Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning

Technische Samenvatting: Wiskundige Modellering van Ethisch AI-gebruik in het Hoger Onderwijs

Probleemstelling
De snelle integratie van generatieve kunstmatige intelligentie (AI) in het hoger onderwijs heeft zorgen versterkt met betrekking tot academische integriteit, rechtvaardigheid en leerkwaliteit. Hoewel instellingen hebben gereageerd met beleidsrichtlijnen en ethische principes, is er een beperkt formeel begrip van hoe collectieve normen van verantwoord versus opportunistisch AI-gebruik ontstaan en stabiliseren binnen studentenpopulaties. De huidige literatuur suggereert dat studentenbeslissingen sociaal interdependent zijn; de kosten en baten van specifieke AI-gebruiksstrategieën hangen sterk af van het gedrag van leeftijdgenoten en gedeelde verwachtingen. Bijgevolg falen formele regels en detectiemechanismen alleen vaak om gedrag te veranderen, omdat ze het onderliggende coördinatieprobleem niet aanpakken: zodra een patroon van opportunistisch gebruik wijdverbreid is, kan het individueel rationeel zijn om zich daaraan aan te passen, zelfs als dit pedagogisch suboptimaal is. Het artikel adresseert de lacune in het begrip van hoe toetsontwerp interacteert met dynamieken tussen leeftijdgenoten om deze collectieve normen in de loop van de tijd te vormen.

Methodologie
De auteurs ontwikkelen een coördinatiegebaseerd evolutionair speltheoretisch kader om studenteninteracties binnen een eindige populatie te modelleren. De aanpak behandelt toetsontwerp niet als een middel voor naleving, maar als een structureel mechanisme dat de uitbetalingsstructuur van studentenstrategieën vormgeeft.

• Basismodel: De studie begint met een symmetrisch tweespelersspel dat onderscheid maakt tussen Verantwoord AI-gebruik (R) (in lijn met leerdoelen) en Opportunistisch AI-gebruik (O) (gericht op inspanningsreductie). De uitbetalingsmatrix omvat leervalue ($L$), inspanningskosten ($C$), kortetermijnprestatievoordelen ($S$) en een legitimiteitskosten ($\delta$) die worden gemaakt wanneer het gedrag van een student niet overeenkomt met de normen van de cohort.
• Uitgebreid Model (Reflectief Toetsen): Het kader wordt uitgebreid om institutionele mechanismen op te nemen, specifiek reflectief toetsen. Dit introduceert vier strategieën:
  • RR: Verantwoord gebruik met betekenisvolle reflectie.
  • RS: Verantwoord gebruik met oppervlakkige reflectie.
  • O: Opportunistisch gebruik (geen reflectie).
  • M: Misbruik (regelovertreding).
    Het model onderscheidt tussen betekenisvolle reflectie (beloning $r$, kosten $\kappa$) en oppervlakkige reflectie (fractionele beloning $\sigma r$, gereduceerde kosten $\sigma \kappa$), naast een sanctie voor wangedrag ($\tau$).
• Dynamiek: Evolutionaire dynamiek wordt gesimuleerd met behulp van de Fermi-imitatieregel in een goed gemengde populatie van grootte $N$. Studenten updaten strategieën op basis van uitbetalingsverschillen, beheerst door een intensiteit van sociaal leren ($\beta$) en een mutatiekans ($\mu$). Het langetermijngedrag wordt geanalyseerd via de stationaire verdeling van een Markov-keten, waarbij fixatiekansen worden berekend om te bepalen welke normen evolutionair stabiel worden.

Belangrijkste Bijdragen

1. Coördinatiekader: Het artikel introduceert een formeel, coördinatiegebaseerd evolutionair speltheoretisch model om te verklaren hoe studenten-AI-gebruikspraktijken worden gevormd door verwachtingen van leeftijdgenoten in plaats van alleen individuele naleving.
2. Formalisering van Reflectief Toetsen: Het formaliseert reflectief toetsontwerp als een institutioneel mechanisme dat prikkels herschikt, met onderscheid tussen betekenisvolle betrokkenheid en oppervlakkige naleving.
3. Analytische Inzichten: De studie biedt analytisch en computationeel bewijs over hoe verantwoord, oppervlakkig compliant en opportunistisch AI-gebruiksnormen ontstaan en stabiliseren onder variërend toetsontwerp, en biedt een verklaring op mechanismeniveau van verschuivingen in collectief gedrag.

Resultaten
Numerieke simulaties onthullen dat het ontstaan van verantwoord AI-gebruiksnormen wordt gekenmerkt door niet-lineaire, drempelgedreven transities in plaats van gladde, lineaire verbeteringen:

• Kritieke Drempels: In het basis- en uitgebreide model leidt het verhogen van de beloning voor reflectie ($r$) tot een scherpe transitie in gedrag. Onder een kritieke drempel (ongeveer $r \approx 1,5$ in de simulatie) domineert opportunistisch gebruik. Boven deze drempel wordt verantwoord AI-gebruik met betekenisvolle reflectie (RR) snel de dominante strategie, terwijl opportunistisch gebruik instort.
• Rol van Gevoeligheid voor Leeftijdgenoten: De snelheid en stabiliteit van normvorming hangen kritiek af van de gevoeligheid voor leeftijdgenoten ($\beta$). Hoge gevoeligheid voor leeftijdgenoten leidt tot snelle "normcascades" waarbij bescheiden prikkels wijzigingen snelle gedragsalignering triggeren. Lage gevoeligheid voor leeftijdgenoten resulteert in geleidelijke, vaak onvolledige transities.
• Beperkingen van Ontwerpruimte: De haalbaarheid van verantwoord AI-gebruik hangt af van de kalibratie tussen reflectiebeloningen en inspanningskosten. Als de cognitieve of tijdskosten van betekenisvolle reflectie ($\kappa$) te hoog zijn ten opzichte van de beloning ($r$), blijft opportunistisch gedrag het evolutionair stabiele resultaat. Er bestaat een "tipping point" waar kleine aanpassingen aan de verhouding beloning-inspanning kunnen bepalen of verantwoord gebruik de dominante sociale norm wordt.
• Oppervlakkige Naleving: Strategieën die oppervlakkige reflectie omvatten (RS) blijven op lage frequenties, wat suggereert dat symbolische of minimaal ingebedde reflectieve activiteiten ontoereikend zijn om opportunistisch gedrag te verdringen.

Betekenis en Claims
Het artikel beweert dat effectief AI-bestuur in het hoger onderwijs fundamenteel een uitdaging van toetsontwerp is in plaats van een probleem van individuele ethiek of handhaving. Door toetsing te framen als een coördinatiemechanisme, demonstreert het werk dat bescheiden, goed gekalibreerde wijzigingen in toetsontwerp (specifiek de weging en structuur van reflectieve taken) onevenredige, niet-lineaire verschuivingen in collectief gedrag kunnen genereren.

De auteurs betogen dat beleidsverklaringen en surveillance alleen ontoereikend zijn omdat ze de strategische prikkels die coördinatie aandrijven, niet veranderen. In plaats daarvan ondersteunt het model "Future Facing Learning"-benaderingen waarbij door pedagogie geleid bestuur—het afstemmen van reflectieve inspanning op toetswaarde—verantwoord AI-gebruiksnormen kan stabiliseren zonder afhankelijkheid van strafcontroles. De bevindingen bieden een analytisch onderbouwd instrument voor instellingen om toetsomgevingen te ontwerpen die transparant, leergericht AI-gebruik stimuleren door de structurele voorwaarden aan te pakken waaronder verantwoord normen ontstaan.