سهّل الذكاء الاصطناعي التوليدي أكثر من أي وقت مضى حصول المرشحين على مساعدة خارجية أثناء الاختبارات عبر الإنترنت غير الخاضعة للإشراف، فيما تواجه الأدوات التي تحاول التعرّف على المحتوى المُنشأ بالذكاء الاصطناعي صعوبة في مواكبة ذلك. يتبع هذا البحث نهجًا مختلفًا: فبدلًا من السؤال عن الأداة التي استخدمها المرشح، ينظر في طريقة تصرّفه أثناء أداء الاختبار، ولذلك يظل فعّالًا مع ظهور أدوات ذكاء اصطناعي جديدة.
يعرض التقرير إطار النزاهة رباعي الطبقات من Podium، المكوّن من التصميم والردع والكشف والدفاع، ويختبره في خمس دراسات: تجربة مضبوطة، وأدلة ميدانية من أكثر من 106,000 تطبيق لاختبار فِكر (GCAT) عبر دول وقطاعات وعملاء متعددين.
إطار النزاهة
أربع طبقات، تستهدف كل منها طريقة مختلفة للحصول على مساعدة خارجية. وتتحقق أقوى حماية عند تطبيق الطبقات الأربع معًا.
التصميم
بنوك أسئلة ديناميكية
الحماية من مشاركة الأسئلة، وجمع مفاتيح الإجابات، والتعرّض المتكرر للأسئلة.
غير مرئية للمرشحين
الردع
رسالة نزاهة التقييم
الحماية من تبرير الغش أو التطبيع معه.
تُعرض قبل الاختبار
الكشف
درجة الثقة
الحماية من الاستعانة بأدوات الذكاء الاصطناعي أو موارد أخرى على الجهاز نفسه.
تعمل بصمت
الدفاع
التحقق بالوجه
الحماية من أداء الاختبار بالنيابة، والحصول على مساعدة من شخص آخر، واستخدام جهاز ثانٍ.
مرئية للمرشحين
أبرز النتائج
خمس دراسات، من تجربة مضبوطة إلى أكثر من 106,000 تطبيق فعلي لاختبار فِكر (GCAT).
الدراسة 1
هل درجة الثقة فعّالة؟
في تجربة مضبوطة، ميّزت درجة الثقة بين المرشحين الذين استعانوا بمساعدة خارجية والذين لم يستعينوا بها (.810 عند التحقق المتقاطع؛ d = 1.47). ولم تساعد المهارة في استخدام أدوات الذكاء الاصطناعي المرشحين على الإفلات منها.
تجربة مضبوطة، N = 372
.822قيمة AUC في التمييز بين الجلسات التي تلقّت مساعدة والجلسات المستقلة
الدراسة 2
هل رسائل الردع فعّالة؟
أدى عرض رسالة نزاهة التقييم قبل كل اختبار إلى تحسين النزاهة السلوكية بدرجة دالّة إحصائيًا (p < .001)، وخفّض نسبة الجلسات التي أُشير إليها بمقدار 5 إلى 7 نقاط مئوية.
3,072 جلسة مُطابَقة من 16 عميلًا
+5.2نقطة في متوسط درجة الثقة بعد عرض الرسالة
الدراسة 3
هل الإشراف على الاختبارات بالذكاء الاصطناعي فعّال؟
أظهرت الجلسات التي استُخدم فيها التحقق بالوجه نزاهة سلوكية أعلى بدرجة دالّة إحصائيًا مقارنةً بجلسات مُطابَقة لم يُستخدم فيها (p < .001)، مما يجعله أقوى طبقة منفردة في الإطار.
2,194 جلسة مُطابَقة في أستراليا
+4.5نقطة في متوسط درجة الثقة مع التحقق بالوجه
الدراسة 4
هل يعمل بإنصاف؟
جاءت درجات الثقة متسقة عبر فئات الجنس والعمر والعرق. ولم تكشف فحوصات قاعدة الأربعة أخماس عن أي أثر سلبي قائم على الجنس أو العمر عند العتبات ذات الصلة من الناحية التشغيلية؛ وقد ظهرت حالتان منفردتان مرتبطتان بالعرق، كلٌّ منهما لدى عميل واحد بعينة صغيرة، ولا تمثلان نمطًا منهجيًا.
الجنس والعمر والعرق
0 من 64مقارنة بين الفئات بلغت حجم أثر قدره 0.30
الدراسة 5
ما مدى شيوع الغش؟
يحصل نحو 1 من كل 14 إلى 1 من كل 33 من المرشحين غير الخاضعين للمراقبة على مساعدة تُغيّر درجاتهم. وفحص 1,000 مرشح دون التحقق بالوجه من شأنه أن يسمح بدخول ما بين 30 و70 درجة مضخّمة إلى مسار الاختيار.
تقدير مستند إلى البيانات الميدانية
3–7%من المرشحين غير الخاضعين للمراقبة يحصلون على مساعدة تُغيّر درجاتهم
تنبيهات النزاهة تُطلع البشر، ولا تتخذ القرار أبدًا.
لا تُستخدم درجة الثقة ولا التحقق بالوجه في اتخاذ القرارات الآلية. تُحال كل جلسة أُشير إليها إلى مراجعة بشرية، وأي قرار باتخاذ إجراء بشأن مخاوف تتعلق بالنزاهة يشارك فيه دائمًا مُقيِّم مؤهل.
اقرأ التقرير واستشهد به
Shaban, T., Rose, M., & Reed, F. (2026). Behavioral, model-agnostic integrity in online ability testing: Evidence from deterrence messaging, behavioral telemetry, and AI proctoring [Technical report]. Podium Systems Limited. https://doi.org/10.17605/OSF.IO/CKNRA