美国大学Academic Integrity调查怎么办？Plagiarism、Unauthorized Collaboration和AI使用如何区分

　　收到美国大学 Academic Integrity(学术诚信)调查邮件，不代表学校已经认定你违规，但也绝不能把它当成普通的成绩沟通。真正需要处理的是学校提出了什么指控、依据是什么、课程对相关行为如何规定，以及你能否用完整的证据还原自己的作业过程。

　　对留学生来说，最容易混淆的三类情况是 Plagiarism(抄袭)、Unauthorized Collaboration(未经允许的合作)和AI使用违规。三者的判断重点并不一样：Plagiarism主要看内容来源和署名是否规范;Unauthorized Collaboration主要看你与其他学生之间的合作是否超出了课程允许范围;AI违规则要回到具体课程的 syllabus 和 assignment instructions，看老师允许、限制还是禁止生成式AI。

　　这一区分很重要。美国大学并不存在一套所有学校完全相同的 Academic Integrity 规则。以 University of Texas at Austin 的公开政策为例，教师可以针对具体课程规定 AI 是 permitted、partially permitted 还是 prohibited，并要求学生按照课程规定进行披露。George Washington University 同样明确指出，教师可以在课程中规定生成式AI的允许范围。

　　美国大学Academic Integrity调查通常在调查什么?

　　Academic Integrity investigation 的核心不是简单判断“这份作业像不像作弊”，而是确认学生提交的学术成果是否符合课程规定以及学校的 academic integrity policy。

　　常见调查原因包括：

　　Plagiarism;

　　Unauthorized Collaboration;

　　Unauthorized Assistance;

　　AI-generated content;

　　未经允许使用 ChatGPT 或其他生成式AI;

　　考试期间使用未经授权的资料;

　　代码或实验数据来源存在问题;

　　Self-plagiarism;

　　Citation、Reference 或 attribution 不规范。

　　同一个行为在不同课程中的处理方式可能不同。

　　例如，某门课允许学生使用 ChatGPT 做 brainstorming，但禁止AI直接生成最终提交文本，那么使用AI讨论论文选题和直接让AI生成整篇 essay 就不是同一种情况。

　　再比如，一门课程允许学生讨论 homework 的思路，但明确要求每个人独立完成代码。如果两名学生讨论算法思路属于允许范围，直接交换代码就可能进入 Unauthorized Collaboration 的范围。

　　所以收到 Academic Integrity 邮件以后，最值得看的不是网上别人“同样情况最后被罚了什么”，而是你自己的 Syllabus、Assignment Instructions、Honor Code 和学校 Academic Integrity Policy。

　　Plagiarism、Unauthorized Collaboration和AI违规到底有什么区别?

　　Plagiarism：核心是“你的内容从哪里来”

　　Plagiarism通常涉及没有正确标明来源，却把他人的文字、观点、研究成果或其他可识别的表达作为自己的学术成果提交。

　　最典型的情况是直接复制网络文章或论文，却没有 citation;也包括改写原文时仍然高度依赖原句结构，却没有进行适当 attribution。

　　Self-plagiarism 也值得注意。如果课程明确要求原创、未提交过的作业，把以前某门课提交过的论文重新交给另一门课，也可能构成违规。

　　判断 Plagiarism 时，学校通常会关注：

　　原文是否存在;

　　是否进行了 citation;

　　是否使用 quotation marks;

　　paraphrasing 是否真正完成;

　　Reference list 是否与正文引用对应;

　　是否存在重复提交自己的旧作品。

　　因此，Turnitin 出现相似内容并不等于自动认定 Plagiarism。相似率本身还需要结合匹配来源、引用方式以及课程规则判断。

　　Unauthorized Collaboration：核心是“你和谁一起完成了什么”

　　Unauthorized Collaboration 与 Plagiarism最大的区别，是它不一定涉及复制文字。

　　例如教授在作业要求中写明：

　　Individual work only

　　两名学生却互相交换代码、逐题核对答案，甚至共同完成同一份分析，再分别提交不同版本，这种行为即使最终文字没有完全重复，也可能构成未经授权的合作。

　　反过来，如果课程明确允许 group discussion，那么学生讨论概念本身未必违规。

　　真正需要确认的是课程允许的合作边界在哪里。

　　美国大学的 assignment instructions 经常会规定：

　　是否允许讨论;

　　是否允许共同完成代码;

　　是否允许共享数据;

　　是否允许 peer review;

　　是否允许使用旧作业;

　　哪些资源属于 authorized assistance。

　　所以遇到 Unauthorized Collaboration 指控时，不要只证明“我们交的答案不一样”。更重要的是解释当时进行了什么交流，以及课程是否允许这种交流。

　　AI使用违规：核心是“AI到底被允许怎么用”

　　AI违规与传统 Plagiarism也不能简单画等号。

　　假设课程完全禁止生成式AI，那么直接让 ChatGPT 写 essay、生成代码或者完成考试答案，都可能成为 Academic Integrity 问题。

　　但如果课程允许 AI 用于 brainstorming，却禁止生成最终答案，那么“使用过AI”本身并不一定等于违规，关键在于实际使用方式是否超出了授权范围。

　　UT Austin目前的课程指导就是一个很直观的例子：课程可以规定 AI 全面允许、部分允许或禁止使用;如果允许或部分允许，还可以进一步规定披露方式。

　　George Washington University的指导也明确提醒，教师应把生成式AI的允许和禁止范围写进 syllabus 或 assignment instructions，而不是让学生自行猜测。

　　这意味着遇到 AI investigation 时，“我只是用了ChatGPT”不是完整解释;“我完全没用AI”也不是最有效的回应方式。

　　更重要的是回答：

　　用了什么工具?什么时候用的?用在什么环节?课程当时允许什么?最终提交内容是如何形成的?有没有按照要求披露?

　　美国大学AI调查会不会只看AI检测结果?

　　不能简单认为“AI detector显示90%”就等于学校已经证明学生使用了AI。

　　这一点在当前美国高校的公开政策中越来越值得注意。

　　George Washington University在针对生成式AI的指导中明确提醒，当前不存在能够可靠检测AI生成文本的工具，并指出 false positives 可能给学生和教师都带来问题。

　　UT Austin的AI Detection Software Guidance甚至明确规定，除非相关软件已经通过学校合同或采购流程，第三方 AI detection software 不得用于评估学生作业;该校同时强调了学生作品涉及隐私、版权和知识产权的问题。

　　所以，如果学校邮件中提到了 AI detection report，不要直接把检测分数理解成“定罪证据”。

　　真正值得关注的是学校到底掌握了哪些材料，例如：

　　AI detection report;

　　Turnitin report;

　　作业版本历史;

　　文档 metadata;

　　代码相似度;

　　Citation问题;

　　与之前课堂作业的写作差异;

　　教授与学生面谈后的回答;

　　课程规定中的AI使用条款。

　　不同学校、学院和课程对证据的权重并不完全相同。

　　收到Academic Integrity邮件后，第一件事应该做什么?

　　先确认截止日期，再确认指控内容。

　　Academic Integrity邮件通常会说明下一步流程、meeting安排或回复期限。不要因为害怕而拖延，也不要没有看完指控内容就立即写一封很长的解释。

　　建议把邮件保存下来，并单独整理：

　　指控是什么 → 涉及哪份作业 → 哪条课程规则 → 学校目前有什么证据 → 需要你在什么时候回复。

　　如果邮件要求参加 meeting，也不要把 meeting 理解成普通的“和教授聊一聊”。

　　你需要提前准备好自己的事实经过。

　　例如：

　　“我在周一完成 outline，周二开始写正文，周三修改 introduction，周四提交。”

　　这种时间线比“我真的没有作弊，我一直很认真”更有信息价值。

　　哪些材料可以证明作业是自己完成的?

　　如果作业确实由自己完成，最有价值的往往不是重新写一封“保证自己清白”的声明，而是把原始创作过程保存下来。

　　可以检查：

　　Word version history;

　　Google Docs version history;

　　本地草稿;

　　handwritten notes;

　　outline;

　　research notes;

　　文献检索记录;

　　Reference manager记录;

　　数据处理文件;

　　MATLAB / Python / R代码历史;

　　Git commit;

　　Excel计算过程;

　　PowerPoint早期版本;

　　与教授或TA讨论作业的邮件;

　　正常形成的文件修改时间。

　　例如，一篇最终提交了3000字的论文，如果Google Docs里能够看到从几百字草稿逐步修改到最终版本的完整记录，这类材料至少能够帮助学校了解作品形成过程。

　　但这里有一个很容易踩的坑：不要为了应对调查临时修改或伪造文件时间线。

　　一旦学校发现证据存在人为篡改，原本的 Academic Integrity 问题可能变得更加复杂。

　　如果确实使用过AI，应该怎么解释?

　　这种情况尤其需要谨慎。

　　不要把“AI使用”和“AI违规”直接画等号，也不要为了让事情看起来简单而虚构一个完全没有发生过的使用过程。

　　可以先把实际使用情况拆开：

　　你是否用AI：

　　查找选题;

　　解释概念;

　　修改语法;

　　生成outline;

　　翻译;

　　生成正文;

　　改写段落;

　　写代码;

　　分析数据;

　　生成参考文献;

　　修改最终提交版本。

　　再对照 syllabus。

　　例如，课程允许“grammar checking”，但禁止“generating substantive content”，那么 Grammarly 式语言修改与让 ChatGPT 生成核心论证，就不是同一个问题。

　　UT Austin目前的课程政策示例也强调，允许AI的课程可以要求学生进行 human review，并按照课程规定披露AI使用;即便AI被允许，学生仍然要对最终提交内容负责。

　　如果教授认为是Unauthorized Collaboration，应该准备什么?

　　重点不是反复强调“我们没有抄答案”。

　　需要把合作过程还原出来。

　　例如：

　　“我们在图书馆讨论过这道题的概念。”

　　与：

　　“我们把各自代码发给对方，并逐行修改。”

　　在 Academic Integrity 判断中可能完全不是一回事。

　　准备材料时可以整理：

　　课程对 collaboration 的规定;

　　Assignment instruction;

　　当时的聊天记录;

　　文件发送记录;

　　自己的代码版本;

　　自己的草稿;

　　小组讨论的具体内容。

　　如果课程明确允许学生讨论概念，但禁止共享答案，那么应当准确解释自己做了什么，而不是把所有交流都笼统称为“study discussion”。

　　Academic Integrity调查最容易出现的几个误区

　　看到Turnitin相似率就主动承认Plagiarism

　　这是一个常见误区。

　　Turnitin显示匹配内容，需要进一步看匹配来源以及 citation 是否规范。参考文献、题目、固定术语甚至正确引用的内容，都可能产生匹配。

　　真正需要判断的是匹配内容是否被不当使用。

　　认为AI检测分数就是最终证据

　　目前公开的高校政策已经说明 AI detection 存在明显局限。GW明确提醒不存在能够可靠检测AI生成文本的工具;UT Austin也对第三方AI检测软件的使用设置了严格条件。

　　因此，遇到 AI 指控时，不要只围绕一个百分比争论。

　　一收到邮件就说“对不起，我以后不会了”

　　如果你确实违规，承认事实和说明情况是一回事;如果你并不清楚学校指控的具体事实，收到邮件后直接承认所有指控则可能让后续解释空间变得更小。

　　更稳妥的做法是先阅读指控材料、课程政策和程序要求，再决定如何回应。

　　找人“统一口径”

　　如果涉及 Unauthorized Collaboration，更不能让同学之间为了应对调查而统一说法。

　　学校真正关心的是实际发生了什么。如果多人提供明显一致、却无法与原始记录对应的陈述，反而可能增加疑问。

　　美国大学Academic Integrity调查会留下什么影响?

　　影响取决于学校政策、违规类型、案件结果以及处分等级。

　　可能涉及：

　　作业成绩调整;

　　Assignment 记零分;

　　课程成绩受到影响;

　　Academic warning;

　　Probation;

　　Suspension;

　　Expulsion。

　　对于国际学生而言，如果处分影响 enrollment status、继续注册或毕业时间，还需要进一步确认对 I-20、SEVIS 和后续签证安排的影响。

　　不能简单地认为“Academic Integrity只是一次作业扣分”。

　　但同样不能反过来认为“收到调查邮件就一定会被开除”。调查本身和最终认定是两个阶段，具体结果必须以学校正式程序为准。

　　如果对Academic Integrity结果不服，可以申诉吗?

　　很多美国大学都设置了 appeal 或 review 机制，但具体条件差异很大。

　　常见的申诉依据可能包括：

　　程序没有按照学校政策执行;

　　新证据出现;

　　对事实认定存在明显错误;

　　处分与学校规定不符;

　　特定程序性权利没有得到保障。

　　不要把 appeal 写成一篇单纯表达委屈的长文。

　　有效的 appeal 更需要回答三个问题：

　　学校认定了什么?哪一点存在问题?你有什么材料可以证明?

　　例如学校认为你与另一名学生共享代码，如果你有完整 Git history，可以围绕代码产生时间、修改过程和实际交流内容进行解释，比单纯写“我和他只是朋友”更有意义。

　　海马课堂能不能帮助处理美国大学Academic Integrity问题?

　　如果学生已经收到学校正式 Academic Integrity 通知，真正需要的是对学校规则、指控事实、证据链和回应材料进行梳理，而不是寻找一份“保证申诉成功”的模板。

　　海马课堂的留学生学业服务中包含美国高校学术问题相关支持，可以根据具体学校、课程和案件情况协助学生梳理材料、分析规则以及准备后续沟通。对于已经进入正式调查程序的学生，建议优先确认学校要求和截止时间，再决定是否需要外部专业支持。

　　需要特别说明的是，任何机构都不能保证 Academic Integrity 调查一定撤销或处分一定取消。最终决定权仍然属于学校及其正式的 academic integrity / student conduct 流程。

　　FAQ：美国大学Academic Integrity调查常见问题

　　Q：美国大学收到Academic Integrity邮件是不是已经被认定作弊?

　　A：不是。调查通知通常意味着学校认为存在需要进一步核实的情况，具体是否构成违规以及最终处分，需要按照学校规定完成调查或 hearing 后确定。

　　Q：Plagiarism和Unauthorized Collaboration有什么区别?

　　A：Plagiarism主要围绕内容来源、引用和原创性;Unauthorized Collaboration主要围绕学生之间是否进行了未经允许的合作。即使两个人最终提交的文字完全不同，如果课程要求 Individual Work，却存在超出允许范围的代码或答案共享，也可能涉及 Unauthorized Collaboration。

　　Q：使用ChatGPT一定属于Academic Misconduct吗?

　　A：不一定。关键是看具体课程的 syllabus 和 assignment instructions。有些课程允许 brainstorming 或语言修改，有些课程部分允许AI并要求 disclosure，也有课程完全禁止生成式AI。UT Austin公开的课程政策模板就区分了 permitted、partially permitted 和 prohibited 三种情况。

　　Q：AI检测显示80%就一定会被认定为AI作弊吗?

　　A：不能这样判断。AI detection 结果本身存在局限。George Washington University明确提醒，目前没有能够可靠检测AI生成文本的工具;UT Austin也对第三方AI检测软件的使用提出了合同、隐私和数据安全要求。

　　Q：收到Academic Integrity调查后，应该保存哪些证据?

　　A：建议保存原始草稿、Word或Google Docs版本历史、文献检索记录、代码提交记录、数据处理文件、聊天记录以及与教授或TA沟通的邮件。证据的价值在于能够还原作业形成过程，而不是单纯证明“自己很认真”。

　　Q：如果已经使用AI，但课程禁止使用，应该怎么办?

　　A：不要删除或伪造记录，也不要为了规避调查编造不存在的解释。先确认学校指控范围和课程政策，再如实梳理AI实际参与了哪些环节，并根据学校规定准备回应。若案件已经进入正式 hearing 或 conduct procedure，可以考虑寻求熟悉美国高校 Academic Integrity 流程的专业人士协助理解程序和整理材料。

　　结语：Academic Integrity调查最重要的是把事实讲清楚

　　美国大学处理 Academic Integrity 问题时，真正决定结果的通常不是一段情绪化解释，而是学校规则、具体事实和能够对应事实的证据。

　　Plagiarism看的是来源与引用，Unauthorized Collaboration看的是合作边界，AI违规看的是具体课程对AI的授权范围。三类问题不能混在一起处理。

　　收到调查邮件后，先确认 deadline 和指控内容，再保存原始材料，重新阅读 syllabus 和 assignment instructions，最后根据学校规定进行回应。尤其是 AI相关案件，不能简单用一个 detection percentage 判断事实，也不能把“使用过AI”和“违反AI政策”直接画等号。当前多所美国高校的公开政策都在强调具体课程规则、透明披露和人工核验，而不是依赖单一检测工具。