虚假学生，真实资助：AI 如何放大一种新型大学欺诈
美国社区大学中一种不断扩大的欺诈模式，正在把一个熟悉的高等教育问题变成更自动化、也更难以发现的问题。根据 The Decoder 对《纽约客》一篇报道的概述，诈骗者正在大学课程中注册虚假学生，领取学生资助，并使用 AI 工具完成足够多的课程作业，以维持这一骗局继续运转。
其运作方式简单得令人不安。诈骗者似乎会创建或控制学生身份，注册可以远程完成的课程，拿走与这些注册绑定的资助，然后依靠生成式 AI 产出讨论帖、作业或其他必需提交内容。结果形成了一种不依赖学业优秀或深厚学科知识的欺诈。它依赖的是在资金流动前尽可能长时间地维持“看起来合理”的状态。
这一点很重要，因为它改变了机构面临的风险画像。高校长期以来一直要应对抄袭、身份问题和资助滥用。但这里不同的是，低成本参与可以被工业化。AI 降低了维持学生活动表象的劳动成本，尤其是在异步在线课程中，面对面核验几乎不存在或根本没有。
为什么异步课程尤其脆弱
The Decoder 引述的说法指出，异步在线课程是这一系统中最容易被攻击的部分。在这些环境中，学生可能从未需要开摄像头、与教师实时交流，或在实时状态下证明作品确实由自己完成。这让虚假注册可以借助通用档案、模板化写作和自动化回复隐藏运作。
东洛杉矶学院的 David Song 教授告诉来源，几年前他开始注意到这一问题，当时他的历史课里出现了一批使用通用盎格鲁-撒克逊姓名的学生，而学校学生群体主要是拉丁裔和亚裔。他们的背景故事也引发了疑问。有些人声称拥有与亚裔美国人议题相关的学术经历，但这与他看到的情况并不相符。这些不一致是线索，但前提是必须有教师先注意到软件系统可能忽略的模式。
这一细节很有说明性。教育领域中的欺诈往往首先通过本地直觉显现，而不是通过集中式检测。一个名字与班级整体模式不符，本身并不能构成证据，但一组不合常理的身份、可疑的学术经历和机器写作的内容，可能会变得难以忽视。高校的问题在于，这类判断很难规模化，而欺诈本身却越来越能规模化。
AI 不是欺诈本身，但它是放大器
The Decoder 的报道通过 Song 的课堂政策强调了一个重要区别。他允许使用 AI，但前提是必须标注并遵守学术诚信要求。他抱怨的不是 AI 的存在，而是即便内容明显由机器生成，规则也被无视了。这说明核心问题并不是抽象意义上的工具采用，而是 AI 如何以极低成本模拟参与。
在合法课堂中，学生也许会用 AI 进行头脑风暴、摘要或修改，但仍然要完成底层学习工作。而在这里描述的欺诈场景中，AI 变成了参与引擎。它可以生成足够多的文本来通过最低限度的检查点，而账户背后并没有真正的教育关系。这让它尤其适合那类骗局，因为这类骗局的目标不是以优异成绩通过课程，而是维持“仍在注册”的假象。
这就是为什么这个问题处在学术诚信与财政控制的交叉点上。传统抄袭系统的设计目标，是将学生作品与现有来源或彼此进行比对。它们不太适合识别所谓的学生是否真实、是否参与、以及是否有资格获得与注册绑定的资助。AI 通过让合成参与看起来更连续、更有响应性，使这一缺口更难处理。
一线教师看到的情况
报告还引用了另一位教授的说法，将图景从单个课堂扩展开来。历史学教授 David Roach 估计，超过一半的学生在论文中使用 AI，并提出了一个尖锐的问题：如果作弊足够容易，学生是否一直都会有一半去作弊？这句话与其说是统计，不如说是警告。当作弊门槛下降时，系统中潜伏的脆弱点就会更明显。
这一观察很重要，因为它说明有两个重叠的问题。一是大量真实学生未经授权使用 AI。二是由个人或网络实施的、直接以资助为目标的注册欺诈。两者并不相同，但从教师视角看可能会混在一起。两者都能产生低真实性的课程作业。两者都可能削弱远程学习环境中的信任。两者都会增加教师逐项判断真实性的负担。
对高校来说，危险在于只关注学术不端的一面，会忽视财政和行政层面的维度。如果一个虚假学生能够持续注册到足以触发或保留资助发放，那么失败的就不只是教学诚信，而是机构本身。
骗局的商业模式
这一模式之所以值得注意，是因为它似乎同时利用了几种既有激励。社区大学通常提供广泛的入学机会、灵活的排课和在线选项，旨在扩大受教育机会。资助体系则是为支持这种机会而设计的。而 AI 工具既便宜又易得。组合起来，就形成了一个漏洞：本来用于扩大机会的基础设施，反而可能被反过来利用。
从诈骗者角度看，这套模式很高效。可以规模化注册，课程作业可以外包给提示词和自动化起草，人的精力只需用于应对注册和资助流程，而不是学习。如果检测仍主要依赖人工，那么经济上就会更有利于反复尝试。
这也是为什么不应把它简化成课堂纪律问题。它更像是平台滥用问题。学校是平台，资助是支付机制，而 AI 是帮助坏人更长时间留在系统内部的生产力层。
高校可能需要重新思考什么
原文没有给出政策路线图，但它清楚指出了压力正在形成的方向。异步课程很可能会面临更严格的审查。身份验证可能需要在课程中的多个节点进行，而不仅仅是在注册时。教师也可能被推动采用更多实时或分阶段考核，要求学生在实时状态下证明作者身份。资助监管或许也需要与注册分析和课程参与信号进行更紧密的协调。
这些变化都不是没有成本的。社区大学资源有限，而且服务的学生往往最能从灵活的在线访问中受益。更强的身份检查、更多同步要求或更重的人工复核，可能给合法学习者带来新的负担。这正是政策张力所在。系统越开放，就越容易被滥用。系统越收紧，就越有可能排除它原本要服务的学生。
对其他使用 AI 驱动信任机制的行业的警示
更深层的教训并不只限于高校。任何把身份、资格和远程数字参与与金钱或访问权限挂钩的机构，都应预期 AI 辅助的冒充和合规表演会增加。教育只是当前最清晰的案例之一，因为维持系统活跃所需的输出大多是文本，而文本正是生成式 AI 最便宜的产物。
因此，社区大学欺诈的故事值得在高等教育之外也加以关注。它展示了 AI 如何通过自动化乏味的中间环节来放大旧骗局：讨论帖、短作业、低风险信号，这些都在告诉机构用户仍在场且在前进。当这些信号不再能证明太多时，组织就必须决定，需要什么新的真实性证据。
对社区大学来说，眼下的挑战是阻止虚假学生把开放机会项目变成提取工具。对其他所有人来说，这个案例预示了当自动内容生成遇上以信任为基础的系统时会发生什么。
本文基于 The Decoder 的报道。阅读原文。
Originally published on the-decoder.com