AI नामांकन धोखाधड़ी ने सामुदायिक कॉलेज वित्त में एक कमजोर बिंदु उजागर किया है

नकली छात्र, असली सहायता राशि: AI किस तरह कॉलेज धोखाधड़ी का नया और स्वचालित रूप बना रहा है

U.S. सामुदायिक कॉलेजों में बढ़ता हुआ धोखाधड़ी पैटर्न उच्च शिक्षा की एक परिचित समस्या को अधिक स्वचालित और पकड़ने में कठिन चीज़ में बदल रहा है। The New Yorker से The Decoder द्वारा संक्षेपित एक रिपोर्ट के अनुसार, ठग कॉलेज पाठ्यक्रमों में नकली छात्रों को दाखिला दिला रहे हैं, वित्तीय सहायता एकत्र कर रहे हैं, और पर्याप्त पाठ्यकार्य पूरा करने के लिए AI उपकरणों का उपयोग कर रहे हैं ताकि यह योजना चलती रहे।

इसकी कार्यप्रणाली इतनी सरल है कि परेशान करने वाली लगती है। धोखेबाज़ छात्र पहचानें बनाते या नियंत्रित करते प्रतीत होते हैं, ऐसे पाठ्यक्रमों में पंजीकरण कराते हैं जिन्हें दूर से लिया जा सकता है, उन नामांकन से जुड़ी सहायता प्राप्त करते हैं, और फिर चर्चा पोस्ट, असाइनमेंट या अन्य आवश्यक प्रस्तुतियाँ बनाने के लिए generative AI पर निर्भर रहते हैं। परिणाम ऐसी धोखाधड़ी है जो न तो शैक्षणिक उत्कृष्टता पर निर्भर करती है, न गहन विषय ज्ञान पर। यह इस पर निर्भर करती है कि पैसा स्थानांतरित होने तक पर्याप्त समय तक विश्वासयोग्य दिखते रहें।

यह अंतर महत्वपूर्ण है क्योंकि यह संस्थानों के जोखिम प्रोफ़ाइल को बदल देता है। कॉलेज लंबे समय से plagiarism, पहचान संबंधी समस्याओं और सहायता दुरुपयोग से जूझते रहे हैं। यहाँ जो अलग है, वह कम प्रयास वाली भागीदारी को औद्योगिक पैमाने पर ले जाने की क्षमता है। AI छात्र गतिविधि का आभास बनाए रखने की श्रम लागत घटाता है, खासकर asynchronous ऑनलाइन पाठ्यक्रमों में जहाँ आमने-सामने सत्यापन बहुत कम या न के बराबर होता है।

Asynchronous पाठ्यक्रम विशेष रूप से असुरक्षित क्यों हैं

The Decoder द्वारा उद्धृत विवरण asynchronous ऑनलाइन कक्षाओं को प्रणाली के सबसे अधिक उजागर हिस्से के रूप में इंगित करता है। ऐसे वातावरण में, छात्रों को शायद कभी कैमरे पर आने, शिक्षक से लाइव बात करने, या वास्तविक समय में स्वतंत्र लेखन साबित करने की ज़रूरत ही न पड़े। इससे धोखाधड़ी वाले नामांकन को generic प्रोफ़ाइल, टेम्पलेट-आधारित लेखन और स्वचालित प्रतिक्रियाओं के पीछे काम करने की जगह मिल जाती है।

East Los Angeles College के प्रोफेसर David Song ने स्रोत को बताया कि उन्हें कुछ साल पहले यह समस्या तब दिखने लगी जब उनके history course में सामान्य Anglo-Saxon नामों वाले छात्र दिखने लगे, जबकि उनका छात्र समुदाय अधिकतर Latino और Asian था। उनकी पृष्ठभूमियाँ भी सवाल खड़े कर रही थीं। कुछ ने Asian American विषयों में शैक्षणिक अनुभव का दावा किया जो उनके सामने दिख रही तस्वीर से मेल नहीं खाता था। ये असंगतियाँ एक संकेत थीं, लेकिन केवल इसलिए क्योंकि एक शिक्षक ने ऐसे पैटर्न देख लिए जिन्हें सॉफ़्टवेयर प्रणाली शायद पकड़ न पाती।

यह विवरण बताता है कि शिक्षा में धोखाधड़ी अक्सर पहले स्थानीय अंतर्ज्ञान से सामने आती है, न कि केंद्रीकृत पहचान से। कोई नाम जो व्यापक कक्षा पैटर्न से मेल नहीं खाता, अपने आप में सबूत नहीं होता, लेकिन संदिग्ध पहचानों, संदिग्ध शैक्षणिक इतिहास और मशीन-लिखे काम का समूह नजरअंदाज करना कठिन हो सकता है। कॉलेजों के लिए चुनौती यह है कि ऐसे निर्णय आसानी से बड़े पैमाने पर लागू नहीं होते, जबकि धोखाधड़ी खुद पहले से अधिक पैमाने पर हो सकती है।

AI धोखाधड़ी नहीं है, लेकिन यह गुणक है

The Decoder की रिपोर्ट में Song की कक्षा नीति के माध्यम से एक महत्वपूर्ण अंतर स्पष्ट किया गया है। वे AI उपयोग की अनुमति देते हैं, लेकिन labeling और शैक्षणिक ईमानदारी की शर्तों के साथ। उनकी शिकायत यह नहीं है कि AI मौजूद है। समस्या यह है कि नियमों का पालन नहीं किया जा रहा, भले ही सामग्री स्पष्ट रूप से मशीन-निर्मित हो। इससे पता चलता है कि मूल समस्या टूल अपनाने की नहीं है। समस्या यह है कि AI का उपयोग बहुत कम लागत पर भागीदारी का अभिनय करने के लिए किया जा सकता है।

एक वैध कक्षा में, छात्र AI का उपयोग विचार-मंथन, सारांश या संशोधन के लिए कर सकता है, जबकि वास्तविक सीखने का काम स्वयं करता है। यहाँ वर्णित धोखाधड़ी के परिदृश्य में, AI एक सहभागिता इंजन बन जाता है। यह इतनी पाठ-सामग्री बना सकता है कि न्यूनतम जाँचों को पूरा कर दे, जबकि खाते के पीछे कोई वास्तविक शैक्षणिक संबंध न हो। यही इसे उन योजनाओं के लिए उपयोगी बनाता है जिनका लक्ष्य पाठ्यक्रम में उत्कृष्टता के साथ पास होना नहीं, बल्कि नामांकन का भ्रम बनाए रखना है।

इसीलिए यह समस्या academic integrity और वित्तीय नियंत्रणों के चौराहे पर बैठती है। पारंपरिक plagiarism सिस्टम छात्र-कार्य की तुलना मौजूदा स्रोतों या एक-दूसरे से करने के लिए बनाए गए थे। वे यह पहचानने के लिए कम उपयुक्त हैं कि कथित छात्र असल में वास्तविक है या नहीं, सक्रिय है या नहीं, और नामांकन से जुड़ी सहायता का हकदार है या नहीं। AI इस अंतर को और जटिल बनाता है, क्योंकि synthetic participation अधिक सतत और अधिक प्रतिक्रियाशील दिखती है।

मैदान में शिक्षक क्या देख रहे हैं

रिपोर्ट में एक दूसरे प्रोफेसर का विवरण भी शामिल है, जो चित्र को एक कक्षा से आगे बढ़ाता है। इतिहास के प्रोफेसर David Roach ने अनुमान लगाया कि उनके आधे से अधिक छात्र papers के लिए AI का उपयोग करते हैं और एक सीधा सवाल उठाया: क्या यह हमेशा ऐसा ही था कि आधे छात्र पर्याप्त आसानी होने पर धोखा देंगे? यह टिप्पणी एक माप नहीं, बल्कि एक चेतावनी है। जब cheating की बाधाएँ कम होती हैं, तो प्रणाली की छिपी कमजोरियाँ अधिक स्पष्ट हो जाती हैं।

यह अवलोकन महत्वपूर्ण है क्योंकि यह दो ओवरलैपिंग समस्याओं का संकेत देता है। एक है वास्तविक छात्रों द्वारा व्यापक अनधिकृत AI उपयोग। दूसरी है सहायता राशि के लिए लोगों या नेटवर्क द्वारा किया जा रहा सीधा नामांकन धोखा। दोनों एक जैसे नहीं हैं, लेकिन शिक्षक की नज़र से वे घुल-मिल सकते हैं। दोनों ही कम-प्रामाणिक coursework पैदा कर सकते हैं। दोनों दूरस्थ शिक्षण वातावरण में भरोसे को कमजोर कर सकते हैं। और दोनों उन शिक्षकों पर बोझ बढ़ाते हैं जिन्हें प्रत्येक असाइनमेंट पर प्रामाणिकता का निर्णय लेना पड़ता है।

कॉलेजों के लिए खतरा यह है कि केवल शैक्षणिक कदाचार पर ध्यान देने से वित्तीय और प्रशासनिक पहलू छूट सकता है। यदि कोई नकली छात्र सहायता वितरण शुरू या बनाए रखने के लिए पर्याप्त समय तक नामांकित रह सकता है, तो अखंडता की विफलता केवल शैक्षणिक नहीं, संस्थागत भी है।

धोखे का कारोबारी मॉडल

यह पैटर्न इसलिए उल्लेखनीय है क्योंकि यह एक साथ कई मौजूदा प्रोत्साहनों का लाभ उठाता दिखता है। सामुदायिक कॉलेज अक्सर व्यापक प्रवेश, लचीला समयसारणी और ऑनलाइन विकल्प देते हैं ताकि अवसर बढ़े। वित्तीय सहायता प्रणालियाँ इसी पहुँच का समर्थन करने के लिए बनी हैं। दूसरी ओर, AI उपकरण सस्ते और व्यापक रूप से उपलब्ध हैं। साथ मिलकर वे एक ऐसा loophole बनाते हैं जिसमें पहुँच का ढाँचा खुद के विरुद्ध इस्तेमाल हो सकता है।

धोखेबाज़ के नज़रिए से, यह मॉडल कुशल है। नामांकन बड़े पैमाने पर हो सकता है। coursework prompts और automated drafting को सौंपा जा सकता है। मानवीय प्रयास अध्ययन के बजाय पंजीकरण और सहायता प्रक्रियाएँ संभालने में जाता है। यदि पहचान अभी भी मुख्यतः manual रहे, तो अर्थशास्त्र बार-बार कोशिशों के पक्ष में काम करेगा।

इसीलिए इस मुद्दे को केवल कक्षा अनुशासन की कहानी नहीं माना जाना चाहिए। यह platform abuse समस्या के अधिक करीब है। कॉलेज platform है, सहायता payout mechanism है, और AI एक productivity layer है जो बुरे actors को सिस्टम के भीतर लंबे समय तक सक्रिय रहने में मदद करती है।

कॉलेजों को क्या फिर से सोचना पड़ सकता है

मूल पाठ में कोई नीति-रोडमैप नहीं दिया गया है, लेकिन यह साफ़ बताता है कि दबाव कहाँ बढ़ रहा है। asynchronous पाठ्यक्रमों पर अधिक scrutiny होने की संभावना है। पहचान सत्यापन सिर्फ़ enrollment पर नहीं, कोर्स के कई बिंदुओं पर अधिक महत्वपूर्ण हो सकता है। शिक्षक live या staged assessments की ओर धकेले जा सकते हैं, जिनमें छात्रों को real time में authorship दिखानी पड़े। वित्तीय सहायता निगरानी को भी enrollment analytics और course participation signals के साथ अधिक तंग समन्वय की ज़रूरत हो सकती है।

इनमें से कोई भी बदलाव मुफ्त नहीं है। सामुदायिक कॉलेज संसाधन सीमाओं में काम करते हैं और ऐसे छात्रों की सेवा करते हैं जिन्हें लचीली ऑनलाइन पहुँच से सबसे अधिक लाभ होता है। मजबूत पहचान जाँच, अधिक synchronous आवश्यकताएँ, या भारी manual review वैध learners पर नए बोझ डाल सकते हैं। यही नीति तनाव है। प्रणाली जितनी खुली होगी, उसका दुरुपयोग उतना आसान हो सकता है। जितनी सख्त होगी, उतना ही जोखिम है कि उन छात्रों को बाहर कर दे, जिनकी सेवा के लिए वह बनी थी।

AI-चालित भरोसे का उपयोग करने वाले अन्य क्षेत्रों के लिए चेतावनी

गहरा सबक केवल कॉलेजों तक सीमित नहीं है। कोई भी संस्था जो पहचान, पात्रता और दूरस्थ डिजिटल भागीदारी को पैसे या पहुँच से जोड़ती है, उसे AI-सहायता प्राप्त impersonation और compliance theater के बढ़ने की उम्मीद करनी चाहिए। शिक्षा अभी सबसे स्पष्ट वर्तमान मामलों में से एक है, क्योंकि सिस्टम में सक्रिय बने रहने के लिए जिस आउटपुट की ज़रूरत होती है वह अधिकतर text है, और text generative AI सबसे सस्ते में बनाती है।

इससे सामुदायिक कॉलेज धोखाधड़ी की कहानी उच्च शिक्षा से परे भी देखने लायक बन जाती है। यह दिखाती है कि AI पुराने scams को कैसे बढ़ा सकता है, उन बोरिंग मध्य-चीज़ों को स्वचालित करके: discussion posts, short assignments, low-stakes signals जो संस्थान को बताते हैं कि उपयोगकर्ता मौजूद है और आगे बढ़ रहा है। जब ये संकेत अब बहुत कुछ साबित नहीं करते, तो संगठनों को तय करना पड़ता है कि प्रामाणिकता का नया सबूत क्या होगा।

सामुदायिक कॉलेजों के लिए तात्कालिक चुनौती है नकली छात्रों को पहुँच कार्यक्रमों को extraction tools में बदलने से रोकना। बाकी सभी के लिए, यह मामला एक पूर्वावलोकन है कि जब automated content generation भरोसे पर आधारित प्रणालियों से मिलती है, तो क्या होता है।

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.