A Criminological Mixed-Methods Analysis of University Policies and Strategies Against AI Cheating: A Case Study of Novel Deviance and Cultural Lag 的对应中文译名为：针对人工智能作弊的大学政策与策略之犯罪学混合方法分析：以新型越轨与文化滞后为一例个案研究

《Computers in Human Behavior》：A Criminological Mixed-Methods Analysis of University Policies and Strategies Against AI Cheating: A Case Study of Novel Deviance and Cultural Lag

　　

被察觉风险感知显著降低了使用人工智能作弊的可能性。被察觉惩罚严重性感知显著降低了使用人工智能作弊的可能性。过去使用人工智能作弊的行为显著增加了再次使用人工智能的可能性。常见的AI政策未影响使用人工智能作弊的可能性。学生依赖自身信念来判断何为可接受使用、何为不可接受使用。

研究背景与问题提出

自2022年11月ChatGPT发布以来，生成式人工智能(AI)迅速渗入日常学习与工作场景。学生使用AI完成课业被视为一种新兴越轨行为(deviance)。当前高校普遍沿用刑事司法式的威慑思路：通过大纲声明、AI检测工具、惩罚威胁等政策与实践来遏制AI作弊。然而已有文献多为主观评论或横断面调查，缺乏在理论框架下对“政策是否真正改变学生风险感知与行为”的实验检验。研究人员指出，AI作弊作为一种novel deviance（新型越轨），社会规范与制度回应存在cultural lag（文化滞后，Ogburn, 1922），导致学生更多依据个人道德与直觉而非校方政策来评估风险收益，因此亟需以犯罪学理性选择理论(RCT)为基础开展混合方法实验。

研究开展与总体结论

研究人员采用因子调查(factorial survey)实验结合质性主题分析。在美国与英国高校学生中通过Prolific平台招募3298名受试者，随机分配至21种假设写作场景（含控制组），操纵五类政策/实践（教授声明曾抓到过人、大纲禁止AI、提醒AI剥夺教育、教授懂技术、教授不懂技术）与四级惩罚严重性（无、挂作业、挂科、开除）。同时收集被试对“是否会用AI”“被抓概率”“惩罚严重性”的0–100%或1–7评分，并对429名曾有AI作弊史者做开放式追问。结果显示：感知被抓概率(perceived certainty)与感知惩罚严重性(perceived severity)均显著降低AI作弊倾向，支持RCT威慑核心；但五类常见政策本身对作弊倾向及风险感知无系统性影响；既往AI作弊史是最强预测因子（OR=5.56），且使其低估风险。质性数据表明学生以自身信念界定“何为作弊”，政策真空下形成个人化道德框架。论文发表于《Computers in Human Behavior》。

主要技术方法概括

研究人员采用5（政策）×4（惩罚）组间因子调查设计，以Prolific Academic招募美英在校生3298人（≥18岁），随机阅20种实验情境加1种控制情境；量化端用STATA 19做分数回归(fractional regression)，将结果变量转为0–1比例，分理论模型、结构模型、历史模型、全模型与精简模型五类；质性端对429名自报既往AI作弊者及假设情境作答做NVivo归纳式主题分析(thematic content analysis)，至主题饱和止。样本队列明确来自美英高校学生众筹平台，无生物试剂或质粒操作。

研究结果（保留小标题）

4.1 Quantitative Results

4.1.1 Fractional Regression: Likelihood of Cheating

Model 1显示感知被抓(OR=0.60)与感知严重性(OR=0.69)均显著降作弊；Model 2中仅“大纲禁AI+挂科”“教授懂技术+挂科”两情境显著低于控制组，但全模型Model 4加入感知变量与既往史后，所有实验操纵不再显著；Model 3既往作弊史OR=5.56。结论：RCT感知机制成立，但校方政策文本不驱动感知。

4.1.2 Fractional Regression: Likelihood of getting caught and severity of punishment

全模型中仅“教授曾说抓到人”与“教授懂技术且无惩罚声明”提升感知被抓约9个百分点；既往作弊者感知被抓降20.27点。感知严重性仅“教授懂技术+挂科”微升。说明政策操纵难改风险研判。

4.2 Qualitative Results

4.2.1 Student explanations for not using AI to cheat

分为外部控制（怕被抓/挂科/开除）与内部控制（教育价值观、诚实自我认同、反AI资源观）。

4.2.2 Student explanations for using AI to cheat

析出四主题：不作弊成本（保分/赶deadline）、最小化AI使用（仅提纲/润色）、正当化（人人都用/其他负担重）、管理被抓风险（改写降噪/错峰提交）。学生自设“连续统”把自身行为划为合法。

讨论与结论翻译

讨论指出，RCT可解释AI作弊意向，但常规政策因cultural lag失效；新型越轨下情境风险信号未社会化，学生靠个人因素（道德、既往经验、认知扭曲）做贝叶斯式更新。研究人员建议高校弃用笼统禁令，改立细粒度AI使用界规，并直告“校方认定即作弊”。结论原文意译：感知被抓风险显著降低作弊率，但该感知非由大学政策驱动；因AI作弊属新型越轨且风险高低无社会共识，风险研判由个人道德、学业投入、压力、认知扭曲及规避检测能力主导。对绝不作弊者政策多余，对曾作弊者笼统政策被自认“不适用”而无效。

意义

该研究首次以实验混合方法验证：高校AI政策若仅重复“禁止/ plagiarism”而缺细致情境锚点，便无法进入学生RCT计算；未来制度设计须同步压缩cultural lag与提供客观风险线索（如可靠检测、透明申诉），并将conformist behavior（守规行为）的潜在损失纳入行为模型。