학생들이 무료로 사용할 수 있는 Copilot은 곧 프로그래밍 시험에서 부정행위를 위한 도구가 될 것입니다.
Copilot은 Microsoft, OpenAI 및 GitHub가 공동으로 만든 AI 프로그래밍 지원 도구입니다. Copilot은 올해 초 Visual Studio 2022에 통합되었습니다. 또한 GitHub에는 학생들이 이 프로그래밍 아티팩트를 무료로 얻을 수 있는 전용 캠퍼스 프로그램도 있습니다.
그러나 곧 단점도 뒤따랐습니다. Copilot은 한 번의 테스트에서 너무 많은 성능을 보여 프로그래밍 시험의 부정 행위 도구로 사용될 수 있었습니다.
매사추세츠 대학교 애머스트(Amherst) 컴퓨터 과학과 교수인 에머리 버거(Emery Berger)는 이번 달 초 블로그 게시물을 게시하여 교육자들에게 다음과 같이 경고했습니다. “Copilot을 갖춘 학생들은 프로그래밍 시험을 보기 위해 자신의 유물을 가져오는 것과 같습니다. . "
CS 입문 학생들에게 1부터 N까지의 모든 숫자의 합을 출력하는 반복 Python 프로그램을 작성하도록 요청한다고 가정해 보겠습니다. Copilot을 사용하는 학생은 질문 문을 복사하여 IDE에 주석으로 붙여넣은 다음 함수 정의 "def output_sum(N):"을 입력하고 Tab 키를 눌러 나머지 내용을 가져오기만 하면 됩니다(굵게 표시된 부분은 모두 Copilot에 의해 생성됨).
그는 Copilot이 모든 답을 알고 있기 때문에 Copilot이 전통적인 프로그래밍 연습을 의미 없게 만들지 않을까 걱정했습니다.
“내가 아는 한 Copilot은 모든 초급 프로그래밍 작업에 대한 전문 교육을 이수했습니다.”라고 Berger는 썼습니다.
Berger는 또한 다음과 같이 냉소적으로 썼습니다. Copilot을 사용하는 학생의 경우 교육자는 코스 목표를 "Tab 키 누르기"로 설명할 수 있습니다. 이렇게 간단한 조작만으로 학생들이 Copilot을 사용하여 쉽게 훌륭한 결과를 얻을 수 있기 때문입니다. 코드 및 완전한 프로그래밍 질문.
Berger는 이러한 상황의 예를 제시했습니다. 아래 코드에서 굵은 부분은 Copilot에 의해 자동으로 완성되었으며 Berger는 함수 이름과 매개변수만 수동으로 입력했습니다.
프로그래밍은 많은 컴퓨터 과학 과정, 특히 입문 프로그래밍 과정에서 중요한 역할을 합니다. 숫자 정렬과 피보나치 수열의 n번째 요소 찾기가 포함됩니다. 이런 간단한 프로그래밍 질문은 Copilot에게는 어려운 것 같습니다.
Berger는 Copilot이 Stack Overflow 및 기타 인터넷 프로그래밍 리소스에서 답변을 검색하는 것과 다르다고 말했습니다. 후자가 검색한 코드 답변은 교사도 검색할 수 있고 표절 탐지기를 사용하여 학생이 제출한 코드를 테스트할 수 있기 때문입니다.
그리고 Copilot은 "실제로 새로운 솔루션을 생성합니다. 새로운 솔루션이 별로 좋지는 않겠지만, 검색된 답변과 너무 달라서 선생님이 학생들이 직접 코드를 완성한 것으로 오해할 수 있습니다”
따라서 Berger는 프로그래밍과 관련된 교육 방법에 대한 개선이 시급하다고 믿으며 귀를 숨기고 이러한 "부정 행위"가 존재하지 않는 척할 수 없음을 상기시켜 줍니다.
"모든 사람이 자신의 컴퓨터에 설치된 이 치팅 도구를 사용하지 않을 것이라고 생각한다면 그것은 정말 불합리하거나 무책임합니다. 유혹이 너무 큽니다. 솔직히 말해서, 아마도 가까운 미래에 소프트웨어 개발이 모습을 보일 것입니다.
Berger는 Copilot이 유용하다고 인정합니다. 그는 개발자들이 소프트웨어를 사용하고 싶어하는 것이 타당하다고 말했습니다.
"물론 평가의 관점에서 볼 때 Copilot을 사용할 수 없는 환경에서 모든 사람에게 시험을 치르라고 요청할 수 있습니다. 이는 초등학생에게 기본적인 산수 문제를 풀 때 계산기를 사용하지 말라고 하는 것과 같습니다."
여기 있습니다 일리노이의 한 동료는 시험 전용으로 사용하고 있는 컴퓨터에 대해 설명했으며 일부 기능은 잠겨 있어 학생들이 통제된 환경에서 시험을 볼 수 있었습니다. 그는 구술 시험과 같은 방법과 함께 이러한 조치가 Copilot의 부정적인 영향을 줄이는 데 도움이 될 수 있다고 제안했습니다.
Berger는 상용구 작성 및 API 구현 기능과 같은 Copilot의 몇 가지 긍정적인 측면도 발견했습니다.
"저는 이러한 API의 지루한 세부 사항을 외우는 데 큰 의미가 없다고 생각합니다. 그것은 우리가 가르치거나 집중해야 하는 것이 아닙니다. 이러한 특성을 가진 DataFrame을 생성하는 정확한 구문을 알고 계십니까? 상관 없습니다. 구글에서 찾을 수 있다면 스택오버플로 앱에서도 찾을 수도 있고, 탭키를 눌러 불러올 수도 있는데, 정말 좋은 것 같다”고 말했다.
그럼에도 불구하고 그는 학생들이 실제로 자료를 학습하고 있는지 확인하는 것이 교육자에게 중요하다고 믿습니다. 이는 총점을 계산할 때 "Copilot" 사용을 재고하는 것을 의미할 수 있습니다.
Berger는 Copilot이 대중에게 공개된 지 몇 달밖에 되지 않았기 때문에 Copilot이 학생들에게 영향을 미치고 있는지 말하기에는 너무 이르다고 말했습니다. 그러나 그는 그 효과가 느껴지기까지 그리 오랜 시간이 걸리지 않을 것이라고 생각합니다.
“나는 그것에 대해 낙관적입니다. 하지만 적어도 우리는 그것을 고려해야 한다고 생각합니다. 많은 교육자들이 이것이 얼마나 혁명적인지 아직 깨닫지 못하고 있다고 생각합니다.”
위 내용은 학생들이 무료로 사용할 수 있는 Copilot은 곧 프로그래밍 시험에서 부정행위를 위한 도구가 될 것입니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











이 사이트는 6월 27일에 Jianying이 ByteDance의 자회사인 FaceMeng Technology에서 개발한 비디오 편집 소프트웨어라고 보도했습니다. 이 소프트웨어는 Douyin 플랫폼을 기반으로 하며 기본적으로 플랫폼 사용자를 위한 짧은 비디오 콘텐츠를 제작합니다. Windows, MacOS 및 기타 운영 체제. Jianying은 멤버십 시스템 업그레이드를 공식 발표하고 지능형 번역, 지능형 하이라이트, 지능형 패키징, 디지털 인간 합성 등 다양한 AI 블랙 기술을 포함하는 새로운 SVIP를 출시했습니다. 가격면에서 SVIP 클리핑 월 요금은 79위안, 연간 요금은 599위안(본 사이트 참고: 월 49.9위안에 해당), 월간 연속 구독료는 월 59위안, 연간 연속 구독료는 59위안입니다. 연간 499위안(월 41.6위안)입니다. 또한, 컷 관계자는 "사용자 경험 향상을 위해 기존 VIP에 가입하신 분들도

검색 강화 생성 및 의미론적 메모리를 AI 코딩 도우미에 통합하여 개발자 생산성, 효율성 및 정확성을 향상시킵니다. EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG에서 번역됨, 저자 JanakiramMSV. 기본 AI 프로그래밍 도우미는 자연스럽게 도움이 되지만, 소프트웨어 언어에 대한 일반적인 이해와 소프트웨어 작성의 가장 일반적인 패턴에 의존하기 때문에 가장 관련성이 높고 정확한 코드 제안을 제공하지 못하는 경우가 많습니다. 이러한 코딩 도우미가 생성한 코드는 자신이 해결해야 할 문제를 해결하는 데 적합하지만 개별 팀의 코딩 표준, 규칙 및 스타일을 따르지 않는 경우가 많습니다. 이로 인해 코드가 애플리케이션에 승인되기 위해 수정되거나 개선되어야 하는 제안이 나타나는 경우가 많습니다.

AIGC에 대해 자세히 알아보려면 다음을 방문하세요. 51CTOAI.x 커뮤니티 https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou는 인터넷 어디에서나 볼 수 있는 전통적인 문제 은행과 다릅니다. 고정관념에서 벗어나 생각해야 합니다. LLM(대형 언어 모델)은 데이터 과학, 생성 인공 지능(GenAI) 및 인공 지능 분야에서 점점 더 중요해지고 있습니다. 이러한 복잡한 알고리즘은 인간의 기술을 향상시키고 많은 산업 분야에서 효율성과 혁신을 촉진하여 기업이 경쟁력을 유지하는 데 핵심이 됩니다. LLM은 자연어 처리, 텍스트 생성, 음성 인식 및 추천 시스템과 같은 분야에서 광범위하게 사용될 수 있습니다. LLM은 대량의 데이터로부터 학습하여 텍스트를 생성할 수 있습니다.

LLM(대형 언어 모델)은 대규모 텍스트 데이터베이스에서 훈련되어 대량의 실제 지식을 습득합니다. 이 지식은 매개변수에 내장되어 필요할 때 사용할 수 있습니다. 이러한 모델에 대한 지식은 훈련이 끝나면 "구체화"됩니다. 사전 훈련이 끝나면 모델은 실제로 학습을 중단합니다. 모델을 정렬하거나 미세 조정하여 이 지식을 활용하고 사용자 질문에 보다 자연스럽게 응답하는 방법을 알아보세요. 그러나 때로는 모델 지식만으로는 충분하지 않을 때도 있으며, 모델이 RAG를 통해 외부 콘텐츠에 접근할 수 있더라도 미세 조정을 통해 모델을 새로운 도메인에 적응시키는 것이 유익한 것으로 간주됩니다. 이러한 미세 조정은 인간 주석 작성자 또는 기타 LLM 생성자의 입력을 사용하여 수행됩니다. 여기서 모델은 추가적인 실제 지식을 접하고 이를 통합합니다.

머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터로부터 학습하고 능력을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다. 1. 상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 상징을 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존을 통한 역연역 과정이라고 믿습니다.

편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는

1일 본 사이트 소식에 따르면 SK하이닉스는 오늘(1일) 블로그 게시물을 통해 8월 6일부터 8일까지 미국 캘리포니아주 산타클라라에서 열리는 글로벌 반도체 메모리 서밋 FMS2024에 참가한다고 밝혔다. 많은 새로운 세대의 제품. 인공지능 기술에 대한 관심이 높아지고 있는 가운데, 이전에는 주로 NAND 공급업체를 대상으로 한 플래시 메모리 서밋(FlashMemorySummit)이었던 미래 메모리 및 스토리지 서밋(FutureMemoryandStorage) 소개를 올해는 미래 메모리 및 스토리지 서밋(FutureMemoryandStorage)으로 명칭을 변경했습니다. DRAM 및 스토리지 공급업체와 더 많은 플레이어를 초대하세요. SK하이닉스가 지난해 출시한 신제품

Editor | KX 약물 연구 및 개발 분야에서 단백질과 리간드의 결합 친화도를 정확하고 효과적으로 예측하는 것은 약물 스크리닝 및 최적화에 매우 중요합니다. 그러나 현재 연구에서는 단백질-리간드 상호작용에서 분자 표면 정보의 중요한 역할을 고려하지 않습니다. 이를 기반으로 Xiamen University의 연구자들은 처음으로 단백질 표면, 3D 구조 및 서열에 대한 정보를 결합하고 교차 주의 메커니즘을 사용하여 다양한 양식 특징을 비교하는 새로운 다중 모드 특징 추출(MFE) 프레임워크를 제안했습니다. 조정. 실험 결과는 이 방법이 단백질-리간드 결합 친화도를 예측하는 데 있어 최첨단 성능을 달성한다는 것을 보여줍니다. 또한 절제 연구는 이 프레임워크 내에서 단백질 표면 정보와 다중 모드 기능 정렬의 효율성과 필요성을 보여줍니다. 관련 연구는 "S"로 시작된다
