Студенты Гарварда массово используют LLM и научились обходить попытки преподавателей выявить ИИ

Отчёт Harvard Crimson, на который ссылается статья, описывает, как студенты Гарварда повсеместно применяют крупные языковые модели и успешно обходят многие технические методы обнаружения;

Новый репортаж Harvard Crimson, процитированный в статье, утверждает, что в одном из ведущих университетов страны студенты массово используют крупные языковые модели (LLM) и при этом научились обходить большинство попыток преподавателей выявить вмешательство ИИ. Это осложняет привлечение студентов к дисциплинарной ответственности и меняет практику оценки работ: преподаватели всё чаще отказываются от формальных расследований из‑за отсутствия надёжных доказательств, предпочитая оперативные корректирующие меры.

Преподаватели пытались внедрять технические контрмеры — от скрытого текста и водяных знаков, рассчитанных на пометку AI‑сгенерированных фрагментов, до требований предоставить Google Docs version history. В одном силлабусе, процитированном в отчёте, преподаватель предупреждает: если работа «похожа на ИИ», студенту предложат полностью переделать задание; он добавляет, что «не заинтересован в доказательствах использования ИИ», а требует «лучшей работы в вашем уникальном голосе».

Авторы заметки и цитируемые преподаватели перечисляют привычные сигналы ИИ‑генерированного текста — так называемые «айизмЫ»: чрезмерное использование длинных тире, ровная, одинаковая стилистика, дажеходность аргументации, когда текст строится по схеме «с одной стороны…, а с другой…». Скептики и сторонники автоматического детектирования опираются на такие паттерны, но репорт подчёркивает, что те же признаки легко смоделировать или убрать с помощью простых инструкций к модели. Практические последствия уже видны в академическом процессе: из‑за невозможности надёжно доказать факт использования ИИ преподаватели массово отказываются переводить подозрения в университетские советы по чести и вместо этого требуют переделать задания в «уникальном голосе» или оценивают «впечатление» от работы. Такой сдвиг придаёт больше веса конечному результату и процессу доработок, а не попыткам фиксировать факт вмешательства ИИ.

Для разработчиков и администраторов это означает, что детектирование по поверхностным паттернам, водяные знаки в тексте или скрытые метки могут оказаться ненадёжными: платформы уже предоставляют возможности настраивать тон, манеру и поведение модели, а пользователи могут обучать LLM давать нужный стиль, включать ошибки или длинные предложения. Отчёт подчёркивает необходимость учитывать эти ограничения при проектировании инструментов проверки и при выработке учебных практик.