論文の概要: Argus: Academic Integrity in the Era of Generative AI

• arxiv url: http://arxiv.org/abs/2609.36073v1
• Date: Mon, 28 Sep 2026 18:22:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.937027
• Title: Argus: Academic Integrity in the Era of Generative AI
• Title（参考訳）: Argus: ジェネレーティブAIの時代における学術的統合性
• Abstract要約: 本稿では,大学生のCプログラム課題におけるLLM支援学生作業の自動検出システムであるArgusについて述べる。 パーデュー大学の大規模CS2コースで6年間の春学期給付のデータを定量化し分析した。 自動検出システムには、人間のレビューのための構造化プロセスが伴わなければならない、と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid proliferation of large language models (LLMs) in the context of education has introduced significant challenges in enforcement of academic integrity, especially in programming courses. We present Argus, an automated detection system for LLM-assisted student work in undergraduate C programming assignments. Argus integrates behavioral and stylistic indicators to create a holistic picture of the student's progress through an assignment and surfaces anomalies that point to potential misuse of LLM assistance. We quantify and analyze data over six years of Spring semester offerings in a large-enrollment CS2 course at Purdue University using Argus, finding that 45% of enrolled students exhibited patterns consistent with LLM-assisted code development in Spring 2026. To contextualize these results, we analyze the relationship between flagged LLM use and student performance on written, in-person proctored examinations, and find a significant negative correlation. We also explore the problem of mitigating false positives, recognizing that erroneous accusations of academic integrity carry significant consequences for students and instructors alike, particularly in the context of large enrollment courses. We argue that any automated detection system must be accompanied by a structured process for human review. We discuss the consequences for future course design, changing academic policy as these tools become more ubiquitous, and the pedagogical implications of LLM-based tools in computer science education.
• Abstract（参考訳）: 教育の文脈における大規模言語モデル(LLM)の急速な普及は、特にプログラミングコースにおいて、学術的整合性の実施に重大な課題をもたらしている。 本稿では,大学生のCプログラム課題におけるLLM支援学生作業の自動検出システムであるArgusについて述べる。 アルガスは行動指標とスタイリスティック指標を統合し、課題を通して学生の進捗の全体像を作成し、LCM援助の誤用を示唆する異常を表面化する。 その結果,2026年春には,学生の45%がLSM支援コード開発と整合したパターンを示した。 これらの結果を文脈的に分析するために, 書面, 個人, 受験者におけるフラグ付きLLM使用と学生成績の関係を解析し, 有意な負の相関関係を見いだした。 また,学生やインストラクターにとって,特に大規模入学講座の文脈において,誤った学力の告発が重大な結果をもたらすことを認識して,偽陽性を緩和する問題についても検討した。 自動検出システムには、人間のレビューのための構造化プロセスが伴わなければならない、と我々は主張する。 今後のコースデザインの結果、これらのツールがよりユビキタスになるにつれて学術的方針を変えること、およびコンピュータサイエンス教育におけるLLMベースのツールの教育的意味について論じる。

関連論文リスト

• Impacts of Histories and Models on LLM Grading: A Study in Advanced Software Engineering Courses [4.784713411748711]
  本稿では,人間の協調型LLM支援グレーティングワークフローを提案する。 我々は,Grok と GPT の2つの主要な LLM の評価を行った。
  論文  参考訳（メタデータ） (2026-06-07T01:31:23Z)
• LLM Use, Cheating, and Academic Integrity in Software Engineering Education [2.6055991635575446]
  大学教育における暖房は、一般に文脈に依存し、評価設計、制度規範、学生の解釈の影響を受けていると説明される。 本研究では,ソフトウェア工学の学生が大規模言語モデル(LLM)の使用経験を,不適切,不適当,あるいはコースの期待と一致しないものとして記述する方法について検討する。
  論文  参考訳（メタデータ） (2026-03-17T18:48:33Z)
• Can Large Language Models Help Students Prove Software Correctness? An Experimental Study with Dafny [75.55915044740566]
  コンピューティング教育の学生は、ChatGPTのような大きな言語モデル(LLM)をますます利用している。 本稿では,Dafny の形式的検証演習において,学生が LLM とどのように相互作用するかを検討する。
  論文  参考訳（メタデータ） (2025-06-27T16:34:13Z)
• ErrorRadar: Benchmarking Complex Mathematical Reasoning of Multimodal Large Language Models Via Error Detection [60.297079601066784]
  エラー検出におけるMLLMの能力を評価するために設計された最初のベンチマークであるErrorRadarを紹介する。 ErrorRadarはエラーステップ識別とエラー分類という2つのサブタスクを評価している。 2500の高品質なマルチモーダルK-12数学問題で構成され、実世界の学生相互作用から収集される。 GPT-4oの優れた性能は、まだ人間の評価に約10%遅れているため、大きな課題が残っている。
  論文  参考訳（メタデータ） (2024-10-06T14:59:09Z)
• Survey on Plagiarism Detection in Large Language Models: The Impact of ChatGPT and Gemini on Academic Integrity [0.26624014064407714]
  大規模言語モデル(LLM)は、学術的不正行為の急増につながっている。 AIツールが進歩し、ますます人間らしいテキストを生成するようになると、そのようなコンテンツの検出はより困難になる。 この研究はまず、LLMが学術的不正性を高めたことを実証し、その後、学術的盗作に対する最先端の解決策をレビューする。
  論文  参考訳（メタデータ） (2024-06-04T09:38:03Z)
• Analyzing LLM Usage in an Advanced Computing Class in India [4.580708389528142]
  本研究では,大規模言語モデル(LLM)を,大学院生や大学院生が高度なコンピューティングクラスにおけるプログラミング課題に活用することを検討した。 インド大学の分散システムクラスから411名の学生を対象に,総合的な分析を行った。
  論文  参考訳（メタデータ） (2024-04-06T12:06:56Z)
• Evaluating LLMs' Mathematical and Coding Competency through Ontology-guided Interventions [47.83142414018448]
  算術的推論とコード生成という,2つの一般的な推論タスクに注目します。 i) 数学やコーディング問題に対する摂動の一般的なオントロジー, (ii) 摂動を応用するための半自動手法, (iii) 2つのデータセットを紹介する。 混乱した質問に対して、すべてのモデルで大幅なパフォーマンス低下を示します。
  論文  参考訳（メタデータ） (2024-01-17T18:13:07Z)
• SciBench: Evaluating College-Level Scientific Problem-Solving Abilities of Large Language Models [70.5763210869525]
  拡張ベンチマークスイートSciBench for Large Language Model (LLM)を導入する。 SciBenchには、数学、化学、物理学の分野から、さまざまな大学レベルの科学的問題を含むデータセットが含まれている。 その結果、現在のLLMは満足のいく性能を達成できないことが判明し、全体のスコアは43.22%に過ぎなかった。
  論文  参考訳（メタデータ） (2023-07-20T07:01:57Z)

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。