論文の概要: Toward Semi-Automatic Misconception Discovery Using Code Embeddings

• arxiv url: http://arxiv.org/abs/2103.04448v1
• Date: Sun, 7 Mar 2021 20:32:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 19:35:45.618795
• Title: Toward Semi-Automatic Misconception Discovery Using Code Embeddings
• Title（参考訳）: コード埋め込みを用いた半自動誤解発見に向けて
• Authors: Yang Shi, Krupal Shah, Wengran Wang, Samiha Marwan, Poorvaja Penmetsa and Thomas W. Price
• Abstract要約: 本論文では,計算コースにおける生徒のプログラムコードから問題特異的な誤解を半自動的に発見する手法を提案する。 ブロックベースのプログラミングデータセットでモデルをトレーニングし、学習した埋め込みをクラスタの不正な学生の応募に使用しました。
• 参考スコア（独自算出の注目度）: 4.369757255496184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding students' misconceptions is important for effective teaching and assessment. However, discovering such misconceptions manually can be time-consuming and laborious. Automated misconception discovery can address these challenges by highlighting patterns in student data, which domain experts can then inspect to identify misconceptions. In this work, we present a novel method for the semi-automated discovery of problem-specific misconceptions from students' program code in computing courses, using a state-of-the-art code classification model. We trained the model on a block-based programming dataset and used the learned embedding to cluster incorrect student submissions. We found these clusters correspond to specific misconceptions about the problem and would not have been easily discovered with existing approaches. We also discuss potential applications of our approach and how these misconceptions inform domain-specific insights into students' learning processes.
• Abstract（参考訳）: 生徒の誤解を理解することは効果的な指導と評価に重要である。 しかし、そのような誤解を手動で発見することは時間と労力を要する。 自動誤解発見(automated misconception discovery)は、学生データのパターンを強調することで、これらの課題に対処することができる。 本研究では,現状のコード分類モデルを用いて,コンピュータコースにおける生徒のプログラムコードから問題固有の誤解を半自動で発見する手法を提案する。 ブロックベースのプログラミングデータセットでモデルをトレーニングし、学習した埋め込みをクラスタの不正な学生の応募に使用しました。 これらのクラスターは問題に関する特定の誤解に対応しており、既存のアプローチでは容易には発見できなかった。 また、私たちのアプローチの潜在的な応用と、これらの誤解が学生の学習プロセスにドメイン固有の洞察をどう伝えるかについて議論します。

関連論文リスト

• RESTOR: Knowledge Recovery through Machine Unlearning [71.75834077528305]
  Webスケールコーパスでトレーニングされた大規模な言語モデルは、望ましくないデータポイントを記憶することができる。 訓練されたモデルからこれらのデータポイントを「消去」することを目的とした、多くの機械学習手法が提案されている。 以下に示す次元に基づいて,機械学習のためのRESTORフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:54:35Z)
• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing [59.480951050911436]
  自動知識概念アノテーションと質問表現学習のためのフレームワークであるKCQRLを提案する。 実世界の2つの学習データセット上で、15KTアルゴリズムにまたがるKCQRLの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-02T16:37:19Z)
• Counterfactual Explanations for Clustering Models [11.40145394568897]
  クラスタリングアルゴリズムは、理解が難しい複雑な最適化プロセスに依存している。 本稿では,クラスタリングアルゴリズムを非現実的文で説明するための,モデルに依存しない新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-19T10:05:58Z)
• An Approach to Detect Abnormal Submissions for CodeWorkout Dataset [8.142354661558752]
  本稿では,異常を伴うログデータを解析するための予備研究について述べる。 本研究の目的は、プログラミング学習環境におけるパーソナライズ可能なレコメンデーションをモデル化する際の異常な事例を克服することである。
  論文  参考訳（メタデータ） (2024-06-28T00:26:15Z)
• Creating a Trajectory for Code Writing: Algorithmic Reasoning Tasks [0.923607423080658]
  本稿では,楽器とその検証に用いる機械学習モデルについて述べる。 我々は,学期最後の週に導入プログラミングコースで収集したデータを用いてきた。 先行研究は、ARTタイプの楽器を特定の機械学習モデルと組み合わせて効果的な学習軌道として機能させることができることを示唆している。
  論文  参考訳（メタデータ） (2024-04-03T05:07:01Z)
• Automatic Classification of Error Types in Solutions to Programming Assignments at Online Learning Platform [4.028503203417233]
  プログラムの代入に対する自動検証システムのフィードバックを改善するため,機械学習手法を適用した。 我々は、以前に提出された不正なソリューションをクラスタリングし、これらのクラスタをラベル付けし、このラベル付きデータセットを使用して、新しいサブミッションにおけるエラーのタイプを特定することで、頻繁なエラータイプを検出する。
  論文  参考訳（メタデータ） (2021-07-13T11:59:57Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• A Survey of Machine Learning Methods and Challenges for Windows Malware Classification [43.4550536920809]
  調査は、マルウェア問題に機械学習を適用する方法についてより詳しく学びたいサイバーセキュリティ実践者や、データサイエンティストにこの独特な複雑な領域における課題に対する必要な背景を提供することの両方に有用である。
  論文  参考訳（メタデータ） (2020-06-15T17:46:12Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。