267 人被标记之后，这门课撤回了处罚

一门 599 人的 C 语言课，最后有 267 人被标记为「作业疑似 AI 生成」。通知邮件发出后，144 人申请退课。

更值得看的是后半段：这门课的老师公开复盘，承认流程有问题，并撤回了对早期作业的追溯处罚。

一、发生了什么

课程是普渡大学的 CS 240（C 语言程序设计），授课教师 Jeffrey A. Turkstra。复盘文章发布于 2026 年 9 月 25 日，讲的是 2026 年春季学期。

课程大纲明确禁止用 ChatGPT 等工具生成作业、测验或考试答案，这条规定在 1 月 12 日到 2 月 4 日之间的至少五节课上反复讲过。学期后段，教师团队发现大量作业疑似由模型生成。

检测工具是自研的，叫 Argus。它不做「训练一个模型来判断」，而是用静态分析找代码里「几乎没有合理解释」的痕迹。团队统计发现，这类痕迹在 2024 年之前几乎不存在，之后几年快速增长。Argus 只是起点，每个案例都至少有一人复核，只追究证据明确、无法解释的案例。原有的代码相似度工具 MOSS 继续用来查抄袭，两条线互不影响。

结果是：584 名被识别的学生里，267 人被标记，约 45.7%。4 月 16 日发出的通知，207 封发给在读学生，60 封发给已退课学生。117 人提交了回应表单，其中 108 人直接认责，9 人提出异议。

处罚没有按大纲走。原本可以判不及格，教师改成单项作业记零分，不扣课程字母等级。后来与院长和系主任讨论后，又做出一个更彻底的决定：撤销 Argus 对早期作业的追溯使用，此前被识别的案例作废；工具从这之后继续用；退课的学生可以重新选课。最终有 144 人退课，74 人重新选上。

文章还给了一组对照数据：被标记的学生，第一次期中考试平均低 10.75%，第二次低 14.5%。

二、跟你有什么关系

在教课的。 检测工具只能给线索，不能给判决。这门课真正的问题不是查得不准，而是把「疑似」当成了「已认定」，还赶在退课截止日前发通知。

在被查的。 自证清白这件事，流程设计得好不好差别很大。只让你勾选「哪些作业用了 AI」，等于逼你在信息不全的情况下认罪。

在做内部审计的。 静态特征会随时间漂移。2024 年前没有的痕迹，不代表 2026 年出现就有问题——新版本编译器、新库、新写法都可能带来同样的痕迹。

三、如果要在自己课上做检测

1. 先写清楚规则，再写清楚后果。 大纲里不能只有「禁止」，还要写明怎么查、查到之后怎么处理、能不能申诉。
2. 把工具的输出当线索。 每一条都要人工复核，并且能指出具体是哪几行、什么特征、为什么无法解释。
3. 逐项列出被质疑的作业。 不要让学生自己猜你查到了什么。Turkstra 自己反思，表单应该列出具体作业，而不是让人自报。
4. 留出对话时间。 能面谈就面谈。批量发邮件效率高，但误判的代价由学生承担。
5. 学期初部署，别赶截止日。 工具上线晚，通知又卡在退课节点，结果只能是大量退课和大量申诉。
6. 允许撤销。 发现流程有缺陷就撤回，而不是用「程序已经走了」来维护面子。

四、三个别信的说法

「静态分析能证明代码是 AI 写的。」 它只能说明这段代码有异常特征。异常可能来自模型，也可能来自教程、模板、新库，甚至来自学生突然换了写法。证据链必须由人补齐。

「认责比例高，说明没误判。」 108 人认责，不等于 267 人都有问题。在「可能被判不及格」的压力下，认责本身不能当作证据。

「查得越严，学术诚信越好。」 这门的处理方式是减轻处罚、撤销追溯、允许重新选课。真正起作用的是规则清楚、流程可申诉，而不是抓得多。

五、一句话结论

检测工具负责发现异常，制度负责判断对错；把这两件事混在一起，两边都会坏。

信息来源

• CS240 AI Cheating Retrospective，Jeffrey A. Turkstra，2026-09-25

功能与价格以官方公告为准。本文写于 2026 年 10 月 19 日。