58 000 studentów musi powtórzyć egzamin UNAM nadzorowany przez AI z powodu masowych oszustw
Egzamin wstępny na największy meksykański uniwersytet, nadzorowany zdalnie przez sztuczną inteligencję, zakończył się skandalem. Nienaturalnie wysokie wyniki doprowadziły do konieczności powtórzenia testu przez dziesiątk

Nienaturalnie wysokie wyniki egzaminów wstępnych na Narodowy Autonomiczny Uniwersytet Meksyku (UNAM), największą uczelnię w kraju, doprowadziły do bezprecedensowej decyzji. Prawie 58 000 kandydatów będzie musiało ponownie przystąpić do testu, który po raz pierwszy odbył się całkowicie zdalnie i był nadzorowany przez systemy sztucznej inteligencji.
Skok wyników i podejrzenia o oszustwa
Egzaminy, w których wzięło udział blisko 160 000 kandydatów, odbyły się zdalnie między końcem maja a początkiem czerwca. Wykorzystano do tego specjalną przeglądarkę „lockdown” oraz oprogramowanie do nadzoru z kamer internetowych, wspierane przez sztuczną inteligencję. Po ogłoszeniu wyników okazało się, że znacząco odbiegają one od tych z poprzednich lat, zwłaszcza w czołówce.
W latach 2021-2025 średnio 3,5 procenta zdających uzyskiwało 100 lub więcej punktów na 120 możliwych. W tym roku odsetek ten wzrósł do 16,3 procenta. Jeszcze bardziej drastyczny wzrost odnotowano wśród najlepszych wyników: podczas gdy w poprzednich latach 0,9 procenta kandydatów zdobywało 110 lub więcej punktów, w tym roku było to aż 5,5 procenta. Tak gwałtowny wzrost najlepszych wyników natychmiast wywołał oskarżenia o masowe oszustwa.
Interwencja komisji i decyzja o powtórce
W odpowiedzi na kontrowersje, UNAM powołało specjalną komisję ekspertów, oficjalnie nazwaną „la Comisión Técnica de Personas Expertas para la Revisión del Proceso de Selección de Ingreso a Licenciatura para el Ciclo Escolar 2026-2027/1”. Komisja ta, po analizie sytuacji, zarekomendowała przeprowadzenie „egzaminu kontrolnego” w formie stacjonarnej. Decyzja ta dotyczy nie tylko osób, które uzyskały miejsce na uczelni na podstawie tegorocznego testu, ale także wszystkich, którzy kwalifikowaliby się do przyjęcia na podstawie minimalnych progów punktowych obowiązujących od 2021 roku. W sumie może to objąć około 58 000 osób.
Rektor UNAM, zgodnie z oficjalną publikacją uczelni Gaceta UNAM, przeprosił uczciwych kandydatów, którzy będą musieli ponownie przygotować się i przystąpić do egzaminu. Podkreślił jednak, że egzamin kontrolny jest „niezbędny, aby zapewnić pewność i zagwarantować sprawiedliwy dostęp” do uczelni. Szczegóły dotyczące nowego egzaminu mają zostać ogłoszone wkrótce, a zajęcia mają rozpocząć się 10 sierpnia, co oznacza konieczność szybkiego działania, chyba że uczelnia zdecyduje się na opóźnienie rozpoczęcia roku akademickiego.
Zawodne zabezpieczenia i metody oszustw
Egzamin zdalny był zabezpieczony za pomocą kilku technologii. Kandydaci musieli zainstalować LockDown Browser firmy Respondus, który uniemożliwia drukowanie, kopiowanie, dostęp do innych stron internetowych czy aplikacji podczas testu. Dodatkowo, system nadzorujący firmy Territorium wykorzystywał algorytmy AI do monitorowania kamer internetowych zdających. System ten miał wykrywać obecność innych osób, użycie telefonów komórkowych, słuchawek, a nawet opuszczenie kadru przez kandydata. Nadzór uzupełniał jeden ludzki obserwator na każde 150 osób, otrzymujący alerty od systemu.
Mimo tych środków, zabezpieczenia okazały się niewystarczające. Chociaż UNAM anulowało około 2 procent egzaminów z powodu nieokreślonych problemów z zachowaniem, skala oszustw była znacznie większa. Sama uczelnia przyznała, że „istnieje prawdopodobieństwo, że znaczna liczba kandydatów mogła otrzymać pomoc” podczas testu. Ekspert ds. AI, Raul Rojas, w rozmowie z NPR, stwierdził, że modelowanie statystyczne sugeruje, iż „prawie połowa studentów oszukiwała podczas egzaminu online”.
Rodzaje oszustw mogły być różnorodne. Egzamin był testem wielokrotnego wyboru, co utrudniało wykrycie typowych oznak oszustw z użyciem AI, takich jak wklejanie gotowych odpowiedzi. Raport „New York Times” wskazał, że przed egzaminami szeroko krążyły porady dotyczące oszukiwania. Studenci byli instruowani, aby umieszczać dodatkowe monitory poza zasięgiem kamery, gdzie mogli korzystać z ChatGPT lub innych modeli AI. Sugerowano także ukrywanie słuchawek pod włosami lub wynajmowanie innej osoby do zdawania egzaminu poza kadrem kamery. Możliwe były również tradycyjne metody, takie jak ściągi czy wyciek pytań.
Sytuacja na UNAM podkreśla wyzwania związane z wdrażaniem technologii AI w procesach egzaminacyjnych na dużą skalę. Mimo zaawansowanych systemów nadzoru, kreatywność w obchodzeniu zabezpieczeń, w połączeniu z nowymi narzędziami AI, może stwarzać poważne problemy dla integralności testów. Konieczność powtórzenia egzaminu przez dziesiątki tysięcy kandydatów to kosztowna lekcja dla instytucji edukacyjnych na całym świecie, wskazująca na potrzebę ciągłego doskonalenia metod weryfikacji wiedzy w erze cyfrowej.
Źródło: arstechnica.com
Komentarze
Zaloguj się, aby dołączyć do dyskusji.
Nikt jeszcze nie skomentował. Bądź pierwszy!
Czytaj dalej

Oszuści AI skuteczniejsi w budowaniu zaufania niż ludzie – zaskakujące wyniki badań
Badania przeprowadzone przez międzynarodowy zespół naukowców wykazały, że chatboty AI są bardziej efektywne w budowaniu zaufania u potencjalnych ofiar oszustw niż ludzcy oszuści, co może zwiastować nową erę w cyberprzest
Redakcja Aigest4 dni temu

Cogent AI wprowadza VR-1: Model AI do wykrywania ścieżek ataków cybernetycznych w przedsiębiorstwach
Zespół Cogent AI zaprezentował VR-1, model rozumowania AI specjalnie przeszkolony do zastosowań w cyberbezpieczeństwie, który potrafi komponować i weryfikować ścieżki ataków w złożonych środowiskach korporacyjnych.
Redakcja Aigestwczoraj

NVIDIA prezentuje Molt: nowe ramy dla agentowego uczenia ze wzmocnieniem w PyTorch
NVIDIA, za pośrednictwem swojego zespołu NeMo, wprowadza Molt – framework do agentowego uczenia ze wzmocnieniem, zaprojektowany z myślą o kompaktowości i efektywności. Ma on usprawnić badania nad algorytmami RL, minimali
Redakcja Aigest2 dni temu

Supabase udostępnia Evals – otwarty benchmark dla agentów AI w zadaniach programistycznych
Supabase wprowadziło Evals, otwarty benchmark i framework do oceny agentów AI w zadaniach związanych z platformą Supabase, testując ich na rzeczywistych scenariuszach.
Redakcja Aigest3 dni temu

Thinking Machines prezentuje Inkling Small: mniejszy model AI, większa efektywność
Thinking Machines, laboratorium AI założone przez byłą CTO OpenAI, Mira Murati, wprowadziło na rynek Inkling Small. Ten model otwarty wyróżnia się efektywnością i kompaktowym rozmiarem, przewyższając większe odpowiedniki
Redakcja Aigest3 dni temu

Niewykorzystane GPU: Nowe Uziemione Samoloty w Erze AI
Zarządzanie zasobami GPU staje się kluczowym wyzwaniem w obliczu rosnących kosztów i złożoności projektów AI. Niewykorzystane jednostki generują straty i spowalniają innowacje.
Redakcja Aigest4 dni temu
Bądź na bieżąco ze światem AI
Najważniejsze newsy, recenzje i poradniki — raz w tygodniu, prosto na maila. Bez spamu.