讓學生免費使用的Copilot,即將淪為程式設計考試作弊神器
Copilot 是由微軟、OpenAI、GitHub 三家共同打造的 AI 程式輔助工具。今年早些時候,Copilot 已被整合到 Visual Studio 2022 中。此外,GitHub 還有一個專門的校園計劃,可以讓學生免費獲得這款程式設計神器。
不過,負面效應接踵而至:Copilot 在一項測驗中展現出強大的能力,以至於它可能被用作程式設計考試作弊工具。
來自馬薩諸塞大學阿默斯特分校計算機科學系的教授Emery Berger 本月早些時候發表了一篇博文警告教育工作者,他說,「配備Copilot 的學生就好像自備神器參加程式設計考試。」
#假設你讓CS 的入門學生寫一個迭代的Python 程式,輸出從1 到N 的所有數字的和。擁有Copilot 的學生只需要將問題語句複製為註解並貼上到IDE 中,然後輸入函數定義「def output_sum(N):」並按Tab 鍵就可以獲得剩下的內容(加粗部分都是Copilot 產生的)。
他擔心 Copilot 將使傳統的程式設計練習變得毫無意義,因為 Copilot 知道所有答案。
「據我所知,Copilot 已完成所有入門級程式設計任務的專門訓練」,Berger 寫道。
Berger 也嘲諷地寫道:對於使用Copilot 的學生,教育工作者不妨將他們的課程目標描述為「按下Tab 鍵」,因為只需要這樣一個簡單的操作,學生就能藉助Copilot 輕鬆產生程式碼,完成程式設計題目。
Berger 舉例說明了這種情況,下圖程式碼中粗體部分都是 Copilot 自動補全的,Berger 隻手動輸入了函數名稱和參數。
程式設計在許多電腦科學課程中都扮演著重要角色,尤其是在電腦科學入門課程中,入門級程式設計題目包括數字排序、找到斐波那契數列的第n 個元素等。而這些簡單的程式設計題目似乎難不倒 Copilot。
Berger 說 Copilot 有別於在 Stack Overflow 和其他網路程式設計資源上搜尋答案。因為後者搜尋到的程式碼答案,老師也可以搜尋到,可以使用抄襲偵測器測試學生提交的程式碼。
而Copilot 「實際上是產生了新的解決方案。儘管新方案不會非常優秀,但它看起來和搜尋到的答案有足夠大的差異,以至於讓老師誤解程式碼是學生自己完成的。」
因此,Berger 認為與程式設計相關的教學方法急需改進,並提醒我們:不能掩耳盜鈴,假裝這種「作弊」不存在。
「如果你認為每個人都會克制自己,不去用安裝在電腦上的這個作弊神器,那真的很不合理,或者說很不負責任。它的誘惑太大了。實話實話,可能在不久的未來,軟體開發就會變成這個樣子。」
Berger 承認Copilot 很有用。他說,開發人員想要使用該軟體是有道理的。
「當然,從評估的角度來講,我們可以要求大家在不能用Copilot 的環境下考試。就像要求小學生在做基本算術題時不能用計算器一樣。」
他在伊利諾州的一個同事描述說,他們用的計算機是考試專用的,鎖定了一些功能,所以學生們是在一個受控的環境中參加測試的。他建議說,這些措施,再加上口試之類的方法,可以幫助降低 Copilot 帶來的一些負面影響。
Berger 也發現,Copilot 也有一些正面的方面,例如填寫樣板檔案和實作 API 的能力。
「我覺得記住那些API 的繁瑣細節沒有什麼意思,那不是我們應該教或關注的東西。你知道創建具有這些特徵的DataFrame 的確切語法嗎?我不在乎。如果你能在Google、Stack Overflow 找到這些內容,或是按一下Tab 鍵它們就能出來,我覺得這樣就很好。」他說。
儘管如此,他還是認為,對於教育工作者來說,確定學生確實在學習手中的材料還是很重要的,這可能意味著在計算總分時,要重新考慮用“Copilot”可以解決多少課後作業。
Berger 說,現在就說 Copilot 對學生產生了影響可能還為時過早,因為這款軟體才剛剛對公眾開放了幾個月。但他認為,用不了多久,它的影響就會顯現。
「我對此持樂觀態度,」Berger 說,「但我認為,我們至少要考慮到這一點。我覺得還沒有那麼多的教育工作者意識到這是多麼大的一場革命。」
以上是讓學生免費使用的Copilot,即將淪為程式設計考試作弊神器的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

本站6月27日訊息,剪映是由位元組跳動旗下臉萌科技開發的一款影片剪輯軟體,依託於抖音平台且基本面向該平台用戶製作短影片內容,並相容於iOS、安卓、Windows 、MacOS等作業系統。剪映官方宣布會員體系升級,推出全新SVIP,包含多種AI黑科技,例如智慧翻譯、智慧劃重點、智慧包裝、數位人合成等。價格方面,剪映SVIP月費79元,年費599元(本站註:折合每月49.9元),連續包月則為59元每月,連續包年為499元每年(折合每月41.6元) 。此外,剪映官方也表示,為提升用戶體驗,向已訂閱了原版VIP

透過將檢索增強生成和語意記憶納入AI編碼助手,提升開發人員的生產力、效率和準確性。譯自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。雖然基本AI程式設計助理自然有幫助,但由於依賴對軟體語言和編寫軟體最常見模式的整體理解,因此常常無法提供最相關和正確的程式碼建議。這些編碼助手產生的代碼適合解決他們負責解決的問題,但通常不符合各個團隊的編碼標準、慣例和風格。這通常會導致需要修改或完善其建議,以便將程式碼接受到應

想了解更多AIGC的內容,請造訪:51CTOAI.x社群https://www.51cto.com/aigc/譯者|晶顏審校|重樓不同於網路上隨處可見的傳統問題庫,這些問題需要跳脫常規思維。大語言模型(LLM)在數據科學、生成式人工智慧(GenAI)和人工智慧領域越來越重要。這些複雜的演算法提升了人類的技能,並在許多產業中推動了效率和創新性的提升,成為企業保持競爭力的關鍵。 LLM的應用範圍非常廣泛,它可以用於自然語言處理、文字生成、語音辨識和推薦系統等領域。透過學習大量的數據,LLM能夠產生文本

大型語言模型(LLM)是在龐大的文字資料庫上訓練的,在那裡它們獲得了大量的實際知識。這些知識嵌入到它們的參數中,然後可以在需要時使用。這些模型的知識在訓練結束時被「具體化」。在預訓練結束時,模型實際上停止學習。對模型進行對齊或進行指令調優,讓模型學習如何充分利用這些知識,以及如何更自然地回應使用者的問題。但是有時模型知識是不夠的,儘管模型可以透過RAG存取外部內容,但透過微調使用模型適應新的領域被認為是有益的。這種微調是使用人工標註者或其他llm創建的輸入進行的,模型會遇到額外的實際知識並將其整合

機器學習是人工智慧的重要分支,它賦予電腦從數據中學習的能力,並能夠在無需明確編程的情況下改進自身能力。機器學習在各個領域都有廣泛的應用,從影像辨識和自然語言處理到推薦系統和詐欺偵測,它正在改變我們的生活方式。機器學習領域存在著多種不同的方法和理論,其中最具影響力的五種方法被稱為「機器學習五大派」。這五大派分別為符號派、聯結派、進化派、貝葉斯派和類推學派。 1.符號學派符號學(Symbolism),又稱符號主義,強調利用符號進行邏輯推理和表達知識。該學派認為學習是一種逆向演繹的過程,透過現有的

編輯|ScienceAI問答(QA)資料集在推動自然語言處理(NLP)研究中發揮著至關重要的作用。高品質QA資料集不僅可以用於微調模型,也可以有效評估大語言模型(LLM)的能力,尤其是針對科學知識的理解和推理能力。儘管目前已有許多科學QA數據集,涵蓋了醫學、化學、生物等領域,但這些數據集仍有一些不足之處。其一,資料形式較為單一,大多數為多項選擇題(multiple-choicequestions),它們易於進行評估,但限制了模型的答案選擇範圍,無法充分測試模型的科學問題解答能力。相比之下,開放式問答

本站8月1日消息,SK海力士今天(8月1日)發布博文,宣布將出席8月6日至8日,在美國加州聖克拉拉舉行的全球半導體記憶體峰會FMS2024,展示諸多新一代產品。未來記憶體和儲存高峰會(FutureMemoryandStorage)簡介前身是主要面向NAND供應商的快閃記憶體高峰會(FlashMemorySummit),在人工智慧技術日益受到關注的背景下,今年重新命名為未來記憶體和儲存高峰會(FutureMemoryandStorage),以邀請DRAM和儲存供應商等更多參與者。新產品SK海力士去年在

編輯|KX在藥物研發領域,準確有效地預測蛋白質與配體的結合親和力對於藥物篩選和優化至關重要。然而,目前的研究並沒有考慮到分子表面訊息在蛋白質-配體相互作用中的重要作用。基於此,來自廈門大學的研究人員提出了一種新穎的多模態特徵提取(MFE)框架,該框架首次結合了蛋白質表面、3D結構和序列的信息,並使用交叉注意機制進行不同模態之間的特徵對齊。實驗結果表明,該方法在預測蛋白質-配體結合親和力方面取得了最先進的性能。此外,消融研究證明了該框架內蛋白質表面資訊和多模態特徵對齊的有效性和必要性。相關研究以「S
