AI 剽窃检测
Last updated: July 22, 2026
剽窃在招聘过程中的存在破坏了评估的公正性，使得准确评估候选人的能力变得困难。剽窃检测工具有助于维护公平，创造一个公平竞争的环境，从而做出更好的招聘决策。
代码剽窃的类型
我们遇到三种类型的代码剽窃：
在明确禁止的情况下使用AI工具。
来自互联网等外部资源的剽窃。
复制其他参加同一测试的人的代码。
剽窃检测模型的类型
标准剽窃检测
标准剽窃检测 默认启用，适用于所有测试。它使用 Moss（软件相似度测量）来比较候选人的代码与我们数据库中的其他代码。该方法有效识别来自外部资源的剽窃或复制的测试用例（如上文所述的代码剽窃类型）。然而，它可能会产生误报，具体取决于代码长度和相似度阈值等因素。
高级AI剽窃检测
为应对所有三种类型的代码剽窃，包括AI辅助的不当行为，我们开发了一种先进的机器学习（ML）模型。该模型分析多个因素，例如：
代码编写模式
解决问题所用的时间
复制粘贴活动
切换标签行为
ML模型预测可疑行为，并将候选尝试在测试中分类为"高"或"中"。此检测对于识别使用受限制的AI工具（如ChatGPT）尤为有用。
被标记的尝试在候选报告中突出显示，允许招聘团队审查原因并做出明智的决定。人工监督仍然至关重要，因为ML模型目前的整体准确率为85%，意味着被标记的会话正确率为85%。
注意：AI抄袭检测功能目前仅支持编码题目。
限制
在评估需要最少努力即可获得满分的问题或解决方案仅由少量代码行组成的问题时，AI抄袭检测受到限制。这些场景通常缺乏足够的数据点进行准确检测。然而，如果复制粘贴了大量外部内容，系统仍会标记响应以检测潜在抄袭。
注意：鉴于它是一个机器学习模型，我们遵守 AEDT / 纽约市AI法律。
启用高级抄袭检测以进行测试
此功能可以在测试设置中启用。
步骤
点击测试中的设置，然后在测试管理部分选择测试完整性。
向下滚动到抄袭并开启AI抄袭切换。
点击以下弹出窗口中的同意并启用。
候选人同意
启用AI抄袭检测后，候选人在开始测试前必须同意。
检测使用的信号
考虑因素的非详尽列表：
复制粘贴： 从外部来源复制的大部分代码。
编码模式： 代码中的结构相似性和不同的编码风格。
迭代： 在处理分层任务时多次迭代代码。
标签切换： 在执行过程中切换出活动测试标签。
查看被标记的抄袭尝试
当候选人的测试尝试被标记为抄袭时，它被分类为 "高" 或 "中"，基于模型预测的置信度。请按照以下步骤查看这些被标记的尝试。
步骤
导航到 候选人列表 并选择测试尝试已被标记的候选人。
您可以在候选人摘要报告的 表现 标签下查看可疑活动。
要查看更多关于抄袭信号的详细信息，请点击已被标记的问题。
在问题详情中，按键代码播放器 让您快速了解为何候选人被标记为抄袭。您可以导航到他们编码旅程中的相关部分，可能发生潜在的可疑活动。
理解标记原因
候选人的尝试可以被标记的主要类别有两种：
代码相似性：候选人的代码与一个或多个候选人的提交相似，表明潜在的抄袭行为。
编码模式：在测试过程中检测到候选人的按键模式表现出异常行为。这可能涉及：
代码迭代
书写模式或
标签切换实例
编码行为中的子模式：当 编码模式 引发对候选人行为的担忧时，通常会检测到以下子模式：
潜在参考采集： 候选人表现出不活跃，然后突然连续编码或异常打字模式，可能表明可疑的参考采集行为。
可疑的代码重置： 大量先前编写的代码被删除并替换，伴随着不规则的打字或光标移动。
外部复制粘贴： 大量代码直接从外部来源复制。
持续模型改进
HackerRank的专门ML团队不断改进抄袭检测模型，通过学习新出现的代码抄袭和误判模式。当进行统计学上显著的改进时，模型的新更新会自动部署。
常见问题
在外部IDE中编码而不是在HackerRank平台上编码会触发潜在的作弊标志吗？
如果候选人使用Projects，支持离线工作流程（在自己的IDE中编码并将代码推送到HackerRank平台），不会触发作弊标志。
然而，如果候选人在外部IDE中解决标准编码问题，然后复制粘贴他们的代码到HackerRank平台，系统可能会将此行为标记为可疑活动。