ChatGPT 能成功完成所有測試的 Qiskit 量子程式作業
arXiv - Computers and SocietyAlexei Kaltchenko, Gurnivaj Tiwana
研究發現即便採用個人化參數與執行導向的設計，ChatGPT 仍能完全破解量子程式作業。
AI 幫你先抓重點
AI 重點 1
單純增加作業複雜度或個人化參數已不足以防禦 AI 抄襲
滑鼠懸停看 AI 判斷理由
過去認為透過改變參數（Seeds）能增加作弊難度，但研究證明只要邏輯結構不變，AI 仍能輕易推導。這提醒教育者，防禦策略必須從「改變題目」轉向「改變評量維度」。
AI 重點 2
評量模式必須從「產出結果」轉向「展現理解過程」
滑鼠懸停看 AI 判斷理由
當 AI 能完美產出正確的程式碼與結果時，單純的結果導向評量已失效。教育者需引入口試、預測任務或監督下的修改，才能真正驗證學生的自主學習與知識掌握程度。
核心研究發現
- 1
研究測試了三種包含個人化參數與模擬器執行的 Qiskit 作業包，結果顯示 ChatGPT 在 150 次對話測試中，所有生成的作業皆能通過自動評分系統。
- 2
實驗中沒有任何一次需要修改操作員代碼或修正量子邏輯，顯示目前的作業設計對於生成式 AI 缺乏抵抗力。
- 3
即便作業設計包含隱藏參考值與電路指標，只要任務結構可由可見邏輯推導，AI 就能在學生幾乎不參與的情況下完成任務。
對教育工作者的啟發
面對生成式 AI 的挑戰，課程設計者不應採取「禁止使用」的消極策略，而應重新定義評量架構。建議將評量重點從「提交正確的程式碼」轉移到「解釋決策過程」。具體做法包括：1. 引入口試辯護（Oral Defense）以確認學生理解邏輯；2. 要求學生進行預測任務（Prediction Tasks），在執行前先預測結果；3. 設計需要「知識遷移」的任務，要求學生將概念應用於新情境；4. 結合監督下的實作修改，觀察學生如何應對錯誤，從而確保評量能真正反映學生的自主學習能力。
原始文獻資訊
- 英文標題：
- ChatGPT Solves All Tested Qiskit Homework Assignments
- 作者：
- Alexei Kaltchenko, Gurnivaj Tiwana
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。