


Copilot, yang percuma untuk digunakan oleh pelajar, tidak lama lagi akan menjadi alat untuk menipu dalam peperiksaan pengaturcaraan
Copilot ialah alat bantuan pengaturcaraan AI yang dicipta bersama oleh Microsoft, OpenAI dan GitHub. Copilot telah disepadukan ke dalam Visual Studio 2022 awal tahun ini. Selain itu, GitHub juga mempunyai program kampus khusus yang membolehkan pelajar mendapatkan artifak pengaturcaraan ini secara percuma.
Walau bagaimanapun, kelemahan tidak lama kemudian menyusul: Copilot menunjukkan begitu banyak kuasa dalam satu ujian yang boleh digunakan sebagai alat menipu dalam peperiksaan pengaturcaraan.
Profesor Emery Berger dari Jabatan Sains Komputer di Universiti Massachusetts Amherst menerbitkan catatan blog awal bulan ini memberi amaran kepada para pendidik, dengan berkata, "Pelajar dilengkapi dengan Copilot Ia seperti membawa artifak anda sendiri untuk mengambil peperiksaan pengaturcaraan "
Andaikan anda meminta pelajar CS pengenalan untuk menulis program Python berulang. jumlah semua nombor dari 1 hingga N. Pelajar dengan Copilot hanya perlu menyalin dan menampal pernyataan soalan sebagai ulasan ke dalam IDE, kemudian masukkan definisi fungsi "def output_sum(N):" dan tekan kekunci Tab untuk mendapatkan kandungan yang lain (bahagian yang dicetak tebal adalah semuanya dihasilkan oleh Copilot ).
Dia bimbang Copilot akan menjadikan latihan pengaturcaraan tradisional tidak bermakna kerana Copilot tahu semua jawapannya.
"Untuk pengetahuan saya, Copilot telah menyelesaikan latihan khusus untuk semua tugas pengaturcaraan peringkat permulaan," tulis Berger.
Berger juga menulis secara mengejek: Bagi pelajar yang menggunakan Copilot, pendidik juga boleh menerangkan matlamat kursus mereka sebagai "menekan kekunci Tab" kerana semua yang diperlukan adalah begitu mudah Dengan beroperasi, pelajar boleh menjana kod dengan mudah dan menyelesaikan soalan pengaturcaraan dengan bantuan Copilot.
Berger memberikan contoh situasi ini Bahagian tebal dalam kod di bawah dilengkapkan secara automatik oleh Berger hanya memasukkan nama fungsi dan parameter.
Pengaturcaraan memainkan peranan penting dalam banyak kursus sains komputer, terutamanya dalam kursus pengenalan sains komputer Tahap 1 termasuk pengisihan nombor, mencari unsur ke-n bagi jujukan Fibonacci, dsb. Soalan pengaturcaraan mudah ini nampaknya sukar untuk Copilot.
Berger berkata Copilot berbeza daripada mencari jawapan pada Stack Overflow dan sumber pengaturcaraan Internet yang lain. Kerana jawapan kod yang dicari oleh yang terakhir juga boleh dicari oleh guru, dan mereka boleh menggunakan pengesan plagiarisme untuk menguji kod yang diserahkan oleh pelajar.
Dan Copilot "sebenarnya menjana penyelesaian baharu. Walaupun penyelesaian baharu tidak akan menjadi sangat baik, ia kelihatan cukup berbeza daripada jawapan yang dicari yang Biarkan guru salah faham bahawa kod itu dilengkapkan oleh para pelajar itu sendiri. menipu" tidak mungkin. wujud.
"Jika anda fikir semua orang akan menahan diri mereka daripada menggunakan artifak penipuan yang dipasang pada komputer mereka, itu benar-benar tidak munasabah atau tidak bertanggungjawab. Godaan itu terlalu hebat. Sejujurnya, perisian pembangunan mungkin menjadi seperti ini dalam masa terdekat.” Berger mengakui bahawa Copilot sangat berguna. Beliau berkata adalah masuk akal bahawa pemaju ingin menggunakan perisian itu.
"Sudah tentu, dari sudut penilaian, kita boleh meminta semua orang mengambil ujian dalam persekitaran di mana Copilot tidak boleh digunakan. Ia seperti meminta pelajar sekolah rendah untuk tidak menggunakan kalkulator semasa melakukan masalah asas aritmetik "
Seorang rakan sekerjanya di Illinois menyifatkan bahawa komputer yang mereka gunakan adalah khusus peperiksaan dan mempunyai beberapa fungsi dikunci supaya pelajar membawanya dalam persekitaran terkawal . Beliau mencadangkan bahawa langkah-langkah ini, ditambah dengan kaedah seperti peperiksaan lisan, boleh membantu mengurangkan beberapa kesan negatif Copilot.
Berger juga mendapati terdapat beberapa aspek positif pada Copilot, seperti keupayaan untuk mengisi boilerplate dan melaksanakan API.
"Saya rasa tidak ada gunanya menghafal butiran API tersebut yang membosankan, itu bukan sesuatu yang kita patut ajar atau fokus. Adakah anda tahu sintaks yang tepat untuk mencipta DataFrame dengan ciri-ciri tersebut? Saya tidak peduli. Jika anda boleh Anda boleh mencarinya di Google, Stack Overflow, atau hanya tekan kekunci Tab dan ia akan muncul, yang saya rasa bagus," katanya.
Namun, beliau berpendapat adalah penting bagi pendidik untuk memastikan pelajar benar-benar mempelajari bahan di tangan mereka, yang boleh bermakna apabila mengira markah keseluruhan Kita perlu mempertimbangkan semula jumlah tugasan kerja rumah diselesaikan menggunakan "Copilot".
Berger berkata mungkin terlalu awal untuk mengetahui sama ada Copilot memberi kesan kepada pelajar, kerana perisian itu hanya tersedia kepada orang ramai selama beberapa bulan. Tapi dia rasa tak lama lagi kesannya dapat dirasai.
“Saya optimis mengenainya,” kata Berger, “tetapi saya rasa kita perlu sekurang-kurangnya mempertimbangkannya, saya rasa ramai pendidik belum menyedarinya. Sungguh revolusi.”
Atas ialah kandungan terperinci Copilot, yang percuma untuk digunakan oleh pelajar, tidak lama lagi akan menjadi alat untuk menipu dalam peperiksaan pengaturcaraan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S
