Gå til hovedindhold

Generativ AI og eksamensintegritet

Udbredelsen af avancerede sprogmodeller transformerer vilkårene for videregående uddannelsers eksamensafvikling ved at udfordre grænserne mellem selvstændigt studenterarbejde og maskinelt genereret indhold. Etablerede tekstbaserede prøveformer udviser en udtalt strukturel sårbarhed, som tekniske detektionsværktøjer kun i begrænset omfang formår at imødegå uden væsentlig usikkerhed. En robust opretholdelse af akademisk integritet forudsætter derfor en grundlæggende omlægning mod autentiske, procesorienterede evalueringsdesign kombineret med klare institutionelle gennemsigtighedsrammer.

Målet med arbejdet

Hvilke strukturelle udfordringer skaber generativ AI for eksamensintegritet i videregående uddannelser, og hvordan kan prøveformer reformuleres modstandsdygtigt?

Metodologi

Komparativ litteratursyntese og sårbarhedsanalyse af publicerede studier om sprogmodellers præstationer i akademiske bedømmelsessituationer.

Videnskabelig nyhedsværdi

Kombinerer evaluering af sprogmodellers differentierede opgavesucces med tekniske detektionsbegrænsninger til en samlet didaktisk ramme.

Dokument Forhåndsvisning

Dette er en kort forhåndsvisning. Den fulde version indeholder udvidet tekst til alle sektioner, en konklusion og en formateret bibliografi.

Kandidatspeciale

Degree:
Generativ AI og eksamensintegritet

Author:

Group

First M. Last

Advisor:

Dr. First Last

City, 2026

Contents

Indledning
Problemformulering og forskningsdesign
Teoretiske perspektiver på akademisk integritet og teknologisk disruption
Begrebsliggørelse af akademisk uredelighed i en digital kontekst
Store sprogmodellers mekanismer og udfordringen af traditionelt forfatterskab
Metodisk ramme for evaluering af vurderingsformers sårbarhed
Kriterier for komparativ tekstanalyse og detektionspålidelighed
Klassifikation af skriftlige og mundtlige prøveformers eksponeringsgrad
Analyse af generative sprogmodellers indvirkning på eksamenspraksis
Sårbarhedsmønstre på tværs af opgavetyper og vidensdomæner
Detektionsteknologiers begrænsninger og fejlmargener
Strategiske implikationer for fremtidig prøveudformning og regelsæt
Didaktisk reformulering mod procesorienteret og autentisk evaluering
Institutionelle retningslinjer og gennemsigtighedskrav
Litteraturliste
Konklusion
Bibliography

Introduction

Udbredelsen af generative store sprogmodeller udgør et grundlæggende paradigmeskifte inden for de videregående uddannelsers evalueringsformer og udfordrer de etablerede standarder for akademisk integritet [1]. Når sprogmodeller med høj sproglig flydendehed kan producere fagspecifikke besvarelser, opstår der markante vanskeligheder ved at verificere selvstændigt intellektuelt arbejde og opretholde en retfærdig bedømmelse [2].

Traditionelle skriftlige hjemmeopgaver og multiple-choice-prøver er i særlig grad sårbare over for uautoriseret brug af kunstig intelligens, idet avancerede systemer ubesværet genererer overfladisk sammenhængende faglige ræsonnementer, som ofte undslipper automatiseret detektion [3]. Samtidig viser gængse detektionsværktøjer udtalte begrænsninger og risiko for falske positive vurderinger, hvilket underminerer den institutionelle håndhævelse af eksamensreglementer [1], [5].

Dette felt nødvendiggør en systematisk belysning af, hvordan forskellige eksamensformater påvirkes differentieret af generativ teknologi, samt hvilke didaktiske forandringer der kan genskabe tilliden til uddannelsessystemets prøver [5]. Ved at sammenholde teoretiske modeller for akademisk hæderlighed med publicerede studier af prøveformers sårbarhed etableres et evidensbaseret grundlag for fremtidig institutionel praksis.

Strategiske implikationer for fremtidig prøveudformning og regelsæt

Kløften mellem sprogmodellernes genereringsevne og de eksisterende kontrolmekanismer illustrerer en grundlæggende sårbarhed i videregående uddannelsers prøvesystemer. Når automatiserede detektionsværktøjer udviser betydelig usikkerhed ved lave sandsynlighedsscorer, opstår der en overhængende risiko for såvel uopdagede overtrædelser som uretmæssige beskyldninger mod studerende [1], [2]. Denne tekniske begrænsning understreger, at institutionel håndhævelse ikke meningsfuldt kan hvile på automatiseret overvågning alene. Samtidig demonstrerer analyser af faglige vurderingsformer, at opgaver centreret om standardiseret vidensgengivelse eller generiske essays i særlig grad penetreres af syntetisk tekst [5]. Modsat bevarer evalueringsformer baseret på direkte dataindsamling, mundtlig argumentation og løbende procesdokumentation en væsentlig højere modstandskraft [5]. En ensidig fokusering på kontrol frem for didaktisk nytænkning efterlader således et metodisk tomrum, hvor akademisk integritet fortsat er kompromitteret. Den videnskabelige udfordring består derfor i at overgå fra reaktive detektionsstrategier til en proaktiv omstrukturering af bedømmelseskriterierne, hvor de studerendes kognitive bearbejdning og autentiske problemløsning gøres til det primære omdrejningspunkt for bedømmelsen.

References

  1. Generative Artificial Intelligence and the Ambiguity of Academic Integrity in Higher Education
    Katerina Zdravkova
    DOI-link
  2. Can Artificial Intelligence Complete My Assessment? A Student Led Initiative to Stress Test the Academic Integrity of University Assessment Using Generative AI
    Aidan Duane
    DOI-link
  3. The Impact of Generative Artificial Intelligence on Academic Integrity.
    Aidan Duane
    DOI-link
  4. Exploring Factors Affecting Academic Integrity in Higher Education Environments Accompanied by Generative Artificial Intelligence
    Zhidong Zhang
  5. ChatGPT and Academic Integrity: A case study of Assessment Vulnerability in Biological & Environmental Sciences.
    Danielle Hinchcliffe, Chrysanthi Fergani, Susanne R K Zajitschek
  6. Developing Academic Integrity-Compliant Regulations and Policies on the Use of Generative AI in Higher Education: Insights from the United Kingdom
    Dimitar Angelov
  7. Redefining academic integrity: navigating the emergence of collaborative intelligence in higher education
    Soroush Sabbaghan
  8. E-Cheating, assessment security and artificial intelligence
    Phillip Dawson

Tilføj en litteraturliste til opgaven

Verificerede kilderFormateringsstandarderHøj originalitetPro-modeller
Launch Offer -25%

Forskning

APA 7 (Danish)

13 €17 €
  • 30–60 sider.
  • Høj originalitet
  • Eksport til Word
  • Korrekt formatering
  • Offentlig forhåndsvisning
    En forhåndsvisning af en anden forfatter kan ikke gøres privat. Dit arbejde vil være privat og helt unikt.
  • Litteraturliste (40+, APA 7)
    +2 €
  • Tilføj alternative kilder (Nyheder, .gov, .edu)

Forskning

APA 7 (Danish)

Generativ AI og eksamensintegritet | Forskning | Aicademy