<li>Feinjustierung der GPT-Parameter für realistische Authentizität und Erkennung</li>
<li>Erstellung und Überarbeitung von Fragebögen für Studierende und Lehrende</li>
<li>Abstimmung der Pilotphase mit Beteiligten: Umfang, Zeitplan, Methodik</li>
<li>Ziel: Validierung der Wirksamkeit unter realen Bildungsbedingungen im SoSe 2025</li>
</ul>
</article>
<articleclass="mb-5">
<h2>Relevanz & Perspektiven</h2>
<ul>
<li><strong>Herausforderung:</strong> Zunahme von KI-generiertem Code untergräbt klassische Plagiatsprüfung</li>
<li><strong>Antwort:</strong> AVERT prüft Verständnis statt nur Code-Inhalte</li>
<li><strong>Langfristiges Ziel:</strong> Förderung von Problemlösekompetenzen und Eigenständigkeit</li>
<li><strong>Technischer Ausblick:</strong> Integration in LMS, adaptive Tutoring-Systeme, skalierbare KI-Fragelogik</li>
<li><strong>Wirtschaftliche Anwendung:</strong> Perspektiven für Weiterbildung & Industrie (z. B. ethisches Coding)</li>
</ul>
</article>
<articleclass="mb-5">
<h2>Meilensteine</h2>
<ul>
<li>M5.1: Automatisches Feedback im Abgabeworkflow (Moodle/Git) – <strong>erreicht</strong></li>
<li>M5.2: Entwicklung von Mustererkennung zur Plagiatsidentifikation – <strong>erreicht</strong></li>
<li>
<li>
<strong>Publikation:</strong> Vintila, F. (2024). <i>AVERT: an LLM-Based Procedure that Interactively Verifies Code Authorship and Evaluates Student Understanding</i>,
Vintila, Florentin (2024): <em>AVERT (Authorship Verification and Evaluation Through Responsive Testing): An LLM-Based Procedure that Interactively Verifies Code Authorship and Evaluates Student Understanding</em>. In: <strong>2024 21st International Conference on Information Technology Based Higher Education and Training (ITHET)</strong>, IEEE, pp. 1–7.
