ФОРМУЛЮВАННЯ ЗАВДАНЬ ІЗ НАВМИСНИМИ ПАСТКАМИ ДЛЯ ШТУЧНОГО ІНТЕЛЕКТУ З МЕТОЮ ВИКОРИСТАННЯМ У ВИЩІЙ ОСВІТІ

Анотація

У цьому дослідженні пропонується та оцінюється педагогічні аспекти інтеграції генеративного штучного інтелекту в курс роботу з програмної інженерії шляхом перетворення відомих обмежень моделі – галюцинацій, впевненого завершення та виправлення прогалин – на структуровані навчальні можливості. Спираючись на докази того, що великі мовні моделі, як правило, дають плавні, але неперевірені відповіді, метод переосмислює оцінювання як послідовність дій, що вимагають мислення вищого порядку, прозорості процесу та усного захисту. Викладач починає з «початкового» програмного завдання та або діагностує його неоднозначності, або навмисно вводить контрольовані прогалини, щоб створити практичну проблему, яка недостатньо специфікована за дизайном. Потім студенти обирають один із двох шляхів: звернутися до магістра права (LLM), щоб отримати початкове рішення, або самостійно проаналізувати запит, щоб виявити відсутні обмеження. В обох випадках вони повинні запросити роз'яснення, переглянути специфікацію та обґрунтувати вибір дизайну за допомогою тестів та обґрунтувань. Оцінювання враховує якість запитів на роз'яснення, виявлення та пояснення неоднозначностей, правильність та узгодженість кінцевого рішення, та концептуальне володіння, продемонстроване в короткому опитуванні, яке досліджує міркування, а не механіку коду. Приклад – класична таблиця факторіалів в C# – ілюструє, як недостатня специфікація (діапазон, обмеження типів даних, політика помилок, формат виводу та чистота) передбачувано викликає правдоподібні, але дефектні результати LLM (наприклад, контрольні значення, що змішують режими помилок, змішаний ввід/вивід та обчислення, ненадійні перевірки переповнення). Порівняння цього початкового значення з повністю визначеною «виправленою» версією показує, що явні обмеження покращують рівномірне оцінювання, але зменшують можливості для критики припущень ШІ. Навпаки, навмисно пропущена версія найефективніше змушує студентів досліджувати завершення моделі, формулювати вимоги, що перевіряються, та захищати вибір усно. Таким чином, цей підхід сприяє відповідальному використанню ШІ (перевірка, а не повага), зміцнює академічну доброчесність (артефакти процесу та докази авторства на основі viva) та орієнтується на верхні рівні таксономії Блума (аналіз, оцінка та створення). У статті робиться висновок, що завдання з пробілами, орієнтовані на критику, у поєднанні з орієнтованими на процес поданнями робіт та усним оцінюванням пропонують масштабований, орієнтований на людину шлях для навчання комп'ютерній грамотності на базі ШІ та мотивують емпіричні дослідження, що порівнюють результати навчання та доброчесності зі звичайними, повністю визначеними завданнями.