The AI-Human Unethicality Gap: Plagiarizing AI-generated Content Is Seen As More Permissible
Notice bibliographique
Résumé
The emergence of generative AI has raised unprecedented concerns about plagiarism. We present six preregistered studies demonstrating that plagiarizing material created by AI is seen as less unethical and more permissible than plagiarizing material created by a human—an AI-human unethicality gap. Students report having plagiarized more from AI than human-generated content in the past (Study 1) and indicate greater willingness to do so in their school assignments, even when ease and convenience of accessing such content are held constant (Study 2). Moreover, people judge plagiarizing AI-generated content as less unethical and more permissible than plagiarizing human-generated content and are less likely to view it as plagiarism (Study 3). Rather than being due to differences in legal ownership (Study 4), the AI-human unethicality gap is explained by psychological ownership over the copied material (Studies 4 and 5). AI is perceived as owning the content it creates to a lesser extent than humans: when using content produced by AI (vs. humans), users are afforded greater psychological ownership over the content, reducing the perceived unethicality of passing off the content as their own. Differences in psychological ownership appear to stem from ascriptions of sentience to the content creator: imbuing AI with sentience attenuates differences in perceived ownership and in turn the AI-human unethicality gap (Study 6). These findings contribute to understanding the social effects of AI, attribution of psychological ownership, and navigating plagiarism in the age of AI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».