ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА СТУДЕНТАМИ И МЕТОДЫ ЕГО ОБНАРУЖЕНИЯ

Раздел: Этические и правовые проблемы применения нейросетей в образовании

Журнал: Материалы V Всероссийской научно-практической конференции с междун. участием «ИИ в образовании. Современные достижения и перспективы применения: в генерации знаний, управлении, обучении, оценке результатов обучения и формировании компетенций обучающихся»

25 мая 2026 г.

Авторы: Читайло Кристина Сергеевна

Информационно-коммуникационные технологии в педагогическом образовании, 2026. № 2 (101). itped.ru

_______________________________________________________________________

УДК 377.8

К. С. Читайло

K. S. Chitailo

Читайло Кристина Сергеевна, ст. преподаватель, КГПИ КемГУ, г. Новокузнецк, Россия.

Chitailo Kristina Sergeevna, assistant, Kuzbass Humanitarian Pedagogical Institute of Kemerovo State University, Novokuznetsk, Russia.

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА СТУДЕНТАМИ И МЕТОДЫ ЕГО ОБНАРУЖЕНИЯ

USE OF ARTIFICIAL INTELLIGENCE BY STUDENTS AND METHODS OF ITS DETECTION

Аннотация. В статье рассматривается проблема неконтролируемого применения генеративных нейросетей в учебном процессе. Анализируются типичные способы использования ИИ студентами (написание эссе, решение задач, генерация кода и др.). Предлагается классификация методов обнаружения AI-контента: инструменты-детекторы, лингвистический, стилистический, процессуальный и технический анализ. Особое внимание уделено техническому методу – выявлению характерного форматирования ответов нейросетей при копировании в текстовые редакторы. Представлены результаты эксперимента с тремя нейросетями (YandexGPT, GigaChat, DeepSeek). Даны практические рекомендации для преподавателей. Статья подготовлена в рамках диссертационного исследования, посвященного формированию профессиональной готовности студентов педагогических колледжей к применению цифровых технологий, включая искусственный интеллект в образовательном процессе.

Annotation. This article examines the unsupervised use of generative neural networks in the educational process. Typical student uses of AI (essay writing, problem solving, code generation, etc.) are analyzed. A classification of AI content detection methods is proposed: detector tools, linguistic, stylistic, procedural, and technical analysis. Particular attention is paid to the technical method of identifying the characteristic formatting of neural network responses when copied into text editors. The results of an experiment with three neural networks (YandexGPT, GigaChat, and DeepSeek) are presented. Practical recommendations for teachers are provided. This article was prepared as part of a dissertation research project dedicated to developing the professional readiness of students at pedagogical colleges for the application of digital technologies, including artificial intelligence, in the educational process.

Ключевые слова: искусственный интеллект, нейросети, академическая честность, обнаружение ИИ-текстов, форматирование документа.

Keywords: artificial intelligence, neural networks, academic integrity, AI text detection, document formatting.

Проникновение искусственного интеллекта (ИИ) во все сферы жизни делает его незаменимым помощником: обработка больших данных, генерация текстов, изображений, аудио и видео за считаные минуты – это далеко не полный перечень возможностей. Однако в образовании массовое и бездумное использование генеративных нейросетей студентами порождает серьезную проблему: профессиональные компетенции подменяются навыком составления промптов. Как отмечает А. Р. Айдагулова, при проверке в системе «Антиплагиат» такие сгенерированные работы могут показывать 98–100 % оригинальности, что не позволяет выявить долю работы, выполненную автором самостоятельно [1]. Данная проблема является частью более широкого контекста подготовки будущих педагогов, которые должны не только сами грамотно использовать ИИ, но и уметь распознавать несамостоятельные работы учащихся, что непосредственно связано с формированием их профессиональной готовности.

Цель работы – проанализировать способы использования ИИ студентами, систематизировать методы обнаружения ИИ-генерации и предложить доступный преподавателям технический прием, основанный на анализе форматирования текста.

Одна из главных угроз, связанных с ИИ, – атрофия способности самостоятельно мыслить и искать решения. Опасна не столько утрата уже сформированного навыка (как езда на велосипеде – со временем его можно восстановить), сколько ситуация, когда навык вовсе не сформирован, а задача выполнена «помощником». В образовании ключевая задача студента – получение собственного уникального опыта. Когда вместо анализа литературного произведения студент получает готовое эссе от нейросети, он тренирует лишь искусство составления запросов, а не профессиональное мышление.

Краткий перечень типичных сценариев того, как студенты используют ИИ, выглядит следующим образом:

написание эссе, рефератов, курсовых и дипломных работ;
решение задач и заданий, объяснение, анализ концепций;
генерация программного кода и его отладка;
создание презентаций, изображений, видеозаписей;
переводы и переформулировка текстов.

Как же выявить использование ИИ? Здесь можно выделить несколько подходов, каждый из которых имеет свои плюсы и недостатки.

Инструменты-детекторы (например, Turnitin, GPTZero и аналоги). Эти сервисы анализируют текст на предмет статистической вероятности генерации. Их главное преимущество – быстрота и возможность массовой проверки. Однако они часто дают ложные срабатывания на сложных, хорошо структурированных текстах, а также могут быть обмануты при незначительной редактуре.
Лингвистический анализ. Подробный перечень лингвистических маркеров сгенерированных текстов представлен в исследовании М. Н. Черкасовой и А. В. Тактаровой [2].Опытный педагог способен отличить сгенерированный текст от написанного студентом самостоятельно по характерным признакам: избыточная гладкость, повторяющиеся синтаксические конструкции, отсутствие индивидуальных орфографических и стилистических ошибок, неестественная «правильность». Минус метода – он сильно зависит от опыта и «насмотренности» проверяющего; подход сложен для молодых преподавателей.
Стилистический и содержательный анализ. Такой подход предполагает оценку глубины аргументации, ссылок на авторитетные научные источники, оригинальности идей, соответствия уровня рассуждений реальным знаниям студента [2]. Такая стратегия эффективна, если педагог является подлинным экспертом в своей дисциплине. Однако данный подход весьма трудоемок и субъективен.
Процессуальный подход. Он заключается в требовании черновиков, поэтапных пояснений решений, устной защиты работы. Это, пожалуй, самый надежный способ выявления несамостоятельности, поскольку нейросеть не сможет устно ответить на уточняющие вопросы. Недостаток – высокая временная и организационная нагрузка на преподавателя; провести полноценную защиту с каждым студентом удается далеко не всегда.
Технический метод основан на анализе метаданных и цифровых следов, оставленных нейросетью при генерации. В частности, при копировании ответа в текстовый редактор часто сохраняются служебные символы (жесткие пробелы, длинное тире, принудительные переводы строк, маркеры в виде символов #, *, |). Этот метод объективен и быстр, но работает только при сдаче работы в электронном виде и только до тех пор, пока студенты не научатся чистить форматирование. Актуальность анализа форматирования подтверждается исследованием А. С. Савельева, который выявил, что наличие внутритекстовых ссылок и маркированных списков может приводить к ложной идентификации человеческого текста как машинной генерации [3].

Оптимальным представляется сочетание подходов, а для стартовой проверки – технический метод, который мы рассмотрим подробнее.

Эксперимент. Мы задали трем нейросетям (YandexGPT (Алиса), GigaChat, DeepSeek) один и тот же запрос: «Различие между деятельностным и личностным подходом в психологии и педагогике». Ответы копировали в текстовый процессор двумя способами: прямое выделение и вставка (Ctrl+C/Ctrl+V) и копирование через пиктограмму «копировать» в интерфейсе нейросети. Далее включали отображение всех знаков (¶) и анализировали форматирование.

Результаты эксперимента представлены в таблицах 1 и 2.

Таблица 1

Признаки форматирования при копировании ответов нейросети
прямым выделением

Нейросеть	Обнаруженные признаки
DeepSeek	Жесткие пробелы (неразрывные) – вокруг ключевых терминов; принудительный перевод строки (↵) внутри абзацев; длинное тире (—) вместо дефиса; таблицы без внешних границ.
YandexGPT (Алиса)	Очень много жестких пробелов (в каждом предложении, даже там, где они не нужны); широкое тире; списки с маркерами в виде длинных тире.
GigaChat	Жесткие пробелы, длинное тире, отсутствие внешних контуров у таблиц, списки с отступами, нестандартными для студента.

Дополнительное наблюдение: примечание: все три нейросети при копировании таблиц оставляли их без внешних рамок – студент, не умеющий форматировать, может не заметить этого. Также сам текст внутри ячеек всегда имеет выравнивание высоты по центру и левому краю.

Таблица 2

Признаки форматирования при копировании ответов нейросети
через пиктограмму

Нейросеть	Обнаруженные признаки
DeepSeek	Маркеры списков заменены на символы # или *; сохраняется длинное тире; смесь разных межстрочных интервалов.
YandexGPT (Алиса)	Линия во всю ширину страницы (из символов --- или ___) для разделения блоков; в начале строк – #, *, \|.
GigaChat	Активное использование # и * вместо стандартных маркеров; периодически «рваные» отступы; разный размер шрифта в соседних абзацах.

Дополнительное наблюдение: «Алиса» склонна генерировать горизонтальные линии во всю ширину страницы для визуального разграничения текста – в студенческих работах такое встречается крайне редко.

Технический метод, несмотря на свою быстроту и объективность, имеет ряд ограничений. Прежде всего, он работает только в том случае, если студент сдал работу в электронном виде (к рукописным текстам он неприменим). Кроме того, если студент осознанно чистит форматирование – например, заменяет жесткие пробелы на обычные, длинное тире на дефис, удаляет символы #, *, | из начала строк, – метод перестает давать результаты. Но, даже при сознательной чистке форматирования сохраняются другие паттерны, которые могут быть выявлены комплексом критериев, например, предложенных И. А. Вейсом (анализ уникальности слов, блочной уникальности, аргументированности) [4].Наконец, не все выявляемые признаки однозначно свидетельствуют о генерации нейросетью: так, длинное тире или нестандартный отступ может поставить и сам студент. Однако, как показывает практика, сочетание двух-трех признаков одновременно (например, жесткий пробел плюс длинное тире плюс принудительный перевод строки) с высокой вероятностью указывает на использование ИИ.

Приведем практические рекомендации для преподавателя. Проверка текста на предмет генерации техническим методом может проводиться по следующим шагам:

Открыть файл студента в текстовом процессоре.
Включить отображение непечатаемых символов.
Визуально оценить:
- Есть ли жесткие пробелы (отображаются как маленький кружок ° между словами, где они не нужны)?
- Встречается ли длинное тире (—), особенно внутри простых перечислений?
- Присутствуют ли символы #, *, | в начале строк (вместо обычных маркеров)?
- Нарушено ли единообразие интервалов или шрифта в соседних абзацах?
- Выглядит ли форматирование таблиц специфическим?
Если обнаружено 2 и более признака из списка – провести дополнительный лингвистический анализ (плавность, отсутствие ошибок, шаблонность фраз).

Проведенное исследование показывает, что студенты массово используют ИИ для выполнения учебных задач, что может препятствовать формированию профессиональных компетенций. Среди методов выявления ИИ-генерации технический анализ форматирования выделяется своей доступностью и скоростью – он не требует специального ПО и доступен каждому преподавателю, работающему с электронными работами. Эксперимент с тремя нейросетями (YandexGPT, GigaChat, DeepSeek) подтвердил наличие характерных «цифровых следов»: жестких пробелов, длинного тире, символов-маркеров (#, *, |), форматирование таблиц, линий и сбоев интервалов.

Однако ни один метод не дает 100 % гарантии. Наиболее продуктивна комбинация технического, лингвистического и процессуального подходов (например, дополнительная устная защита по тексту работы).

Результаты исследования могут быть использованы в практике преподавания дисциплин, связанных с цифровыми технологиями. В частности, в рамках курсов «Цифровые технологии в начальном образовании» и «Искусственный интеллект и нейросети в профессиональной деятельности» предлагается знакомить студентов не только с возможностями генеративных нейросетей, но и с методами обнаружения ИИ-контента. Такой подход позволит сформировать у будущих учителей не только операциональные умения работы с ИИ, но и рефлексивную позицию в вопросах академической честности, что является важной составляющей их профессиональной готовности.

Список литературы

Айдагулова, А. Р. Особенности текстов, сгенерированных искусственным интеллектом / А. Р. Айдагулова. – Текст : электронный // Вестник Башкирского государственного педагогического университета им. М. Акмуллы, 2023. – № 4 (72). – URL: https://cyberleninka.ru/article/n/osobennosti-tekstov-sgenerirovannyh-iskusstvennym-intellektom (дата обращения: 14.05.2026).
Черкасова, М. Н. Искусственно сгенерированный академический текст (лингвопрагматический аспект) / М. Н. Черкасова, А. В. Тактарова. – Текст : электронный // Филологические науки. Вопросы теории и практики, 2024. – № 7. – URL: https://cyberleninka.ru/article/n/iskusstvenno-sgenerirovannyy-akademicheskiy-tekst-lingvopragmaticheskiy-aspekt (дата обращения: 14.05.2026).
Савельев, А. С. Человеческое и компьютерное в научном тексте / А. С. Савельев – Текст : электронный // Verba. Северо-Западный лингвистический журнал, 2024. – № 3 (13). – URL: https://cyberleninka.ru/article/n/chelovecheskoe-i-kompyuternoe-v-nauchnom-tekste (дата обращения: 14.05.2026).
Вейс, И. А. Распознавание паттернов применения искусственного интеллекта при создании текстов / И. А. Вейс. – Текст : электронный // Современные инновации, системы и технологии, 2025. – № 1. – URL: https://cyberleninka.ru/article/n/raspoznavanie-patternov-primeneniya-iskusstvennogo-intellekta-pri-sozdanii-tekstov (дата обращения: 14.05.2026).

PDF