Как обнаружить AI-сгенерированный код в take-home submission
Почему "AI детекторы" обычно не работают
Инструменты, которые утверждают классифицировать был ли submission кода AI-generated, имеют постоянно слабую точность. Они производят много ложных позитивов (наказывая претендентов, которые happens писать в clean стиль) и много ложных негативов (modern LLMs может произвести idiosyncratic-looking код на request). Acting на их output рискованно.
Надёжное обнаружение приходит от different угла: это не пытается классифицировать artifact. Это сравнивает artifact для процесса, который произвёл его.
Что действительно различает человека от AI submissions
Три сигнала, ни один из них based классифицировании final код:
1. Process trace
Как был код написан? Люди пишут iteratively — функция appears, gets edited, gets переименована, gets bug fix. AI-pasted код arrives в large chunks, часто complete на first appearance. Capture keystroke и edit timeline submission и difference видна.
ClarityHire записывает этот timeline за take-home submissions и surfaces "paste-rate" и "edit-iteration" сигналы, что flag process паттерны inconsistent с hand-written код. Это не обвиняет претендента — это surfaces сигнал для reviewer для probe.
2. Coherence между кодом и объяснением
Претендент, который написал код, может объяснить это специфично. Претендент, который pasted это, не может. Walk-through интервью в end любого take-home одинокий most надёжный detector AI-pasted submissions потому что претендент должна защитить их собственные choices в real time.
Probe специфично: "Почему вы pick этот подход over альтернатива?" "Что was измениться если X were different?" "Walk меня through что happens когда эта функция gets называется с [edge case]." Претендента, который написал это, ответ fluently. Претендента, который pasted это, improvise vaguely.
3. Style consistency
Над multiple submissions или над different части single submission, did стиль stay coherent? Naming, comment стиль, error-handling паттерны. AI submissions часто имеют suspicious internal consistency и suspicious external inconsistency: более uniform чем человек бы написал внутри проекта, более variable чем претендент другой artifacts.
Что делать с сигналом
Никогда не auto-reject. Сигналы вероятностные, и cost ложного позитива высокий — оба ethically и для pipeline.
Используйте их как triage: flagged submission получает более rigorous walk-through. Walk-through resolves это cleanly в almost каждый случай. Если претендент fluently защищает их код, оценка stands. Если они не могут, оценка reflects что они могут защитить.
Это более humane чем black-box классификатор rendering вердикт, и это produces лучше hiring результаты.
Что communicate для претендентов
Скажи им upfront: "Это take-home followed 30-минутой walk-through где вы объяснитe ваш код. Используйте что-либо инструменты помогают вам делать ваш best работа, но be prepared защитить ваши choices."
Претендента, которые могут использовать AI ассистанты effectively как tool и объяснить их собственный работа fluently не люди вы want фильтр из — это как engineers работа в 2026. Фильтр за люди, которые paste без понимания. Walk-through правильный инструмент.
Где это идёт
Detection-based подходы будут continue терять ground против improving LLMs. Process-trace и walk-through подходы будут continue работать потому что они не depend на artifact выглядел different — они depend на претендент relationship для их собственный работа being defensible. Что relationship вы hiring за anyway.