Czy profesorowie mogą wykryć ChatGPT w pytaniach wielokrotnego wyboru? Co się naprawdę śledzi

Czy profesorowie mogą wykryć ChatGPT w pytaniach wielokrotnego wyboru?

Krótka odpowiedź brzmi: profesorowie nie mogą wykryć ChatGPT w pytaniach wielokrotnego wyboru w taki sposób, w jaki wykrywają go w napisanym eseju, ponieważ nie ma prozy do analizy. Narzędzia takie jak Turnitin's AI Writing Indicator i GPTZero działają poprzez pomiar perplex i burstiness — właściwości statystyczne konstrukcji zdań, które istnieją tylko wtedy, gdy na stronie jest rzeczywisty tekst. Przesłanie w wyborze wielokrotnym to zestaw wybranych opcji, a nie akapit, więc nie ma składni, wyboru słów ani rytmu zdania, aby te narzędzia mogły ocenić prawdopodobieństwo. Taka luka nie oznacza, że egzaminy wielokrotnego wyboru nie są monitorowane. Oznacza to, że dowód, na którym może działać profesor lub platforma testująca, całkowicie zmienia się z samej odpowiedzi na zachowanie, które ją otacza — jak długo trwało każde pytanie, czy przeglądarka pozostała w fokusie, co pokazuje nagranie monitorowania oraz czy wzór odpowiedzi odpowiada wynikowi reszty klasy.

"Nie ma nic w odpowiedzi na karcie odpowiedzi, co detektor AI mógłby przeczytać. Jeśli martwią nas wyniki wielokrotnego wyboru, dowód musi pochodzić z zupełnie innego miejsca." — Biuro oceny i testowania, uniwersytet stanowy, 2025

Dlaczego detektory tekstu AI nie działają w odpowiedziach wielokrotnego wyboru?

Detektory tekstu AI są zbudowane do analizy pisanego języka, a nie decyzji. Perplexity mierzy, jak przewidywalne jest każde słowo względem słów przed nim, a burstiness mierzy, jak bardzo długość zdania i rytm różnią się w dokumencie — obie właściwości wymagają istnienia stringu oryginalnych zdań na pierwszym miejscu. Wybranie opcji C na pytanie 14 nie generuje niczego z tego. Student mógł wpisać pytanie do ChatGPT, otrzymać wyjaśnienie, dlaczego odpowiedź to C, a następnie kliknąć C — i wynikowe przesłanie do quizu wyglądałoby identycznie jak student, który samodzielnie rozwiązał problem, ponieważ jedyną rzeczą, która trafia do dziennika ocen, jest litera. To różni się od pytania esejowego, gdzie nawet intensywnie edytowany szkic AI pozostawia odciski palców statystyczne, które może wykryć detektor. Na czystym egzaminie wielokrotnego wyboru po prostu tam nie ma odcisku palca, co jest dokładnie tym, dlaczego pytanie, czy profesorowie mogą wykryć ChatGPT w pytaniach wielokrotnego wyboru, otrzymuje odpowiedź z danymi platformy i monitorowania zamiast oprogramowania do analizy tekstu.

Co dokładnie pokazują dzienniki quizu i dane aktywności LMS?

Każdy duży system zarządzania nauką — Canvas, Blackboard, Moodle, D2L — rejestruje więcej na temat próby quizu niż większość studentów zdaje sobie sprawę, a instruktorzy mogą ściągnąć te dane, nawet jeśli na pierwszy rzut oka nic nie wygląda podejrzanie. Dziennik zwykle rejestruje, kiedy próba się zaczęła i skończyła, ile czasu student spędził na każdym indywidualnym pytaniu, ile razy student nawigował tam i z powrotem między pytaniami oraz czy okno przeglądarki straciło fokus podczas próby. Nic z tego nie mówi instruktorowi, że student użył ChatGPT w szczególności, ale buduje profil behawioralny, który może wyglądać niespójnie z niepomaganą próbą, gdy liczby są wystarczająco niezwykłe. Bardziej szczegółowy opis tego, co dziennik quizu konkretnej platformy rejestruje — w tym sposób, w jaki Canvas strukturyzuje te dane i co LockDown Browser dodaje do tego — jest zawarty w towarzyszącym przewodniku na temat tego, czy Canvas może wykryć ChatGPT w pytaniach wielokrotnego wyboru w szczególności.

1. Znaczniki czasu rozpoczęcia i zakończenia próby, plus całkowity czas spędzony na quizie
2. Czas spędzony na każdym indywidualnym pytaniu, nie tylko na całej próbie
3. Zdarzenia nawigacji — ile razy student poruszał się między pytaniami
4. Zdarzenia utraty fokusu, jeśli platforma lub narzędzie monitorowania śledzi przełączanie okna lub przeglądarki
5. Adres IP i informacje o urządzeniu powiązane z sesją logowania
6. Pełna historia wersji każdej zmiany odpowiedzi dokonanej przed ostatecznym przesłaniem

Czy wzory czasowe mogą ujawnić odpowiedzi wspomagane przez AI?

Czas to jeden z bardziej użytecznych sygnałów dostępnych na egzaminie wielokrotnego wyboru, właśnie dlatego, że odpowiedzi wspomagane przez AI mają tendencję do zmiany rytmu próby quizu w sposób mierzalny, nawet bez czytania jakiegokolwiek tekstu. Student, który sprawdza każde pytanie w osobnym oknie, zwykle tworzy płaską krzywą czasu — pytania odpowiadane w wąskim, podobnym zakresie niezależnie od trudności — zamiast naturalnej zmienności, którą można by oczekiwać od kogoś, kto faktycznie pracuje przez łatwe pytania szybko i trudniejsze — wolniej. Instruktorzy, którzy przeglądają ten rodzaj danych, zwykle nie patrzą na jednego studenta w izolacji; porównują indywidualną próbę względem rozkładu czasu dla całej klasy lub względem tego samego studenta na wcześniejszych ocenach w osobie. Próba, która kończy się dramatycznie szybciej niż średnia klasy, ze stale nierównym czasem na pytanie, przyciąga większą kontrolę niż ta, która po prostu skończyła się wcześnie. Sam szybki czas okazuje bardzo mało — niektórzy studenci są po prostu szybcy — co jest powodem, dla którego dane czasowe prawie zawsze są łączone z co najmniej jednym innym sygnałem, zanim ktoś porusza obawę.

Czy oprogramowanie monitorowania łapie użycie ChatGPT podczas quizu?

Narzędzia monitorowania, takie jak Respondus LockDown Browser z Monitor, Proctorio i Honorlock, nie wykrywają ChatGPT bezpośrednio — rejestrują wideo, dźwięk i aktywność ekranu oraz oznaczają flagi zdarzeń do przeglądu człowieka. Typowe flagi obejmują spojrzenie studenta oddalające się od ekranu przez dłuższe okresy, głos lub obecność drugiej osoby w pokoju, telefon lub drugie urządzenie widoczne lub w użytku oraz próby otwarcia nowej karty przeglądarki lub aplikacji podczas sesji z blokadą. Żadna z tych flag nie mówi "ChatGPT był używany" — mówią "coś się tutaj stało, na co recenzent powinien spojrzeć." Instruktor lub pracownik ds. integracji akademickiej zwykle przegląda flagowany znacznik czasu w kontekście: student spoglądający na telefon przez trzy sekundy czyta bardzo inaczej niż student piszący na drugim urządzeniu przez dwie minuty, podczas gdy zablokowana przeglądarka siedzi bez dotknięcia na pierwszym planie. Oprogramowanie monitorowania domyślnie generuje wiele oflagowanych zdarzeń, a większość z nich okazuje się niczym — pukanie do drzwi, dziecko wchodzące do kadru, spojrzenie na zegar ścienny — co jest powodem, dla którego krok przeglądu, a nie sama flaga, jest tym, gdzie dokonana jest rzeczywista konkluzja.

"Oprogramowanie monitorowania nie łapie ChatGPT. Łapie zachowanie, a następnie osoba decyduje, czy to zachowanie coś oznacza." — Dyrektor centrum testowania online, uniwersytet publiczny, 2025

Co ujawniają dzienniki aktywności przeglądarki i przełączania kart?

Rozszerzenia przeglądarki Lockdown są zbudowane specjalnie, aby zamknąć lukę, którą czysta detekcja oparta na tekście nie może pokryć na egzaminie wielokrotnego wyboru. Mogą zablokować studenta przed otwarciem nowej karty, minimalizacją okna egzaminu lub przełączeniem się na inną aplikację przez czas próby, a wiele z nich rejestruje każdą próbę zrobienia tego, nawet jeśli sama akcja jest zablokowana. Niektóre platformy również wyłączają kopiowanie i wklejanie wewnątrz okna quizu i rejestrują każdą próbę skrótu klawiszowego skojarzoną z tym. Student, który wielokrotnie próbuje alt-tab z zablokowanego egzaminu, lub którego przeglądarka zgłasza wiele zdarzeń utraty fokusu w krótkim oknie, generuje wpis dziennika, który instruktor może przejrzeć obok danych czasu z tej samej próby. Te dzienniki to pośrednie określenie szansy, a nie dowód użycia AI — zdarzenie utraty fokusu mogło oznaczać, że pojawiło się powiadomienie, drugi monitor wyzwolił fałszywą detekcję, lub student naprawdę próbował sprawdzić coś. To, co ma znaczenie dla przeglądu, to jak często się to zdarzało i czy zgadza się to z innymi sygnałami z tej samej próby.

1. Blokowane lub zarejestrowane próby otwarcia nowej karty, aplikacji lub okna przeglądarki
2. Próby kopiowania i wklejania wewnątrz quizu, który ma tę funkcję wyłączoną
3. Powtarzające się zdarzenia utraty fokusu w krótkim okresie tej samej próby
4. Wykrycie drugiego podłączonego monitora lub wyświetlacza podczas sesji z blokadą
5. Skróty klawiszowe skojarzone z przełączaniem okien lub przeszukiwaniem sieci

Czy adresy IP i odciski palców urządzenia mogą ujawnić pomoc z zewnątrz?

Dane sieciowe i urządzenia dodają warstwę, którą czas i analiza tekstu nie mogą pokryć samodzielnie. Jeśli zarejestrowane urządzenie i lokalizacja studenta nie zgadzają się z urządzeniem i adresem IP używanym podczas próby egzaminu, ta niezgodność pojawia się w dzienniku sesji, chociaż nic nie mówi o tym, jak którakolwiek z indywidualnych pytań została udzielona odpowiedź. Platformy testujące również oznaczają flagi przypadki, w których wielu studentów z tego samego kursu loguje się z tego samego adresu IP lub podobnego odcisku palca urządzenia w tym samym oknie egzaminu, ponieważ ten wzór jest bardziej powszechnie związany ze studentami pracującymi razem w tym samym pokoju niż z użyciem AI w szczególności — ale jest to rodzaj anomalii, która i tak otrzymuje bliższe spojrzenie. Używanie VPN może wyzwolić podobną flagę, szczególnie w instytucjach, które wymagają od studentów połączenia się za pośrednictwem określonej sieci kampusu w celu proctorowanych ocen. Jak w przypadku każdego innego sygnału omówionego tutaj, żadne z tych danych nie identyfikuje ChatGPT z imienia. To, co robi, to zawęża się, które próby wyglądają wystarczająco inaczej od oczekiwanego poziomu odniesienia, aby uzasadnić rozmowę następczą.

Czy wzory zmian odpowiedzi podnoszą czerwone flagi?

Większość platform quizu rejestruje każdy raz, gdy student zmienia odpowiedź przed ostatecznym przesłaniem, w tym znacznik czasu każdej zmiany i, w niektórych systemach, która opcja została wybrana przed zmianą. Oprogramowanie do integralności egzaminów zbudowane dla kursów o dużych zapisach może analizować tę historię wersji w całej klasie jednocześnie, szukając wzorów statystycznie mało prawdopodobnych — klaster studentów zmieniających to samo pytanie na tę samą odpowiedź w ciągu sekund od siebie, na przykład, lub student, którego odpowiedzi przesuwają się z złej opcji na właściwą opcję natychmiast po pauzie w środku quizu bez widocznego rozumowania pomiędzy. Ta sama klasa oprogramowania jest również używana do porównywania wzorów błędnych odpowiedzi między studentami, ponieważ dwaj studenci niezależnie zgadujący nieprawidłowo mają tendencję do lądowania na różnych niepoprawnych opcjach, podczas gdy dwaj studenci kopiujący z tego samego zewnętrznego źródła — w tym wspólnej sesji ChatGPT — są bardziej skłonni lądować na identycznej złej odpowiedzi. Pojedyncza zmiana odpowiedzi oznacza bardzo mało sama. Klaster niezwykłych zmian w wielu studentach, lub wzór, który powtarza się w kilku egzaminach od tego samego studenta, to to, co zwykle przesuwa przegląd do przodu.

Co się dzieje, jeśli profesor podejrzewa użycie AI w quizie?

Oflagowana próba wielokrotnego wyboru prawie nigdy nie prowadzi bezpośrednio do kary, ponieważ żaden z sygnałów omówionych tutaj nie jest rozstrzygający samodzielnie — profesor z napisaną polityką AI zazwyczaj powinien zbudować sprawę z więcej niż jednego punktu danych przed podjęciem działania. Proces zwykle zaczyna się od połączonego przeglądu dziennika quizu, wszystkich flag monitorowania i porównania wyników studenta z ich pracą w wcześniejszych, osobowych ocenach. Jeśli wzór nadal wygląda niezwyczajny po tym przeglądzie, wiele instruktorów kontaktuje się bezpośrednio ze studentem, czasami prosząc go o wyjaśnienie jego rozumowania na konkretne pytanie lub ukończenie krótkiego nadzorowanego powtórzenia obejmującego podobny materiał. Studenci, którzy mogą przejść przez swoje myślenie na oflagowanych pytaniach, zazwyczaj rozwiązują obawę na tym etapie. Przypadki, które nie są rozwiązane nieformalnie, przechodzą do formalnego procesu integralności akademickiej, gdzie instruktor generalnie powinien przedstawić pełny wzór dowodów — nie jedną anomalię czasu lub jedno zdarzenie utraty fokusu — przed jakimkolwiek stwierdzeniem. Ten warstwowy proces jest praktyczną odpowiedzią na pytanie, czy profesorowie mogą wykryć ChatGPT w pytaniach wielokrotnego wyboru z jakąś pewnością: rzadko z jednego sygnału, ale wystarczająco często, gdy kilka się zgadza.

1. Instruktor lub biuro testowania przegląda połączone sygnały z tej samej próby, a nie jedną flagę w izolacji
2. Próba jest porównywana z historią wyników studenta i, gdzie jest dostępna, reszta klasy
3. Rozmowa następcza lub nadzorowana powtórka daje studentowi szansę wyjaśnienia wzoru
4. Nierozwiązane przypadki przechodzą do formalnego przeglądu integralności akademickiej wymagającego więcej niż jednego punktu danych
5. Jakiekolwiek znalezisko zazwyczaj dokumentuje pełny wzór dowodów, a nie tylko oryginalną flagę

Sprawdzanie pisanych części mieszanego egzaminu za pomocą NotGPT

NotGPT nie może zrobić nic dla czystej sekcji wielokrotnego wyboru — nie ma tekstu do analizy i żaden detektor tego nie zmienia. Ale wiele egzaminów łączy wielokrotny wybór z pytaniami krótkiej odpowiedzi lub esejem w tej samej ocenie, i te pisane części to dokładnie tam, gdzie stosuje się prawdziwy detektor tekstu AI. Jeśli martwisz się o to, jak odpowiedź krótką mogłaby brzmieć po intensywnej edycji, lub czy wyjaśnienie techniczne brzmi niezwykle gładko dla czegoś, co napisałeś pod presją czasu, wklej to do NotGPT przed przesłaniem, aby zobaczyć ten sam rodzaj wyniku prawdopodobieństwa, jaki wygenerowałoby narzędzie do detekcji instruktora. Funkcja Humanize może również przepisać oflagowany fragment z intensywnością Light, Medium lub Strong, jeśli sekcja uzyskuje wyższy wynik niż powinna dla pisma, które naprawdę jest Twoje.