論文の概要: Influence of Personality Traits on Plagiarism Through Collusion in Programming Assignments
- arxiv url: http://arxiv.org/abs/2407.15014v1
- Date: Sat, 29 Jun 2024 10:26:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-28 18:39:09.752469
- Title: Influence of Personality Traits on Plagiarism Through Collusion in Programming Assignments
- Title（参考訳）: プログラミング・アサインメントの協調によるプラジャイナリズムに対する人格特性の影響
- Authors: Parthasarathy PD, Ishaan Kapoor, Swaroop Joshi, Sujith Thomas,
- Abstract要約: 本研究では,ビッグ5の性格特性が2つのホームプログラミング課題におけるプラジャリズムの正当性にどのように影響するかを検討する。
以上の結果から,ビッグファイブの性格的外転特性は肯定的な相関を示し,良心性特性は盗作傾向と負の相関を示すことが明らかとなった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Educating students about academic integrity expectations has been suggested as one of the ways to reduce malpractice in take-home programming assignments. We test this hypothesis using data collected from an artificial intelligence course with 105 participants (N=105) at a university in India. The AI course had two programming assignments. Plagiarism through collusion was quantified using the Measure of Software Similarity (MOSS) tool. Students were educated about what constitutes academic dishonesty and were required to take an honor pledge before the start of the second take-home programming assignment. The two programming assignments were novel and did not have solutions available on the internet. We expected the mean percentage of similar lines of code to be significantly less in the second programming assignment. However, our results show no significant difference in the mean percentage of similar lines of code across the two programming assignments. We also study how the Big-five personality traits affect the propensity for plagiarism in the two take-home assignments. Our results across both assignments show that the extraversion trait of the Big Five personality exhibits a positive association, and the conscientiousness trait exhibits a negative association with plagiarism tendencies. Our result suggests that the policy of educating students about academic integrity will have a limited impact as long as students perceive an opportunity for plagiarism to be present. We explain our results using the Fraud triangle model.
- Abstract（参考訳）: 学生に学術的整合性への期待を教育することは、家庭内プログラミングの課題における誤った実践を減らす方法の1つとして提案されている。
インドにある大学で105人の参加者(N=105)からなる人工知能コースから収集したデータを用いて、この仮説を検証した。
AIコースには2つのプログラミング課題があった。
共謀によるプラジャリズムは、ソフトウェア類似度測定(MOSS)ツールを用いて定量化された。
学生は、学業上の不利益を構成するものについて教育を受け、第二のホームプログラミングの開始前に名誉な誓いをしなければならない。
2つのプログラミング課題は新しく、インターネット上で利用できるソリューションがなかった。
同様のコードの平均パーセンテージは、第2のプログラムの割り当てで大幅に低下すると予想しました。
しかし,本研究の結果は,2つのプログラミング課題において,類似するコード行の平均パーセンテージに有意な差は認められなかった。
また,ビッグ5の性格特性が2つのテイクホーム課題における盗作行為の正当性にどのように影響するかについても検討した。
両課題にまたがる結果から,ビッグファイブの性格の転向特性は肯定的な相関を示し,良心性特性は盗作傾向と負の相関を示すことが明らかとなった。
以上の結果から,学生が盗作の機会を享受できる限り,学術的整合性について学生に教育する方針は限定的な影響を与えることが示唆された。
フラッド三角形モデルを用いて結果を説明する。
関連論文リスト
- Code Interviews: Design and Evaluation of a More Authentic Assessment for Introductory Programming Assignments [15.295438618760164]
本稿では,家庭内プログラミングの課題に対する,より正確な評価手法であるコードインタビューについて述べる。
コードインタビューは、学生に自分の仕事について議論するよう促し、よりニュアンスな、時には反復的な洞察を動機づけた。
我々は、学生体験、学術的整合性、作業負荷の教育など、コードインタビューの設計に関するさまざまな決定について論じる。
論文 参考訳（メタデータ） (2024-10-01T19:01:41Z) - Implicit Personalization in Language Models: A Systematic Study [94.29756463158853]
インプリシトパーソナライゼーション (IP) は、入力プロンプト内の暗黙の手がかりからユーザの背景を推測する言語モデルの現象である。
この研究は、厳密な数学的定式化、多面的道徳的推論フレームワーク、そして一連の事例研究を通じて、IPを体系的に研究する。
論文 参考訳（メタデータ） (2024-05-23T17:18:46Z) - Plagiarism and AI Assistance Misuse in Web Programming: Unfair Benefits
and Characteristics [0.0]
分類された提出物は、色や識別子名のような自明な面を除いて、独立したものに似ている。
学生は、AIアシスタントは適切な使用の承認があれば有用であると信じているが、ソリューションの可読性と正確性には納得していない。
論文 参考訳（メタデータ） (2023-10-31T00:51:14Z) - Does Starting Deep Learning Homework Earlier Improve Grades? [63.20583929886827]
宿題を早く始め、より多くの時間を費やしている学生は、宿題の成績が良くなるはずだ。
既存の文献が宿題に費やした時間の影響は明確ではなく、主にK-12教育から来ている。
我々は,学生の成功に対する影響を原則的に結論付けるために,階層的ベイズモデルを構築した。
論文 参考訳（メタデータ） (2023-09-30T09:34:30Z) - Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。
標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。
Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
論文 参考訳（メタデータ） (2022-11-16T10:00:23Z) - Label Matching Semi-Supervised Object Detection [85.99282969977541]
半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。
ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。
本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-14T05:59:41Z) - Plagiarism deterrence for introductory programming [11.612194979331179]
クラス全体の統計的特徴は直感的な新しいp値によって学生と明確に共有することができる。
圧縮に基づく類似度検出アルゴリズムは、代入間の関係をより正確に捉える。
無バイアスのスコアリングシステムは、学生とインストラクターが真の努力の独立を理解するのを助ける。
論文 参考訳（メタデータ） (2022-06-06T18:47:25Z) - Measuring Plagiarism in Introductory Programming Course Assignments [0.0]
本稿では,C++で記述された入門プログラミングコースにおける盗作の方法とその検出について論じる。
3つのトークンベースの類似性メソッドを機能として使用し、そのソリューションがプラジャイズされているかどうかを予測する一般的なフレームワークが開発されている。
F1スコアはオリジナルおよび合成データセットで0.955と0.971を達成した。
論文 参考訳（メタデータ） (2022-04-29T17:06:26Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z) - Enforcing Consistency in Weakly Supervised Semantic Parsing [68.2211621631765]
本稿では,関連する入力に対する出力プログラム間の整合性を利用して,スプリアスプログラムの影響を低減することを提案する。
より一貫性のあるフォーマリズムは、一貫性に基づくトレーニングを必要とせずに、モデルパフォーマンスを改善することにつながります。
論文 参考訳（メタデータ） (2021-07-13T03:48:04Z) - Effects of Human vs. Automatic Feedback on Students' Understanding of AI
Concepts and Programming Style [0.0]
自動階調ツールの使用は、大規模な学部プログラミングコースにおいてほぼどこでも行われている。
コンピュータによるフィードバックと人間によるフィードバックを受け取った場合、生徒の成果を直接比較するデータは比較的不足している。
本稿では,90名の生徒を2つのフィードバックグループに分割し,2つのコホートのパフォーマンスの違いを分析することで,このギャップを解消する。
論文 参考訳（メタデータ） (2020-11-20T21:40:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。