Признаки машинной генерации в студенческих работах по высшей математике

Аннотация

Цель исследования – выявление и систематизация маркеров машинной генерации и разработка инструментария для верификации авторства студенческих работ (на примере высшей математики). В статье рассмотрены ограничения традиционных детекторов при анализе математических задач и выявлены специфические особенности генерации контента большими языковыми моделями. Научная новизна исследования заключается в разработке классификационной системы маркеров машинной генерации применительно к контексту решения задач в точных науках, учитывающая ограничения больших языковых моделей. Результатом исследования является система, включающая 14 маркеров, объединенных в пять групп: предметно-специфичные, стилистические, концептуальные, формальные и фактологические. Посредством ROC-анализа на контрольной выборке определено оптимальное пороговое значение для инициации педагогического мониторинга (5 баллов) с чувствительностью 0,92 и специфичностью 0,84. Апробация системы на массиве из более чем 1000 студенческих работ подтвердила ее диагностическую эффективность.

Источники

1. Агамалиев Р. Т. Проблемы цифровизации в образовании как объект гуманитарных научных исследований начала 21 века // Управление образованием: теория и практика. 2025. № 9-1. https://doi.org/10.25726/o9513-8295-9647-g
2. Айдагулова А. Р. Особенности текстов, сгенерированных искусственным интеллектом // Вестник Башкирского государственного педагогического университета им. М. Акмуллы. 2023. № 4 (72).
3. Безуглый Т. А., Ершова М. Е. Использование текстовых нейросетей и искусственного интеллекта в учебных работах студентов // Проблемы современного образования. 2023. № 5.
4. Воронина Д. К., Шамов А. Н. Генеративный искусственный интеллект в языковом образовании: пути решения проблемы плагиата // Вестник Мининского университета. 2025. Т. 13. № 3. https://doi.org/10.26795/2307-1281-2025-133-5
5. Григорьев С. Г., Гриншкун В. В. Информатизация образования. Фундаментальные основы и практические приложения. Воронеж: Научная книга, 2014.
6. Гриншкун В. В., Суворова Т. Н. Особенности подготовки педагогов в условиях цифровой трансформации системы образования // Вестник Московского университета. Серия 20. Педагогическое образование. 2024. Т. 22. № 1. https://doi.org/10.55959/LPEJ-24-05
7. Зайцев Д. В. Почему большие языковые модели не (всегда) рассуждают как люди? // Вестник Московского университета. Серия 7. Философия. 2024. Т. 48.
8. Иванченко Д. А. Нейросетевые технологии в образовании: возможности и применение: методическое пособие. М.: Директ-Медиа, 2025. https://doi.org/10.23681/718842
9. Константинова Л. В., Ворожихин В. В., Петров А. М., Титова Е. С., Штыхно Д. А. Генеративный искусственный интеллект в образовании: дискуссии и прогнозы // Открытое образование. 2023. Т. 27. № 2. https://doi.org/10.21686/1818-4243-2023-2-36-48
10. Минапова Р. Я. Академическая нечестность студентов в период получения профессионального образования в условиях развития цифровой трансформации // Современные проблемы науки и образования. 2024. № 4. https://doi.org/10.17513/spno.33547
11. Панюкова С. В. Цифровые инструменты и сервисы в работе педагог: учебно-методическое пособие. М.: Про-Пресс, 2020.
12. Роберт И. В. Теория и методика информатизации образования (психолого-педагогический и технологический аспекты). М.: БИНОМ. Лаборатория знаний, 2014.
13. Сысоев П. В. Этика и ИИ-плагиат в академической среде: понимание студентами вопросов соблюдения авторской этики и проблемы плагиата в процессе взаимодействия с генеративным искусственным интеллектом // Высшее образование в России. 2024. Т. 33. № 2. https://doi.org/10.31992/0869-3617-2024-33-2-31-53
14. Тедорадзе Т. Г., Ольховская Е. П. Методы противодействия академической нечестности студентов при организации самостоятельной и проектной работы с помощью искусственного интеллекта // KANT. 2025. № 3 (56). https://doi.org/10.24923/2222-243X.2025-56.58
15. Тельпов Р. Е., Ларцина С. В. Типовые различия естественных и сгенерированных нейронной сетью текстов в квантитативном аспекте // Научный диалог. 2023. Т. 12. № 7. https://doi.org/10.24224/2227-1295-2023-12-7-47-65
16. Хузяхметов Р. Р., Ромашкина Г. Ф., Лукьяненко А. Е., Костомаров В. М., Кичикова Д. В. Применение искусственного интеллекта в высшем образовании: возможности и проблемы // МИР (Модернизация. Инновации. Развитие). 2025. № 16 (4). https://doi.org/10.18184/2079-4665.2025.16.4.642-659
17. Черкасова М. Н., Тактарова А. В. Признаки сгенерированного текста в академическом дискурсе: проблема идентификации // Филологические науки. Вопросы теории и практики. 2024. Т. 17. № 7. https://doi.org/10.30853/phil20240307
18. Шапошникова Т. Л., Тедорадзе Т. Г., Бус Т. В. Педагогический мониторинг как механизм противодействия академической нечестности студентов в условиях цифровой образовательной среды // Ученые записки университета имени П. Ф. Лесгафта. 2022. № 11 (213).
19. Anderson N., Belavy D. L., Perle S. M., Hendricks S., Hespanhol L., Verhagen E., Memon A. R. AI did not write this manuscript, or did it? Can we trick the AI text detector into generated texts? The potential future of ChatGPT and AI in sports & exercise medicine manuscript generation // BMJ Open Sport & Exercise Medicine. 2023. Vol. 9. No. 1. https://doi.org/10.1136/bmjsem-2023-001568
20. Cotton D. R. E, Cotton P. A, Shipway J. R. Chatting and cheating: Ensuring academic integrity in the era of ChatGPT // Innovations in Education and Teaching International. 2023. https://doi.org/10.1080/14703297.2023.2190148
21. Habibzadeh F. GPTZero Performance in Identifying Artificial Intelligence-Generated Medical Texts: A Preliminary Study // Journal of Korean medical science. 2023. Vol. 38. No. 38. https://doi.org/10.3346/jkms.2023.38.e319
22. Hua H., Yao C. J. Investigating generative AI models and detection techniques: impacts of tokenization and dataset size on identification of AI-generated text // Frontiers in Artificial Intelligence. 2024. No. 7. https://doi.org/10.3389/frai.2024.1469197
23. Liu H., Ning R., Teng Z., Liu J., Zhou Q., Zhang Y. Evaluating the logical reasoning ability of ChatGPT and GPT-4. 2023. https://doi.org/10.48550/arXiv.2304.03439
24. Malik M. A., Amjad A. I. AI vs AI: How effective are Turnitin, ZeroGPT, GPTZero, and Writer AI in detecting text generated by ChatGPT, Perplexity, and Gemini? // Journal of Applied Learning & Teaching. 2025. Vol. 8. No. 1 https://doi.org/10.37074/jalt.2025.8.1.9
25. Oc Y., Gonsalves C., Quamina L. T. Generative AI in higher education assessments: Examining risk and tech-savviness on student’s adoption // Journal of Marketing Education. 2025. Vol. 47. No. 2. https://doi.org/10.1177/02734753241302459
26. Trott S., Jones C., Chang T., Michaelov J., Bergen B. Do large language models know what humans know? // Cognitive Science. 2023. Vol. 47. Issue 7. https://doi.org/10.48550/arXiv.2209.01515
27. Uzun L. ChatGPT and Academic Integrity Concerns: Detecting Artificial Intelligence Generated Content // Language Education and Technology. 2023. Vol. 3. No. 1.
28. Vellaichamy K. Artificial Intelligence and its Significance in Education: A Theoretical Perspectives // Shanlax International Journal of English. 2023. Vol. 12. No. S1-Dec. https://doi.org/10.34293/rtdh.v12iS1-Dec.118
29. Walters W. H., Wilder E. I. Fabrication and errors in the bibliographic citations generated by ChatGPT // Scientific Reports. 2023. No. 13. https://doi.org/10.1038/s41598-023-41032-5

Информация об авторах

Информация о статье

История публикации

• Поступила в редакцию: 17 июня 2026.
• Опубликована: 23 июля 2026.

Ключевые слова

• маркеры машинной генерации
• большие языковые модели
• верификация авторства
• академическая нечестность
• педагогический инструментарий
• высшая математика
• machine generation markers
• large language models
• authorship verification
• academic dishonesty
• pedagogical toolkit
• higher mathematics

Copyright

© 2026 Автор(ы)
© 2026 ООО Издательство «Грамота»

Лицензионное соглашение

Creative Commons Attribution 4.0 International (CC BY 4.0)