論文の概要: Catalogs of C and Python Antipatterns by CS1 Students

• arxiv url: http://arxiv.org/abs/2104.12542v1
• Date: Fri, 2 Apr 2021 02:12:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 19:30:46.894839
• Title: Catalogs of C and Python Antipatterns by CS1 Students
• Title（参考訳）: CS1学生のCおよびPythonアンチパターンのカタログ
• Authors: Yorah Bosse, Igor Scaliante Wiese, Marco Aur\'elio Graciotto Silva, Nelson Lago, Le\^onidas de Oliveira Brand\~ao, David Redmiles, Fabio Kon, Marco A. Gerosa
• Abstract要約: CとPythonの2つのプログラミング言語に対するアンチパターンのカタログ。 41のCS1アンチパターンがCとPythonの95の誤認識をカタログ化した。 各アンチパターンに対して、コード例、学生のソリューション(もし存在するなら)を提示する。
• 参考スコア（独自算出の注目度）: 3.0896809604505924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding students' programming misconceptions is critical. Doing so depends on identifying the reasons why students make errors when learning a new programming language. Knowing the misconceptions can help students to improve their reflection about their mistakes and also help instructors to design better teaching strategies. In this technical report, we propose catalogs of antipatterns for two programming languages: C and Python. To accomplish this, we analyzed the codes of 166 CS1 engineering students when they were coding solutions to programming exercises. In our results, we catalog 41 CS1 antipatterns from 95 cataloged misconceptions in C and Python. These antipatterns were separated into three catalogs: C, Python, and antipatterns found in code using both programming languages. For each antipattern, we present code examples, students' solutions (if they are present), a possible solution to avoid the antipattern, among other information.
• Abstract（参考訳）: 学生のプログラミングの誤解を理解することは重要である。 そのため、新しいプログラミング言語を学ぶとき、学生がエラーを起こす理由を特定する必要がある。 誤解を知ることは、学生が失敗に対する反省を改善するのに役立つと同時に、インストラクタがより良い教育戦略を設計するのに役立つ。 本報告では,2つのプログラミング言語(cとpython)のアンチパターンのカタログを提案する。 そこで,本研究では166名のcs1工学生のプログラミング演習に対するコーディングソリューションを解析した。 その結果,CおよびPythonにおける95の誤認識から,41のCS1アンチパターンをカタログ化した。 これらのアンチパターンは、c、python、そして両方のプログラミング言語を使ってコードに含まれるアンチパターンの3つのカタログに分割された。 各アンチパターンに対して、コード例、学生のソリューション(もし存在するなら)、アンチパターンを避けるための解決策、その他情報を提示します。

関連論文リスト

• Anti-patterns in Students' Conditional Statements [2.185263087861945]
  本研究では,Pythonの入門コースにおける学生によるコード提出における条件文に関するアンチパターンについて検討した。 オープンソースの"qChecker"ツールを使って、条件付きステートメントに関連する15のアンチパターンを識別しました。
  論文  参考訳（メタデータ） (2024-10-10T10:12:50Z)
• CRUXEval-X: A Benchmark for Multilingual Code Reasoning, Understanding and Execution [50.7413285637879]
  CRUXEVAL-Xコード推論ベンチマークには19のプログラミング言語が含まれている。 各言語に対して少なくとも600人の被験者で構成され、合計19Kのコンテンツ一貫性テストがある。 Pythonでのみトレーニングされたモデルでさえ、他の言語で34.4%のPass@1を達成することができる。
  論文  参考訳（メタデータ） (2024-08-23T11:43:00Z)
• A Knowledge-Component-Based Methodology for Evaluating AI Assistants [9.412070852474313]
  GPT-4をベースとしたCS1プログラム代入のためのヒント自動生成システムの評価を行った。 本システムは,学生が短時間のプログラミング演習において,誤った解法をいかに改善できるか,という自然言語指導を提供する。
  論文  参考訳（メタデータ） (2024-06-09T00:58:39Z)
• WatChat: Explaining perplexing programs by debugging mental models [33.238462470842386]
  私たちは、JavaScriptの型強制とGitのバージョン管理システムの2つのドメインで説明のためのシステムを構築します。 We show that WatChat's explanations exhibit key features of human-written explanation, different of a state-of-the-art language model。
  論文  参考訳（メタデータ） (2024-03-08T14:10:25Z)
• Natural Language Embedded Programs for Hybrid Language Symbolic Reasoning [84.12154024070024]
  本研究では,数学・記号的推論,自然言語理解,後続の課題に対処するための統合フレームワークとして,自然言語組み込みプログラム(NLEP)を提案する。 我々のアプローチは,構造化知識の自然言語表現を含むデータ構造上の関数を定義する完全なPythonプログラムを生成するよう,言語モデルに促す。 Pythonインタープリタが生成されたコードを実行し、出力をプリントする。
  論文  参考訳（メタデータ） (2023-09-19T17:54:21Z)
• Causal-learn: Causal Discovery in Python [53.17423883919072]
  因果発見は、観測データから因果関係を明らかにすることを目的としている。 $textitcausal-learn$は因果発見のためのオープンソースのPythonライブラリである。
  論文  参考訳（メタデータ） (2023-07-31T05:00:35Z)
• A Static Evaluation of Code Completion by Large Language Models [65.18008807383816]
  単純なプログラミング問題に対するモデル生成コードの機能的正当性を評価するために,実行ベースベンチマークが提案されている。 プログラムを実行せずにエラーを検出するlinterのような静的解析ツールは、コード生成モデルを評価するために十分に研究されていない。 抽象構文木を利用して,Pythonのコード補完における静的エラーを定量化する静的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-05T19:23:34Z)
• Repairing Bugs in Python Assignments Using Large Language Models [9.973714032271708]
  本稿では,プログラム代入のためのAPRシステムを構築するために,コード上で訓練された大規模言語モデルを提案する。 本システムでは,複数モーダルプロンプト,反復クエリ,テストケースベースの数ショット選択,プログラムチャンキングを組み合わせることで,構文的および意味的誤りを解消することができる。 我々は,286の実際の学生プログラム上でMMAPRを評価し,最新のPython構文修復エンジン,BIFI,最新のPython意味修復エンジンを組み合わせたベースラインであるRefactoryと比較した。
  論文  参考訳（メタデータ） (2022-09-29T15:41:17Z)
• Write a Line: Tests with Answer Templates and String Completion Hints for Self-Learning in a CS1 Course [0.0]
  本報告では,497名の学生を対象に,CS1コースにおける文字列補完ヒント付き正規表現型質問を用いた4年間の成績を報告する。 評価結果から,Perl互換の正規表現は,1行のコードを記述する必要のある質問に対して,良好な精度とリコール(99%以上)を提供することが示された。
  論文  参考訳（メタデータ） (2022-04-19T17:53:35Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Measuring Coding Challenge Competence With APPS [54.22600767666257]
  コード生成のベンチマークであるAPPSを紹介する。 私たちのベンチマークには1万の問題が含まれています。 GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
  論文  参考訳（メタデータ） (2021-05-20T17:58:42Z)

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。