Современный образовательный процесс в инженерной области, как правило, включает в себя сдачу домашних заданий в виде программ, которые затем вручную проверяются преподавателем на корректность и признаки списывания.
В некоторых случаях преподаватель может сделать проверку корректности сданного задания полуавтоматической или автоматической, например, с помощью технологии «GitHub Education Autograding», запускающей автоматические тесты на каждое обновление студенческого git-репозитория. Однако проверка наличия плагиата в сданных работах если и производится, то, как правило, вручную, что не только приводит в потере времени преподавателя, но и не всегда находит существующие случаи плагиата.
В то же время существует активно развивающаяся на протяжении последних трех десятилетий научная область, предлагающая ряд вычислительных методов и алгоритмов для численной оценки схожести исходных программных кодов и идентификации наиболее схожих элементов исходных кодов. С практической точки зрения наиболее актуальным и распространенным применением этих методов является повышение качества программного обеспечения, попытка обнаружения программных ошибок и снижение избыточного повторения программных фрагментов. Однако задача проверки программного кода на плагиат хоть и имеет ряд различий с задачами, возникающими при разработке программ, принципиально может быть решена с помощью тех же алгоритмов.
На данный момент существует ряд сервисов, предоставляющих услугу автоматического поиска плагиата. Часть из них используют закрытые, проприетарные алгоритмы без возможности тонкой настройки механизма поиска под конкретную задачу. Многие такие системы поддерживают один или несколько языков без возможности добавления поддержки новых. Кроме того, многие онлайн-сервисы поиска плагиата как правило в первую очередь ориентирована! на тексты естественного языка, а не языка программирования.
В этой работе будет описано проектирование и реализация расширяемой системы, позволяющей автоматически определять характерные признаки плагиата в решения студенческих заданий.
В ходе работы были получены следующие результаты:
• В результате анализа предметной области были сформулированы основные требования к системе.
• Представлено архитектурное описание системы, позволяющее обеспечить выполнение поставленных требований.
• Реализована открытая, расширяемая система, соответствующая всем поставленным функциональным и нефункциональным требованиям, эффективно решающая поставленную задачу.
• Проведена апробация системы в рамках учебного курса по языку Python, подтвердившая работоспособность и полезность системы.
Весь исходный код доступен в виде репозитория на GitHub.
