基于代码相似度的隐含学生行为模式挖掘.pdfVIP

第6 期 计 算 机 教 育 90 2017 年6 月10 日 Computer Education 教育与教学研究 文章编号 ：1672-5913(20 17)06-0090-05 中图分类号：G642 基于代码相似度的隐含学生行为模式挖掘 徐雅静，李 通，刘玉涛 （北京邮电大学 信息与通信工程学院，北京100876） 摘 要：针对学生在编程中出现的代码拷贝问题，提出用一种改进的分段最长公共子序列匹配算法分 析代码相似度，进一步挖掘隐藏在相似代码背后的学生之间合作关系以及行为模式，对于如何了解、 干预和避免学生抄袭行为的扩散以及正确评价学生的编程能力进行积极有益的探索。 关键词：代码相似度；行为模式挖掘；合作关系挖掘；LCS（大于3个，小于8个） 0 引 言 效检测代码的相似度。 计算机编程类课程一直以来面临一个难以解 1 代码相似度检测 决的问题——代码拷贝问题，该问题严重影响教 师对于教学中学生程序设计能力和编程实践水平 计算机教学中代码算法复杂度及代码长度相 的评估，进而影响教师有效针对学生编程情况的 对有限，对于同一题目会有大量学生进行算法设 一系列教学设计。随着计算机科学在人工智能、 计和编程。学生常用的10 种抄袭手段包括逐字 程序理解等领域的发展，各种代码相似度检测的 拷贝、更改注释语句、更改空白区域、重新命名 方法相继提出，如基于Token 比较的方法[1] 、基 标识符、改变代码块的顺序、改变代码块中语句 [2] [3] 的顺序、改变表达式中操作符和操作数的顺序、 于文本检测的方法 、基于语法树 的方法、基 于依赖关系图的方法[4] 等，这些方法在检测类 更改数据类型控制逻辑、增加冗余的语句和变 型、时间复杂度等方面都存在不同程度的局限 量、用等价的控制结构替换原有控制结构[6] 。我 性[5] 。因此，我们提出一种针对轻量级代码检 们通过分析学生代码，发现其中较为高级的代码 测的可忽略间隙的分段最长公共子序列 （gapped 拷贝形式 “用等价的控制结构替换原有控制结 and segmented longest common sequence, GS-LCS ） 构”应该不属于抄袭。基于上述分析，我们提出 算法，该方法考虑了学生代码拷贝的习惯，能有 的GS-LCS 算法步骤如图1 所示。 预处理 标准化 Hash GS-LCS 算法 计算相似度 源文件 初始化 生成匹配表 回溯 更新 图 1 代码相似度检测流程 1.1 预处理、标准化、Hash Hash 3 个步骤将源代码转换为Hash 数字序列， 代码相似度检测流程中的预处理、标准化、 进行CS-LCS 算法的匹配，如图2 所示。 基金项目： 国家自然科学基金资助项目。 第一作者简介：徐雅静，女，副教授，研究方向为机器学习和模式识别，xyj@bupt.edu.cn。 万方数据 第6 期