Ronú nípa èyí: olùkọ́ Gẹ̀ẹ́sì ọmọ ilé-ẹ̀kọ́ girama ní ilé ẹ̀kọ́ gíga kan jókòó níbi tábìlì rẹ̀ ní òru ìkànsí, kọfí rọ̀ mọ́ ọn, ó sì ń ṣàyẹ̀wò ìkànsí àpilẹ̀kọ̀ tó wà ní ọ̀pọ̀lọpọ̀ àwọn akẹ́kọ̀ọ́. Ìpè kan dúró díẹ̀ lójú rẹ̀. Ọ̀rọ̀ ìjìnlẹ̀ náà mọ́, ìdí tó fi ẹ̀rí múlẹ̀ dára, ìṣọ̀kan nínú ìtàn náà rọrùn, gbogbo ohun sì dàbí ẹni pé ó péye—ṣùgbọ́n ohun kan wà tí kò dáa. Ó kì í ṣe bí ẹni tó dà bí akẹ́kọ̀ọ́ náà nígbà tó kàn ń bá kíláàsì sọ̀rọ̀ ní ọjọ́ díẹ̀ sẹ́yìn. Ó fi ranṣẹ́ sí i nínú ẹ̀rọ̀ ìkópa “plagiarism” tó rọrùn, ó sì jáde pé ó mọ́. Ó tún gbìyànjú “AI detector” tó wúlò fún ọ̀fẹ́, ó sì wáyé pẹ̀lú ìdájọ́ tí kò kún. Nígbà náà, ó kù sí “ìmọ̀lára inú” láì sí ẹ̀rí, àti láì sí ọ̀nà kedere láti tẹ̀síwájú.
Àyíká yìí ń ṣẹlẹ̀ ní kíláàsì ní oríṣìíríṣì ilẹ̀ ayé. Látàrí àwọn ẹ̀rọ̀ ìkọ̀ AI bí ChatGPT, Gemini, àti Claude tí wọ́n ti di ríràwọ̀ àti tí ó rọrùn láti rí, àwọn olùkọ́ ti rí ara wọn nínú ipo tí kò rọrùn: ìtọ́sọ́nà ìwà-òtítọ́ ní ẹ̀kọ́ tí kò dá síra fún ayé kan tí akẹ́kọ̀ọ́ lè dá àpilẹ̀kọ̀ tó dà bí tuntun, tó dára gan-an, ní kárí ìṣẹ́jú mẹ́tàdínlógún. Ìbéèrè náà kì í ṣe bóyá AI ń yí ẹ̀kọ́ padà mọ́. Ó ti bẹ̀rẹ̀. Ìbéèrè gidi ni ohun tí a ń retí kó àwọn olùkọ́ ṣe nípa rẹ̀.
Àwọn Ọ̀nà Atijọ́ Kìí Ṣe Rí Báyìí
Fun ọ̀pọ̀ ọdún, àwọn ìlànà ìwà-òtítọ́ ẹ̀kọ́ ti kọ́ sórí ohun kan tí ó dájú: bí akẹ́kọ̀ọ́ bá fi iṣẹ́ kan tí kò jẹ́ ti ara rẹ̀ ránṣẹ́, ẹ̀rọ̀ plagiarism yóò rí i nípa ìbámu ìtẹ̀sí tó wà nínú ìkàwé orísun àwọn orísun tó wà tẹ́lẹ̀. Ẹ̀rọ̀ náà di mímu wọ́pọ̀ ní ilé ẹ̀kọ́ àti yunifásítì ní pàtàkì nítorí pé plagiarism AI ní ìgbà yẹn kò tíì wà gẹ́gẹ́ bí ti báyìí.
Ṣùgbọ́n ní báyìí, àwọn ẹ̀rọ̀ wọ̀nyí ti fẹ́ẹ́ jẹ́ aláìṣiṣẹ́ níbi púpọ̀ sí AI tí a ṣe láti inú ìròyìn. Nígbà tí akẹ́kọ̀ọ́ bá da ọrọ̀ kan láti inú ojúlé wẹ́ẹ̀bù tàbí ìwé ìtẹ̀jáde, ọ̀rọ̀ yẹn ti wà níbi kan, a lè fi àmì sí i. Ṣùgbọ́n nígbà tí akẹ́kọ̀ọ́ bá beere fún AI kí o kọ́ àpilẹ̀kọ̀ kan, ohun tí o jáde jẹ́ tuntun. Kò sí “document” ìpilẹ̀ kan tí a le bá a ṣe. Àwọn plagiarism checkers tó dá sí i ní ṣáájú kì í ṣe dandan fún ìṣàwárí ìkọ̀ AI, kò sì sí ìdánilẹ́kọ̀ọ́ tó lè dá gbogbo ìtúnṣe sí i kó ba ìṣòro tí àwọn olùkọ́ ń dojú kọ báyìí mu.
Látìgbà náà, ó tún dá sísọ̀rọ̀ sí i pé akoonu tí AI dá lè tú sí èdè míì kí o sì fi ránṣẹ́ láì sí àmì kan. Akẹ́kọ̀ọ́ lè béèrè fún AI kí o kọ́ àpilẹ̀kọ̀ ní èdè kan, lẹ́yìn náà ó sì fi í kọjá nípa ìkànnì ìtumọ̀ (translation) kí o tó fi ránṣẹ́. Ìyẹn ni idi tí plagiarism checkers tó ń ṣàyẹ̀wò ní èdè kan ṣoṣo máa ń pàdánù patapata. Èyí ló jẹ́ kí ìṣàwárí plagiarism tí a ti tú sí èdè míì (cross-language translated plagiarism detection) di apá pàtàkì nínú ohun èlò ìwà-òtítọ́ ẹ̀kọ́ tó bá a ṣe ń bọ̀wòlẹ̀.
Ìyàtọ̀ láàárín ìlànà ìjọba ilé ẹ̀kọ́ àti ohun tó ń ṣẹlẹ̀ ní kíláàsì kì í ti lágbára bẹ́ẹ̀. Ọ̀pọ̀ ilé ẹ̀kọ́ ṣì ń gbára lé “handbooks” ìwà-òtítọ́ ẹ̀kọ́ tí wọ́n kọ́ ní ọdún sẹ́yìn—bí ó ti lè jẹ́ ọdún mélòó tàbí àárín ọdún ogún. Ọ̀rọ̀ bí “fífúnṣẹ́ iṣẹ́ tí kì í ṣe ti ara rẹ” máa ń yà sọ́tọ̀ nípasẹ̀ ìmọ̀lára nípa ìmọ̀-ọrọ nígbà tí akẹ́kọ̀ọ́ ní ìtẹ̀sí (technically) tẹ̀ prompt, ṣe atunyẹwo abajade, ó sì lè ti ṣe àtúnṣe kékeré nígbà tó bá ń lọ. Àwọn ìlànà kò tíì yára dé, àwọn olùkọ́ tó ń fi ìlànà yẹn múlẹ̀ sì fi ojúṣe sílẹ̀ fún ara wọn láti tú àwọn “gray areas” láì ní ìtọná to peye tàbí ìtìlẹ́yìn.
Ìdíwọ̀n Olùkọ́
Lọ́dọ̀ ìṣòro ìlànà náà wà ọ̀kan tí ó kan ènìyàn gan-an. Àwọn olùkọ́ àti àwọn olùkọ́ ẹ̀kọ́ ìpele yunifásítì (professors) ń fi ara wọn sí ipò tó ò dùn: wọ́n ń ṣiṣẹ́ bí olùwádìí (detective), àwọn èrò náà sì ga ní ẹgbẹ̀ méjèèjì.
Ṣíṣàmì sí akẹ́kọ̀ọ́ pé ó lo AI láì ní ẹ̀rí tó dá lójú jẹ́ ohun tó ṣe pàtàkì gidigidi. Ó lè ba ìtàn ẹ̀kọ́ akẹ́kọ̀ọ́ jẹ́, ó lè mú kí ìbáṣepọ̀ olùkọ́-akẹ́kọ̀ọ́ le kún, àti ní àwọn ọ̀ràn kan ó lè yọrí sí ìgbésẹ̀ ìyájọ́jọ́ (formal disciplinary proceedings). Ṣùgbọ́n bí a bá kù sí nígbà tí a bá fura plagiarism AI gan-an, ó dà bí ìbẹ̀rẹ̀ tí a ṣe sí gbogbo ohun tí ìwà-òtítọ́ ẹ̀kọ́ yẹ kí ó dúró fún. Àwọn olùkọ́ di ara wọn mọ́ láàárín títọ́jú àwọn akẹ́kọ̀ọ́ kúrò nínú ìsùn tí kò tọ́, àti títọ́jú iye iṣẹ́ tí ó jẹ́ òtítọ́.
Ìdánilẹ́kọ̀ọ́ yìí ń fa ìrora gidi. Ọ̀pọ̀ olùkọ́ sọ pé wọn ń ní ìbànújẹ, ìbànújẹ̀, àti ìríra nínú bí wọn ṣe ń lọ kiri nínú àwọn ipo wọ̀nyí. Ẹ̀rù ẹ̀dùn-ọkàn tí kò lè gbẹ́kẹ̀lé iṣẹ́ tí a fi ránṣẹ́, ìjìnlẹ̀-ìbẹ̀rẹ̀ lori gbogbo gbolohun tí a kọ daradara, àti bí wọ́n ṣe ń ṣe ìrònú bóyá akẹ́kọ̀ọ́ rí ìyẹn abajade ní ti gidi tàbí ó “outsourced” sí ẹrọ kan—nkan wọ̀nyí ń dín ayọ̀ títọ́ni kúrò ní ọ̀pọ̀ àwọn olùkọ́ ní ìwà pẹ̀lú. Ìgbẹ́kẹ̀lé, tí ó jẹ́ ìpìlẹ̀ tí kíláàsì máa ní láì sọ̀rọ̀, ń fọ́ lulẹ̀ ní ọ̀nà tí ó ṣòro láti tún ṣe.
Ohun tí àwọn olùkọ́ nílò kì í ṣe àkíyèsí (detection) nìkan; wọn nílò “workflow” tó dá lórí gbogbo ohun tí yóò ràn wọ́n lọ́wọ́ láti mọ ìṣòro tó ṣeé ṣe, kí wọ́n lóye ẹ̀dá ìṣòro náà, kí wọ́n sì lè ṣiṣẹ́ lórí rẹ̀ ní ìgbàgbọ́. Ìyẹn ga ju ohun tó pọ̀lọpọ̀ àwọn ẹ̀rọ̀ tó wà ní báyìí jẹ́ pẹ̀lú.
Kí Nìdí Tí Àwọn Ẹ̀rọ̀ Gírámù AI “Generic” Kò Tó
Ní ìdáhùn sí ìgbòòrò akoonu tí AI ń dá ní àwọn àyíká ẹ̀kọ́, ẹgbẹ́ kan àwọn ẹ̀rọ̀ “AI detector” wọ inú ọjà, tí wọ́n ń ṣèlérí pé wọn yóò yanju ìṣòro náà. Àwọn ẹ̀rọ̀ tí ń sọ pé wọ́n lè rí ìkọ̀ AI pẹ̀lú ìdánilẹ́kọ̀ọ́ gíga di olókìkí kíákíá, ṣùgbọ́n òótọ́ ti fi hàn pé ó lá gbẹ́yìn sí i.
Ọ̀rọ̀ pàtàkì tó ń da ẹ̀dá pọ̀ pẹ̀lú ọ̀pọ̀ àwọn ẹ̀rọ̀ ìṣàwárí AI ni bí wọ́n ṣe kì í gbẹ́kẹ̀lé. Àwọn ìwádìí àti ìdánwò ní ayé gidi ti fi hàn nígbà gbogbo pé àwọn ẹ̀rọ̀ wọ̀nyí ń mú ìṣọ̀kan gíga ti “false positives” àti “false negatives.” “False positive” túmọ̀ sí pé àpilẹ̀kọ̀ tí ènìyàn kọ ni a dá sí i pé AI ni, ohun tó lè yọrí sí ìsùn ẹ̀gàn cheating lórí akẹ́kọ̀ọ́ aláìṣẹ́. “False negative” túmọ̀ sí pé akoonu tí AI dá gan-an rọ́ síta láì rí i. Kò sí ọ̀kan lára àwọn abajade wọ̀nyí tí ó ṣe anfaani fún àwọn olùkọ́ tàbí àwọn akẹ́kọ̀ọ́.
Nípa fífi àwọn ohun túbọ̀ dí, ọ̀pọ̀ nínú àwọn ẹ̀rọ̀ wọ̀nyí ń ṣiṣẹ́ ní Gẹ̀ẹ́sì nìkan. Ní àwọn kíláàsì àti ilé-ẹ̀kọ́ tí ó pọ̀ sí èdè oríṣìíríṣì, ìyẹn jẹ́ ìdínkù tó ṣe pàtàkì. Àwọn akẹ́kọ̀ọ́ tó ń kọ ní Sípáníì, Filipino, Faranse, Aárábí, tàbí ọ̀pọ̀lọpọ̀ èdè míì jẹ́ aláì ṣeé rí síi fún àwọn ẹ̀rọ̀ ìṣàwárí tí a kọ́ pẹ̀lú èdè kan ṣoṣo ní ìrònú.
Àwọn ẹ̀rọ̀ ìkọ̀ AI tún ń yí padà kánkán, wọn sì lè gba ìtẹ̀sí láti kọ ní ara tí ó wọ̀pọ̀, tí kì í péye, tí ó ń dà bí ènìyàn ní pàtàkì láti yàgò fún ìṣàwárí. Akẹ́kọ̀ọ́ ti ṣàwárí pé bí o bá ń béèrè fún AI kí o kọ pẹ̀lú àwọn àṣà-kíkan (intentional quirks) tàbí ní ara tó dá bí ìjíròrò (more conversational style), ó lè tan ọ̀pọ̀ àwọn ẹ̀rọ̀ ìṣàwárí àpilẹ̀kọ̀ AI. Ọ̀nà ẹrọ tí a ń lò láti rí ìkọ̀ AI máa ń wà ní ìgbésẹ̀ díẹ̀ sẹ́yìn ju ọ̀nà ẹrọ tí ń dá a. Nítorí èyí, “sentence-level breakdown” (ìtúpalẹ̀ ní ipele gbolohun) kì í ṣe “single overall score” nìkan jẹ́ ohun tó ṣe pàtàkì fún àwọn olùkọ́ tí ó nílò láti lóye gangan níbo àti báwo ni AI ṣe lo nínú ìwé kan.
Ohun tí Ọ̀pa Iwà-òtítọ́ Gbẹ́kẹ̀lé Gan-an Máa Ń Dájú
Kì í ṣe gbogbo àwọn plagiarism àti AI detection tools ni a dá sí i ní bákan náà, ìyàtọ̀ wọn sì ṣe pàtàkì púpọ̀ nígbà tí ìpinnu ẹ̀kọ́ bá wà lórí ìgbésẹ̀ yẹn. Ẹ̀rọ̀ tí ó wúlò gan-an fún àwọn olùkọ́ gbọ́dọ̀ ṣe ohun púpọ̀ ní àpapọ̀.
Kìíní, ó gbọ́dọ̀ jẹ́ oní-meji èdè (multilingual). Àwọn ilé-ẹ̀kọ́ ní oríṣìíríṣì ilẹ̀ ayé ń ṣiṣẹ́ ní ọ̀pọ̀ èdè, ẹ̀rọ̀ tí ó kan ń rí plagiarism AI ní Gẹ̀ẹ́sì kì í ṣe bí ó ti ń sin oríṣìíríṣì ayé ẹ̀kọ́ gidi. Plag.ai’s AI detector ṣe atilẹyin fún ju èdè 50 lọ fún ìṣàwárí AI, àti ju èdè 100 lọ fún plagiarism checking. Èyí túmọ̀ sí pé àwọn olùkọ́ ní Philippines, ní gbogbo Europe, Latin America, àti Asia lè gbẹ́kẹ̀lé pẹpẹ kan náà láì padanu ìdánilẹ́kọ̀ọ́ ní ìbámu èdè ìwé tó a fi ránṣẹ́.
Ẹlẹ́ẹ̀kejì, ó gbọ́dọ̀ lọ jinlẹ̀ ju “score” kan ṣoṣo lọ. Ẹ̀rọ̀ tí ń sọ fún olùkọ́ pé ìwé kan jẹ́ “74% similar” láì fi hàn gbolohun kan pàtó tí a fà sí àmì kì ṣe ohun tí ó rọrùn láti lo. Ohun tí àwọn olùkọ́ nílò ni ìtúpalẹ̀ ní ipele gbolohun tí yóò fi ìgbésẹ̀ gangan hàn àwọn apá tí a ṣeé fura pé a dá láti AI tàbí pé a jí. Pẹ̀lú rẹ̀, ó yẹ kí ó ní àwọn ìjápọ̀ sí àwọn ìwé orísun níbi tí a ti rí ìbámu. Ìpele alaye yìí jẹ́ kí ó ṣeé ṣe láti ní ìjíròrò tó dá lórí ẹ̀rí pẹ̀lú akẹ́kọ̀ọ́, kì í ṣe ìpinnu lórí “probability” tó rọrùn.
Ẹkẹta, ó gbọ́dọ̀ rí plagiarism tí a tú sí èdè. Plag.ai nfunni ní cross-language translated plagiarism detection, èyí jẹ́ ànfàní tó dá lórí pàtàkì tí ó ṣàfihàn nígbà tí a ti tú akoonu láti èdè mìíràn kí o tó fi ránṣẹ́. Èyí dínkù ọ̀kan nínú “loopholes” pàtàkì jù lọ nínú plagiarism checking àtẹ́yìnwá, ó sì fún àwọn olùkọ́ ní àwòrán tó gbooro sí i nípa bí ìwé ṣe jẹ́ tuntun.
Ẹkẹrin, ó gbọ́dọ̀ mú ijabọ tí a lè gbasilẹ (downloadable) tí a lè pín (shareable) jáde. Nígbà tí olùkọ́ bá rí ìṣòro ìwà-òtítọ́ tó ṣeé ṣe, ó nílò láti gbasilẹ ìyẹn. Plag.ai ń dá downloadable PDF originality report sílẹ̀ tí a lè pín fún àwọn ad minis trators, àwọn akẹ́kọ̀ọ́, tàbí àwọn igbimọ̀ ìwà-òtítọ́ ẹ̀kọ́, kí o máa fi “paper trail” kedere hàn tí ó ń dáàbò bo olùkọ́ àti akẹ́kọ̀ọ́ ní gbogbo ìgbésẹ̀ ìṣàyẹwo.
Níkẹyìn, àti ohun tó ṣe pàtàkì fún ilé-ẹ̀kọ́, ó gbọ́dọ̀ dáàbò bo ìpamọ́ (privacy). Ọ̀kan nínú àwọn ìbànújẹ gíga jùlọ tí àwọn olùkọ́ àti àwọn akẹ́kọ̀ọ́ ní nípa fífi ìwé ránṣẹ́ sí àwọn ẹ̀rọ̀ tí kì í ṣe ti ilé-ẹ̀kọ́ (third-party tools) ni ewu pé a fi ìwé wọn kún “comparison database” tàbí kí a pín sí àwọn ilé-ẹ̀kọ́ míì. Plag.ai ń ṣiṣẹ́ lórí ìlànà ìpamọ́ tí ó muna níwájú: a kò fi àwọn ìwé hàn sí àwọn ilé-ẹ̀kọ́, a kò kún wọn sínú comparison databases, a kì í pín wọn sí àwọn ẹgbẹ́ kẹta. Ohun tí ó jẹ́ ti o, máa ń jẹ́ ti tirẹ.
Ohun Tí Àwọn Olùkọ́ N ń Gbìyànjú Nínú Kíláàsì
Níwájú ìkùnsí àwọn ẹ̀rọ̀ tó peye àti àwọn ìlànà tí kò ti dájú, ọ̀pọ̀ àwọn olùkọ́ ti bẹ̀rẹ̀ sí í tún ìrònú padà nípa ọ̀nà tí wọn fi ń ṣiṣẹ́ látàrí ìpilẹ̀ rẹ̀. Kí wọn má bà a dá lórí gbígbìyànjú láti rí lílo AI lẹ́yìn ìṣẹ̀lẹ̀, àwọn kan ń tún àǹfààní ìdánwò (assignments) ṣe ní àwọn ọna tí ó jẹ́ kí akoonu tí AI dá kéré ju kí o le wúlò ní ìbẹ̀rẹ̀.
Ọ̀kan nínú àwọn ọ̀nà tí ó munadoko jù lọ tí ń gba gbígbajú (gaining traction) ni fípadà sí ìdánwò kikọ (written assessments) sí kíláàsì. Àwọn iṣẹ́ kikọ tó parí ní ilé-ẹ̀kọ́, ní abẹ́ ìṣọ̀, yọ àǹfààní lílo AI kúrò patapata. Ọ̀pọ̀ àwọn olùkọ́ ti darapọ̀ ìyẹn pẹ̀lú ìdánwò ẹnu (oral defenses), níbi tí àwọn akẹ́kọ̀ọ́ gbọ́dọ̀ ṣàlàyé nípa ohun tí wọn kọ̀ àti kí wọ́n fẹ́ sí i ní ẹnu nípa iṣẹ́ kikọ tí wọn fi ránṣẹ́. Bí akẹ́kọ̀ọ́ kò bá lè sọ̀rọ̀ nípa àwọn ìmọ̀ tí ó wà nínú àpilẹ̀kọ̀ tirẹ̀, “gap” náà máa di kedere láì sí dandan láti lo AI detector rara.
Àwọn míì ń tẹ̀síwájú sí i pẹlu àwọn prompt ìdánwò tí ó ṣàkíyèsí gan-an, tí ó ní ìfarapa ara ẹni (deeply personal). Bí a bá ń béèrè kí àwọn akẹ́kọ̀ọ́ kọ̀ nípa iṣẹ́lẹ̀ gidi ní agbègbè yẹn, ìrírí ti ara wọn, tàbí kókó tó dín gan-an tí yóò nílò ìmọ̀ gidi ní ọwọ́ ẹni (firsthand knowledge), ó máa ń jẹ́ kí AI nira láti ṣe nkan tí ó dàbí ẹni pé ó péye. Awọn ẹ̀rọ̀ AI máa ń ṣiṣẹ́ dáadáa jù nígbà tí wọn bá fun ní prompt gígùn, tí kò dá lórí ìtọ́sọ́nà kúnà. Bí iṣẹ́ náà ṣe túbọ̀ di pàtó àti ti ara ẹni, bẹ́ẹ̀ ni AI ṣe ń dínkù iye rẹ̀.
Ìṣàyẹwo tí ó da lórí ìlànà (process-based grading) tún jẹ́ ọ̀nà míì tí ń gbilẹ̀. Kí a má ṣe kà á pọ̀ nínú ìwé ikẹhin nìkan, àwọn olùkọ́ nísinsin yìí ń béèrè kí àwọn akẹ́kọ̀ọ́ fi àwọn ìgbésí-ìrònú (brainstorming notes), ọpọlọpọ ìkọ̀kọ̀ (multiple drafts), àwọn igbasilẹ ìfanilọ́wọ́ ẹlẹgbẹ́ (peer review records), àti àwọn research logs ránṣẹ́ pẹ̀lú iṣẹ́ ikẹhin. “Paper trail” yìí ń jẹ́ kí ó ṣòro gan-an láti ṣe àwà (fake) ìlànà ìkọ́ ẹ̀kọ́ nítorí pé kókó ìdánwò yí padà: kì í ṣe láti “produce a polished product” nikan, ṣùgbọ́n láti ṣàfihàn ìdàgbàsókè ọpọlọ gidi tí ó ń ṣẹlẹ̀ ní àkókò.
Fun àwọn olùkọ́ tí ó fẹ́ láti ràn àwọn akẹ́kọ̀ọ́ lọ́wọ́ ju fíyà jẹ ẹ̀yà lọ, àwọn ẹ̀rọ̀ bí Plag.ai’s plagiarism removal service àti expert humanization service ń pèsè ọ̀nà tó dá lórí iṣẹ́ tó lè ràn níwájú. Kí a má ṣe fi “flagged document” sílẹ̀ bí òpin òkú, iṣẹ́ wọ̀nyí ń ràn àwọn akẹ́kọ̀ọ́ lọ́wọ́ láti lóye ohun tí a fà sí àmì àti bí wọ́n ṣe lè kọ ọ́ ní ìtọ́jú tó tọ́, kí ìṣẹ̀lẹ̀ ìwà-òtítọ́ ẹ̀kọ́ tó ṣeé fura di ànfàní ìkó ẹ̀kọ́ gidi. Àwọn akẹ́kọ̀ọ́ tún lè lo ìṣàyẹwo plagiarism ọ̀fẹ́ láti ṣàyẹ̀wò iṣẹ́ ara wọn ṣáájú fífi ránṣẹ́, èyí sì ń dá àṣà tí ó ní ìyẹ̀wò ara ẹni àti ìjìnlẹ̀ (originality) dipo àṣà ìjàgídájí ati ìfura.
Ìjíròrò Tó Ń Tóbi Jù Tí Àwọn Ilé Ẹ̀kọ́ Yóò Gbọdọ̀ Ní
Yóò jẹ́ aṣìṣe tí a bá ṣe àfihàn pé ìṣòro yìí jẹ́ iṣẹ́ olùkọ́ olúkúlùkù láti yanju ní tirẹ̀. Ìgbòòrò akoonu tí AI ń dá ní àwọn àyíká ẹ̀kọ́ jẹ́ ìpẹ̀yà tó jẹ́ ti gbogbo eto (systemic challenge) tí ń béèrè ìdáhùn ti gbogbo eto náà, kò sì yẹ kí a fi àwọn olùkọ́ sílẹ̀ láti wá ojútùú ní kíláàsì kọọkan àti ní assignment kọọkan.
Àwọn ilé ẹ̀kọ́ àti yunifásítì gbọ́dọ̀ wo inú ìlànà wọn nípa ìwà-òtítọ́ ẹ̀kọ́ dáadáa kí wọn sì fi sí i tí ó ń sọ nípa AI pàtó. Ìyẹn túmọ̀ sí kí a ṣàlàyé kedere ohun tí ó jẹ́ ìmúlò AI tó gba (acceptable) àti ohun tí kì í ṣe gba (unacceptable), nítorí kì í ṣe gbogbo lílo AI ni bákan náà. Lílò AI láti brainstorm àwọn ìmọ̀ yàtọ̀ pátápátá sí fífi iṣẹ́ tí AI ti dá patapata silẹ gẹ́gẹ́ bí tirẹ. Ìlànà tó mọ́, tó ní ìtọ́sọ́nà kánkán (clear, nuanced policies) ń ràn àwọn akẹ́kọ̀ọ́ àti àwọn olùkọ́ lọ́wọ́ láti gba àwọn ìyàtọ̀ wọ̀nyí láì sí ìdàrúdàpọ̀.
Àwọn alákóso (administrators) tún ní ojúṣe láti pèsè àwọn olùkọ́ ní ìkọ́ni (training), àwọn ohun èlò (resources), àti àwọn eto ìtìlẹ́yìn tí ó wà lójú ọjọ́. Plag.ai mọ ìbéèrè yìí nípa fífi free educator account kan, tí ó ń jẹ́ kí àwọn olùkọ́, professors, àti lecturers lè ṣàyẹ̀wò tó o kù 20 documents ní oṣù kan láì san owó, pẹ̀lú agbára láti gba àwọn ijabọ tí àwọn akẹ́kọ̀ọ́ pín sí i taara nípasẹ̀ pẹpẹ náà. Ìyẹn túmọ̀ sí pé àwọn olùkọ́ lè bẹ̀rẹ̀ láì ní ìdènà isuna, àti àwọn akẹ́kọ̀ọ́ lè pín àwọn originality reports tirẹ̀ pẹ̀lú àwọn olùkọ́ wọn gẹ́gẹ́ bí apá ìlànà fífi ránṣẹ́, tí ó ń dá ọna sílẹ̀ tó yàtọ̀ àti tó ń ṣiṣẹ́ pọ̀ (transparent and collaborative approach) nínú ìwà-òtítọ́ ẹ̀kọ́.
Àwọn alákóso òfin (policymakers) ní ipele district àti ti orílẹ̀-èdè tún gbọ́dọ̀ wọ inú ìjíròrò yìí. AI nínú ẹ̀kọ́ kì í ṣe àníyàn kékeré (niche concern). Ó ń tún yí gbogbo pápá ẹ̀kọ́ àti ìwọn (assessment) padà, ìdáhùn tí kò ṣọ̀kan ní ìpínlẹ̀ kọọkan kò ní tó. Ìtọ́sọ́nà tí a ṣètò pọ̀, owó ìwádìí fún àwọn ọna tí ó dáa jù fún ìṣàwárí, àti ìdapọ̀ pẹ̀lẹbẹ (thoughtful integration) ti àwọn ọ̀pa tí a gbẹ́kẹ̀lé bí Plag.ai sínú ìlànà iṣẹ́ ilé-ẹ̀kọ́ jẹ́ gbogbo apá ojútùú tó tóbi jù lọ.
Ìpẹ̀yà
Ìgbòòrò àwọn ẹ̀rọ̀ ìkọ̀ AI kò ṣẹ̀dá ọ̀nà tuntun ti fíjẹ́-èémí (cheating) nìkan. Ó ti fi ipa mú ìtúpalẹ̀ àìlera kan wá nípa ohun tí ẹ̀kọ́ jẹ́ fún gangan. Bí ìdí ìdánwò kikọ bá jẹ́ láti kan ṣe ìwé tó dà bí ẹni pé ó péye, nígbà náà AI ti jẹ́ kí ìdí yẹn rọrùn gan-an láti “outsource.” Ṣùgbọ́n bí ìdí rẹ̀ bá jẹ́ láti dá ìrònú yíyàn (critical thinking), láti ṣe adaṣe ní kíkọ́ bí a ṣe ń sọ àwọn ìmọ̀ pẹ̀lú, àti láti fi ìmọ̀ gidi hàn, nígbà náà AI kò lè rọ́pò èyẹn, àwọn olùkọ́ sì ní àǹfààní láti ṣe apẹrẹ àwọn assessment tí ń ṣe afihan ìbéèrè tó jinlẹ̀ wọ̀nyí.
Ìdáhùn kì í ṣe láti jagun lòdì sí oríṣìíríṣì (technology) tí ó kan máa ń dá síwájú síi, nítorí ó máa di gíga jù. Ìdáhùn ni láti yí padà ní ìrònú tó dáa, kí a sì fi àwọn olùkọ́ ohun èlò tó ṣiṣẹ́ gangan fún wọn, kí a tún kọ àwọn ètò tó jẹ́ kí ìwà-òtítọ́ rọrùn láti ṣètò ju láti yàgò fún un (circumvent). Ìyẹn túmọ̀ sí yíyan plagiarism àti AI detection tools tí ó jẹ́ oní-meji èdè, tó mọ́ọ́kàn tó péye, tó fi ìpamọ́ sí iwájú, àti tí a kọ́ fún gidi ìwà ẹ̀kọ́ ọjọ́-òní, kì í ṣe kíláàsì tí ó jẹ́ ọdún mẹ́wàá sẹ́yìn.
Plag.ai ni a dá kalẹ̀ pẹ̀lú ohun yẹn gan-an ní ìrònú. Tí àwọn akẹ́kọ̀ọ́ tó ju 1.5 million lọ ń gbẹ́kẹ̀lé, tí àwọn olùkọ́ sì ń lo ní ayika ayé, ó ṣọ̀kan plagiarism checking, AI detection, translated plagiarism detection, àti àwọn iṣẹ́ ìtìlẹ́yìn ènìyàn (expert support services) sí pẹpẹ kan tí ó ṣiṣẹ́ fún gbogbo agbegbe ẹ̀kọ́. Láìka bá o jẹ́ olùkọ́ tí ń gbìyànjú láti dáàbò bo ìwà-òtítọ́ kíláàsì rẹ, tàbí akẹ́kọ̀ọ́ tí ó fẹ́ fi ránṣẹ́ pẹ̀lú ìgbàgbọ́, Plag.ai ń fún ọ ní àwọn ohun èlò láti ṣe e ní ẹ̀tọ́.
Nítorí náà, èyí ni ìbéèrè tí ó tọ́ sí ìjókòó lórí rẹ̀: ní kì í ṣe pé ká ń béèrè nípa bí a ṣe máa ń rí àwọn akẹ́kọ̀ọ́ tí ó lo AI, báwo ni bí a bá bẹrẹ sí í béèrè nípa bí a ṣe ń kọ́ àṣà ẹ̀kọ́ (academic culture) nínú tí a ń ṣe atilẹyin ìwà-òtítọ́, tí a ń san èrè ìtẹ̀sí tuntun (originality), àti níbi tí àwọn ọ̀pa tó tọ́ yóò jẹ́ kí ìwà-òtítọ́ jẹ́ ọ̀nà tó rọrùn jù (least resistance)?
Gbìyànjú Plag.ai ọ̀fẹ́ lónìí kí o sì rí bí ọ̀nà tó gbọn jù lọ sí ìwà-òtítọ́ ẹ̀kọ́ ṣe rí.
