Время науки - The Times of Science

Топорков Н. М. Toporkov N. M. 2025 17 высок процент ложных срабатываний. Инструменты ИИ не адаптированы к учебным проектам и могут пропускать типичные студенческие ошибки. На основе анализа современных исследований можно сделать вывод, что ИИ-инструменты для анализа кода являются мощным ресурсом для образования, но требуют адаптации. Со стороны преподавателя необходим контроль использования искусственного интеллекта, например применение обязательной ручной проверки сгенерированного кода, перенос акцентов при оценивании сформированных навыков на алгоритмическое мышление, а не на знание синтаксиса. Разработчикам подобных инструментов можно предложить более явно локализовать ошибки в коде и комментировать их на естественном языке. В этом случае ИИ будет выступать в роли помощника преподавателя, репетитора, а не замены программисту. Для проведения исследования рассматривались решения учебных задач по веб-программированию студентов 2 курса факультета компьютерных технологий и прикладной математики КубГУ. Для анализа кода использован следующий промпт: « Ты преподаватель по веб-программированию. Выполни анализ кода, предложенного студентом, укажи слабые и сильные стороны, выполни статистический анализ, оцени работу по ключевым критериям и сформируй итоговую оценку (от 0 до 5 баллов)». Генеративная нейронная сеть DeepSeek (ГНС) отметила сильные стороны решений по критериям структуры и читаемости кода, безопасности и функциональности. Выявлены слабые места и ошибки, например, определение критической проблемы в уязвимости сессии, отсутствие ограничений на попытки входа, отсутствие подтверждения действия перед удалением. Все ошибки указаны явно и включают направления их исправления. Дополнительно ГНС предлагает оптимизацию кода. Далее модель выполнила статистический анализ кода (Рис. 1). Рис. 1. Статистический анализ кода с помощью инструментов ИИ