Security and Authenticity of AI-generated code
Notice bibliographique
Résumé
The intersection of security and plagiarism in the context of AI-generated code is a critical theme through-\nout this study. While our research primarily focuses on evaluating the security aspects of AI-generated code,\nit is imperative to recognize the interconnectedness of security and plagiarism concerns. On the one hand,\nwe do an extensive analysis of the security flaws that might be present in AI-generated code, with a focus\non code produced by ChatGPT and Bard. This analysis emphasizes the dangers that might occur if such\ncode is incorporated into software programs, especially if it has security weaknesses. This directly affects\ndevelopers, advising them to use caution when thinking about integrating AI-generated code to protect the\nsecurity of their applications. On the other hand, our research also covers code plagiarism. In the context\nof AI-generated code, plagiarism, which is defined as the reuse of code without proper attribution or in\nviolation of license and copyright restrictions, becomes a significant concern. As open-source software and\nAI language models proliferate, the risk of plagiarism in AI-generated code increases. Our research combines\ncode attribution techniques to identify the authors of AI-generated insecure code and identify where the code\noriginated. Our research emphasizes the multidimensional nature of AI-generated code and its wide-ranging\nrepercussions by addressing both security and plagiarism issues at the same time. This complete approach\nadds to a more profound understanding of the problems and ethical implications associated with the use of\nAI in code generation, embracing both security and authorship-related concerns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».