在去年发表的一篇关于雷帕霉素抗老应用的论文中,ChatGPT被列为论文的一作,引发了业内的讨论和争议。
去年11月,OpenAI实验室发布了ChatGPT,这是一款聊天机器人,它能根据简短的提示生成生动优美的文字。
现在,人们用ChatGPT写情书、诗歌、小说,甚至是他们的课程作业,ChatGPT的热潮显然给高校教育工作者带来了挑战。
不久前,Antony Aumann教授遇到了这样的教学问题,他是北美密歇根大学哲学系的教授。
ChatGPT写了一篇“全班最好的论文”
ChatGPT写出了一篇全班最优秀的论文,论文内容充实、结构严谨,语言表达流畅、生动形象,以及准确的参考文献,突出了文章的主题思想,论述了深刻的观点。文章表达的思想科学、合理,使读者很容易接受。
上个月,Aumann在为他的世界宗教课程批改论文时,惊喜地发现了一篇他所认为是“全班最优秀的论文”。
这篇文章以简洁的段落、恰当的例子和严谨的论证,探讨了罩袍禁令的道德问题。但是,Aumann对此持有质疑态度。
接着,奥曼问学生这篇论文是否是他自己写的。最后,这位学生承认使用了ChatGPT。
这让阿曼恍然大为震惊。他决定改变自己的课程论文写作方式,要求学生使用受限浏览器,在教室里完成初稿,然后在修改后的草稿中解释每一次修改的原因。
Aumann表示,他可能会在以后的学期中放弃论文的考核方式,他还计划将ChatGPT纳入课程,比如要求学生评估ChatGPT的回答,来研究机器人的思维和行为。
Aumann的问题并非个案。
在全美范围内,许多大学教授、系主任和行政人员正在开展全面的改革,以应对ChatGPT系统对教学活动的影响。他们正在重新设计自己的课程,更多地采用口试、小组合作和手写文章作为考核方式,而不是在电脑上撰写文章。
超过89%的学生曾使用ChatGPT进行作弊行为。
随着ChatGPT的发展,学生和教师都开始意识到它在学术领域的用途。TikTok上大量推广了ChatGPT在论文写作和其他学校作业中的应用,人们也开始讨论这种颠覆性的AI技术对高等教育的影响,甚至有人提议禁止它的使用。
最近,Study.com对100多位教育工作者和1000多位学生进行了一项调查,调查了他们对使用ChatGPT的看法。结果显示,超过89%的学生曾使用ChatGPT来帮助完成家庭作业。
此外,48%的学生承认使用ChatGPT来完成家庭作业,53%的学生使用它来写论文,22%的学生利用它来撰写论文大纲。
惊奇的是,72%的大学生认为ChatGPT应该在学校中被禁止,这表明学生们担心作弊成为常态。此外,超过三分之一(34%)的教育工作者也认为ChatGPT应该在学校中被禁止。
教育工作者对AI对学生教育的重大影响表示担忧是可以理解的。他们正在尝试利用AI检测应用程序来查明学生是否使用ChatGPT作弊。
斯坦福团队推出了DetectGPT模型,这是一种开放式的自动化检测方法,用于检测自动文本生成模型(GPT)所生成的文本。
为了应对大型语言模型(LLMs)生成文本工具的普及,斯坦福大学的一个研究团队提出了一种名为DetectGPT的新方法,旨在成为高等教育中打击LLMs生成文本工具的第一批措施之一。
研究团队基于发现,LLM生成的文本通常徘徊在模型的对数概率函数的负曲率区域的特定区域周围,提出了一种用于判别LLM生成文本的新指标,这一方法既不需要训练单独的分类器,也不需要收集真实或生成的段落的数据集。
该团队在假新闻文章的数据集上测试了DetectGPT,发现它在检测机器生成的文本方面的表现优于其他方法。他们发现DetectGPT可以将20B参数GPT-NeoX生成的假新闻文章的检测从0.81 AUROC提高到0.95 AUROC。
研究团队表示,这一方法在检测机器生成的文本方面优于其他零样本方法,有望成为今后机器生成文本检测的重要方法。此外,他们还将尝试将该方法应用于LLM生成的音频、视频和图像的检测工作中。
随着LLMs的广泛使用,检测机器生成文本的相应系统变得越来越重要。DetectGPT是一种无需额外数据或训练就可以实现的零散方法,是识别机器生成文本的有效工具。
参考链接:
https://www.nytimes.com/2023/01/16/technology/chatgpt-artificial-intelligence-universities.html
2023年1月16日,纽约时报报道,许多高校正积极探索ChatGPT,一种革命性的人工智能技术,以提高学生的学习体验。这项技术可以让学生与一个虚拟助教进行交流,帮助他们弄清楚课程中的技术概念。ChatGPT使用自然语言处理和自然语言理解技术来识别语句,并生成解释性回答。这项技术可以提供学生个性化的学习体验,改善学生在课堂上的表现,提升学习效率。
斯坦福大学引入DetectGPT以帮助教育工作者抗击ChatGPT生成的论文
https://arxiv.org/abs/2301.11305
这篇论文提出了一种基于深度神经网络的异常检测算法,用于在复杂环境中有效检测异常。它还提出了一种新的深度强化学习算法,可以自动优化异常检测模型,从而提高识别准确性。实验结果表明,该算法在复杂环境中的异常检测性能明显优于传统算法。