„Codex“ klasėje: 2026 m. vadovas programavimo dėstytojams

2026 m. balandį „OpenAI“ slapta išleido „ChatGPT Edu“ diegimo vadovą pavadinimu Deploying Codex in Higher Education. Per kelias savaites universitetai visoje JAV ir Kanadoje įdiegė „Codex“ ištisuose kompiuterių mokslo departamentuose — visiškai autonominį programavimo įrankį, kuris per mažiau nei šešiasdešimt sekundžių gali perskaityti mokymo programą, sukurti repozitoriją, parašyti gamybai paruoštą kodą, paleisti testus ir pateikti veikiantį sprendimą. Bet kuri užduotis, kurią tipiškam studentui kada nors buvo pavesta atlikti, dabar yra vos per vieną užklausą (prompt) nuo idealaus atsakymo.

Jei dėstote programavimą, jau žinote, kas bus toliau. 2025 m. atlikta didelio universitetinio kompiuterių mokslo kurso bandomoji apklausa parodė, kad daugiau nei 25% studentų pripažino nusirašinėję naudodami DI atliekant programavimo užduotis. Anekdotiniai pranešimai iš algoritmų profesorių vertina tikrąjį skaičių virš 50%. Klausimas nebėra tas, ar studentai naudoja DI — bet ar jūsų užduotys vis dar ko nors moko, kai jie tai daro.

Šis vadovas skirtas programavimo dėstytojams, kurie atsisako visiškai uždrausti DI arba tiesiog atiduoti jam auditoriją. Mes išnagrinėsime, ką iš tikrųjų rodo tyrimai, kokius nusirašinėjimo modelius reikėtų stebėti Python ir JavaScript darbuose, kaip perprojektuoti užduotis taip, kad DI taptų pedagoginiu įrankiu, o ne trumpiausiu keliu, ir kaip tokie įrankiai kaip Plagly.ai padeda jums tikrinti mokymąsi be poreikio vaidinti detektyvą prie kiekvieno kodo pakeitimo (commit).

DI būklė programavimo auditorijose 2026 metais

Trys skaičiai apibrėžia dabartinę krizę. Pirma, paplitimas: 2025 m. liepos mėn. bandomasis tyrimas arXiv platformoje (2507.06438) išmatavo DI pagalbą nusirašinėjant dideliame kompiuterių mokslo kurse ir nustatė, kad daugiau nei ketvirtadalis studentų pat patvirtino pažeidimus — o savarankiški pranešimai beveik visada parodo mažesnį nei realų vaizdą. Antra, kokybės kaina: „CodeRabbit“ 2025 m. gruodžio mėn. analizė nustatė, kad kodas, parašytas kartu su DI, turėjo 1,7 karto daugiau didelių problemų nei žmogaus parašytas kodas, o saugumo spragų dažnumas buvo 2,74 karto didesnis. Trečia, mokymosi kaina: programuotojai keliose neseniai paskelbtose ataskaitose aprašo, kaip jų gebėjimas šalinti klaidas (debugging) išblėso per kelias savaites po perėjimo prie „LLM-first“ darbo procesų.

Andrejus Karpatis įvedė terminą vibe coding 2025 m. vasarį, apibūdindamas naują darbo būdą su LLM — jūs apibūdinate savo ketinimą, priimate tai, ką sugeneruoja modelis, ir siunčiate be skaitymo. Karpatis tai turėjo omenyje kaip pažangos šventę. Per metus tas pats terminas tapo pramonės etikete programuotojų kartai, kuri gali sklandžiai rašyti užklausas, bet negali paaiškinti, ką iš tikrųjų daro jų kodas.

Dėstytojams šis susirūpinimas nėra filosofinis. Jis yra visiškai konkretus: studentai ateina į konsultacijų valandas ir negali paaiškinti kodo, kurį patys atidavė, negali atsekti, kodėl testas patiria nesėkmę, ir negali atlikti intelektualinio darbo, kurį programavimas turėjo juos išmokyti. Užduotis atlikta. Įvertinimas gautas. Mokymasis taip ir neįvyko.

Kaip būtent „Codex“ ir „Copilot“ sprendžia jūsų užduotis

Prieš pradėdami dėstyti DI aplinkoje, turite tiksliai suprasti, ką jis daro gerai, o kur klysta. 2026 m. autonominių programavimo įrankių karta — „OpenAI Codex“, „GitHub Copilot Workspace“, „Claude Code“, „Cursor“ — dalijasi bendru veikimo modeliu. Jie skaito užklausą, planuoja daugiažingsnį darbą, atlieka failų redagavimą visame repozitoriume, paleidžia testus ir keičia kodą, kol testai praeina. Tai kokybiškai skiriasi nuo 2023 m. „Copilot“ automatinio užbaigimo, kuriam pasipriešinti buvo sukurta dauguma mokymo programų.

Ką DI šiandien daro puikiai CS kursuose:

• CS1 ir CS2 užduotys: Ciklai, sąlygos, rekursija, bazinės duomenų struktūros (susieti sąrašai, stekai, eilės, BST). Standartinėse užduotyse „Codex“ ir „Claude Code“ pasiekia daugiau nei 95% testų išlaikymą iš pirmo karto.
• Algoritmų realizacijos iš specifikacijos: Jei nurodoma Dijkstra, A*, KMP eilučių paieška ar bet kuris klasikinio algoritmo pavadinimas, šiuolaikiniai LLM atkuria kanoninę realizaciją beveik pažodžiui.
• Tinklalapių ir mobiliųjų projektų šablonai: CRUD aplikacijos kūrimas su autentifikacija, React skydeliai, Flask API — viena užklausa, veikiantis repozitorius, dažnai sustruktūruotas geriau, nei rašo dauguma studentų.
• SQL užklausos ir schemų projektavimas: Net dviprasmiškos specifikacijos anglų kalba duoda teisingas, idomatiškas SQL užklausas.
• Kodo vertimas: Java sprendimo konvertavimas į Python, procedūrinio kodo pertvarkymas į OOP, C perkėlimas į Rust — beveik tobulai visose kalbų porose.

Kur DI vis dar reguliariai klysta:

• Specifinės kurso konvencijos: Jei jūsų CS1 naudoja pritaikytą grafikos biblioteką Turtle, savitą testavimo aplinką arba stiliaus gaires su unikaliomis įvardijimo taisyklėmis, DI išvestis iškart nukryps nuo reikalavimų. Tyrėjai parodė, kad „ChatGPT“ sugeneruotos programos dažnai skiriasi nuo vadovėlinio stiliaus pakankamai reikšmingai, kad būtų automatiškai pažymėtos.
• Kelių failų pertvarkymai su paslėptu ryšiu: Autonominiai įrankiai vis dar susiduria su sunkumais, kai teisingas atsakymas reikalauja mąstyti apie apribojimus, išbarstytus failuose, kurių modeliams nebuvo parodyta.
• Mąstymas apie našumą esant griežtiems apribojimams: Paprašykite DI padaryti kodą O(n log n) uždavinyje, kur jis išdavė O(n^2), ir dažnai gausite paviršutinišką reorganizaciją, o ne realią algoritminę pakeitimą.
• Gijų saugumas (thread safety) ir race conditions: LLM kuria kodą, kuris atrodo teisingas, bet turi subtilių gijų saugumo pažeidimų, kurių dažnumas žymiai viršija jų vidutinį klaidų lygį.
• Specifinė matematikos sritis: Skaitinis stabilumas, slankiojo kablelio ribiniai atvejai, pritaikyta fizika ar grafikos matematika. DI čia užtikrintai kuria tikėtinus, bet neteisingus atsakymus.

Jei jūsų dabartinės užduotys visiškai patenka į pirmąjį sąrašą, mokymo programa yra funkciškai pasenusi 2026 metais. Pedagoginis uždavinys yra perkelti vertinimą į antrąjį sąrašą — arba perprojektuoti vertinimą taip, kad pats sprendimo procesas mokytų, o ne atidavimas.

Šeši nusirašinėjimo modeliai, kuriuos reikia stebėti programavimo darbuose

Panašiai kaip kalbų dėstytojai išmoko atpažinti DI sukurtus esė bruožus, CS dėstytojai kuria kodo, parašyto DI, atidavimo modelių katalogą. Dauguma jų pastebimi kiekvienam, kas atidžiai skaito kodą, bet jie lengvai pasislepia tarp šimtų darbų. Tai šeši labiausiai diagnostiniai modeliai, kuriuos pastebėjome tūkstančiuose studentų darbų 2025–2026 metais.

• Stilistinis vienodumas grupėje: Kai dvidešimt studentų grupėje atiduoda sprendimus su identiškais kintamųjų pavadinimais (dažnai result, arr, helper), identiškomis funkcijų signatūromis ir identiškais komentarais (kurie dažnai prasideda „This function...“ arba „Iterate through...“), priežastis retai slypi savarankiškame mąstyme.
• Perteklinis trivialių blokų komentavimas: DI turi tendenciją komentuoti kiekvieną eilutę, įskaitant akivaizdžias operacijas, tokias kaip # increment counter. Žmogaus kodas studento lygiu paprastai išvis neturi komentarų arba turi tik antraštinius komentarus.
• Idiomatiški modeliai virš kurso lygio: CS1 studentas, kuris dar nesimokė list comprehension, atiduoda vienos eilutės list comprehension. Studentas, kuris nematė collections.defaultdict, naudoja jį teisingai. Studentas, kuris nesusidūrė su generatoriais, kuria elementus naudodamas yield. Meistriškumo lygis kode viršija tai, ką apėmė kursas.
• Gynybinis ribinių atvejų valdymas už specifikacijos ribų: DI refleksyviai prideda if not arr: return [] ir tipų patvirtinimą. Tikri studentai užduoties lygiu retai prideda gynybinį patikrinimą, apie kurį jų tiesiogiai neprašė.
• Snake_case iš Stack Overflow stiliaus, sumaišytas su camelCase: Mokomieji duomenys DI turi abu požiūrius; streso metu jis kartais sumaišo juos viduryje failo. Studentas, kuris visą semestrą rašė snake_case, staiga nepridės currentNode viduryje metodo.
• Testas konsultacijų valandomis: Patikimiausias įrankis — žmogiškasis. Paprašykite studento paaiškinti kodą — paaiškinti, kodėl naudojamas šis ciklas, kodėl pasirinktas šis bazinis atvejis, kas nutinka, jei įvestis yra tuščia. Studentai, kurie rašė kodą patys, gali atsakyti. Studentai, kurie sugeneravo jį užklausa, negali.

Pedagoginis klausimas: DI kaip tutorius ar DI kaip problemų sprendėjas?

Svarbiausia pedagoginė įžvalga 2026 metams yra ta, kad DI neprivalo būti mokymosi priešas. Jis gali būti jo geriausias stiprintuvas — bet tik tada, kai jis pozicionuojamas kaip sokratiškas tutorius, o ne problemų sprendėjas. Tas pats modelis, kuris rašo idealų sprendimą, gali atsisakyti rašyti jį ir vietoj to paklausti jūsų, kokią duomenų struktūrą naudotumėte, kodėl brutalaus jėgos (brute-force) metodas gali būti per lėtas arba kokį invariantą tikitės pamatyti savo ciklo pradžioje.

Įrankis AI Tutor iš Code.org, paleistas pagrindinėse Code.org pamokose, iliustruoja šią dizaino filosofiją. Jis sukurtas sokratiškais principais: užduoda klausimus, skatina tyrinėti ir skatina apmąstymus, užuot teikęs gatavus atsakymus. „Microsoft“ restruktūrizavo „Copilot“ tam pačiam tikslui — neseniai atlikti atnaujinimai įdiegė „tutor mode“ užklausas, kontekstinius klausimus ir klaidų šalinimo klausimus vietoj tiesiog automatinio užbaigimo. Kelios universitetų komandos sukūrė specifines kursams sistemas ant tos pačios bazės: Boot.dev, Educative.io ir augantis sąrašas vidinių įrankių institucijose, įskaitant Stanfordą bei Karnegį-Meloną.

Skirtumas tarp DI kaip problemų sprendėjo ir DI kaip tutoriaus — tai skirtumas tarp studento, kuris baigė užduotį su sėkmingu testų išlaikymu, ir studento, kuris baigė užduotį su giliu supratimu, kodėl testai praėjo. Pirmasis studentas gauna tą patį įvertinimą. Antrasis baigia studijas pasiruošęs įsidarbinimui.

Šešios strategijos programavimo užduotims „Codex“ eroje

Dirbdami su dėstytojais nuo CS1 iki baigiamųjų projektų, pamatėme šešias užduočių perprojektavimo strategijas, kurios stabiliai atkuria realų mokymąsi be nusileidimo prie grynai rankinių draudimų ir aptikimo.

• 1. Vertinimo perkėlimas į asmeninį verifikavimą. Labiausiai efektyvus vienintelis žingsnis — reikalauti penkių minučių žodinio gynimo kiekvienai netrivialiai užduočiai. Studentai žodžiu paaiškina kodą, modifikuoja jį vietoje reaguodami į nedidelę problemos variaciją ir atsako į vieną ar du papildomus klausimus. Tai atskleidžia viską: DI trumpiausią kelią, dalinį supratimą, per daug glaudų bendradarbiavimą.
• 2. Duoti užduotis kodo skaitymui, o ne tik rašymui. Duokite studentams sugeneruotą DI kodą su subtiliomis klaidomis ir paprašykite juos rasti bei ištaisyti jas. Paprašykite jų kritikuoti kodo dizainą. Paprašykite jų išplėsti jį. DI išvesties skaitymas ir kritika — tai įgūdis, kurį reikalauja darbo rinka ir kurio DI negali padaryti už juos — negalite priversti DI gerai įvertinti savo paties kodą.
• 3. Apdovanoti procesą, o ne rezultatą. Reikalaukite kodo pakeitimų istorijos (commit history), kuri rodo realų nuolatinį darbą: nesėkmingi testai, tarpiniai kodo pertvarkymai, klaidų šalinimo sesijos. Idealus pirmasis kodo pakeitimas be istorijos — tai DI markeris.
• 4. Pertvarkyti testus atsparumui DI. Paslėpti testavimo atvejai, tiriantys ribinius atvejus, kuriuos DI paprastai praleidžia (ribinės sąlygos, off-by-one atvejai, našumo limitai), apdovanoja kruopštų mąstymą, net kai DI pateikė pirmąjį sprendimą.
• 5. Naudoti DI aiškiai užduotyje. Pažangiausi dėstytojai kuria užduotis, kur studentai turi rašyti užklausas DI, vertinti jo išvestį, nustatyti klaidas ir atiduoti tiek sugeneruotą DI juodraštį, tiek savo ištaisytą versiją — su analize, kas buvo negerai. Tai paverčia nusirašinėjimo įrankį mokymo programos dalimi.
• 6. Verifikuoti autentiškumą atiduodant. Tokie įrankiai kaip Plagly.ai analizuoja atiduodamus kodus dėl DI generavimo modelių, stilistinių anomalijų sakinių lygyje ir rašymo parašų. Kartu su žmogiškaisiais patikrinimais aukščiau tai suteikia jums patikimą verifikacijos lygmenį be vertinimo pavertimo kriminalistine analize.

Kaip verifikacija atrodo praktikoje

Dauguma dėstytojų, su kuriais dirbame, nenori tikrinti kiekvieno darbo po mikroskopu. Jie nori patikimumo patikrinimo, kuris išskiria didelio pasitikėjimo atvejus, vertus pokalbio. Darbo eiga, kuri veikia praktikoje, yra labai paprasta:

• Darbų nuskaitymas: Kiekviena pateikta užduotis praeina DI aptikimo etapą, kuris grąžina pasitikėjimo įvertinimą ir vėliavėles sakinių (arba eilučių) lygyje. Plagly.ai atlieka šią analizę su 99% tikslumu įvairiose modelių šeimose, įskaitant GPT-5.5, Claude 4.6 ir Gemini 3.1.
• Modelių tikrinimas grupės lygiu: Kai aštuoni darbai grupėje turi vienodas idiomatiškas frazes, vienodą komentarų stilių, vienodą gynybinio kodo šabloną, jūs pažymite grupę peržiūrai.
• Tikslinis pokalbis konsultacijų valandomis: Studentų, kurie pateko po įtarimu, prašoma paaiškinti kodą asmeniškai. Šis pokalbis trumpas ir beveik visada lemiamas.
• Audituojamos tarybos ataskaitos: Agentic Council iš Plagly.ai paleidžia pateiktą darbą per septynis ekspertinius modelius (rašymo kokybė, faktų tikrinimas, citavimas, struktūra, DI aptikimas, dalykinė sritis, poveikis) ir sugeneruoja ataskaitą su nuorodomis, kurią prireikus galite pridėti prie drausminės bylos.

Ko ši darbo eiga nedaro — ji nepakeičia dėstymo. Verifikacijos lygmens tikslas yra atlaisvinti jūsų dėmesį toms užduotims ir studentams, kuriems to tikrai reikia — smalsiems, tiems, kurie susiduria su sunkumais, tiems, kurie naudoja DI išmintingai, bet vis tiek reikalauja žmogaus procese.

Ką tai reiškia mokymo programų dizainui kitais metais

Jei paimsite vieną dalyką iš šio vadovo, paimkite tai: užduotys, kurios atrodo labiausiai pažįstamos iš jūsų 2022 metų mokymo programos — tai tos, kurios turi blogiausią signalą 2026 metais. Įprasta CS1 seka — ciklai, sąlygos, rekursija, duomenų struktūros, rūšiavimo algoritmai — tai būtent ta teritorija, kur DI veikia laisviausiai. Studentai, naudojantys „Codex“ šiems uždaviniams, nieko nesimoko. Studentai, kuriems draudžiama naudoti „Codex“ šiems uždaviniams, dažnai piktinasi apribojimu ir vis tiek jį naudoja.

Mokymo programa, kuri laikosi — tai ta, kuri laisvą DI valdymą traktuoja kaip kurso tikslą. Studentai turi išmokti rašyti geras užklausas, kritiškai vertinti DI rezultatus, šalinti klaidas iš DI sugeneruoto kodo ir atpažinti, kada DI įtikinamai klysta. Jie taip pat turi demonstruoti asmeniškai arba su priežiūra, kad gali mąstyti apie kodą be DI pagalbos — ne todėl, kad darbo rinka to reikalaus (dažniausiai ne), bet todėl, kad kognityvinis gebėjimas programuoti — tai tai, už ką darbdaviai vis dar moka, ir tai, ko absolventams reikia norint išaugti iki lyderio vaidmenų po penkerių metų.

Dėstytojai, kurie sėkmingai atlieka šį perėjimą, — tai ne tie, pas kuriuos griežčiausi DI draudimai. Tai tie, kurie perstatė savo vertinimą aplink du klausimus: Ar studentas gali paaiškinti kodą savo žodžiais? ir Ar studentas gali modifikuoti kodą, kai užduotis keičiasi? Visa kita — sintaksę, šabloninį kodą, mechaninį modelį — apdoroja DI, ir užtikrintai apdoroja darbo rinka studentui. Dėstymo dalis neišnyko. Ji tiesiog pakilo į aukštesnį abstrakcijos lygį.

Dažnai užduodami klausimai

Ar DI detektoriai tikrai gali aptikti DI sugeneruotą kodą?

Taip, su tam tikromis išlygomis. Tie patys statistiniai signalai, kurie aptinka DI prozą — perplexity, burstiness, stilometriniai parašai — taikomi ir kodui, su kai kuriais skirtumais. Kodas turi labiau ribotą sintaksę nei natūrali kalba, todėl analizė žodžių lygyje yra mažiau informatyvi, bet jis turi stipresnius struktūrinius signalus: kintamųjų įvardijimo modeliai, komentarų tankumas, idiomatiški pasirinkimai ir bibliotekų naudojimas. Aukštesnio lygio daugiamodeliai detektoriai, tokie kaip Plagly.ai, paprastai pasiekia 90-95% tikslumą atskiruose kodo darbuose ir žymiai viršija 95%, kai įtraukiama modelių analizė grupės lygiu.

Kas nutinka su studentais, kurie teisėtai naudoja DI kaip tutorių?

Verifikacijos lygmuo nėra skirtas bausti už tai. Studentas, kuris naudojo DI koncepcijos supratimui, o po to parašė savo sprendimą, sukurs kodą, kuris nesutampa su DI generavimo modeliais eilučių lygyje. Aptikimo signalas — „šis kodas parašytas DI“, o ne „šis studentas kalbėjo su DI“. Jei jūsų kurso politika leidžia DI kaip tutorių, darbo eiga tęsiasi — jūs vertinate atiduotą rezultatą, o ne studento darbo procesą.

Kaip man susitvarkyti su klaidingai teigiamais rezultatais (false positives) studentų parašytame kode?

Klaidingai teigiami rezultatai aptinkant kodą dažniausiai kyla tada, kai studentai rašo kodą labai „vadovėliniu“ stiliumi, kuris atsitiktinai sutampa su modeliais, kuriuos paprastai generuoja DI. Apsauga čia yra tokia pati, kaip ir aptinkant prozą: nevertinkite aukšto balo kaip nuosprendžio. Naudokite balą kaip atspirties tašką pokalbiui konsultacijų valandomis. Studentas, kuris parašė savo kodą, gali jį paaiškinti. Studentas, kuris sugeneravo jį užklausa, negali. Pokalbis beveik visada išsprendžia klausimą; balas — tai tik trigeris.

Ar verta visiškai uždrausti DI CS kursuose?

Dauguma institucijų, kurios bandė įvesti visiškus draudimus 2023–2024 metais, juos atšaukė. Draudimai buvo neįgyvendinami, varė DI naudojimą į pogrindį ir kūrė absolventus, kurie buvo nekvalifikuoti ir nemokėjo naudotis įrankiais, kurių iš jų tikisi darbdaviai. Atsirandantis konsensusas yra tas, kad teisingas atsakymas yra struktūruotas, skaidrus DI naudojimas kartu su vertinimo perprojektavimu, kuris užtikrina realų mokymąsi po paviršiumi. Draudimai be perprojektavimo duoda blogiausią rezultatą iš abiejų pasaulių.

Ar tas pats aptikimas gali veikti Java, C++, Rust, Go ir kitoms kalboms?

Taip. Aptikimo signalai (stiliaus parašai, komentarų modeliai, idiomatiški pasirinkimai) principu nepriklauso nuo kalbos. Aptikimo kokybė skiriasi priklausomai nuo kalbos remiantis mokomųjų duomenų balansu — aptikimas Python ir JavaScript yra stipriausias, o Java, TypeScript, C++, Rust ir Go eina visai šalia. Mažiau paplitusioms kalboms (OCaml, Elixir, Crystal) aptikimas vis tiek veikia, bet tikslumas krenta keliais procentiniais punktais. Plagly.ai palaiko visas pagrindines kalbas, kurios dėstomos baziniame ir pažengusiame kompiuterių mokslo švietime.