Введение. Современные технологии существенно облегчают работу людей во всех сферах народного хозяйства. Это касается и сферы образования. Для преподавателя важно обучить студентов важным навыкам, особенно если это касается университетов, которые дают студентов профессиональные навыки. Например, важно не только правильно писать программы, но и соблюдать определённые правила «хорошего стиля» в них.

Однако существует проблема, которая касается любого преподавателя. Обучающихся очень много, что требует значительных временных затрат на проверки их письменных работ преподавателем вручную. Во время проверки работ простые человеческие факторы могут повлиять на объективную оценку качества написанного кода. Однако дать знания всем является его долгом.

Итак, в таком случае выходит наиболее простой выход: осуществлять проверку письменных работ при минимальном участии преподавателя в ней. Лишь благодаря отсканированным копиям работ возможно провести полную оценку и дать конструктивное мнение по поводу работоспособности программы, а также стиля её написания.

Обзор подобных решений. Данная задача не нова и в целом сводится к задаче распознавания рукописного текста. Особенности задачи заключаются в распознавании программного кода, имеющего специфические синтаксис и семантику.

В работе [1] были применены технологии по распознаванию языка программирования в файле с точностью выше 99%. Автор работы реализовал это с применением технологии Keras и Tensorflow. Основной метод заключается в том, что вместо использования word2vec для создания встраивания слов символы квантуются (превращаются в один горячий вектор), а затем документ представляется последовательностью квантованных символов (векторов). По заявлению в документации его проект может быть использован для определения языка через фрагменты кода, и было подготовлено для этого путем разделения файлов на фрагменты. Нейросеть способна распознавать 16 языков, среди них XML, Java, Python, C++, go, PHP, SQL и др.

В работе [2] было представлено исследование на развёрнутую тему по оптимизации и улучшению программного обеспечения путём анализа исходного кода на наличие ошибок. Это допускает разноплановые ошибки, начиная от повышения производительности и энергопотребления и заканчивая отладкой и безопасностью. С применением технологий глубокого обучения это предполагается реальным, но в таком случае необходим правильный выбор в техники реализации, используемой при выполнении данной задачи.

С этой целью было проведено обсуждение последних разработок в области глубокого обучения распознавания исходного кода, анализа кода, и сосредоточиться на методах сопоставления ядра на гетерогенных платформах, выделяя последние результаты, проблемы и возможности их применения в киберфизических системах.

Частой практикой при одобрении merge request’ов в компаниях-разработчиках ПО являются линтеры. Линтеры – это программы, выявляющие стилистические ошибки, которые программист обязан не допускать. Код должен не только качественно работать, но и быть читабельным для будущих исправлений и доработок. В качестве примера рассмотрим способ реализации pipeline с применением линтерами. В работе [3] представлена реализация такого pipeline для внедрения в любительский проект, при котором в каждом push, отправленном на github-сервер, будет произведен ряд шагов. При их исполнении pipeline уведомит пользователя о корректности синтаксиса и стиля кода, а также успешного прогона пакета unit-тестов, если таковые имеются у пользователя в проекте. В этой работе используется внешний линтер cpp-linter, который осуществляет проверку стиля написания программного кода. Это тривиальный пример того, как линтеры используют в промышленном программировании в крупных IT компаниях.

Когда речь заходит о стиле программного кода, важно понимать, что такой опыт не заканчивается на школьных и университетских задачах. Подавляюще большое время при работе в компании уделяется изучению чужого кода. Если он будет написан сложно, не имея никаких аннотаций, то бизнес может застопориться. Поэтому такой навык крайне важен для студента или школьника, желающего стать программистом в будущем. Рассмотрим на тривиальном примере, какие вредные привычки часто используются учащимися при написании программ.

Среди наиболее встречающихся плохих привычек учащихся есть такие, которые совершал каждый поначалу: некорректные названия переменных. По таким переменным невозможно понять, что они значат, и какой цели служат. В маленьких программах, например, как на рис. 1, несложно понять. Однако когда в файле очень много кода, в котором и так сложно что-то понять, такие не вызывающие никаких первоначальных мыслей об имеющейся семантике переменные только увеличивают время изучения программы.