Аналіз виявлення використання засобів штучного інтелекту в студентських програмах з паралельного програмування
Анотація
У сучасних реаліях вищої технічної освіти стрімке розповсюдження засобів штучного інтелекту (ЗШІ) створює нові виклики для академічної доброчесності. Сучасні великі мовні моделі демонструють високу ефективність у генерації програмного коду, адаптуючи його під різні стилістичні шаблони: від академічного стилю викладача до професійного коду досвідченого розробника. Однак, коли студент подає програму, написану в «ідеальному» професійному стилі, факт використання сторонніх інструментів стає очевидним для викладача через невідповідність рівня коду реальним навичкам того, хто навчається. Ця стаття присвячена дослідженню здатності сучасних ЗШІ до маскування згенерованого коду під стиль студента, що має на меті приховати факт використання студентом ЗШІ. В дослідженні розглянуті два аспекти: 1) можливість ЗШІ створювати код, який виглядає як «студентський»; 2) здатність самих ЗШІ, а також викладачів, виявляти факт використання ЗШІ у наданому для оцінювання коді. На відміну від попереднього дослідження авторів, на цей раз досліджувалась здатність ЗШІ до генерації коду в стилі студента для завдань з дисципліни «Паралельне програмування», які потрібно було виконати мовою С з використанням бібліотеки pthread.h. Генерація коду в стилі студента була виконана за допомогою ЗШІ ChatGPT, Copilot та Gemini. Оцінювання згенерованого коду виконувалось як за допомогою ЗШІ ChatGPT, Copilot, Gemini, You.com та YesChatAI Code Detector. В результаті були зроблені висновки щодо «моральності» поведінки ЗШІ при генерації коду в стилі студента, щодо коректності згенерованого коду, щодо здатності ЗШІ маскувати згенерований код під код студента, щодо виявлення коду ЗШІ за допомогою ЗШІ та щодо виявлення коду ЗШІ експертами-викладачами. З метою відслідковування прогресу у здатності ЗШІ до маскування згенерованого коду під код студента, в якості подальших досліджень запропоновано повторити дослідження через рік за такою ж методикою як для завдань першого курсу навчання, так і для завдань з паралельного програмування, а також провести дослідження для ще більш складних завдань паралельного програмування або інших навчальних дисциплін.
Посилання
2. Dayu Yang, Tianyang Liu, Daoan Zhang, Antoine Simoulin, Xiaoyi Liu, Yuwei Cao, Zhaopu Teng, Xin Qian, Grey Yang, Jiebo Luo, and Julian McAuley, “Code to Think, Think to Code: A Survey on Code-Enhanced Reasoning and Reasoning-Driven Code Intelligence in LLMs”, arXiv:2502.19411v1 [cs.CL] 26 Feb 2025. Available: https://arxiv.org/html/2502.19411v1. Accessed on: March 31, 2026.
3. Juyong Jiang, Fan Wang, Jiasi Shen, Sungju Kim, and Sunghun Kim, “A Survey on Large Language Models for Code Generation”, arXiv:2406.00515v2 [cs.CL] 10 Nov 2024. Available: https://arxiv.org/pdf/2406.00515. Accessed on: March 31, 2026.
4. Janek Bevendorff, Matti Wiegmann, Jussi Karlgren, Luise Dürlich, Evangelia Gogoulou, Aarne Talman, Efstathios Stamatatos, Martin Potthast, and Benno Stein, “Overview of the “Voight-Kampg” Generative AI Authorship Verification Task at PAN and ELOQUENT 2024”, Working Notes of the Conference and Labs of the Evaluation Forum (CLEF 2024), Grenoble, France, 9-12 September, 2024. pp. 2486-2506, Available: https://ceur-ws.org/Vol-3740/paper-225.pdf. Accessed on: March 31, 2026.
5. Jijie Huang, Yang Chen, Man Luo, and Yonglan Li, “Generative AI Authorship Verification Of Tri-Sentence Analysis Base On The Bert Model”, Working Notes of the Conference and Labs of the Evaluation Forum (CLEF 2024), Grenoble, France, 9-12 September, 2024. pp. 2632-2637, Available: https://ceur-ws.org/Vol-3740/paper-243.pdf. Accessed on: March 31, 2026.
