Pravci unapreenja softverskih sistema za detekciju plagijarizma u

Pravci unapređenja softverskih sistema za detekciju plagijarizma u izvornom programskom kodu u akademskom okruženju Marko Mišić (marko. misic@etf. bg. ac. rs) Jelica Protić (jelica. protic@etf. bg. ac. rs) Milo Tomašević (mvt@etf. bg. ac. rs) Zlatibor, februar 2017

Sadržaj � Uvod � Plagijarizam u programskom kodu � Nedostaci postojećih sistema � Paralelizacija � Vizuelizacija � Primena metoda za analizu socijalnih mreža � Zaključak 2/9 23/2/2017

Uvod � Učenje programiranja je zahtevna aktivnost koja se najbolje ostvaruje kroz praktičan rad studenata � Laboratorijske vežbe, domaći zadaci i projektni zadaci � Pojedini studenti se koriste nedozvoljenim sredstvima kako bi tuđa rešenja prikazali kao sopstvena � Pojava plagijarizma � Potrebno uraditi detekciju sličnosti i otkriti plagijate � Različita softverska rešenja i alati � JPlag, Moss � TREND 2014, YUINFO 2015, TREND 2016, YUINFO 2016, IJEE 2016, TELFOR 2016 3/9 23/2/2017

Plagijarizam u programskom kodu � Dodatan posao za nastavno osoblje � Vremenski i fizički zahtevan posao � Prikupljanje i predobrada radova � Poređenje pomoću alata � Ručna inspekcija za finalnu potvrdu 4/9 23/2/2017

Nedostaci postojećih sistema � Uska fokusiranost na detekciju sličnosti � Neadekvatni korisnički interfejsi � Loš prikaz rezultata u slučajevima kolaborativnog plagijarizma � Najčešće samo u vidu HTML stranica sa parovima sličnih radova � Nepostojanje složenije analize rezultata � Skalabilnost u odnosu na porast broja radova i njihove veličine � Cilj – definisati i implementirati ključna unapređenja 5/9 23/2/2017

Paralelizacija � Na nivou organizacije poslova � Na � centralnom procesoru korišćenjem Pthreads grafičkom procesoru korišćenjem CUDA Na nivou RKR-GST algoritma � Dobijena 6/9 ubrzanja 4 -7 x puta 23/2/2017

Vizuelizacija � Predstavljanje rezultata u vidu grafa � Po uzoru na socijalne mreže � Bitno filtriranje po pragu sličnosti 7/9 23/2/2017

Mrežni pristup u analizi rezultata � Metode i metrike za analizu socijalnih mreža � Centralnost po stepenu, relaciona i beta centralnost, koeficijent klasterizacije � Analiza klika i povezanih komponenti � Otkrivanje 8/9 kolaboracija 23/2/2017

Zaključak � Nekoliko pravaca budućeg razvoja � Implementacija produkcionog sistema koji integriše unapređenja � Podrška za širi skup jezika poput Java, Python, PHP � Dodavanje kontekstualnih informacija o studentima iz drugih baza znanja � Ekspertski sistem za podršku odlučivanju 9/9 23/2/2017

Hvala na pažnji! Pitanja? Pravci unapređenja softverskih sistema za detekciju plagijarizma u izvornom programskom kodu u akademskom okruženju Marko Mišić (marko. misic@etf. bg. ac. rs) Jelica Protić (jelica. protic@etf. bg. ac. rs) Milo Tomašević (mvt@etf. bg. ac. rs Zlatibor, februar 2017