Штучний інтелект у наукових дослідженнях: особистий науковий внесок, академічна доброчесність і відповідальність

Берназюк Ян Олександрович,

доктор юридичних наук, професор,

заслужений юрист України

суддя Верховного Суду

ORCID: 0000-0002-2353-4836

bernaziuk1979@gmail.com

Анотація

У статті досліджено вплив систем штучного інтелекту на підготовку наукових праць

та обґрунтовано необхідність перегляду правових і методологічних критеріїв

авторства та академічної доброчесності. Встановлено, що штучний інтелект істотно

скорочує тривалість пошуку і систематизації джерел, побудови структури, мовного

опрацювання та оформлення посилань, однак одночасно дає змогу непомітно

делегувати формування аргументації, оцінювання джерел і формулювання

висновків. Обґрунтовано асиметрію між можливістю виявляти поширення

допомоги штучного інтелекту на рівні великих масивів публікацій та ненадійністю

встановлення такого факту щодо окремої наукової роботи. Тому результат

автоматизованого розпізнавання не може бути самостійною або визначальною

підставою для встановлення порушення академічної доброчесності.

Запропоновано розмежовувати технічну допомогу, змістовне сприяння та заміну

особистого наукового судження за предметом переданого завдання, його впливом

на наукову новизну, перевірюваністю результату та здатністю автора особисто

обґрунтувати висновки. Розкрито поняття простежуваності наукового пізнання як

можливості відтворити зв’язок між дослідницьким питанням, джерелами, способом

їх оцінювання, аргументацією та висновком. Запропоновано доктринальне поняття

штучного наукового авторства для позначення створення неправдивого уявлення

про особистий інтелектуальний внесок автора за прихованого передання штучному

інтелекту істотних дослідницьких функцій. Таке приховане делегування може

свідчити про недоброчесне використання згенерованих результатів навіть за

відсутності плагіату в його класичному розумінні.

Запропоновано удосконалити Закон України «Про академічну доброчесність»

шляхом переходу від загальної вимоги повідомляти про використання штучного

інтелекту до обов’язку зазначати конкретні делеговані завдання на кожній стадії

дослідження. Для закладів освіти, наукових установ і наукових журналів

запропоновано запровадити ризик-орієнтовану модель: дозволена технічна

допомога; допустиме за умови розкриття та посиленого фахового людського

контролю змістовне сприяння; недопустима заміна особистого наукового

судження. Визначено, що остаточна відповідальність за достовірність,

оригінальність і обґрунтованість результату не може бути передана системі

штучного інтелекту.

Ключові слова: штучний інтелект, наукове дослідження, академічна доброчесність,

плагіат, авторство, штучне наукове авторство, особистий інтелектуальний внесок,

простежуваність наукового пізнання, відповідальність, фаховий людський

контроль.

Постановка проблеми

Поширення систем штучного інтелекту змінило не лише технічні способи підготовки

наукової праці, а й співвідношення часу та інтелектуальних зусиль, необхідних для

виконання окремих дослідницьких операцій. Пошук літератури, первинне

групування джерел, створення плану, порівняння підходів, мовне редагування,

оформлення бібліографії та підготовка стислого викладу, які раніше потребували

значних витрат часу, за допомогою сучасних систем можуть виконуватися істотно

швидше. За таких умов у діяльності дослідника зростає значення постановки

завдання, добору матеріалів, перевірки, порівняння та оцінювання одержаного

результату. У попередній праці автора та підготовленому за його участю

колективному Коментарі до Кодексу суддівської етики ця зміна характеризувалася

як допустиме розширення професійних можливостей за умови, що технологія

залишається допоміжною, а остаточне судження і відповідальність належать

людині [1; 2].

Водночас ця перевага створює новий ризик. Система здатна не тільки виправити

мову, а й сформулювати проблему, підібрати аргументи, надати оцінку джерелам,

побудувати висновки та створити формально завершений науковий текст.

Унаслідок цього готовий рукопис дедалі менше свідчить про те, яку частину

інтелектуальної роботи особисто виконав зазначений автор. Виникає розрив між

формальним авторством тексту і фактичним авторством наукового результату.

Найвиразніше ця проблема постає в загальнотеоретичних правничих дослідженнях,

у яких основним результатом є систематизація доктрини, тлумачення нормативних

актів та формулювання узагальнювальних висновків. Якщо ці операції може швидко

виконати система штучного інтелекту, самостійне виконання всього обсягу

допоміжних дослідницьких операцій стає для окремого науковця дедалі менш

раціональним з огляду на істотну різницю у витратах часу та інтелектуальних

зусиль. Водночас раціональне для окремого науковця використання таких

можливостей може спричиняти несприятливі колективні наслідки, зокрема

звуження тематичного різноманіття та послаблення безпосередньої

інтелектуальної взаємодії між дослідниками [18].

Законодавче регулювання в Україні поки що переважно реагує на зовнішній

результат: наявність текстового збігу, недостовірного посилання, нерозкритого

використання системи або формального порушення видавничої політики. Однак

головний ризик виникає раніше, а саме, у процесі підготовки наукового

дослідження. Відповідно предметом правової оцінки має бути як остаточний текст,

так і розподіл дослідницьких функцій між людиною та штучним інтелектом.

Аналіз останніх досліджень і публікацій

Окремі аспекти відповідального використання штучного інтелекту раніше

досліджувалися автором у правовому та науково-практичному вимірах. У статті про

забезпечення єдності судової практики обґрунтовано допоміжний характер

технології та необхідність збереження за людиною професійного судження [1].

Подібні положення про допоміжне використання штучного інтелекту за умови

збереження остаточного рішення за людиною автор обґрунтовував у співавторстві

також у працях 2022 року [37; 38]. У підготовленому за участю автора Коментарі до

Кодексу суддівської етики розкрито ризики автоматизаційного упередження,

навіяного рішення та втрати внутрішнього переконання [2, с. 184–193]. У

презентаціях автора сформульовано вимоги перевірки результатів штучного

інтелекту, критерії оцінювання його спроможностей, механізм розкриття

делегованих завдань GAIDeT, правила конфіденційності та засади підготовки

фахівців до відповідального використання відповідних систем [3–7].

Цінною для цього дослідження є, зокрема, праця О. М. Іваній, у якій обґрунтовано

потребу вдосконалення законодавства про наукову діяльність, запровадження

етичних комітетів і визначення правового режиму результатів, створених із

застосуванням штучного інтелекту [8, с. 280–286]. Рекомендації для закладів вищої

освіти, розроблені Міністерством цифрової трансформації та Міністерством освіти і

науки, розмежовують прийнятні способи допомоги, ризики для академічної

доброчесності, захисту даних та інформаційної безпеки [9].

Рекомендації з відповідального використання штучного інтелекту для правників, у

розробленні яких брав участь автор, конкретизують принцип фахового людського

контролю, обов’язок перевірки першоджерел, неприпустимість покладення на

систему остаточної правової оцінки та особисту відповідальність користувача за

результат професійної діяльності [10]. Відповідні положення можуть бути адаптовані

до наукової діяльності, оскільки в обох сферах достовірність висновку залежить не

від зовнішньої переконливості тексту, а від можливості перевірити джерела, логіку

та особисте судження автора.

Міжнародні дослідження останніх років створили важливе емпіричне підґрунтя.

Аналіз лексичних змін у біомедичних публікаціях дає змогу оцінювати поширення

штучного інтелекту на рівні великих масивів текстів, але не встановлювати

походження конкретної статті [11]. Дослідження Y. He та Y. Bu виявило істотний

розрив між поширенням використання штучного інтелекту в академічному письмі

та його публічним розкриттям у наукових працях [12]. Водночас Y. Wang застерігає,

що одночасне існування редакційної політики та зростання використання штучного

інтелекту саме собою не доводить причинної неефективності конкретного правила

[30]. У відповіді Y. He та Y. Bu уточнюють, що їхній показник призначений для

оцінювання поширеності явища у значних сукупностях публікацій, а не для

встановлення походження конкретного рукопису [31].

Дослідження A. R. Pratama засвідчило не лише значну частку хибних позначень

людських анотацій, а й нерівномірний вплив відповідних засобів на англомовних і

неангломовних авторів [14]. Це ставить під сумнів допустимість використання

кількісних показників як достатнього доказу порушення з боку авторів. Натомість

GAIDeT (Generative AI Delegation Taxonomy — таксономія делегування завдань

генеративному штучному інтелекту) пропонує описувати не конкретну програму або

загальний відсоток використання штучного інтелекту, а дослідницькі функції,

делеговані системі на кожній стадії роботи [15].

Мета статті — визначити правові та методологічні критерії допустимого

використання штучного інтелекту в науковому дослідженні, відмежувати допомогу

від заміни особистого інтелектуального внеску та запропонувати зміни до

законодавства і внутрішніх політик наукових установ і видавців.

Наукова новизна дослідження полягає у розмежуванні статистичної можливості

оцінювати поширеність використання штучного інтелекту в сукупності наукових

публікацій та можливості доказово встановлювати таке використання щодо

конкретного твору; обґрунтуванні простежуваності наукового пізнання як основного

критерію підтвердження особистого наукового внеску автора; формулюванні

доктринального поняття штучного наукового авторства; адаптації ризик-

орієнтованої трирівневої моделі до законодавства України про академічну

доброчесність із застосуванням суворішого критерію віднесення добору,

порівняння та оцінювання джерел до змістовного сприяння; підготовці пропозицій

щодо конкретизації обов’язку розкривати способи використання штучного інтелекту

в науковому дослідженні.

Виклад основного матеріалу

1. Зміна змісту наукової праці

Використання штучного інтелекту як допоміжного інструменту не зменшує наукової

цінності результатів дослідження. Правові довідкові системи, електронні каталоги

та автоматизований пошук давно полегшують технічну роботу науковця. Відмінність

сучасних систем полягає в тому, що вони здатні виконувати операції, які зовні

нагадують наукове міркування: визначати зв’язки між джерелами, пропонувати

класифікацію, формулювати заперечення та синтезувати висновок.

Тому межу допустимого не можна визначити переліком дозволених систем

штучного інтелекту. Оцінювати потрібно предмет делегованого завдання та його

вплив на науковий результат. Наприклад, у видавничій політиці Springer Nature

застосовано саме ризик-орієнтований підхід: низькоризикове використання

підтримує виклад, упорядкування чи ефективність без впливу на наукове судження;

істотніше застосування потребує прозорості та людського контролю;

відповідальність за науковий зміст не може бути передана системі [16].

На відміну від цієї видавничої моделі, яка відносить порівняння методологічних

підходів до низького рівня ризику, у запропонованій моделі добір, порівняння та

оцінювання джерел належать до змістовного сприяння, оскільки, особливо в

загальнотеоретичному правничому дослідженні, добір і систематизація доктрини

самі можуть визначати напрям аргументації та становити істотну частину наукового

результату.

До технічної допомоги доцільно віднести виправлення мови, уніфікацію

оформлення, перетворення формату, транскрибування, створення бібліографічного

опису на підставі перевірених реквізитів, пошук фрагмента у наданому автором

масиві.

Змістовне сприяння охоплює пропозиції щодо структури, порівняння підходів, пошук

заперечень, стислий виклад джерел, попередню класифікацію матеріалу. Воно може

бути допустимим, але потребує розкриття, перевірки першоджерел і

документування. Ризик зростає, тому що штучний інтелект може визначати, які

відомості вважати важливими, а які відкинути.

Недопустимою заміною особистого судження є передання штучному інтелекту

формулювання наукової проблеми, основної гіпотези, нормативної оцінки,

висновків з подальшим представленням їх як результату власного дослідження.

2. Обмежене доказове значення засобів виявлення тексту, створеного з

використанням штучного інтелекту

Поширене у фаховій дискусії твердження про неможливість надійно виявити текст,

створений із використанням штучного інтелекту, потребує уточнення. Необхідно

розрізняти два рівні встановлення використання штучного інтелекту. На рівні

значної сукупності публікацій статистичні відхилення у лексиці можуть свідчити про

зміну практик академічного письма. На рівні окремого дослідження ті самі

показники не забезпечують достатньої індивідуалізації, не дають змоги достовірно

розмежувати мовне редагування та формування змісту і тому не можуть самостійно

підтверджувати порушення академічної доброчесності [11; 12; 14].

Дослідження D. Kobak та співавторів оцінило нижню межу машинного опрацювання

анотацій біомедичних публікацій 2024 року у 13,5 %, а в окремих сукупностях

анотацій — до 40 % [11]. Однак цей метод не встановлює, хто створив конкретний

рукопис, і не розрізняє мовне редагування та генерування наукового змісту.

На індивідуальному рівні засіб розпізнавання оцінює мовні ознаки тексту, але не

встановлює самого факту використання штучного інтелекту. Найточніший із

досліджених засобів — GPTZero, який у розмежуванні суто людських і суто

машинних анотацій досяг точності 97,22 %, — виявився водночас найбільш

упередженим щодо змішаного способу підготовки тексту. Людські анотації, мовно

опрацьовані за допомогою моделі, він позначав як повністю машинні у 25 %

випадків щодо неангломовних авторів порівняно з 11,11 % щодо англомовних. Крім

того, хоча б один із трьох засобів помилково позначив як машинні 44,44 % первинних

людських анотацій [14]. Тобто висока точність у розмежуванні суто людських і суто

створених за допомогою штучного інтелекту текстів не гарантує справедливості

оцінювання текстів змішаного походження. Для українських науковців це має

безпосереднє значення через додатковий ризик необґрунтованої підозри під час

публікації іноземною мовою.

Отже, існує асиметрія рівнів доказування: поширеність явища можна обґрунтовано

оцінювати щодо сукупності публікацій, тоді як висновок щодо конкретного автора

характеризується значно вищим рівнем невизначеності. Статистичний висновок

про групу не може автоматично перетворюватися на юридичний висновок щодо

конкретної особи.

Із принципів справедливої процедури випливає, що результат автоматизованого

розпізнавання може бути приводом для додаткової перевірки та допоміжним

доказом у сукупності з іншими матеріалами, але не самостійною або визначальною

підставою для встановлення порушення. Особі мають бути повідомлені метод,

версія засобу, поріг оцінки, відомий рівень помилок і матеріали, на яких ґрунтується

висновок; вона повинна мати можливість надати чернетки, записи, історію

редагування, джерела та пояснення [21]. Рішення про притягнення до академічної

відповідальності не може ґрунтуватися на числовому показнику автоматизованої

системи, методику формування та доказове значення якого орган, що проводить

перевірку, не здатний належно пояснити.

Загальний процесуальний підхід, покладений в основу такого висновку,

узгоджується також із правовими позиціями Верховного Суду, відповідно до яких

процедура перевірки академічної доброчесності має забезпечувати право автора на

захист, прозорість процедури, належне дослідження доказів та обґрунтованість

висновку про порушення. Встановлення наявності академічного плагіату належить

до повноважень НАЗЯВО, тоді як суд перевіряє законність і обґрунтованість рішення

цього органу, не підміняючи його спеціальну оцінку [21, пункти 79, 89, 99–101].

3. Недостатність загальних заборон і формального повідомлення

Заборона використання штучного інтелекту здається простою, однак вона погано

узгоджується з поширеністю технології та неможливістю надійного індивідуального

контролю. Вона також не відрізняє суспільно корисне усунення технічної роботи від

прихованої заміни автора.

Дослідження Y. He та Y. Bu охопило політики 5114 журналів і понад 5,2 млн

публікацій. Серед 75 172 повнотекстових праць, опублікованих після 2023 року, лише

76 містили повідомлення про використання штучного інтелекту; у першому кварталі

2025 року співвідношення оцінених ознак використання до формального розкриття

становило приблизно 40:1, причому в межах застосованої методики не виявлено

статистично значущої різниці в темпах зростання між журналами, які мали

відповідні правила, і журналами без таких правил [12].

Водночас структура досліджених політик показує, що проблема полягає не стільки

в неефективності заборон: станом на січень 2025 року лише 27 журналів

застосовували сувору заборону, тоді як 3556 вимагали розкриття використання

штучного інтелекту, причому 96,8 % журналів із такими політиками дозволяли його

використання для написання та редагування [12; 30]. Тому наведені дані насамперед

свідчать про розрив між формальними вимогами прозорості та їх спостережуваним

результатом, але не доводять причинної неефективності кожної конкретної

редакційної політики й не дають змоги розрізнити мовне опрацювання та

формування змісту [30; 31].

Чітке визначення допустимої технічної допомоги зменшує стимули до приховування

її використання. Натомість змістовне сприяння має розкриватися за стадіями,

зокрема: постановка питання; пошук і добір джерел; робота з даними; аналіз;

створення структури; написання; перевірка; переклад та оформлення. Таксономія

GAIDeT забезпечує саме такий опис і дозволяє зіставити задеклароване

використання з реальним особистим внеском [15].

4. Ризик послаблення наукової спроможності

У правовому дослідженні доцільніше говорити про послаблення дослідницьких

навичок: здатності самостійно ставити питання, послідовно вибудовувати складну

аргументацію, працювати з суперечливими джерелами, виявляти помилку і

формулювати власну позицію. Таке послаблення не є неминучим наслідком

технології; воно виникає за систематичного заміщення діяльності, через яку

відповідна навичка формується.

У документі Antiqua et Nova наголошено, що людський розум належить особі в її

цілісності, тоді як штучний інтелект має функціональне значення і ґрунтується на

відтворенні окремих операцій. Небезпека виникає тоді, коли засіб замінює досвід,

міркування та формування навичок; освіта і наука повинні сприяти розвитку особи,

а не лише швидкому одержанню зовні правильного результату [17].

Подібний ризик у професійній діяльності автор раніше розглядав через явища

автоматизаційного упередження та навіяного рішення: зовні переконливий

результат, сформований автоматизованою системою, здатний непомітно

звужувати самостійність професійного судження [13]. У науковій діяльності

наслідком такого впливу може бути, наприклад, поступове послаблення здатності

самостійно формулювати гіпотезу, встановлювати причинні зв’язки, виявляти

суперечності та перевіряти обґрунтованість власного висновку.

Масштабний аналіз 41,3 млн наукових статей у природничих науках виявив

різноспрямовані результати: використання засобів штучного інтелекту

пов’язувалося зі зростанням індивідуальної продуктивності, цитованості та

швидшим професійним просуванням, але водночас — зі скороченням колективного

обсягу досліджуваних тем на 4,63 % і зменшенням взаємодії між науковцями на 22

% [18]. Ці дані вказують на можливу розбіжність між індивідуальними перевагами

дослідника та колективними інтересами науки, хоча їх пряме перенесення на

правничі дослідження потребує обережності.

Доцільно змінити критерії оцінювання: менше заохочувати кількість публікацій і

більше — відтворюваність, відкритість матеріалів, оригінальність питання, якість

аргументації, суспільну корисність та внесок у наукову дискусію.

Особливої уваги потребують загальнотеоретичні праці. Кількісні критерії

оцінювання заохочують швидке відтворення вже відомих положень. Натомість

наукова цінність має визначатися не обсягом написаного, а новим знанням, яке

автор здатний обґрунтувати. Якщо рукопис не містить перевірюваного нового

внеску, висока мовна якість, незалежно від способу її досягнення, не перетворює

його на повноцінне дослідження.

5. Плагіат та штучне наукове авторство

Класичне поняття плагіату зосереджене на оприлюдненні чужого твору або його

частини під іменем особи, яка не є автором. Воно залишається необхідним, зокрема

коли система майже дослівно відтворює охоронювані фрагменти. У попередніх

працях автора плагіат розглядався у класичній площині — як неправомірне

привласнення або використання чужого інтелектуального результату без

належного зазначення первісного автора; також досліджувалися масштаби його

поширення, засоби запобігання та негативний вплив на розвиток науки й

інтелектуальний потенціал суспільства [19; 20, с. 39–48; 39, с. 17–20].

Стаття 29 Закону України «Про академічну доброчесність» виокремлює

недоброчесне використання результатів, згенерованих штучним інтелектом, у

самостійний вид порушення, не зводячи його до плагіату. Однак ця норма

зосереджена на оприлюдненні згенерованого результату як результату власної

академічної діяльності, якщо факт генерування не зазначено [23].

Вимогу самостійного виконання дисертації на здобуття ступеня доктора наук

закріплено частиною п’ятою статті 28¹ Закону України «Про наукову і науково-

технічну діяльність», а частина шоста статті 6 Закону України «Про вищу освіту»

встановлює вимогу самостійного виконання дисертації здобувачем ступеня

доктора філософії та визначає наслідки виявлення в ній академічного плагіату,

фабрикації чи фальсифікації [24; 25].

Водночас ці положення прямо не визначають меж допустимого передання системі

штучного інтелекту окремих дослідницьких операцій.

Цю прогалину не усувають і суміжні види порушень, передбачені Законом.

Відчуження авторства за статтею 23 та приписування авторства за статтею 25

передбачають участь іншої особи як фактичного або зазначеного автора, тоді як

система штучного інтелекту такою особою не є. Недозволена допомога за статтею

32 пов’язана з умовами навчального чи конкурсного завдання та можливим

викривленням оцінювання, тому не охоплює всіх випадків прихованого передання

системі істотних дослідницьких функцій під час створення наукової праці [23].

Поза безпосередньою сферою дії статті 29 Закону України «Про академічну

доброчесність» залишаються дві ситуації: передання системі дослідницьких

операцій, які не завершуються включенням до твору окремого згенерованого

об’єкта, зокрема добору й оцінювання джерел або побудови аргументації; а також

формально розкрите використання, за якого автор не перевірив результат і не

здатний його обґрунтувати.

Для доктринального опису таких ситуацій пропонується поняття штучного

наукового авторства — створення особою неправдивого уявлення про належність

їй істотного особистого інтелектуального внеску шляхом подання як власних

наукових положень, аргументації або висновків, сформованих системою штучного

інтелекту без належного розкриття та самостійної перевірки автором такого

результату. Йдеться не про визнання системи штучного інтелекту автором, а про

створення хибного уявлення щодо особистого наукового внеску людини. До

законодавчого закріплення це поняття не слід розглядати як окремий склад

правопорушення; воно може використовуватися як доктринальний критерій

оцінювання поведінки автора та обсягу його фактичного інтелектуального внеску.

Ця категорія не охоплює будь-яку допомогу з боку штучного інтелекту. Ознаки

штучного наукового авторства можуть встановлюватися лише за сукупністю

обставин, зокрема якщо системі передано істотне дослідницьке завдання;

одержаний результат вплинув на наукову новизну, основну аргументацію або

висновки; використання системи не розкрито, розкрито неповно чи лише

формально; автор не здійснив належної перевірки або не здатний самостійно

обґрунтувати відповідний результат, унаслідок чого створюється неправдиве

уявлення про його особистий науковий внесок.

Стаття 33 Закону України «Про авторське право і суміжні права» встановлює право

особливого роду на неоригінальні об’єкти, згенеровані комп’ютерною програмою

без безпосередньої участі фізичної особи [22]. Ця норма визначає майновий режим

об’єкта, але не перетворює користувача програми на автора наукової ідеї.

Академічна доброчесність і авторське право охороняють різні відносини: перше —

довіру до особистого внеску та процедури створення знання; друге — права на

результат творчої діяльності. Відсутність порушення авторського права не

виключає академічної недоброчесності.

6. Простежуваність наукового пізнання як новий критерій особистого наукового

внеску

За умов, коли походження готового тексту не можна надійно визначити, контроль

має переміститися від мовної поверхні до дослідницького процесу. Пропонується

запровадити критерій простежуваності наукового пізнання — можливості

відтворити зв’язок між дослідницьким питанням, використаними джерелами або

даними, способом їх оцінювання, аргументацією та висновком.

Простежуваність не означає обов’язкового збереження кожного запиту чи

суцільного нагляду за автором. Її достатній обсяг залежить від ризику. Для технічної

допомоги достатньо мінімального рівня документування або повідомлення, якщо

воно вимагається відповідними правилами. Для аналізу даних необхідно зазначити

систему, завдання, вхідні дані, перевірку і спосіб виправлення помилок. Водночас

відкритість даних сприяє простежуваності, але не замінює обов’язку автора

пояснити спосіб оцінювання джерел і перехід від них до висновку. Для формування

аргументів доцільно зберегти істотні запити, одержані варіанти та пояснення того,

як автор перевірив, оцінив і, за потреби, скоригував результат.

Цей критерій поєднується з чотирма напрямами оцінювання, запропонованими у

презентації автора про перевірку систем: якість міркування, фактична точність,

здатність працювати з великим матеріалом і точність обчислень [4]. Для науки до

них слід додати перевірюваність джерел і відтворюваність переходу до висновку.

Система може швидко опрацювати великий обсяг документів, але саме автор має

встановити автентичність джерела, чинність нормативного акта, належність цитати

та відсутність зміни контексту.

Фаховий людський контроль вимагає змістовної участі, а не формального

погодження результату. Особа повинна мати компетентність оцінити результат,

достатній час для перевірки, право відхилити пропозицію та обов’язок пояснити

остаточне рішення. У науковій діяльності це означає здатність автора самостійно

усно захистити основну тезу, назвати ключові джерела, пояснити заперечення та

обґрунтувати вибір методології [5–7].

7. Законодавча модель і внутрішні правила

Прийняття спеціального закону про академічну доброчесність було передбачено

підрозділом 1.5 «Реформа правничої освіти» Дорожньої карти з питань

верховенства права як один із заходів реформи правничої освіти, спрямованих на

впровадження академічної доброчесності у вищій, зокрема правничій, освіті та

вдосконалення механізмів відповідальності за її порушення [33]. Прийняття Закону

№ 4742-IX реалізувало цей захід на законодавчому рівні, однак практична дієвість

реформи залежить від точності його положень і справедливості процедур

застосування.

Частина четверта статті 8 Закону України «Про академічну доброчесність» вимагає

повідомляти про використання в академічному творі об’єкта, згенерованого

штучним інтелектом, із зазначенням методики генерування та/або посилання на

відповідну комп’ютерну програму чи її опис згідно з вимогами, визначеними

відповідним суб’єктом академічної діяльності; пункт 7 частини першої статті 18

визначає недоброчесне використання згенерованих результатів окремим видом

порушення; стаття 29 розкриває його ознаки та відсилає до санкцій, визначених

внутрішніми актами або умовами конкурсу, якщо інше не встановлено законом [23].

Закон передає суб’єктам академічної діяльності визначення конкретних вимог до

повідомлення, а внутрішнім актам — установлення санкцій, водночас застереження

«якщо інше не встановлено законом» дає змогу закріпити мінімальні спільні вимоги

на законодавчому рівні.

Частину четверту статті 8 Закону України «Про академічну доброчесність» доцільно

доповнити після першого речення такими абзацами:

«Повідомлення має також містити відомості про стадії підготовки академічного

твору, на яких використовувався штучний інтелект, та конкретні завдання, передані

йому на кожній із таких стадій.

Використання штучного інтелекту виключно для виявлення та виправлення мовних,

орфографічних, пунктуаційних або технічних помилок, форматування,

транскрибування чи перетворення форми документа не потребує окремого

повідомлення, якщо таке використання не передбачає створення нового

змістовного фрагмента академічного твору та інше не встановлено вимогами

відповідного суб'єкта академічної діяльності.

Автор несе особисту відповідальність за перевірку використаних джерел, фактичних

даних, цитат, розрахунків та висновків незалежно від обсягу застосування системи

штучного інтелекту».

З огляду на те, що стаття 37 Закону визначає загальні правила розгляду

повідомлень та дослідження доказів порушення академічної доброчесності, її

доцільно доповнити частиною одинадцятою такого змісту: «Результат

автоматизованого оцінювання мовних або інших ознак тексту щодо ймовірності

його створення з використанням штучного інтелекту не може бути єдиним або

визначальним доказом порушення академічної доброчесності та підлягає оцінці

разом з іншими доказами щодо фактичного процесу створення академічного

твору».

Таке правило конкретизуватиме встановлену частиною восьмою цієї статті вимогу

ухвалення обґрунтованого рішення на підставі повно і всебічно досліджених

доказів.

Внутрішня політика установи має містити три рівні використання штучного

інтелекту. Перший — дозволена технічна допомога. Другий — допустиме за умови

розкриття змістовне сприяння, для якого встановлюється посилена перевірка.

Третій — заборонена заміна особистого наукового судження, створення неіснуючих

даних і джерел, приховане створення основних висновків, передання

конфіденційних матеріалів незахищеним системам. Такий підхід відповідає

рекомендаціям для закладів вищої освіти і правників та ризик-орієнтованій

видавничій моделі [9; 10; 16].

Процедура розгляду можливого порушення повинна гарантувати повідомлення про

конкретні факти, доступ до матеріалів перевірки, можливість надати пояснення та

матеріали щодо процесу підготовки роботи, неупереджений склад комісії й

мотивоване рішення. Тягар доведення не може перекладатися на автора лише

через числовий показник засобу розпізнавання. Водночас відмова надати наявні

матеріали дослідницького процесу може оцінюватися разом з іншими доказами, але

не як автоматичне визнання порушення.

Цей підхід узгоджується також із запропонованою автором моделлю загального

законодавчого регулювання штучного інтелекту, за якою системи, призначені для

оцінювання результатів навчання та моніторингу академічної доброчесності,

належать до систем високого ризику й мають використовуватися із посиленими

гарантіями людського контролю та захисту прав особи [35].

Завантаження неопублікованого рукопису, рецензії, персональних даних

респондентів або матеріалів з обмеженим доступом до відкритої системи може

порушувати вимоги конфіденційності, договірні обов’язки та законодавство про

захист персональних даних. Опрацювання таких матеріалів має відповідати Закону

України «Про захист персональних даних», а у випадках, коли на відповідну обробку

поширюється дія Регламенту (ЄС) 2016/679, — також його вимогам, зокрема щодо

законності, визначеності мети, мінімізації даних і належних гарантій для наукових

досліджень [32; 26]. Ризик-орієнтований підхід узгоджується з Регламентом (ЄС)

2024/1689, а вимоги людської автономії, прозорості, підзвітності та можливості

оскарження — з Рамковою конвенцією Ради Європи про штучний інтелект [27; 28].

Ці акти не регулюють академічне авторство безпосередньо, але визначають

загальні межі правомірного використання відповідних систем.

8. Практичні зміни в оцінюванні наукових праць

Запропоновані правила мають розвивати встановлений статтею 15 Закону України

«Про академічну доброчесність» обов’язок видавця затвердити й оприлюднити

правила запобігання опублікуванню недоброчесних творів, забезпечити належне

рецензування і перевірку, а в разі встановлення порушення — відкликати

опублікований академічний твір із зазначенням причини [23]. Частина четверта цієї

статті передбачає, що відкликаний твір не вважається опублікованим і не

враховується під час оцінювання академічної діяльності автора.

Надійна політика не може обмежуватися декларацією наприкінці статті. Необхідно

змінити спосіб оцінювання дослідження. Для дисертацій і кваліфікаційних робіт

доцільно вимагати короткий опис розподілу завдань між автором і системою;

вибірковий усний захист джерел і методології; надання перевірюваних матеріалів

щодо даних та ключових висновків; оцінювання новизни як за формулюванням, так

і за здатністю її довести.

Для журналів доцільна стандартизована заява, у якій автор позначає стадії

використання системи, її найменування і призначення, вид вхідних матеріалів,

спосіб перевірки та вплив на основні висновки. Повний перелік усіх дрібних

звернень до системи не потрібний: надмірна звітність стимулюватиме формалізм і

приховування. Істотною має визнаватися допомога, без якої зміст, структура

доказування або висновок були б іншими.

Прикладом практичної реалізації запропонованого підходу є ініційований автором

експериментальний інструмент «Наукомір AI», призначений для попереднього

структурованого аналізу наукових, правових, академічних та аналітичних текстів

[36]. Його методологічна логіка полягає у розмежуванні факту, попередньої оцінки,

припущення і рекомендації та у виявленні структурних, джерельних, цитувальних,

правових та інших ризиків із визначенням пріоритетів подальшої ручної перевірки.

Інструмент не призначений для остаточного встановлення плагіату,

недоброчесності чи фальсифікації. Результат такого автоматизованого аналізу,

відповідно до запропонованого у цій статті підходу, не може бути єдиним або

визначальним доказом порушення академічної доброчесності.

Вітчизняна видавнича практика вже рухається в цьому напрямі: політика журналу

«Слово Національної школи суддів України» вимагає зазначення конкретного

інструменту, зберігає за автором відповідальність за точність матеріалу та

забороняє передання конфіденційних рукописів незахищеним системам [34].

Рецензентам і редакторам слід заборонити завантажувати конфіденційні рукописи

до відкритих систем. Якщо спеціально захищена система використовується для

пошуку суперечностей або перевірки оформлення, остаточна оцінка новизни,

методології та придатності до публікації повинна належати людині. Наукове

судження не може бути передане засобу, який не несе відповідальності й не здатний

брати участь у фаховій дискусії [16].

Застосування зазначених правил потребує систематичної підготовки дослідників,

рецензентів і редакторів. Такий підхід узгоджується з Глобальним інструментарієм

ЮНЕСКО щодо штучного інтелекту та верховенства права. Хоча цей документ

спрямований передусім на суддів, запропоновані в ньому підходи до розуміння

можливостей і обмежень систем, перевірки упереджень, захисту прав людини та

збереження відповідальності фахівця придатні і для підготовки правників-

дослідників [29].

Для забезпечення рівності авторів доступ до платних функцій збереження історії

роботи в окремій програмі не повинен бути єдиним способом підтвердження

академічної доброчесності. Прийнятними доказами можуть бути послідовні

чернетки, нотатки, таблиці джерел, протоколи дослідження, листування зі

співавторами, матеріали доповідей та усне пояснення. Оскільки окремі елементи

такого документального сліду також можуть бути згенеровані або штучно

відтворені, жоден із них не має наперед установленої доказової сили; визначальним

залишається їх узгодженість між собою та здатність автора самостійно пояснити

дослідницьке питання, ключові джерела, логіку аргументації й висновок. Перевірка

має встановлювати фактичний інтелектуальний внесок, а не запроваджувати

суцільний нагляд.

Висновки

1. Штучний інтелект стає складовою наукової праці, істотно скорочуючи витрати

часу на пошук, первинну систематизацію та технічне опрацювання матеріалу.

Загальна заборона його використання була б неефективною та необґрунтовано

обмежувала допустиме застосування технології. Визначальним є не сам факт

використання штучного інтелекту, а межа між допустимою допомогою та

переданням системі функцій, що формують особистий науковий внесок автора.

2. Походження окремого тексту не можна надійно встановити лише за його

мовними ознаками. Методи, придатні для оцінювання поширеності використання

штучного інтелекту в сукупності публікацій, не забезпечують достатньої

індивідуалізації щодо конкретного автора, а тому результат автоматизованого

розпізнавання може бути лише допоміжним доказом, але не єдиною або

визначальною підставою для встановлення порушення академічної доброчесності.

3. Стаття 29 Закону України «Про академічну доброчесність» охоплює

нерозкрите оприлюднення згенерованих результатів, але не всі випадки передання

системі істотних дослідницьких функцій. Для опису ситуацій, у яких створюється

неправдиве уявлення про особистий внесок автора, запропоновано доктринальне

поняття штучного наукового авторства; воно не є самостійною правовою підставою

відповідальності та до законодавчого визначення може використовуватися лише як

критерій оцінювання фактичного інтелектуального внеску.

4. Ключовим критерієм підтвердження особистого наукового внеску за

використання штучного інтелекту має бути простежуваність наукового пізнання —

можливість відтворити зв’язок між дослідницьким питанням, джерелами або

даними, способом їх оцінювання, аргументацією та висновком. Автор повинен бути

здатним самостійно пояснити цей зв’язок і нести відповідальність за достовірність,

оригінальність та обґрунтованість результату.

5. Законодавство і внутрішні політики мають перейти від формального

повідомлення лише про факт використання штучного інтелекту до зазначення

конкретних делегованих завдань. Оптимальною є трирівнева модель: дозволена

технічна допомога; змістовне сприяння за умови розкриття та посиленого фахового

людського контролю; недопустима заміна особистого наукового судження.

6. Поширення штучного інтелекту потребує коригування критеріїв оцінювання

наукової діяльності: перевагу слід надавати не кількості публікацій, а оригінальності

дослідницького питання, відтворюваності, якості аргументації, відкритості

матеріалів, реальному внеску в наукову дискусію та суспільній корисності

результату. Технологія може посилювати можливості науковця, але не може бути

носієм авторства, академічного обов’язку чи юридичної відповідальності.

Список використаних джерел

1. Берназюк Ян. Штучний інтелект і його використання для забезпечення єдності

судової практики як складової довіри до суду. Слово Національної школи суддів

України. 2024. № 4 (49). С. 16–35. DOI: https://doi.org/10.37566/2707-6849-2024-4(49)-

2 (дата звернення: 02.09.2026)

2. Коментар до Кодексу суддівської етики / упоряд. Є. Краснов, О. Хотинська-Нор.

Київ: ВАІТЕ, 2026. 268 с. URL:

https://rsu.gov.ua/uploads/article/komentar2603061320pbkce-af35f4321b.pdf (дата

звернення: 02.09.2026)

3. Берназюк Ян. Вплив технологій штучного інтелекту на правозастосування,

наукову та викладацьку діяльність: презентація лекції, Львівське регіональне

відділення Національної школи суддів України, 3 берез. 2025 р. URL:

https://court.gov.ua/storage/portal/supreme/123.%20AI_legal_practice_academic_teach

ing_activities_bernaziuk.pdf (дата звернення: 02.09.2026)

4. Bernaziuk I. Benchmarking Justice: Can Advanced AI Satisfy the Rule of Law Standards?:

presentation at the scientific workshop “Rule of Law and AI Challenges”, National

University of Kyiv-Mohyla Academy, 20 Nov. 2025. URL:

https://court.gov.ua/storage/portal/supreme/prezentacii_2025/156_AI_Benchmarking_J

ustice_bernaziuk.pdf (дата звернення: 02.09.2026)

5. Берназюк Ян. Академічна доброчесність, використання ШІ у науці та навчанні

(механізм GAIDeT): презентація на Міжнародній конференції «HELP в

університетській освіті: європейські стандарти в галузі прав людини для майбутніх

фахівців», 26 листоп. 2025 р. URL:

https://court.gov.ua/storage/portal/supreme/prezentacii_2025/159_AI_Academic_Integri

ty_GAIDeT_bernaziuk.pdf (дата звернення: 02.09.2026)

6. Bernaziuk I. Integration of AI into the Justice System of Ukraine: Normative Boundaries,

Technological Sovereignty, and Case-Law: presentation at the 14th meeting of CEPEJ-GT-

CYBERJUST, Strasbourg, 26 Mar. 2026. URL:

https://court.gov.ua/storage/portal/supreme/prezent2026/182_Integration_AI_into_Ukra

ine%E2%80%99s_Justice_System_bernaziuk.pdf (дата звернення: 02.09.2026)

7. Bernaziuk I. Educational and Practice-Oriented Initiatives: Preparing the Judiciary of

Ukraine for the Age of AI: presentation at the meeting of CEPEJ-GT-CYBERJUST,

Strasbourg, 27 Mar. 2026. URL:

https://court.gov.ua/storage/portal/supreme/prezent2026/183_Preparing_Ukrainian_Jud

ges_for_AI_bernaziuk.pdf (дата звернення: 02.09.2026)

8. Іваній О. М. Впровадження штучного інтелекту та цифрових технологій у сфері

наукової діяльності: проблеми та шляхи правового регулювання. Штучний інтелект,

сучасні технології та право в Україні : монографія / за заг. ред. О. В. Костенка ; ДНУ

«Інститут інформації, безпеки і права НАПрН України» ; Дослідницька служба

Верховної Ради України. Київ ; Одеса : Фенікс, 2026. С. 269–286. URL:

https://ippi.org.ua/sites/default/files/2100_monografiya_finish.pdf (дата звернення:

02.09.2026)

9. Рекомендації щодо відповідального впровадження та використання технологій

штучного інтелекту в закладах вищої освіти. Київ, 2025. 56 с. URL:

https://storage.thedigital.gov.ua/files/5/b5/1de422b38985d037d9ba8f9f6cb2ab58.pdf

(дата звернення: 02.09.2026)

10. Рекомендації з відповідального використання штучного інтелекту для правників

/ Міністерство цифрової трансформації України. Київ, 2025. 66 с. URL:

https://constitutionalist.com.ua/rekomendatsii-z-vidpovidalnoho-vykorystannia-

shtuchnoho-intelektu-dlia-pravnykiv (дата звернення: 02.09.2026)

11. Kobak D., González-Márquez R., Horvát E.-Á., Lause J. Delving into LLM-assisted

writing in biomedical publications through excess vocabulary. Science Advances. 2025.

Vol. 11, no. 27. Art. eadt3813. DOI: https://doi.org/10.1126/sciadv.adt3813 (дата

звернення: 02.09.2026)

12. He Y., Bu Y. Academic journals’ AI policies fail to curb the surge in AI-assisted

academic writing. Proceedings of the National Academy of Sciences. 2026. Vol. 123, no.

9. Art. e2526734123. DOI: https://doi.org/10.1073/pnas.2526734123 (дата звернення:

02.09.2026)

13. Берназюк Ян. Принцип фахового людського контролю як основа взаємодії

правосуддя та штучного інтелекту: презентація, 15 жовт. 2025 р. URL:

https://court.gov.ua/storage/portal/supreme/prezentacii_2025/147_Professional_Huma

n_Oversight_Justice_AI_bernaziuk.pdf (дата звернення: 02.09.2026)

14. Pratama A. R. The accuracy-bias trade-offs in AI text detection tools and their impact

on fairness in scholarly publication. PeerJ Computer Science. 2025. Vol. 11. Art. e2953.

DOI: https://doi.org/10.7717/peerj-cs.2953 (дата звернення: 02.09.2026)

15. Suchikova Y., Tsybuliak N., Teixeira da Silva J. A., Nazarovets S. GAIDeT (Generative

AI Delegation Taxonomy): A taxonomy for humans to delegate tasks to generative artificial

intelligence in scientific research and publishing. Accountability in Research. 2026. Vol.

33, no. 3. Art. 2544331. DOI: https://doi.org/10.1080/08989621.2025.2544331 (дата

звернення: 02.09.2026)

16. Springer Nature. Artificial Intelligence (AI): A risk-assessment framework for

responsible AI use in research publishing. URL:

https://www.nature.com/natcomputsci/editorial-policies/ai (дата звернення:

02.09.2026)

17. Dicastery for the Doctrine of the Faith, Dicastery for Culture and Education. Antiqua et

Nova: Note on the Relationship Between Artificial Intelligence and Human Intelligence.

Rome: Holy See, 2025. URL:

https://www.vatican.va/roman_curia/congregations/cfaith/documents/rc_ddf_doc_2025

0128_antiqua-et-nova_en.html (дата звернення: 02.09.2026)

18. Hao Q., Xu F., Li Y., Evans J. Artificial intelligence tools expand scientists’ impact but

contract science’s focus. Nature. 2026. Vol. 649, iss. 8099. P. 1237–1243. DOI:

https://doi.org/10.1038/s41586-025-09922-y (дата звернення: 02.09.2026)

19. Берназюк Ян. До питань масштабу поширення плагіату в Україні та шляхів його

запобігання. Конституційно-правові академічні студії. 2016. № 1. С. 5–11. URL:

https://constitutionalist.com.ua/do-pytan-masshtabu-poshyrennia-plahiatu-v-ukraini-ta-

shliakhiv-joho-zapobihannia (дата звернення: 02.09.2026)

20. Bernaziuk I., Fedorenko W. Plagiarism as one of the largest threats to intellectual

property right: theoretical scientific aspect. Humanistyczne Zeszyty Naukowe – Prawa

Człowieka. 2019. Nr 22 (1). P. 39–48. URL:

https://www.academia.edu/44808735/Plagiat_jako_jedno_z_najwi%C4%99kszych_zagro

%C5%BCe%C5%84_dla_prawa_w%C5%82asno%C5%9Bci_intelektualnej_teoretyczny_aspe

kt_naukowy (дата звернення: 02.09.2026)

21. Постанова Верховного Суду від 03 червня 2025 р. у справі № 560/8264/24

(адміністративне провадження № К/990/5781/25). Єдиний державний реєстр

судових рішень. URL: https://reyestr.court.gov.ua/Review/127846893 (дата звернення:

02.09.2026)

22. Про авторське право і суміжні права: Закон України від 1 грудня 2022 р. № 2811-

IX. URL: https://zakon.rada.gov.ua/go/2811-20 (дата звернення: 02.09.2026)

23. Про академічну доброчесність: Закон України від 18 грудня 2025 р. № 4742-IX.

URL: https://zakon.rada.gov.ua/go/4742-20 (дата звернення: 02.09.2026)

24. Про наукову і науково-технічну діяльність: Закон України від 26 листоп. 2015 р.

№ 848-VIII. URL: https://zakon.rada.gov.ua/go/848-19 (дата звернення: 02.09.2026)

25. Про вищу освіту: Закон України від 1 лип. 2014 р. № 1556-VII. URL:

https://zakon.rada.gov.ua/go/1556-18 (дата звернення: 02.09.2026)

26. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April

2016 on the protection of natural persons with regard to the processing of personal data.

Official Journal of the European Union. 2016. L 119. P. 1–88. URL: https://eur-

lex.europa.eu/eli/reg/2016/679/oj (дата звернення: 02.09.2026)

27. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June

2024 laying down harmonised rules on artificial intelligence. Official Journal of the

European Union. 2024. L 2024/1689. URL: https://eur-lex.europa.eu/eli/reg/2024/1689/oj

(дата звернення: 02.09.2026)

28. Council of Europe Framework Convention on Artificial Intelligence and Human Rights,

Democracy and the Rule of Law: CETS No. 225, Vilnius, 5 Sept. 2024. Strasbourg: Council

of Europe, 2024. URL: https://rm.coe.int/1680afae3c (дата звернення: 02.09.2026)

29. UNESCO. Global Toolkit on AI and the Rule of Law for the Judiciary. Paris: UNESCO,

2026. ISBN 978-92-3-100879-5. DOI: https://doi.org/10.58338/DNRE2540. URL:

https://unesdoc.unesco.org/ark:/48223/pf0000398775 (дата звернення: 02.09.2026)

30. Wang Y. Policy snapshots cannot establish journal AI-policy failure. Proceedings of the

National Academy of Sciences. 2026. Vol. 123, no. 27. Art. e2616276123. DOI:

https://doi.org/10.1073/pnas.2616276123 (дата звернення: 02.09.2026)

31. He Y., Bu Y. Reply to Wang: Policy failure can be assessed from observed outcomes.

Proceedings of the National Academy of Sciences. 2026. Vol. 123, no. 27. Art.

e2617762123. DOI: https://doi.org/10.1073/pnas.2617762123 (дата звернення:

02.09.2026)

32. Про захист персональних даних: Закон України від 01 червня 2010 р. № 2297-VI.

URL: https://zakon.rada.gov.ua/go/2297-17 (дата звернення: 02.09.2026)

33. Дорожня карта з питань верховенства права, схвалена розпорядженням

Кабінету Міністрів України від 14 травня 2025 р. № 475-р «Деякі питання

забезпечення переговорного процесу про вступ України до Європейського Союзу за

кластером 1 «Основи процесу вступу до ЄС»». URL: https://eu-ua.kmu.gov.ua/wp-

content/uploads/UA_Dorozhnya_karta_z_pytan_verhovenstva_prava_2.pdf (дата

звернення: 02.09.2026)

34. Політика з використання штучного інтелекту і технологій з його підтримкою.

Слово Національної школи суддів України. URL:

https://slovo.nsj.gov.ua/index.php/ua/about-ua/politika-z-vikoristannya-shtuchnogo-

intelektu-i-tekhnologij-z-jogo-pidtrimkoyu (дата звернення: 02.09.2026)

35. Берназюк Ян. Проєкт Закону України «Про штучний інтелект». URL:

https://constitutionalist.com.ua/proiekt-zakonu-ukrainy-pro-shtuchnyj-intelekt (дата

звернення: 02.09.2026)

36. Берназюк Ян. Наукомір AI: спеціалізований інтелектуальний помічник для

попереднього аналізу наукових, правових, академічних та аналітичних текстів. URL:

https://constitutionalist.com.ua/naukomir-ai; інструмент: https://chatgpt.com/g/g-

69fdcc3a71e08191953bf86fc61332cd-naukomir-ai (дата звернення: 02.09.2026)

37. Barikova A., Bernaziuk Y. Discretion in Applying Provisions of Law: Linguistic Prospects

for AI and Machine Learning. ECS Transactions. 2022. Vol. 107, No. 1. P. 18545–18558.

DOI: https://doi.org/10.1149/10701.18545ecst (дата звернення: 02.09.2026)

38. Barikova A., Bernaziuk Y. Electronic Educational Dimension of Law Enforcement in a

Pandemic and Post-Pandemic World. ECS Transactions. 2022. Vol. 107, No. 1. P. 18465–

18477. DOI: https://doi.org/10.1149/10701.18465ecst (дата звернення: 02.09.2026)

39. Берназюк Я. О. Поняття плагіату: науковий та юридичний аспект. Формування

академічної доброчесності та механізмів запобігання та протидії плагіату в наукових

творах в Україні: матеріали круглого столу (30 вересня 2016 р., м. Київ) / за заг. ред.

проф. В. Л. Федоренка; Науково-дослідний центр судової експертизи з питань

інтелектуальної власності Міністерства юстиції України. Київ: Ліра-К, 2016. С. 17–20.

Декларація прозорості щодо використання штучного інтелекту

Під час підготовки статті системи ChatGPT (OpenAI; модель GPT-5.6 Sol) та Claude

Opus 5 (Anthropic) у вебінтерфейсі claude.ai використовувалися для технічної

допомоги, а саме, мовно-стилістичного опрацювання та уніфікації оформлення

посилань, для змістовного сприяння у допоміжному пошуку й первинній

систематизації потенційно релевантних джерел, перевірки логічної послідовності та

підготовки альтернативних редакцій окремих частин статті. Зазначені форми

змістовного сприяння підлягали посиленій перевірці: всі джерела звірено з

першоджерелами, а змістові пропозиції критично оцінено автором.

Концепція дослідження, правова інтерпретація джерел, доктринальні положення,

висновки й остаточна редакція тексту належать авторові, який несе

відповідальність за достовірність, оригінальність та обґрунтованість результату.

Авторська примітка

Ця публікація є авторським науково-аналітичним матеріалом і не становить

офіційної позиції Верховного Суду чи іншого суб’єкта владних повноважень.

У постанові Верховного Суду від 03 червня 2025 року у справі № 560/8264/24, на яку

є посилання у статті [21], автор був суддею-доповідачем; наведені у статті

міркування є його науковою позицією і не мають характеру офіційного тлумачення

цього рішення.

Автор є ініціатором і розробником експериментального інструменту «Наукомір AI»,

згаданого у статті; інструмент поширюється безоплатно, а автор не має пов’язаного

з ним комерційного інтересу.

ARTIFICIAL INTELLIGENCE IN SCHOLARLY RESEARCH: PERSONAL SCHOLARLY

CONTRIBUTION, ACADEMIC INTEGRITY AND RESPONSIBILITY

Abstract

The article examines the impact of artificial intelligence systems on scholarly research

and argues for a reassessment of the legal and methodological criteria of authorship and

academic integrity. Artificial intelligence substantially reduces the time required to search

for and systematise sources, develop manuscript structure, edit language and prepare

references. At the same time, it enables the undisclosed delegation of the formulation of

arguments, evaluation of sources and drawing of conclusions. The article identifies an

asymmetry between the ability to estimate the prevalence of AI assistance across large

corpora of publications and the limited reliability of determining such use in an individual

scholarly work. Accordingly, automated detection cannot serve as an independent or

determinative basis for finding a breach of academic integrity.

The article proposes distinguishing technical assistance, substantive assistance and the

replacement of personal scholarly judgement according to the nature of the delegated

task, its impact on the originality of the scholarly contribution, the verifiability of the result

and the author’s ability to substantiate the conclusions independently. Traceability of

scholarly inquiry is proposed as a key criterion for establishing the author’s personal

intellectual contribution. It is understood as the ability to reconstruct the connection

between the research question, the sources or data used, their evaluation, the

argumentation and the conclusions. The article also introduces the doctrinal concept of

“artificial scholarly authorship” to describe situations in which a person creates a

misleading impression of personal intellectual contribution by concealing the delegation

of essential research functions to an artificial intelligence system. Undisclosed delegation

of such functions may constitute improper use of AI-generated results under academic

integrity rules even in the absence of plagiarism in its traditional sense.

The article proposes amendments to the Law of Ukraine “On Academic Integrity” aimed at

replacing a general duty to disclose the use of artificial intelligence with a duty to identify

the specific tasks delegated to an AI system at each relevant stage of research. A three-

tier risk-based model is proposed for educational institutions, research institutions and

scholarly publishers: permitted technical assistance; substantive assistance permitted

subject to disclosure and enhanced professional human oversight; and prohibited

replacement of personal scholarly judgement. Ultimate responsibility for the reliability,

originality and substantiation of scholarly results remains with the author and cannot be

transferred to an artificial intelligence system.

Keywords: artificial intelligence, scholarly research, academic integrity, plagiarism,

authorship, artificial scholarly authorship, personal intellectual contribution, traceability of

scholarly inquiry, responsibility, professional human oversight.