在AI使用披露标准上的矛盾。达特茅斯学院校长贝洛克虽强调要更多地拥抱AI,但也要求领导层以身作则,为学生和学者树立透明度的榜样。
一位发帖者对一名朋友在一篇差距分析论文中捏造指标数据,却仍被 AAAI 录用一事表示厌恶,并由此质疑顶级人工智能会议同行评审的严谨性。
一项非正式实验测试了多款 AI 检测工具,发现它们的结果前后矛盾且不可靠:有时会将人类撰写的文章标记为 AI 生成,有时又会漏掉真正的 AI 生成文本。作者认为,这种不可靠性对学生和投稿者来说是一个严重问题,因为他们的作品可能会被这些工具错误判定。
达特茅斯学院教务长 Santiago Schnell 在《华盛顿邮报》上发表的关于 AI 作弊的专栏文章被 Pangram 检测工具标记为大部分由 LLM 生成,而他为自己的 AI 使用行为辩护的电子邮件甚至被发现是“100% 由 AI 撰写”,这引发了关于 AI 辅助写作中作者身份与责任归属的更广泛质疑。
AI帮助学生在作业中拿到接近满分,但在线下期末考试中却集体暴露问题。一位斯坦福教授表示,学生用AI完成作业后不再参加答疑,却无法通过线下期末考试,因此院系重新定义助教职责,取消传统答疑,要求学生一对一向助教讲解每份编程作业以证明真正理解代码。
论文指出,对于学术出版机构而言,标准的AI文本检测工具所测量的并非真正需要关注的对象,并提出了一种面向政策的AI使用检测方法——该证据框架将期刊政策作为显式输入,报告经校准的假设及不确定性(而非二元判定),并基于可复现的合规/非合规工作流管线构建基准测试。
一位 CS 240 授课教师发布了其 2026 年春季 C 语言课程中 AI 作弊事件的复盘,文中记录了课程中明确禁止使用大语言模型的规定、Argus 和 MOSS 等检测工具的部署,以及该事件带来的后果。
作者核查了自己之前关于NeurIPS 2026立场轨道决定和Pangram AI检测的帖子,纠正了早期错误,并提供了更新的基准测试和报告。
一个名为Academic-AI-Literature-Reviewer-Ollama的本地AI管道,能够生成完全引用APA 7格式的文献综述,其验证层通过将引文与源PDF匹配来防止引用伪造。
OpenAI 因据称利用学术研究人员的进展率先解决千禧年大奖 Navier-Stokes 问题而面临争议,该成就涉及大量计算,并引发学术伦理问题。
本文理论分析了重复改写如何使人工智能生成的文本与人类写作分布对齐,推导出收敛率,并探讨了对可靠的人工智能文本检测的影响。
本文提出了一个基准,用于将研究论文分类为良好(高被引)和不良(撤回)两类,仅使用标题和摘要的文本特征。通过SVM和神经网络等模型,准确率高达91.12%。
Ghent University在Nathan Cofnas举报Arday丑闻中的剽窃行为后将其停职,校长Petra De Sutter决定可能将其解雇。
本文评估了学术环境中的商业AI检测器,发现对AI辅助的人类写作存在高误报率,而通过人性化工具(humanizers)几乎可以完全规避检测,因此得出结论:检测分数不应作为不当行为的独立证据。
丹麦对高中生的书面作业引入强制口头答辩以应对AI作弊,同时建议进行屏幕监控和设置防火墙。教育团体对这些措施表示欢迎,但呼吁随着AI工具的发展寻求长期解决方案。
本文提出了一种零样本检测流水线,用于刻画AI生成诗歌中的人性化特征,旨在识别区分人类与机器诗歌的属性,并改进检测方法。
一位NeurIPS审稿人称遇到了一篇论文及其回复似乎完全由LLM生成,表达了沮丧并寻求如何评估此类投稿的建议。
本文研究了在教育场景中,LLMs在多大程度上能够检测自身生成的内容,发现检测准确率因任务类型而异,且对于简答题不可靠。