این یک نسخه دسترسی اولیه است، نسخه کامل PDF، HTML و XML به زودی در دسترس خواهد بود.
دسترسی آزادمقاله
توسط
مارک اودینگن
مارک اودینگن مدرک کارشناسی ارشد خود را در رشته علوم داده و اطلاعات از دانشگاه TH Köln در a […]
مارک اودینگن مدرک کارشناسی ارشد خود را در رشته علوم داده و اطلاعات از دانشگاه علوم کاربردی TH Köln در سال ۲۰۲۴ دریافت کرد و در حال پیگیری دکترای ریاضیات کاربردی در همان موسسه است. از سال ۲۰۲۲ تا ۲۰۲۴، او به عنوان دستیار پژوهشی در موسسه علوم و مهندسی کامپیوتر در TH Köln کار کرد. علایق تحقیقاتی او شامل هوش مصنوعی قابل توضیح، یادگیری تقویتی، مدل های زبان بزرگ و بهینه سازی است.
۱
،
رافائل سی. انگلهارت
رافائل سی. انگلهارت
رافائل سی. انگلهارت مدرک کارشناسی ارشد خود را در رشته فیزیک از دانشگاه هایدلبرگ دریافت کرد و اکنون […]
Raphael C. Engelhardt فوق لیسانس خود را در رشته فیزیک از دانشگاه هایدلبرگ دریافت کرد و اکنون در حال تحصیل در مقطع دکترا است. در حال حاضر، او دستیار پژوهشی در TH Köln (دانشگاه علوم کاربردی کلن) و کاندیدای دکترا در دانشگاه روهر بوخوم است. علایق تحقیقاتی او شامل محاسبات نورومورفیک، یادگیری ماشینی و به ویژه تقویتی و هوش مصنوعی قابل توضیح است.
۱،
رابین دنز
رابین دنز
رابین دنز مدرک کارشناسی ارشد خود را در روش بررسی از دانشگاه Duisburg-Essen دریافت کرد. […]
رابین دنز مدرک کارشناسی ارشد خود را در روش بررسی از دانشگاه Duisburg-Essen در سال ۲۰۲۰ دریافت کرد و اکنون در حال تحصیل در مقطع دکترا در اپیدمیولوژی و تحقیقات بالینی است. او در حال حاضر به عنوان همکار پژوهشی در دانشگاه روهر بوخوم در بخش انفورماتیک پزشکی، بیومتری و اپیدمیولوژی کار می کند. موضوعات تحقیقاتی او عمدتاً شامل مطالعات روش شناختی مبتنی بر استنتاج علی و نیز اشکال مختلف تحقیقات پزشکی کاربردی است.
۲،
ماکسیمیلیان همر
ماکسیمیلیان همر
۱ و
ولفگانگ کونن
ولفگانگ کونن
ولفگانگ کونن هر دو دیپلم فیزیک تجربی (۱۹۸۷) و دکترا در فیزیک نظری گرفت. […]
ولفگانگ کونن مدرک دیپلم فیزیک تجربی (۱۹۸۷) و دکترا در فیزیک نظری (۱۹۹۰) را از دانشگاه ماینز آلمان دریافت کرد. او اکنون استاد تمام دپارتمان علوم کامپیوتر دانشگاه TH Köln (دانشگاه علوم کاربردی کلن) است. کار او در علوم کامپیوتر منجر به ۱۶۴ انتشار شده است (h-index 26، با بیش از ۴۸۰۰ استناد). وی چهار پایان نامه دکتری و بیش از پنجاه پایان نامه کارشناسی / کارشناسی ارشد را راهنمایی کرده است. علایق تحقیقاتی او شامل هوش مصنوعی، درک چگونگی یادگیری انسان و کامپیوتر، یادگیری ماشین و داده کاوی، یادگیری تقویتی، یادگیری بازی، بهینه سازی، مدل های جایگزین (RBF و Kriging)، پیش بینی سری های زمانی، تشخیص ناهنجاری و بینایی کامپیوتری است.
۱*
۱
دانشکده علوم کامپیوتر و علوم مهندسی، موسسه علوم کامپیوتر کلن، TH Köln، ۵۰۶۷۸ Gummersbach، آلمان
۲
گروه انفورماتیک پزشکی، بیومتری و اپیدمیولوژی، دانشکده پزشکی، دانشگاه روهر بوخوم، ۴۴۸۰۱ بوخوم، آلمان
*
نویسنده ای که مسئول است باید ذکر شود.
هوش مصنوعی ۲۰۲۴، ۵(۳)، ۱۰۶۶-۱۰۹۴; https://doi.org/10.3390/ai5030053 (ثبت DOI)
ارسال دریافت شده: ۲۳ مه ۲۰۲۴
/
بازبینی شده: ۲۳ ژوئن ۲۰۲۴
/
پذیرش: ۲۸ ژوئن ۲۰۲۴
/
تاریخ انتشار: ۲ جولای ۲۰۲۴
خلاصه
در زمان‌های اخیر، مدل‌های زبان بزرگ (LLM) گام‌های مهمی در تولید کد رایانه‌ای برداشته‌اند و خطوط بین کد ایجاد شده توسط انسان و کد تولید شده توسط هوش مصنوعی (AI) را محو کرده‌اند. از آنجایی که این فناوری‌ها به سرعت در حال تکامل هستند، بررسی نحوه تأثیرگذاری آنها بر تولید کد بسیار مهم است، به‌ویژه با توجه به خطر سوء استفاده در زمینه‌هایی مانند آموزش عالی. مقاله حاضر این موضوع را با استفاده از تکنیک های طبقه بندی پیشرفته برای تمایز بین کد نوشته شده توسط انسان و کد تولید شده توسط ChatGPT، نوعی LLM، بررسی می کند. ما از یک رویکرد جدید استفاده می‌کنیم که ویژگی‌های جاسازی قدرتمند (جعبه سیاه) را با الگوریتم‌های یادگیری نظارت‌شده از جمله شبکه‌های عصبی عمیق، جنگل‌های تصادفی، و تقویت گرادیان شدید ترکیب می‌کند تا به این تمایز با دقت چشمگیر دست پیدا کنیم. . برای ترکیب‌های موفق، کالیبراسیون مدل آنها را نیز بررسی می‌کنیم و نشان می‌دهیم که برخی از مدل‌ها بسیار خوب کالیبره شده‌اند. علاوه بر این، ما ویژگی‌های جعبه سفید و طبقه‌بندی‌کننده Bayes قابل تفسیر را برای روشن کردن تفاوت‌های مهم بین منابع کد ارائه می‌کنیم و توضیح‌پذیری و شفافیت رویکرد ما را افزایش می‌دهد. هر دو روش به خوبی کار می کنند، اما حداکثر دقت ۸۵-۸۸٪ را ارائه می دهند. آزمایشات روی نمونه کوچکی از انسان های آموزش ندیده نشان می دهد که انسان ها این کار را خیلی بهتر از حدس زدن تصادفی حل نمی کنند. این مطالعه در درک و کاهش خطرات بالقوه مرتبط با استفاده از هوش مصنوعی در تولید کد، به ویژه در زمینه آموزش عالی، توسعه نرم‌افزار و برنامه‌نویسی رقابتی بسیار مهم است.
به اشتراک بگذارید و استناد کنید
MDPI و ACS Style
اودینگن، ام. Engelhardt، RC; دنز، آر. هامر، م. Konen، W. تشخیص کد ChatGPT: تکنیک هایی برای کشف منبع کد. هوش مصنوعی ۲۰۲۴، ۵، ۱۰۶۶-۱۰۹۴٫ https://doi.org/10.3390/ai5030053
سبک AMA
Oedingen M، Engelhardt RC، Denz R، Hammer M، Konen W. تشخیص کد ChatGPT: تکنیک هایی برای کشف منبع کد. هوش مصنوعی. ۲۰۲۴; ۵ (۳): ۱۰۶۶-۱۰۹۴٫ https://doi.org/10.3390/ai5030053
شیکاگو/سبک تورابین
اودینگن، مارک، رافائل سی. انگلهارت، رابین دنز، ماکسیمیلیان همر، و ولفگانگ کونن. ۲۰۲۴٫ “تشخیص کد ChatGPT: تکنیک هایی برای کشف منبع کد” هوش مصنوعی ۵، نه ۳: ۱۰۶۶-۱۰۹۴٫ https://doi.org/10.3390/ai5030053
معیارهای مقاله
داده‌های متریک مقاله تقریباً ۲۴ ساعت پس از انتشار آنلاین در دسترس می‌شوند.
منبع: https://www.mdpi.com/2673-2688/5/3/53
