利用LLM個性化安全程式教育
arXiv - Computers and SocietyMatthew Frazier, Kostadin Damevski
利用LLM將安全漏洞注入學生程式碼，提升個人化教學效果
AI 幫你先抓重點
AI 重點 1
LLM可將安全漏洞個性化注入學生程式碼，顯著提升學習相關性與參與度。
滑鼠懸停看 AI 判斷理由
此方法突破傳統教材的通用性限制，使學生能在熟悉的程式碼中直接觀察漏洞，促進深度理解與實務應用。
AI 重點 2
個人化教學雖受學生好評，但量化成效有限，提示需結合其他教學策略與評估機制。
滑鼠懸停看 AI 判斷理由
僅靠個性化示例不足以改變學習成效，需配合元認知提示、實作練習與持續迭代，才能真正提升安全編程能力。
核心研究發現
- 1
學生認為將LLM注入的CWE漏洞嵌入自身程式碼的範例，比傳統教材更具相關性、清晰度與吸引力。
- 2
量化調查顯示，雖有主觀提升，但統計上差異不顯著，提示需進一步優化個人化策略。
- 3
本研究提出的代理式AI框架能自動完成漏洞注入、評估、排序與學習成效生成，證明LLM可用於大規模個性化教材製作。
- 4
在兩門本科課程（71名學生）中實驗，學生完成後項目調查後，收集到豐富的質性與量化數據。
對教育工作者的啟發
教育工作者可利用LLM注入工具，將學生提交的程式碼自動化注入指定CWE漏洞，並透過代理式AI框架完成評估與成效回饋。實務上建議先在小規模課程試點，收集學生回饋後調整漏洞難度與提示語，結合元認知指引與實作練習，形成循環迭代的教學流程。此方法不僅節省教材編寫時間，也能提升學生對安全概念的實際感知與應用能力。
原始文獻資訊
- 英文標題：
- Towards Personalizing Secure Programming Education with LLM-Injected Vulnerabilities
- 作者：
- Matthew Frazier, Kostadin Damevski
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
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。