[論文レビュー] Assessing AI Detectors in Identifying AI-Generated Code: Implications for Education

Wei Pan, Ming Jie Chok+7 more|arXiv (Cornell University)|Jan 8, 2024

Artificial Intelligence in Healthcare and Education被引用数 6

ひとこと要約

本論文は、AI生成コードに対する5つのAI生成コンテンツ（AIGC）検出器を、13のプロンプト変異を横断してAI生成Pythonコード上で実証的に評価し、5,069サンプルのデータセットを用いて、検出器が人間作成コードとAI生成コードを識別する能力が低く、コードの変異に敏感であることを明らかにしている。

ABSTRACT

Educators are increasingly concerned about the usage of Large Language Models (LLMs) such as ChatGPT in programming education, particularly regarding the potential exploitation of imperfections in Artificial Intelligence Generated Content (AIGC) Detectors for academic misconduct. In this paper, we present an empirical study where the LLM is examined for its attempts to bypass detection by AIGC Detectors. This is achieved by generating code in response to a given question using different variants. We collected a dataset comprising 5,069 samples, with each sample consisting of a textual description of a coding problem and its corresponding human-written Python solution codes. These samples were obtained from various sources, including 80 from Quescol, 3,264 from Kaggle, and 1,725 from LeetCode. From the dataset, we created 13 sets of code problem variant prompts, which were used to instruct ChatGPT to generate the outputs. Subsequently, we assessed the performance of five AIGC detectors. Our results demonstrate that existing AIGC Detectors perform poorly in distinguishing between human-written code and AI-generated code.

研究の動機と目的

• 既存のAIGC検出器がプログラミング課題におけるAI生成コードをどれだけ識別できるかを評価する。
• 多様なコードとプロンプト変異下で検出器の限界を調査する。
• 教育的誠実性の実践と検出器使用に情報を提供する実証データを提供する。

提案手法

• Quescol、Kaggle、LeetCodeから problem descriptions と human-written Python solutions を含む5,069サンプルのデータセットを組み立てる。
• ChatGPTに変種のプロンプトを入力して13のAI生成コードVariantsを作成する。
• 0.5の判断閾値を用いて、5つのAIGC検出器を適用し、コードを人間作成かAI生成かに分類する。
• 全変種にわたり、 accuracy, precision, TPR, FPR, TNR, FNRを用いて検出器を評価する。
• 再現性のための再現パッケージを提供し、アルゴリズム的手順でワークフローを文書化する。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 既存のAIGC検出器はAI生成コードを検出する際にどれだけ正確か。
• RQ2 RQ2: AI生成コードの検出に関して、既存のAIGC検出器の制限は何か。

主な発見

• All five detectors show poor accuracy in distinguishing human-written vs AI-generated code (ACC around 0.5 for several detectors).
• GLTR shows significant sensitivity to variants, with ACC ranging from 0.4841 to 0.7693 across variants.
• DetectGPT improves true negative rate (TNR) by 5–9 percentage points relative to some baselines, but overall remains limited.
• Sapling consistently achieves ACC above 0.6 in many variants, showing relative robustness to certain variants.
• GPTZero and GPT-2 Detector generally hover around baseline performance with low true negative rates in many variants.
• Variant-induced changes (e.g., removing stopwords, naming alterations, dead code) can substantially affect detector performance.