<div class="csl-bib-body">
<div class="csl-entry">Mayrgündter, C. (2026). <i>Evaluating Code Generation Models for Academic Use: A Comparative Study on Output Quality and Student Utility</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2026.140540</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2026.140540
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/231995
-
dc.description
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
Generative künstliche Intelligenz hat große Auswirkungen auf viele Bereiche, darunter auch die Software Entwicklung sowie die universitäre Lehre in ebendiesem Bereich. Das Hauptziel dieser Arbeit bestand darin, zu ermitteln, ob verschiedene generative KI-Modelle eine Anwendung erstellen können, die den Software-Engineering-Standards eines Bachelor-Studiengangs entspricht. Um dies zu beurteilen, wurden die generierten Anwendungen auf zwei Arten bewertet: Erstens durch die Analyse ihrer Funktionalität, Codequalität und Ressourcenverwendung während des Generierungsprozesses. Die Ergebnisse dieser Analyse wurden anschließend mithilfe einer multikriteriellen Entscheidungsanalyse verglichen. Und zweitens wurde getestet, ob ein fiktiver Student die generierte Lösung als seine eigene ausgeben und den Kurs bestehen könnte.Aus beiden Analysen ging Anthropics Claude als das eindeutig beste Modell hervor. xAIs Grok und Cursors Auto schafften es, Anwendungen von mittelmäßiger Qualität zu generieren, die dennoch ausreichten, um die Lehrveranstaltung zu bestehen. Googles Gemini produzierte ebenfalls eine mittelmäßige Anwendung, erfüllte jedoch nicht die Anforderungen zum Bestehen. OpenAIs ChatGPT, das einen zentralen Teil der Anwendung nicht implementieren konnte, lieferte die schlechteste Leistung.
de
dc.description.abstract
Generative artificial intelligence has a huge impact on countless fields, including the domain of software engineering and higher education. This thesis focuses on the connection between these two fields. The main goal of this thesis was to determine whether different generative AI models can produce an application that meets the software engineering standards of an undergraduate university course. To assess this, the generated applications were evaluated in two ways: First, by analyzing their functionality, code quality, and resource utilization during the generation process. The results of this analysis were then compared using a multi-criteria decision-making approach. And second, by testing whether a fake student could use the generated solution as their own and pass the course.From both analyses, Anthropic's Claude emerged as the clear best model. xAI's Grok and Cursor's Auto managed to generate applications of mediocre quality that were still sufficient to pass the lecture. Google's Gemini also produced a mediocre application, but it failed to meet the requirements to pass. OpenAI's ChatGPT, which failed to implement a central part of the application, delivered the worst performance.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
human pose estimation
en
dc.subject
multi-view 3D human pose estimation
en
dc.subject
3D pose reconstruction
en
dc.subject
sports analytics
en
dc.subject
sports biomechanics
en
dc.subject
combat sports
en
dc.title
Evaluating Code Generation Models for Academic Use: A Comparative Study on Output Quality and Student Utility
en
dc.title.alternative
Bewertung von Modellen zur Codegenerierung für den akademischen Einsatz
de
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2026.140540
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Caspar Mayrgündter
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E194 - Institut für Information Systems Engineering