AI போலி மாணவர் சேர்க்கை, சமூகக் கல்லூரி நிதியில் ஒரு பலவீனமான இடத்தை வெளிப்படுத்துகிறது

போலி மாணவர்கள், உண்மையான நிதி: AI எப்படி புதிய வகை கல்லூரி மோசடியை அளவுபடுத்துகிறது

அமெரிக்க சமூகக் கல்லூரிகளில் அதிகரித்து வரும் மோசடி முறை, உயர்கல்வியில் பழகிய ஒரு பிரச்சினையை மேலும் தானியக்கமானதாகவும் கண்டறிய கடினமானதாகவும் மாற்றுகிறது. The New Yorker-இல் இருந்து The Decoder சுருக்கிய ஒரு அறிக்கையின் படி, scammers கல்லூரி வகுப்புகளில் போலி மாணவர்களைச் சேர்த்து, நிதியுதவியைப் பெற்று, திட்டம் தொடரத் தேவையான அளவு coursework-ஐ முடிக்க AI கருவிகளைப் பயன்படுத்துகிறார்கள்.

இதன் செயல்முறை கவலையளிக்கும் அளவுக்கு எளிமையானது. மோசடி செய்பவர்கள் மாணவர் அடையாளங்களை உருவாக்கவோ கட்டுப்படுத்தவோ செய்கிறார்கள் போல தெரிகிறது, தொலைவிலிருந்து எடுக்கக்கூடிய வகுப்புகளில் சேர்கிறார்கள், அந்த enrollment-க்கு இணைக்கப்பட்ட aid-ஐ பெறுகிறார்கள், பின்னர் discussion posts, assignments அல்லது பிற தேவையான submissions-ஐ உருவாக்க generative AI-யை நம்புகிறார்கள். இதன் விளைவு academic excellence-ஐயோ ஆழமான subject knowledge-ஐயோ சாராத ஒரு மோசடி வடிவம். பணம் நகர்வதற்கு முன் போதுமான நேரம் நம்பத்தகுந்ததாகத் தோன்றுவதையே அது சார்ந்துள்ளது.

இந்த வேறுபாடு முக்கியமானது, ஏனெனில் இது நிறுவனங்களின் risk profile-ஐ மாற்றுகிறது. கல்லூரிகள் plagiarism, identity issues, aid abuse ஆகியவற்றை நீண்ட காலமாக சந்தித்து வந்துள்ளன. இங்கு வேறுபட்டது, குறைந்த முயற்சியுடன் பங்கேற்பது போலத் தோற்றமளிக்கும் செயலை தொழில்துறை அளவில் மாற்றும் திறன். குறிப்பாக face-to-face verification மிகக் குறைவு அல்லது இல்லாத asynchronous online பாடங்களில், மாணவர் செயல்பாட்டின் தோற்றத்தை பராமரிக்கும் labor cost-ஐ AI குறைக்கிறது.

Asynchronous பாடங்கள் ஏன் குறிப்பாக பாதிக்கப்படக்கூடியவை

The Decoder மேற்கோள் காட்டிய விவரம், asynchronous online classes-ஐ அமைப்பின் மிகவும் வெளிப்பட்ட பகுதியாகக் காட்டுகிறது. அத்தகைய சூழலில், மாணவர்கள் camera-வில் தோன்றவோ, ஆசிரியருடன் நேரலையில் பேசவோ, அல்லது real time-இல் தனிப்பட்ட எழுத்துரிமையை நிரூபிக்கவோ ஒருபோதும் தேவையில்லாமல் இருக்கலாம். இதனால் fraudulent enrollments generic profiles, templated writing, automated responses ஆகியவற்றின் பின்னால் செயல்பட இடம் கிடைக்கிறது.

East Los Angeles College-இன் பேராசிரியர் David Song, சில ஆண்டுகளுக்கு முன்பு தமது history course-இல் பொதுவான Anglo-Saxon பெயர்களைக் கொண்ட மாணவர்கள் தோன்றத் தொடங்கியபோது இந்தப் பிரச்சினையை கவனிக்கத் தொடங்கியதாக மூலத்திடம் கூறினார்; அங்கு மாணவர் கூட்டம் பெரும்பாலும் Latino மற்றும் Asian. அவர்களின் பின்னணிக் கதைகளும் கேள்விகளை எழுப்பின. சிலர் Asian American தலைப்புகளில் கல்வி அனுபவம் இருப்பதாகக் கூறினார்கள், ஆனால் அவர் பார்த்துக் கொண்டிருந்தவற்றுடன் அது பொருந்தவில்லை. அந்த முரண்பாடுகள் ஒரு clue ஆக இருந்தது, ஆனால் அது ஒரு ஆசிரியர் software systems தவறவிடக்கூடிய pattern-களை கவனித்ததால்தான்.

இந்த விவரம் கல்வியில் மோசடி பெரும்பாலும் முதலில் local intuition மூலம் வெளிப்படுகிறது, centralized detection மூலம் அல்ல என்பதை காட்டுகிறது. ஒரு பெயர் வகுப்பின் பொதுவான pattern-க்கு பொருந்தவில்லை என்பத alone ஆதாரம் அல்ல; ஆனால் சந்தேகத்துக்குரிய அடையாளங்கள், நம்பத்தகாத கல்வி வரலாறுகள், machine-written work ஆகியவை சேர்ந்தால் அதை புறக்கணிப்பது கடினமாகிவிடும். கல்லூரிகளுக்கான சவால் என்னவெனில், இப்படியான தீர்ப்புகளை எளிதில் அளவுபடுத்த முடியாது, ஆனால் மோசடி தானே increasingly scale ஆக முடிகிறது.

AI மோசடி அல்ல, ஆனால் அது பெருக்கி

The Decoder-ன் விவரிப்பு, Song-ன் வகுப்புக் கொள்கை வழியாக ஒரு முக்கிய வேறுபாட்டைக் காட்டுகிறது. அவர் AI பயன்பாட்டை அனுமதிக்கிறார், ஆனால் labeling மற்றும் academic honesty தேவைகளுடன். அவரது குறை AI இருப்பது அல்ல. தெளிவாக machine-generated உள்ளடக்கம் இருந்தாலும் கூட விதிகள் பின்பற்றப்படுவதில்லை என்பதே. இதனால் அடிப்படை பிரச்சினை tool adoption அல்ல என்பது தெரிகிறது. AI-யை மிகக் குறைந்த செலவில் engagement-ஐப் போல உருவாக்க பயன்படுத்த முடிவதுதான் பிரச்சினை.

ஒரு சட்டபூர்வமான வகுப்பில், மாணவர் AI-யைப் பயன்படுத்தி brainstorming, summarizing, அல்லது revising செய்யலாம்; அதே நேரத்தில் கற்றல் வேலைகளைத் தானே செய்ய வேண்டும். இங்கே விவரிக்கப்பட்ட மோசடி சூழலில், AI ஒரு participation engine ஆகிறது. கணக்கின் பின்னால் உண்மையான கல்வி உறவு இல்லாமல், குறைந்தபட்ச checkpoint-களை பூர்த்தி செய்ய போதுமான text-ஐ அது உருவாக்க முடியும். அதனால்தான் இது ஒரு course-ஐ distinction-இன் ساتھ pass செய்வதற்கல்ல, enrollment-ன் கற்பனையைப் பாதுகாப்பதற்கான திட்டங்களில் மிகவும் பயனுள்ளதாகிறது.

இதனால் இந்தப் பிரச்சினை academic integrity மற்றும் financial controls ஆகியவற்றின் சந்திப்பில் அமைகிறது. பாரம்பரிய plagiarism systems, student work-ஐ ஏற்கனவே உள்ள sources-உடனோ அல்லது ஒன்றோடொன்று ஒப்பிடுவதற்காக வடிவமைக்கப்பட்டவை. புகழ்பெற்ற மாணவர் உண்மையில் இருக்கிறாரா, ஈடுபட்டிருக்கிறாரா, மற்றும் enrollment-க்கு இணைக்கப்பட்ட aid-க்கு உரிமையுடையவரா என்பதை கண்டறிவதற்கு அவை குறைவாக ஏற்றவை. AI synthetic participation-ஐ மேலும் தொடர்ச்சியாகவும் அதிக பிரதிபலிப்பாகவும் காட்டுவதால் அந்த இடைவெளியை சிக்கலாக்குகிறது.

நிலத்தில் ஆசிரியர்கள் என்ன பார்க்கிறார்கள்

அறிக்கையில், ஒரு இரண்டாவது பேராசிரியரின் அனுபவமும் இடம்பெறுகிறது; இது ஒரு வகுப்பைத் தாண்டி பெரிய படத்தை காட்டுகிறது. வரலாற்றுப் பேராசிரியர் David Roach, தனது மாணவர்களில் பாதியுக்கும் மேற்பட்டோர் கட்டுரைகளுக்கு AI-யைப் பயன்படுத்துகிறார்கள் என்று மதிப்பிட்டார், மேலும் ஒரு நேரடியான கேள்வி எழுப்பினார்: அது எப்போதும் இப்படித்தானா, அதாவது எளிதாக இருந்தால் மாணவர்களின் பாதி பேர் ஏமாற்றுவார்களா? அந்த கருத்து ஒரு அளவீடு அல்ல; அது ஒரு எச்சரிக்கை. cheating-க்கான தடைகள் குறையும்போது, அமைப்பின் மறைந்த பாதிப்புகள் தெளிவாகத் தெரிகின்றன.

இந்தக் கவனிப்பு முக்கியமானது, ஏனெனில் இது இரண்டு மேலோடும் பிரச்சினைகளைச் சுட்டிக்காட்டுகிறது. ஒன்று, உண்மையான மாணவர்கள் செய்யும் பரவலான unauthorized AI பயன்பாடு. மற்றொன்று, aid money-ஐ நோக்கமாகக் கொண்ட முழுமையான enrollment fraud. இரண்டும் ஒன்றல்ல, ஆனால் ஆசிரியரின் பார்வையில் ஒன்றாக கலந்து போகலாம். இரண்டும் குறைந்த-நேர்மையான coursework-ஐ உருவாக்க முடியும். இரண்டும் remote learning சூழல்களில் நம்பிக்கையை சிதைக்க முடியும். மேலும், ஒவ்வொரு assignment-இலும் authenticity-ஐ மதிப்பிடச் சொல்லப்படும் ஆசிரியர்களின் சுமையை அதிகரிக்கின்றன.

கல்லூரிகளுக்கான ஆபத்து என்னவெனில், கல்வி முறைகேட்டில் மட்டும் கவனம் செலுத்துவது நிதி மற்றும் நிர்வாக அம்சத்தை தவறவிடக்கூடும். ஒரு போலி மாணவர் aid disbursement-ஐத் தூண்டவோ அல்லது அதைத் தொடர வைக்கவோ போதுமான நேரம் enrollment-இல் இருக்க முடிந்தால், integrity failure என்பது கல்வி சம்பந்தமானது மட்டும் அல்ல; அது நிறுவனத்தையும் பற்றியது.

மோசடியின் வணிக மாதிரி

இந்த pattern குறிப்பிடத்தக்கது, ஏனெனில் அது ஒரே நேரத்தில் பல உள்ளமைந்த ஊக்கங்களைப் பயன்படுத்துவது போலத் தெரிகிறது. சமூகக் கல்லூரிகள் பெரும்பாலும் பரந்த அணுகல், நெகிழ்வான அட்டவணைகள், மற்றும் வாய்ப்பை விரிவுபடுத்த வடிவமைக்கப்பட்ட online options-ஐ வழங்குகின்றன. நிதியுதவி அமைப்புகள் அந்த அணுகலை ஆதரிக்க உருவாக்கப்பட்டவை. meanwhile, AI கருவிகள் மலிவானதும் பரவலாகக் கிடைப்பதுமானவை. இவை ஒன்றாக சேர்ந்து access infrastructure-ஐ அதற்கெதிராகவே பயன்படுத்தக்கூடிய ஒரு loophole-ஐ உருவாக்குகின்றன.

மோசடி செய்பவரின் பார்வையில், இந்த மாதிரி திறமையானது. enrollment பெரிய அளவில் நடக்க முடியும். coursework prompts மற்றும் automated drafting-க்கு outsource செய்ய முடியும். மனித உழைப்பு படிப்பதை விட registration மற்றும் aid செயல்முறைகளைச் சுற்றி வைக்கப்படுகிறது. detection பெரும்பாலும் manual-ஆகவே இருந்தால், பொருளாதாரம் மீண்டும் மீண்டும் முயற்சிகளைத் தூண்டும்.

அதனால்தான் இந்த விவகாரத்தை வெறும் வகுப்பு ஒழுக்கக் கதையாகக் குறைத்து மதிப்பிடக் கூடாது. இது platform abuse பிரச்சினைக்கு அருகில் உள்ளது. கல்லூரி என்பது platform, aid என்பது payout mechanism, மற்றும் AI என்பது system-க்குள் bad actors-ஐ நீண்ட நேரம் செயல்பட வைக்கும் productivity layer.

கல்லூரிகள் எதை மீண்டும் சிந்திக்க வேண்டியிருக்கலாம்

மூல உரை policy roadmap-ஐ தரவில்லை, ஆனால் அழுத்தம் எங்கே அதிகரிக்கிறது என்பதை தெளிவாக காட்டுகிறது. asynchronous பாடங்கள் கூடுதல் scrutiny-க்கு உள்ளாக வாய்ப்புள்ளது. identity verification enrollment-இல் மட்டும் அல்ல, பாடத்தின் பல இடங்களிலும் முக்கியத்துவம் பெறலாம். ஆசிரியர்கள் மாணவர்கள் real time-இல் authorship-ஐ நிரூபிக்க வேண்டிய live அல்லது staged assessments-க்கு தள்ளப்படலாம். financial aid oversight-க்கும் enrollment analytics மற்றும் course participation signals உடன் கூடுதல் நெருக்கமான ஒருங்கிணைப்பு தேவைப்படலாம்.

இந்த மாற்றங்களில் எதுவும் இலவசமல்ல. சமூகக் கல்லூரிகள் வளக் கட்டுப்பாடுகளுக்குள் இயங்குகின்றன, மேலும் நெகிழ்வான online access-இன் மூலம் மிக அதிகம் பயனடையும் மாணவர்களுக்கு சேவை செய்கின்றன. வலுவான identity checks, அதிக synchronous தேவைகள், அல்லது கடுமையான manual review ஆகியவை சட்டப்பூர்வமான learners-க்கு புதிய சுமைகளை உருவாக்கலாம். அதுவே கொள்கைத் tension. அமைப்பு எவ்வளவு திறந்திருக்கிறதோ, அதை துஷ்பிரயோகம் செய்வது அவ்வளவு எளிதாகலாம். அது எவ்வளவு பூட்டப்பட்டிருக்கிறதோ, அதுவே அது சேவை செய்ய உருவாக்கப்பட்ட மாணவர்களை விலக்கிவிடும் ஆபத்து அதிகம்.

AI-இயக்கப்படும் நம்பிக்கையைப் பயன்படுத்தும் பிற துறைகளுக்கான எச்சரிக்கை

ஆழமான பாடம் கல்லூரிகளுக்கு மட்டும் அல்ல. அடையாளம், தகுதி, மற்றும் தொலைதூர digital participation-ஐ பணம் அல்லது அணுகலுடன் இணைக்கும் எந்த நிறுவனமும் AI-உதவிய impersonation மற்றும் compliance theater அதிகரிப்பதைக் எதிர்பார்க்க வேண்டும். கல்வி தற்போது மிகவும் தெளிவான வழக்குகளில் ஒன்றாக உள்ளது, ஏனெனில் அமைப்பில் செயல்பாட்டைத் தொடர வேண்டிய output பெரும்பாலும் text-ஆக உள்ளது, மேலும் text-ஐ generative AI மிகக் குறைந்த செலவில் உருவாக்குகிறது.

அதனால் சமூகக் கல்லூரி மோசடி கதை உயர்கல்வியைத் தாண்டியும் கவனிக்கப்பட வேண்டியது. AI பழைய scams-ஐ எவ்வாறு பெருக்க முடியும் என்பதைக் காட்டுகிறது, அந்த சலிப்பான நடுநிலைப் பணிகளை தானியக்கமாக்கி: discussion posts, short assignments, குறைந்த-ஆபத்து signals, இவை ஒரு பயனர் இருக்கிறாரா, முன்னேறுகிறாரா என்பதை நிறுவனத்துக்கு சொல்கின்றன. அந்த signals இனி அதிகம் நிரூபிக்க முடியாதபோது, authenticity-க்கு புதிய ஆதாரம் என்னவாக இருக்க வேண்டும் என்பதை அமைப்புகள் தீர்மானிக்க வேண்டும்.

சமூகக் கல்லூரிகளுக்கான உடனடி சவால், போலி மாணவர்கள் access programs-ஐ extraction tools-ஆக மாற்றுவதைத் தடுக்குவதுதான். மற்ற அனைவருக்கும், automated content generation நம்பிக்கையை அடிப்படையாகக் கொண்ட அமைப்புகளுடன் இணையும் போது என்ன நடக்கும் என்பதற்கான முன்னோட்டம் இதுவே.

இந்தக் கட்டுரை The Decoder-ன் செய்தியிடலின் அடிப்படையில் உள்ளது. மூலக் கட்டுரையைப் படிக்கவும்.