Kunstmatige intelligentie wordt een normaal onderdeel van het onderwijs. Studenten gebruiken generatieve AI om te brainstormen over onderzoeksvragen, moeilijke concepten te begrijpen, materiaal te vertalen, essays te plannen, aantekeningen samen te vatten en soms volledige opdrachten te maken. Tegelijkertijd proberen scholen en universiteiten regels vast te stellen die de academische integriteit behouden zonder te voorkomen dat studenten leren hoe ze een belangrijke moderne technologie moeten gebruiken.
Een van de nieuwste ontwikkelingen op dit gebied is het watermerken van AI-tekst. In tegenstelling tot een zichtbaar label dat boven een AI-antwoord is geplaatst, kan een tekstwatermerk worden ingebed in de manier waarop een AI-systeem woorden selecteert. Het resulterende schrijven kan er voor een lezer volkomen normaal uitzien, terwijl ze een statistisch signaal meevoeren dat gespecialiseerde technologie later kan identificeren.
Deze technologie wordt in 2026 bijzonder belangrijk omdat de transparantie-eisen van de Europese Unie voor AI-gegenereerde inhoud nu in de toepassing zijn. De Europese Commissie zegt dat artikel 50 transparantieverplichtingen van toepassing zijn vanaf 2 augustus 2026, inclusief vereisten voor aanbieders van generatieve AI-systemen om outputs zoals tekst, afbeeldingen, audio en video machineleesbaar en detecteerbaar te maken zoals kunstmatig gegenereerd of gemanipuleerd.
Voor studenten betekent de komst van watermerken echter niet dat elke interactie met een AI-tool automatisch een academisch-integriteitsprobleem zal creëren. Het onderscheid tussen het gebruik van AI om leren te ondersteunen en het indienen van door AI gegenereerd werk blijft essentieel.
Waarom wordt AI-tekstwatermerken belangrijk?
Jarenlang waren discussies over AI in het onderwijs sterk gericht op AI-detectoren. Een student diende een essay in, een detector schatte of de tekst eruitzag als AI-gegenereerd, en opvoeders moesten het resultaat interpreteren.
Watermerken benadert een gerelateerd probleem vanuit een andere richting. In plaats van te proberen te bepalen of tekst eruitziet als AI-schrijven op basis van taalkundige kenmerken, kan een watermerk worden ingesloten terwijl de AI de inhoud genereert. Dit creëert een herkomstsignaal dat is gekoppeld aan het opwekkingssysteem. Het onderscheid is belangrijk.
- Een conventionele AI-detector kan zich afvragen: “Lijkt deze tekst op inhoud die door een AI-model wordt geproduceerd?”
- Een watermerkdetector kan in plaats daarvan vragen: “Bevat deze tekst het statistische signaal dat is gekoppeld aan dit specifieke AI-systeem?”
Dit zijn geen identieke vragen.
Een watermerk kan mogelijk sterker bewijs leveren van de betrokkenheid van een model wanneer het relevante signaal aanwezig is. Maar het heeft ook beperkingen. Een ontbrekend watermerk bewijst niet automatisch dat tekst door een mens is geschreven, omdat een ander AI-systeem een andere watermerkmethode kan gebruiken – of helemaal geen watermerk.
Anthropic maakt deze beperking expliciet in de uitleg van Claude’s watermerk. Het systeem kan de waarschijnlijkheid inschatten dat Claude betrokken was bij het produceren van tekst, maar het kan niet aantonen dat de tekst door de mens is geschreven of bepalen of een ander AI-systeem het heeft gemaakt.
De EU vereist AI-providers die haar markt bedienen om door AI gegenereerde inhoud te markeren
De regelgevende achtergrond is een van de belangrijkste redenen waarom watermerken ineens zo’n prominent onderwerp zijn geworden. Op grond van artikel 50 van de EU AI-wet moeten aanbieders van generatieve AI-systemen ervoor zorgen dat de output inclusief tekst wordt gemarkeerd in een machineleesbaar formaat, zodat ze kunnen worden gedetecteerd als kunstmatig gegenereerd of gemanipuleerd. Deze transparantieverplichtingen gelden vanaf 2 augustus 2026. Het is de moeite waard om precies te zijn wat dit betekent.
De regel zegt niet alleen dat elke student in Europa een zichtbaar “AI-gegenereerd” label op elk huiswerk moet plakken. De door de Europese Commissie beschreven verplichting heeft in de eerste plaats betrekking op aanbieders van generatieve AI-systemen en de technische markering van gegenereerde outputs. Voor bepaalde mensen of organisaties die door AI gegenereerd materiaal inzetten, gelden ook afzonderlijke transparantieverplichtingen, waaronder specifieke door AI gegenereerde tekstpublicaties over zaken van algemeen belang. Dit onderscheid is belangrijk voor het onderwijs.
Een universiteitsstudent die een AI-assistent gebruikt voor toegestane brainstorming bevindt zich in een andere situatie dan een AI-provider die synthetische inhoud genereert voor distributie. Onderwijsinstellingen kunnen ook hun eigen regels vaststellen met betrekking tot openbaarmaking, auteurschap en toegestaan AI-gebruik.
Het transparantiekader van de EU vormt daarom een technologische basis voor het identificeren van door AI gegenereerd materiaal, terwijl individuele instellingen nog steeds een duidelijk academisch beleid nodig hebben.
Nieuwe AI-regels voor het academiejaar 2026-2027
Het academiejaar 2026-2027 komt op een belangrijk moment, omdat de AI-transparantievereisten van de EU nu van toepassing zijn.
Scholen en universiteiten kunnen op verschillende manieren reageren. Sommigen kunnen expliciete openbaarmakingsvereisten introduceren. Anderen kunnen het beoordelingsbeleid herzien, acceptabel AI-gebruik uitleggen of AI-geletterdheid opnemen in cursussen.
Studenten moeten daarom voorkomen dat er een enkele universele “AI-huiswerkregel” bestaat.
In plaats daarvan moeten ze controleren:
- het academische integriteitsbeleid van hun instelling;
- de specifieke instructies voor elke opdracht;
- of AI-gebruik is toegestaan;
- welke soorten AI-hulp zijn toegestaan;
- of AI-gebruik moet worden bekendgemaakt;
- of de cursus vereist dat studenten concepten of onderzoeksdossiers bewaren;
- of bepaalde beoordelingen moeten worden voltooid zonder AI-hulp.
Dit is vooral belangrijk omdat watermerken het institutionele beleid niet vervangt. Een tekst met een watermerk kan erop wijzen dat er een AI-model bij betrokken was, maar het geeft niet noodzakelijkerwijs aan of het gebruik was toegestaan. Omgekeerd bewijst een niet-watermerkdocument niet dat er geen AI is gebruikt.
Hoe AI-tekstwatermerken werkt
Om tekstwatermerken te begrijpen, helpt het om te begrijpen hoe grote taalmodellen reacties genereren. Een AI-model haalt niet zomaar een volledige zin uit een database. Het genereert progressief tekst, waarbij het volgende token wordt gekozen op basis van kansen die zijn berekend uit de voorgaande context. Op veel punten kunnen verschillende mogelijke woorden logisch zijn.
Bijvoorbeeld, na het schrijven: “Het weer was” Het model zou woorden als “koud”, “bewolkt”, “aangenaam” of “bewolkt” kunnen beschouwen, afhankelijk van de context. De watermerkmethode kan deze keuzes met een lage inzet op een gecontroleerde manier beïnvloeden.
De synthid-tekstdocumentatie van Google DeepMind legt uit dat de benadering tokenkansverdelingen tijdens het genereren aanpast om een onmerkbaar signaal in te sluiten. Het resulterende patroon kan later worden geëvalueerd om te bepalen of tekst het watermerk waarschijnlijk zal bevatten.
Dit is fundamenteel anders dan het invoegen van een voor de hand liggend symbool, speciaal teken of verborgen woord in een alinea. De lezer ziet gewoon schrijven. Het watermerk bestaat als een statistisch patroon in het woordselectieproces van het model.
Methode van watermerken: waarom woordkeuze ertoe doet
De basismethode van watermerken die in moderne tekstsystemen worden gebruikt, kan profiteren van situaties waarin meerdere woorden redelijk zijn. Stel dat twee woorden even geschikt zijn voor een zin. Zonder watermerken beslist het willekeurige selectiemechanisme van het model welke verschijnt. Met watermerken kan het systeem een geheime sleutel of deterministische bron van willekeur gebruiken om die keuze te maken volgens een bepaald patroon. Eén individueel woord onthult niets.
Het signaal komt voort uit een voldoende lange reeks keuzes. Dit betekent dat het watermerk niet per se AI-schrijven er vreemd uitziet. Anthropic zegt dat de methode de bron van willekeur die wordt gebruikt voor woordselectie verandert in plaats van Claude te dwingen ongebruikelijke woorden te selecteren.
Google beschrijft een soortgelijk principe voor synthid-tekst: Waarschijnlijkheidsscores worden aangepast tijdens het genereren van tokens, zodat een detecteerbaar patroon wordt gemaakt zonder het watermerk merkbaar te maken voor lezers.
Onzichtbare watermerken op AI-tekst door Claude
Anthropic kondigde in augustus 2026 aan dat toekomstige Claude-modellen tekst met watermerken zouden genereren als onderdeel van haar reactie op de EU AI-wet.
De eigen beschrijving van Anthropic benadrukt verschillende belangrijke kenmerken: het watermerk is bedoeld om onzichtbaar te zijn voor lezers, voegt geen verborgen karakters toe, vereist geen extra tokens en bevat geen identificerende informatie over een bepaalde gebruiker, organisatie of gesprek. Dit betekent dat onzichtbare watermerken op AI-tekst van Claude niet zijn als een zichtbare stempel of achtergrondafbeelding. Tussen de lijnen verschijnt niets duidelijks. In plaats daarvan bestaat het signaal in het patroon van keuzes gemaakt tijdens het genereren.
Anthropic zegt ook dat het watermerk is ontworpen om geen praktisch effect te hebben op de kwaliteit of inhoud van Claude’s output. De aankondiging citeert tests waarin menselijke beoordelaars geen kwaliteitsverschil tussen watermerken en niet-watermerkreacties identificeerden.
Hoe Claude’s tekstwatermerk werkt
De uitleg van hoe het tekstwatermerk van Claude werkt, is relatief eenvoudig. Claude genereert tekst één woord of token tegelijk. Wanneer er verschillende redelijke keuzes zijn, gebruikt het systeem normaal gesproken willekeur om te bepalen welke optie verschijnt. Met Watermarking gebruikt Antropic een sleutel en voorgaande woorden om de bron van die willekeur te bepalen. De resulterende reeks ziet er nog steeds natuurlijk uit.
Iemand met het juiste detectiemechanisme kan echter de volgorde onderzoeken en berekenen hoe consistent deze is met het watermerkproces. Anthropic beschrijft de implementatie ervan als een versie van de synthid-tekstbenadering die oorspronkelijk door Google DeepMind is ontwikkeld. Er zijn belangrijke beperkingen.
Korte passages bevatten minder woordkeuzebeslissingen en geven daarom minder informatie. Anthropic zegt dat de detectie van watermerken informatiever wordt naarmate de hoeveelheid tekst toeneemt. Het merkt ook op dat feitelijke passages minder mogelijkheden voor watermerken kunnen bevatten, omdat bepaalde feiten specifieke woorden vereisen, waardoor er weinig ruimte overblijft voor alternatieve keuzes.
Claude-gegenereerd schrijven zal een onzichtbaar watermerk dragen
Het praktische gevolg is dat Claude-gegenereerd schrijven een onzichtbaar watermerk zal dragen in ondersteunde modellen met watermerk. Maar deze verklaring heeft enige kwalificatie nodig. De aanwezigheid van een watermerk is het bewijs van waarschijnlijke betrokkenheid van Claude, geen bewijs dat elk woord volledig door Claude is gegenereerd.
Als een student bijvoorbeeld Claude een alinea geeft die ze zelf hebben geschreven en het systeem vraagt om een paar interpunctiefouten te corrigeren, is er misschien heel weinig nieuwe tekst voor het watermerk om aan te hechten. Anthropic zegt dat licht proeflezen van door mensen geschreven tekst mogelijk niet genoeg beslissingen met een watermerk oplevert voor betrouwbare detectie. Dit is vooral relevant voor studenten.
Studenten die AI gebruiken voor onderzoek of planning lopen met weinig risico op het watermerk
Studenten gebruiken vaak AI zonder het te vragen om hun eindopdracht te genereren. Ze kunnen een AI-assistent gebruiken om:
- brainstormen over onderzoeksvragen;
- een moeilijk concept begrijpen;
- Maak een voorlopige schets;
- Identificeer gebieden die verder onderzoek vereisen;
- Studienotities organiseren;
- Oefen het uitleggen van een onderwerp;
- vragen genereren voor revisie.
Als de student het onderzoek vervolgens zelfstandig uitvoert en de opdracht zelf schrijft, kan er in de uiteindelijke inzending weinig of geen door AI gegenereerde tekst staan. Bijgevolg mag de aanwezigheid van tekstwatermerken legitiem educatief gebruik van AI niet ontmoedigen. Het belangrijke onderscheid is tussen het gebruik van AI als leerondersteuning en het laten produceren van beoordeelbaar werk voor de student.
Dit is ook de reden waarom onderwijsinstellingen een duidelijk beleid moeten creëren in plaats van uitsluitend te vertrouwen op technische detectie.
AI-watermerken voor wetenschappelijke integriteit
De potentiële waarde van AI-watermerken voor academische doeleinden is eenvoudig: als een instelling een document ontvangt met een detecteerbaar watermerk van een bepaalde AI-provider, kan het een extra signaal hebben dat aangeeft dat het model erbij betrokken was. Dit zou het onderzoek meer evidence-based kunnen maken. Watermarking mag echter niet worden behandeld als een automatische cheat-detector.
Een watermerk kan aantonen dat Claude erbij betrokken was, maar het kan een instructeur niet vertellen:
- of AI-gebruik was toegestaan;
- Welk percentage van de opdracht is AI-gegenereerd;
- of de student de tekst substantieel bewerkte;
- of de AI werd gebruikt voor brainstormen of tekenen;
- of een andere persoon het originele materiaal heeft geleverd;
- of de regels van de opdracht werden overtreden.
Deze vragen vereisen context. Om die reden kan watermerken het best worden begrepen als een potentieel onderdeel van een breder academisch-integriteitsproces.
ai school essay vals spelen wordt blootgesteld door watermerken?
De headline ai school essay vals spelen door watermerken klinkt misschien dramatisch, maar de realiteit is genuanceerder. Watermerken kunnen bepaalde vormen van AI-gegenereerd schoolwerk gemakkelijker maken om te identificeren wanneer het relevante watermerk detecteerbaar is. Ze zullen echter niet automatisch elke AI-ondersteunde opdracht blootleggen.
Er zijn verschillende redenen.
- Ten eerste kunnen verschillende AI-systemen verschillende watermerktechnologieën gebruiken.
- Ten tweede zal niet elk stuk AI-geassisteerde tekst noodzakelijkerwijs voldoende signaal bevatten voor betrouwbare detectie.
- Ten derde kan een watermerk modelbetrokkenheid aangeven zonder vast te stellen of het gebruik van de student een bepaalde regel overtreedt.
- Ten vierde kunnen leerlingen legitiem AI gebruiken op een manier die hun school toestaat.
Voorbeeld: AI als planningstool
Stel je voor dat een student een geschiedenisessay voorbereidt. De leraar staat AI toe om te brainstormen, maar vereist dat het laatste essay onafhankelijk wordt onderzocht en geschreven. De student vraagt een AI-assistent om mogelijke onderzoeksvragen, kiest er een, leest primaire en secundaire bronnen, ontwikkelt een argument en schrijft het essay onafhankelijk.
De planningsinteractie betekent niet dat het uiteindelijke essay als AI-geschreven moet worden beschouwd. Als de definitieve inzending geen substantieel AI-gegenereerd proza bevat, is er mogelijk weinig relevant watermerksignaal in de ingediende tekst. De educatieve vraag is daarom niet alleen “heeft deze student ooit AI gebruikt?” Maar “Hoe werd AI gebruikt bij het voltooien van de beoordeelde taak?”
doe chatgpt, claude & Gemini watermerktekst in 2026?
De vraag DO chatgpt, Claude & Gemini watermerktekst 2026? Heeft niet één eenvoudig ja-of-nee-antwoord omdat providers op verschillende tijdstippen verschillende herkomsttechnologieën implementeren.
claude
Anthropic heeft publiekelijk tekstwatermerken aangekondigd voor Claude. Het systeem is gebaseerd op een versie van synthid-tekst en is bedoeld om een onzichtbaar statistisch signaal te creëren in gegenereerde tekst.
Tweelingen
Google heeft al synthid-tekst geïmplementeerd voor tekst die is gegenereerd via de Gemini-app en webervaring. Google legt uit dat het watermerk tijdens het genereren is ingebed door het wijzigen van de tokenkansen en onmerkbaar is voor lezers.
chatgpt
De situatie met ChatGPT is anders. De momenteel gedocumenteerde herkomsttools van OpenAI richten zich op ondersteunde afbeeldingen en audio, met behulp van technologieën zoals C2PA en Synthid. De openbare verificatietool ondersteunt momenteel beeld- en audiobestanden in plaats van een openbaar gedocumenteerde ChatGPT-tekst-watermerkdetector te bieden.
Dit kan veranderen als aanbieders reageren op de transparantievereisten van de EU, dus studenten en docenten moeten de huidige documentatie van leveranciers controleren in plaats van te vertrouwen op oudere claims.
AI-watermerkdetector versus traditionele AI-detector
Een AI-watermerkdetector en een conventionele AI-detector zijn niet noodzakelijk hetzelfde. Een watermerkdetector zoekt naar een bepaald signaal dat is gekoppeld aan een watermerkschema. Een traditionele AI-detector kan in plaats daarvan taalkundige of statistische kenmerken analyseren en inschatten of tekst lijkt op door AI gegenereerde inhoud. Het onderscheid is van belang omdat detectie van watermerken providerspecifiek kan zijn.
Bijvoorbeeld, Een detector die is ontworpen om een Claude-watermerk te identificeren, heeft de juiste methode of sleutel nodig die is gekoppeld aan Claude’s watermerksysteem. Het kan niet automatisch elk door AI gegenereerd document identificeren.
Anthropic benadrukt ook dat het watermerk de individuele gebruiker of conversatie niet identificeert. Het is ontworpen om de waarschijnlijkheid te bepalen dat Claude betrokken was bij het produceren van de tekst.
Hoe zit het met een AI-watermerkverwijderaar?
Zoekopdrachten naar een AI-watermerkverwijderaar komen waarschijnlijk vaker voor als zich verspreidt over watermerken. Gebruikers moeten echter begrijpen dat watermerken en gewone tekstbewerking verschillende technische problemen zijn. Een watermerk is ontworpen om te bestaan als een statistisch patroon in plaats van als een zichtbaar karakter dat eenvoudig kan worden verwijderd. Bijgevolg is er mogelijk geen duidelijk “watermerkkarakter” om te vinden en te verwijderen. Wat nog belangrijker is, is dat pogingen om opzettelijk herkomstsignalen te verwijderen of te omzeilen, in strijd kunnen zijn met institutioneel beleid of transparantievereisten.
Voor het onderwijs is de betere aanpak om niet te zoeken naar manieren om een watermerk te zoeken. Studenten moeten de regels van hun school volgen en indien nodig AI-hulp bekendmaken. Een student die het werk onafhankelijk heeft geschreven, moet in plaats daarvan bewijs van auteurschap bewaren, zoals concepten, aantekeningen, onderzoeksmateriaal en revisiegeschiedenis.
ChatGPT Watermerkdetector en ChatGPT Watermark Remover
Soortgelijke vragen rijzen rond een ChatGPT-watermerkdetector en ChatGPT-watermerkverwijderaar. Op dit moment zijn OpenAI’s openbaar gedocumenteerde herkomstverificatietools gericht op ondersteunde afbeeldingen en audio in plaats van op een openbaar gedocumenteerd watermerksysteem voor gewone ChatGPT-tekst. Dit betekent dat gebruikers voorzichtig moeten zijn met websites die beweren dat ze een verborgen ChatGPT-tekstwatermerk definitief kunnen detecteren of verwijderen.
Een conventionele AI-detector kan een kans verschaffen dat tekst lijkt op door AI gegenereerde inhoud, maar dat is niet hetzelfde als het detecteren van een openAI-specifiek watermerk. Evenzo moet een tool die beweert een ChatGPT-watermerk uit tekst te “verwijderen”, niet automatisch worden aangenomen dat hij toegang heeft tot een officieel OpenAI-herkomstmechanisme.
Zal watermerken AI-detectoren vervangen?
Waarschijnlijk niet. Watermerken en AI-detectie lossen gerelateerde maar verschillende problemen op. Watermerken kan herkomst bieden wanneer de inhoud werd gegenereerd door een deelnemend model en het watermerk detecteerbaar blijft. AI-detectie kan proberen tekst te beoordelen, zelfs als er geen watermerk bestaat. De twee technologieën kunnen dus elkaar aanvullen.
Google beschrijft Synthid expliciet als één bouwsteen in plaats van een complete oplossing voor het identificeren van alle door AI gegenereerde inhoud. Dit onderscheid zal tijdens het onderwijs belangrijk blijven.
Als een leerling tekst indient die is gegenereerd door een model dat een detecteerbaar watermerk gebruikt, kan een watermerkanalyse nuttig bewijs leveren. Als de student een ander systeem gebruikt zonder dezelfde watermerktechnologie, vindt een watermerkdetector misschien niets. Een negatief resultaat bewijst daarom geen menselijk auteurschap.
Wat betekent dit voor docenten?
Voor onderwijzers zou watermerken sommige AI-gerelateerde onderzoeken gemakkelijker kunnen maken, maar het mag geen goed beoordelingsontwerp vervangen. Leraren kunnen onzekerheid verminderen door opdrachten te ontwerpen die het leerproces vastleggen.
Bijvoorbeeld kan een beoordeling zijn:
- een onderzoeksvraagvoorstel;
- bronselectie;
- een schets;
- een concept;
- een reflectie;
- een korte mondelinge uitleg;
- de definitieve inzending.
Dit geeft docenten meerdere vormen van bewijs over hoe de student het werk heeft ontwikkeld. Het creëert ook een betere leerervaring. Studenten leren dat academisch werk niet alleen een gepolijst document is dat aan het einde wordt ingediend. Het onderzoek, de redenering, revisie en reflectie maken allemaal deel uit van het leerproces.
Wat betekent dit voor studenten?
Studenten moeten watermerken niet zien als een reden om AI helemaal te vermijden. In plaats daarvan moeten ze de regels van hun instelling begrijpen en AI transparant gebruiken.
- Als AI is toegestaan om te brainstormen, gebruik het dan voor brainstormen.
- Als AI is toegestaan voor proeflezen, blijf dan binnen die grens.
- Als een opdracht onafhankelijk schrijven vereist, vraag AI dan niet om de inzending te genereren.
En wanneer openbaarmaking vereist is, maak het dan bekend. De komst van onzichtbare watermerken maakt het gebruik van verantwoord AI belangrijker – niet omdat elke AI-interactie bedrog is, maar omdat de technologie in sommige omstandigheden gemakkelijker te traceren wordt.
De toekomst van AI-watermerken in het onderwijs
Het academiejaar 2026-2027 kan een belangrijke overgangsperiode worden. De EU heeft machineleesbare markeringsvereisten vastgesteld voor aanbieders van generatieve AI-systemen, terwijl bedrijven zoals Google en Antropic Text Watermarking-technologieën implementeren. De technologie zal waarschijnlijk blijven evolueren.
Toekomstige systemen kunnen combineren:
- tekstwatermerken;
- beeld- en audioherkomst;
- Metadata;
- inhoudsreferenties;
- AI-detectie;
- institutionele openbaarmakingssystemen;
- Evaluatie-procesbewijs.
Geen enkele technologie zal waarschijnlijk elk academisch-integriteitsprobleem oplossen. In plaats daarvan zal de toekomst waarschijnlijk verschillende lagen bewijs bevatten. Watermerken verandert het gesprek over door AI gegenereerde tekst.
Jarenlang was de centrale vraag of een detector AI-schrift kon identificeren aan de hand van zijn taalkundige kenmerken. Steeds meer is de vraag of AI-systemen hun eigen machineleesbare herkomstsignalen kunnen maken op het moment dat inhoud wordt gegenereerd.
Claude is nu een belangrijk voorbeeld. Anthropic zegt dat het tekstwatermerk onzichtbaar is, geen verborgen tekens toevoegt en een statistisch patroon gebruikt dat is gemaakt door het woordselectieproces van het model. Google heeft al een soortgelijk algemeen concept geïmplementeerd via synthid-tekst in Gemini.
Voor het onderwijs moet technologie echter ondergeschikt blijven aan duidelijke regels en echt leren. Studenten die AI gebruiken voor onderzoeksplanning, brainstormen of andere expliciet toegestane activiteiten, moeten er niet van uitgaan dat watermerken hen automatisch schuldig maakt aan valsspelen. Het gaat erom hoe AI wordt gebruikt in relatie tot de beoordelingsvereisten.
Tegelijkertijd moeten studenten die AI-gegenereerd werk indienen waar AI verboden is, begrijpen dat nieuwe herkomsttechnologieën sommige vormen van niet-openbaar gemaakt AI-gebruik gemakkelijker kunnen onderzoeken. De meest duurzame benadering is daarom eenvoudig: gebruik AI binnen de regels, begrijp wat de technologie wel en niet kan onthullen, en behoud het bewijs van je eigen leer- en schrijfproces.
Watermerken kunnen helpen om te beantwoorden of er een AI-systeem bij betrokken was. Ze kunnen op zichzelf de veel belangrijkere educatieve vraag niet beantwoorden: heeft de student daadwerkelijk geleerd?