آیا پذیرش دانشگاهها برای AI بررسی میکنند؟
Common App محتوای مقاله تولیدشده توسط AI را تقلب میداند، UCAS به یک اعلامیه نیاز دارد و بررسیهای شباهت خود را انجام میدهد، و Brown استفاده از AI را فقط برای املا و دستور زبان مجاز میداند. اینجا آنچه دفاتر پذیرش واقعاً منتشر کردهاند آمده است، و این که چرا یک personal statement خیلی پیش از آن که هر اسکنری درگیر شود، بر اساس صدا و لحن ارزیابی میشود.
آیا پذیرش دانشگاهها برای AI بررسی میشود؟ سیاست تقلب خود Common App پیش از آنکه حتی یک مقاله خوانده شود، بخشی از این پرسش را پاسخ میدهد. از 2023، تعریف آن از تقلب در درخواست، بهصراحت «محتوای اساسی یا خروجی یک پلتفرم، فناوری یا الگوریتم هوش مصنوعی» را در کنار سرقت ادبی نام برده است، و هر متقاضی پیش از ارسال، این تعریف را تأیید میکند. آنچه دفاتر پذیرش را به هم پیوند میدهد، یک ابزار تشخیص مشترک نیست. بلکه انتظار مشترکی است که مقاله داخل کادر را خود متقاضی نوشته باشد، نه اینکه تولید شده و اندکی ویرایش شده باشد.
UCAS در سمت UK بررسی مشابهی انجام میدهد. هر متقاضی اعلام میکند که بیانیه شخصی او از منبع دیگری، از جمله AI مولد، کپی نشده یا از آن منبع ارائه نشده است. تیم Verification UCAS یک سامانه تشخیص شباهت را بر همه درخواستها اجرا میکند تا دقیقاً همین را جستوجو کند. برخی کالجها حتی از حد پایه در هر دو پلتفرم فراتر میروند. برای مثال، دستورالعملهای درخواست خود Brown University تصریح میکند که استفاده از AI در ارتباط با محتوای درخواست، تحت هیچ شرایطی مجاز نیست، با یک استثنای مشخص برای بازبینی املا و دستور زبان. برخی مدارس اصلاً چیزی در این باره منتشر نکردهاند. این با مدرسهای که بیسروصدا تصمیم گرفته AI قابل قبول است، تفاوت دارد.
آیا پذیرش دانشگاهها برای AI بررسی میشود؟ Common App دقیقاً چه میگوید
سیاست تقلب Common App تقلب را بهقدر کافی گسترده تعریف میکند تا بیش از کپیبرداری لفظبهلفظ را دربر بگیرد. بند مربوط به «محتوای اساسی یا خروجی یک پلتفرم، فناوری یا الگوریتم هوش مصنوعی» همانقدر پیشنویسی را که از یک چتبات گرفته شده و بازنویسی، کوتاه یا بازساخت شده است، دربر میگیرد که متنی را که بدون ویرایش چسبانده شده است، زیرا معیار این است که آیا محتوای اساسی از متقاضی سرچشمه گرفته است یا نه، نه اینکه آیا عبارتبندی نهایی در سطح جمله دقیقاً با خروجی چتبات یکسان است یا نه. هر متقاضی گواهیای را امضا میکند که این بند را بهعنوان بخشی از ارسال از طریق پلتفرم شامل میشود. پرسش مهم این نیست که آیا یک کالج مشخص بررسی میکند یا نه. پرسش این است که آیا درخواست هنگام امضا، در فرمی که متقاضی پیشتر با آن موافقت کرده بود، صادقانه بوده است یا نه.
Brown یک نمونه مفید است، دقیقاً به این دلیل که دستورالعملهای آن مجال اندکی برای تفسیر باقی میگذارند. استفاده از کمک هوش مصنوعی فقط برای بازبینی املا و دستور زبان مجاز است، همان کاربرد محدود که یک ابزار ساده ویرایش نهایی پوشش میدهد، و هیچ چیز فراتر از آن. این یک لایه تکمیلی سختگیرانه و منتشرشده بر روی استاندارد کلی Common App است، نه یک پرسش جداگانه. هیچیک از این موارد از طریق ابزاری که بیشتر دانشجویان هنگام طرح این موضوع در ذهن دارند پیش نمیرود: اینکه آیا Turnitin میتواند ChatGPT را شناسایی کند در یک مقاله ارسالی، پرسشی درباره تکالیف درسی است که پس از ثبتنام درون یک سامانه مدیریت یادگیری اسکن میشود، و خواندن پروندههای پذیرش زودتر انجام میشود، روی سندی دیگر، و تحت قواعدی کاملاً متفاوت.
UCAS در یک بیانیه شخصی چه چیزی را الزامی میداند
UCAS نیز خطی مشابه Common App ترسیم میکند، با بیان خاص خود. تولید یک بیانیه شخصی، یا بخش بزرگی از آن، با ابزاری مانند ChatGPT و ارائه آن بهعنوان متن اصیل میتواند تقلب تلقی شود، و ممکن است برای متقاضی به از دست رفتن یک پیشنهاد پذیرش یا لغو شدن پیشنهاد موجود بینجامد. استفاده از هوش مصنوعی برای گرفتن ایده درباره اینکه چه چیزهایی را باید گنجاند، چگونه یک بند را ساختاربندی کرد، یا چگونه خوانایی یک جمله را بهبود داد، موضوعی متفاوت است، و راهنمای خود UCAS این نوع استفاده را قابل قبول میداند. تمایزی که UCAS ترسیم میکند به تمایزی که Common App با بندی متفاوت ترسیم میکند نزدیک است: کمک گرفتن مجاز است، جایگزینی مجاز نیست.
این تمایز فقط یک راهنما بدون پشتوانه اجرایی نیست. تیم Verification UCAS بررسیهایی برای درخواستهای متقلبانه و نیز برای الگوهای شباهت میان بیانیههای شخصی انجام میدهد، و هرجا سامانه آن بیانیهای را علامتگذاری کند، دانشگاهها یا کالجهای نامبرده در آن درخواست میتوانند مستقیماً مطلع شوند. یک علامتگذاری بهخودیخود به معنای پایان یافتن درخواست نیست. اما به این معناست که آن بیانیه بار دیگر، با نگاهی شکاکانهتر، از سوی افرادی خوانده میشود که در هر چرخه هزاران مورد از این دست را میبینند و پیش از رسیدن به بند دوم میدانند پاسخ قالبی چه شکلی دارد.
مقاله خود را انسانیسازی کنید
متنِ کمکگرفته از AI خود را دگرگون کنید و کاری کنید طبیعی به نظر برسد، بدون دست زدن به واژههای مهم یا ارجاعها.
جایی که دفاتر پذیرش هیچ چیز نگفتهاند
خارج از دو پلتفرم بزرگِ کاربردی و چند مدرسه مانند Brown، بیشتر دفاتر پذیرشِ فردی هیچ چیز مشخصی درباره AI در essays درخواست منتشر نکردهاند. این سکوت ارزش آن را دارد که با دقت خوانده شود. مدرسهای که هیچ خطِ مشخصی درباره AI ندارد، لزوماً تصمیم نگرفته است که AI مجاز است. زبانِ کلیِ یکپارچگیِ درخواست آن، همان عبارتی که از پیش plagiarism و فهرستهای فعالیتِ ساختگی را پوشش میدهد، پیش از generative AI وجود داشته و همچنان آن را نیز دربر میگیرد، چه جملهای جداگانه این را بهطور مستقیم بگوید چه نگوید. این شکاف با الگویی همخوان است که در اینکه دانشگاهها بهطور گستردهتر چگونه سیاست AI را مدیریت میکنند ارزش فهمیدن دارد: یک قاعده کلیِ نهادی و یک قاعده مشخصِ درس یا بخش، اغلب در سطوح متفاوتی از جزئیات قرار دارند، و قاعده مشخصتر معمولاً حاکم است.
چرا آزمون واقعی یک detector نیست
خواننده پذیرش تلاش نمیکند روی یک personal statement یک classifier اجرا کند. پرسشی که او میکوشد پاسخ دهد بسیار هدفمندتر و بسیار دشوارتر است: «آیا این شبیه یک فرد مشخص است که یک کار مشخص را انجام داده، آن هم با جزئیاتی به اندازه کافی یگانه که هیچ کس دیگری نمیتوانست این بند دقیق را نوشته باشد؟» نثری که تولید شده باشد، احتمالاً حتی بدون آنکه کسی آن را با یک detection tool بخواند، در رسیدن به این هدف ناکام میماند. این نثر میکوشد به جای مشخص بودن، کلی باشد: یک درسِ آموختهشده، نه لحظه دقیقِ آموختن آن، علاقه به medicine، نه مواجهه مشخص با بیمار که آن را پدید آورده است. یک خواننده انسانی میتواند این تفاوت را فوراً و بهروشنی ببیند، بسیار پیش از آنکه درصدی روی صفحه ظاهر شود.
مسئولان پذیرش در یک چرخه واحد هزاران essay از این دست را میخوانند، و دقیقاً به همین دلیل است که نسخه کلی برجسته میشود، نه اینکه در میان بقیه حل شود. جملهای که میتوانست هر متقاضیای با همان آمار و همان رشته مورد نظر نوشته باشد، نشانهای بسیار بزرگتر از جملهای با انتخاب فعل نامعمول یا ساختاری غیرعادی است. در این زمینه، مشخص بودن یک ترجیح سبکی نیست. این همان مبنای کاملِ داوری درباره essay است، مستقل از اینکه هر scanner چه چیزی را علامت بزند یا نزند.
استفاده از AI در درخواست شما بدون عبور از خط
کاربردهایی که هم UCAS و هم Brown آنها را قابل قبول میدانند، به یک الگوی عملی اشاره میکنند: AI برای ساختار، برای محدود کردن یک موضوع، برای یافتن یک غلط تایپی، و یک انسان برای خودِ جملههایی که توضیح میدهند چه رخ داده و چرا اهمیت داشته است. نوشتن یک پاراگراف کامل با یک چتبات و بازنویسی آن با واژههای دیگر، همچنان از محتوایی آغاز میشود که در اصل متعلق به متقاضی نبوده است، و این دقیقاً همان جایگزینی است که هر سیاست بررسیشده در اینجا پیرامون آن خط میکشد. یک free essay checker راهی معقول برای یافتن پاراگرافی است که پیش از آنکه به دکمه ارسال نزدیک شود، به عبارتپردازی کلی و شبیه درخواست هر کسی لغزیده است، فارغ از اینکه آن پاراگراف چگونه نوشته شده باشد.
برنامههای بالینی سختگیرانهترین قواعد را در میان همه رشتهها اعمال میکنند، و AI detection in nursing school بهطور جداگانه بررسی میشود. اصلی که زیر همه آنها قرار دارد، در مطلبی درباره academic integrity and AI بیان شده است.
هیچیک از اینها در واقع درباره پیشی گرفتن از یک سامانه غربالگری نیست، در هیچیک از دو پلتفرم. AI humanizer for students در TextPulse یک Human Score برآوردی گزارش میکند که بر پایه شکل آماری خودِ پیشنویس ساخته شده است، و این برای یک personal statement نیز یک بررسی ویرایشی واقعاً مفید است، زیرا همان عبارتپردازی کلی که یک طبقهبند به آن واکنش نشان میدهد، اغلب دقیقاً همان چیزی است که یک خواننده پذیرش خسته از کنار آن میگذرد. پایدارترین کار همان چیزی است که هیچ سیاستی لازم نیست آن را صریح بیان کند: همان یک جزئیات درباره زندگی مشخص خود را بنویسید که هیچ متقاضی دیگری در این سال نمیتوانست به جای شما نوشته باشد.
سؤالات متداول
آیا پذیرش دانشگاهها برای AI بررسی میکنند؟ نه با یک detector مشترک برای همه مدارس، خیر. سیاست تقلب Common App از 2023 محتوای تولیدشده توسط AI را به عنوان شکلی از تقلب در درخواست نام برده است، و UCAS به یک اعلامیه نیاز دارد و همچنین بررسیهای شباهت خود را روی personal statement ها انجام میدهد. اجرای این مقررات بیشتر بر همان تأیید و بر این تکیه دارد که خوانندگان متوجه نوشتاری شوند که شبیه صدای یک متقاضی مشخص نیست.
PhD in natural language processing, with years spent building NLP applications end to end. Moe works on text analysis: lexical and syntactic structure, and what separates machine-generated prose from human prose statistically. He has been experimenting with computational linguistics since the early days of NLTK, spaCy and WordNet, and still writes most of his tooling in Python.
