एआय बनावट विद्यार्थ्यांच्या प्रवेशामुळे कम्युनिटी कॉलेज वित्तातील एक कमकुवत दुवा उघड होत आहे

बनावट विद्यार्थी, प्रत्यक्ष aid पैसे: AI कॉलेज फसवणुकीचा नवा प्रकार कसा वाढवत आहे

अमेरिकेतील कम्युनिटी कॉलेजमध्ये वाढत असलेला फसवणुकीचा नमुना उच्च शिक्षणातील एक परिचित समस्या अधिक स्वयंचलित आणि ओळखणे कठीण अशा गोष्टीत बदलत आहे. The New Yorker मधून The Decoder ने संक्षेपित केलेल्या अहवालानुसार, फसवे लोक कॉलेज कोर्समध्ये बनावट विद्यार्थ्यांची नोंदणी करत आहेत, financial aid गोळा करत आहेत, आणि हा प्रकार चालू ठेवण्यासाठी आवश्यक coursework पूर्ण करण्यासाठी AI tools वापरत आहेत.

यामागील mechanics इतकी सोपी आहेत की ती धोकादायक वाटते. fraudsters student identities तयार किंवा नियंत्रित करत असल्याचे दिसते, दूरस्थपणे घेता येतील अशा classesमध्ये प्रवेश घेतात, त्या enrollmentsशी जोडलेली aid मिळवतात, आणि नंतर discussion posts, assignments किंवा इतर आवश्यक submissions तयार करण्यासाठी generative AI वर अवलंबून राहतात. परिणाम असा फसवणुकीचा प्रकार आहे जो academic excellence किंवा खोल subject knowledgeवर अवलंबून नाही. तो इतपत विश्वासार्ह दिसण्यावर अवलंबून आहे की पैसे हलवता येतील.

हा फरक महत्त्वाचा आहे, कारण त्याने संस्थांचा risk profile बदलतो. colleges ने plagiarism, identity issues, aid abuse यांचा बराच काळ सामना केला आहे. इथे वेगळेपण म्हणजे कमी प्रयत्नात सहभाग दाखवण्याचे औद्योगिकीकरण करण्याची क्षमता. विशेषतः asynchronous online courses मध्ये, जिथे face-to-face verification अत्यल्प किंवा नसतेच, तिथे विद्यार्थी सक्रिय असल्याचा आभास टिकवण्याचा labor cost AI कमी करते.

Asynchronous courses विशेषतः असुरक्षित का आहेत

The Decoder ने उद्धृत केलेल्या माहितीनुसार asynchronous online classes ही प्रणालीतील सर्वात उघडी जागा आहे. अशा वातावरणात विद्यार्थ्यांना कधीही camera समोर यावे लागणार नाही, शिक्षकाशी live बोलावे लागणार नाही, किंवा real time मध्ये स्वतंत्र लेखन दाखवावे लागणार नाही. त्यामुळे fraudulent enrollments ला generic profiles, templated writing आणि automated responses यांच्या आड काम करण्याची जागा मिळते.

East Los Angeles College मधील professor David Song यांनी स्रोताला सांगितले की काही वर्षांपूर्वी त्यांच्या history course मध्ये सामान्य Anglo-Saxon नावांची मुले दिसू लागल्यावर त्यांना ही समस्या जाणवू लागली, जरी त्यांच्या विद्यार्थ्यांमध्ये बहुसंख्य Latino आणि Asian होते. त्यांच्या backstories देखील प्रश्न निर्माण करत होत्या. काहींनी Asian American विषयांमध्ये academic experience असल्याचा दावा केला, पण ते त्यांनी पाहत असलेल्या परिस्थितीशी जुळत नव्हते. त्या विसंगती एक clue होती, पण फक्त म्हणून की एका शिक्षकाने असे pattern पाहिले जे software systems चुकवू शकत होत्या.

हा तपशील दाखवतो की शिक्षणातील फसवणूक बहुतेक वेळा प्रथम स्थानिक intuition मधून उघड होते, centralized detection मधून नाही. broader classroom patternशी न जुळणारे नाव हे स्वतःहून पुरावा नसते, पण संशयास्पद identities, अस्थिर academic histories, आणि machine-written work यांचा समूह दुर्लक्ष करणे कठीण होते. कॉलेजांसाठी आव्हान म्हणजे असे निर्णय सहजपणे scale होत नाहीत, तर फसवणूक स्वतः मात्र अधिक scale होऊ शकते.

AI ही फसवणूक नाही, पण ते multiplier आहे

The Decoder च्या कथनात Song यांच्या classroom policy मधून एक महत्त्वाचा फरक स्पष्ट होतो. ते AI वापराला परवानगी देतात, पण labeling आणि academic honesty च्या अटींसह. त्यांची तक्रार AI आहे म्हणून नाही. तक्रार अशी की स्पष्टपणे machine-generated content असतानाही नियम पाळले जात नाहीत. यावरून core issue tool adoption नसून AI चा वापर अत्यल्प खर्चात engagementचे अनुकरण करण्यासाठी होऊ शकतो, हे समजते.

वैध classroom मध्ये विद्यार्थी brainstorming, summarizing किंवा revising साठी AI वापरू शकतो, आणि तरीही प्रत्यक्ष शिकण्याचे काम स्वतः करतो. येथे वर्णन केलेल्या fraud scenario मध्ये AI एक participation engine बनते. account च्या मागे वास्तविक शैक्षणिक नाते नसतानाही, ते किमान checkpoints पूर्ण करण्याइतका text तयार करू शकते. म्हणूनच ते एखादा कोर्स distinction सह पास करण्यासाठी नव्हे, तर enrollmentचा आभास टिकवण्यासाठी उपयुक्त ठरते.

म्हणूनच ही समस्या academic integrity आणि financial controls यांच्या संगमावर बसते. पारंपरिक plagiarism systems विद्यार्थ्यांचे काम विद्यमान sources किंवा एकमेकांशी तुलना करण्यासाठी बनवले गेले होते. कथित विद्यार्थी खरा आहे का, engaged आहे का, आणि enrollmentशी जोडलेल्या aid साठी पात्र आहे का हे ओळखण्यासाठी ते कमी उपयुक्त आहेत. AI synthetic participation अधिक सतत आणि अधिक प्रतिसादक्षम दाखवून ही दरी अधिक गुंतागुंतीची करते.

प्रत्यक्षात शिक्षक काय पाहत आहेत

अहवालात दुसऱ्या professor चा अनुभवही आहे, जो एका वर्गापलीकडे मोठे चित्र दाखवतो. history professor David Roach यांनी अंदाज व्यक्त केला की त्यांच्या अर्ध्याहून अधिक विद्यार्थ्यांनी papers साठी AI वापरले आहे, आणि एक थेट प्रश्न विचारला: ते नेहमीच असेच होते का, की काम इतके सोपे असेल तर अर्धे विद्यार्थी फसवणूक करतील? ही टिप्पणी मापन नाही, तर इशारा आहे. cheating चे अडथळे कमी झाले की प्रणालीतील लपलेल्या कमजोरी अधिक स्पष्ट होतात.

ही निरीक्षण महत्त्वाचे आहे, कारण ते दोन ओव्हरलॅप होणाऱ्या समस्या दाखवते. एक म्हणजे खऱ्या विद्यार्थ्यांकडून होणारा व्यापक unauthorized AI वापर. दुसरी म्हणजे aid money मिळवण्यासाठी व्यक्ती किंवा नेटवर्ककडून होणारी थेट enrollment fraud. दोन्ही सारख्या नाहीत, पण शिक्षकांच्या नजरेत त्या एकमेकींत मिसळू शकतात. दोन्ही कमी authenticity असलेले coursework तयार करू शकतात. दोन्ही remote learning environments मधील विश्वास खच्ची करू शकतात. आणि दोन्ही faculty वरचा ताण वाढवतात, कारण प्रत्येक assignmentवर authenticity ठरवण्याची जबाबदारी त्यांच्यावर येते.

कॉलेजांसाठी धोका असा की फक्त academic misconduct वर लक्ष केंद्रित केल्यास financial आणि administrative पैलू दुर्लक्षित होऊ शकतो. जर बनावट विद्यार्थी aid disbursement सुरू करण्याइतपत किंवा टिकवण्याइतपत काळ enrolled राहू शकला, तर integrity failure ही केवळ pedagogical बाब राहत नाही, ती संस्थात्मकही होते.

या स्कॅमचे business model

हा नमुना लक्षवेधी आहे, कारण तो एकाच वेळी अनेक विद्यमान incentive चा फायदा घेत असल्यासारखा दिसतो. कम्युनिटी कॉलेज बहुधा व्यापक access, flexible scheduling, आणि संधी वाढवण्यासाठी तयार केलेले online options देतात. financial aid systems त्या access ला आधार देण्यासाठीच तयार केलेले असतात. दरम्यान, AI tools स्वस्त आणि सर्वत्र उपलब्ध आहेत. एकत्र आल्यावर ते असा loophole तयार करतात जिथे access infrastructure स्वतःविरुद्ध वापरली जाऊ शकते.

फसवणूक करणाऱ्यांच्या दृष्टीने, हा model कार्यक्षम आहे. enrollment मोठ्या प्रमाणावर होऊ शकते. coursework prompts आणि automated drafting कडे outsource केले जाऊ शकते. study करण्याऐवजी मानवी प्रयत्न registration आणि aid processes कडे वळतात. detection अजूनही प्रामुख्याने manual राहिल्यास, अर्थशास्त्र पुनरावृत्त प्रयत्नांच्या बाजूने झुकते.

म्हणूनच ही बाब केवळ classroom discipline story म्हणून कमी लेखू नये. ती platform abuse problem च्या अधिक जवळ आहे. college हे platform आहे, aid हे payout mechanism आहे, आणि AI ही productivity layer आहे जी bad actors ला system मध्ये अधिक काळ सक्रिय राहण्यास मदत करते.

कॉलेजांनी काय पुन्हा विचारात घ्यावे लागू शकते

मूळ मजकूर policy roadmap देत नाही, पण दबाव कुठे वाढतो आहे ते स्पष्ट करतो. asynchronous courses अधिक scrutiny च्या कक्षेत येण्याची शक्यता आहे. identity verification केवळ enrollment वेळी नाही, तर कोर्समधील अनेक टप्प्यांवर अधिक महत्त्वाची होऊ शकते. faculty ला live किंवा staged assessments कडे वळावे लागू शकते, ज्यात विद्यार्थ्यांना real time मध्ये authorship दाखवावी लागेल. financial aid oversight ला enrollment analytics आणि course participation signals यांच्याशी अधिक घट्ट समन्वयाची गरज भासू शकते.

या बदलांपैकी काहीही विनामूल्य नाही. कम्युनिटी कॉलेज संसाधनांच्या मर्यादेत काम करतात आणि अशा विद्यार्थ्यांची सेवा करतात ज्यांना flexible online access चा सर्वाधिक फायदा होतो. stronger identity checks, अधिक synchronous requirements, किंवा जड manual review वैध learners वर नवे ओझे टाकू शकते. हीच policy tension आहे. प्रणाली जितकी उघडी, तितकी तिचा गैरवापर करणे सोपे. जितकी बंद, तितकी ती ज्या विद्यार्थ्यांची सेवा करण्यासाठी आहे त्यांनाच बाहेर ठेवण्याचा धोका वाढतो.

AI-चालित trust वापरणाऱ्या इतर क्षेत्रांसाठी इशारा

मोठा धडा केवळ कॉलेजपुरता मर्यादित नाही. ओळख, पात्रता आणि remote digital participation यांना पैसे किंवा access शी जोडणाऱ्या कोणत्याही संस्थेने AI-assisted impersonation आणि compliance theater वाढेल, अशी अपेक्षा ठेवायला हवी. education हा सध्या सर्वात स्पष्ट उपयोगांपैकी एक आहे, कारण प्रणालीत active राहण्यासाठी लागणारे output बहुतांश text आहे, आणि text generative AI सर्वात स्वस्तात तयार करते.

म्हणूनच community college fraud story higher education पलीकडेही पाहण्यासारखी आहे. ती दाखवते की AI जुने scams कसे वाढवू शकते, कंटाळवाणा मधला भाग स्वयंचलित करून: discussion posts, short assignments, low-stakes signals, जे संस्थेला सांगतात की वापरकर्ता उपस्थित आहे आणि प्रगती करत आहे. जेव्हा ते signals फारसे काही सिद्ध करत नाहीत, तेव्हा संस्थांना authenticity चा नवा पुरावा काय असावा हे ठरवावे लागते.

कम्युनिटी कॉलेजांसाठी तातडीचे आव्हान म्हणजे बनावट विद्यार्थ्यांना access programs ना extraction tools मध्ये बदलू न देणे. इतरांसाठी, ही घटना एक पूर्वसूचना आहे की automated content generation trust-आधारित प्रणालींशी जुळल्यावर काय होते.

हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.