論文の概要: Automatic Classification of Error Types in Solutions to Programming Assignments at Online Learning Platform

• arxiv url: http://arxiv.org/abs/2107.06009v1
• Date: Tue, 13 Jul 2021 11:59:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 11:45:36.790249
• Title: Automatic Classification of Error Types in Solutions to Programming Assignments at Online Learning Platform
• Title（参考訳）: オンライン学習プラットフォームにおけるプログラミング課題解決におけるエラータイプの自動分類
• Authors: Artyom Lobanov, Timofey Bryksin, Alexey Shpilman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.028503203417233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online programming courses are becoming more and more popular, but they still have significant drawbacks when compared to the traditional education system, e.g., the lack of feedback. In this study, we apply machine learning methods to improve the feedback of automated verification systems for programming assignments. We propose an approach that provides an insight on how to fix the code for a given incorrect submission. To achieve this, we detect frequent error types by clustering previously submitted incorrect solutions, label these clusters and use this labeled dataset to identify the type of an error in a new submission. We examine and compare several approaches to the detection of frequent error types and to the assignment of clusters to new submissions. The proposed method is evaluated on a dataset provided by a popular online learning platform.
• Abstract（参考訳）: オンラインプログラミングコースはますます人気が高まっているが、従来の教育システム(例えばフィードバックの欠如)と比較しても大きな欠点がある。 本研究では,プログラム課題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に,機械学習手法を適用する。 提案するアプローチは,不正な提出に対するコードの修正方法に関する洞察を提供するものである。 これを実現するために,前回の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,ラベル付きデータセットを使用して,新しい提案におけるエラーのタイプを識別することで,頻繁なエラータイプを検出する。 我々は、頻繁なエラータイプの検出と、新しい提案へのクラスタの割り当てに関するいくつかのアプローチを調査し、比較する。 提案手法は,人気のあるオンライン学習プラットフォームが提供するデータセットを用いて評価する。

関連論文リスト

• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Probabilistic Safety Regions Via Finite Families of Scalable Classifiers [2.431537995108158]
  監視された分類は、データのパターンを認識して、振る舞いのクラスを分離する。 正準解は、機械学習の数値近似の性質に固有の誤分類誤差を含む。 本稿では,確率論的安全性領域の概念を導入し,入力空間のサブセットとして,誤分類されたインスタンスの数を確率論的に制御する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-08T22:40:19Z)
• Misclassification in Automated Content Analysis Causes Bias in Regression. Can We Fix It? Yes We Can! [0.30693357740321775]
  我々は,コミュニケーション学者が誤分類バイアスをほとんど無視していることを,体系的な文献レビューで示している。 既存の統計手法では、人間のアノテータによって作成されたような「金の標準」検証データを使って誤分類バイアスを補正することができる。 我々は、Rパッケージの誤分類モデルの設計と実装を含む、そのような手法を導入し、テストする。
  論文  参考訳（メタデータ） (2023-07-12T23:03:55Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Opinion Spam Detection: A New Approach Using Machine Learning and Network-Based Algorithms [2.062593640149623]
  オンラインレビューは、消費者が製品やサービスを評価し比較する上で重要な役割を果たす。 偽レビュー(オピニオンスパム)が普及し、顧客やサービスプロバイダに悪影響を及ぼしている。 本稿では,機械学習とメッセージパッシングアルゴリズムを組み合わせて,レビュアーをスパマーや良心として分類する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-26T15:27:46Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)
• AutoNovel: Automatically Discovering and Learning Novel Visual Categories [138.80332861066287]
  本稿では,他のクラスをラベル付けしたイメージコレクションにおける新しいクラス発見問題に対処するため,AutoNovelと呼ばれる新しいアプローチを提案する。 我々はAutoNovelを標準分類ベンチマークで評価し、新しいカテゴリー発見の手法をかなり上回っている。
  論文  参考訳（メタデータ） (2021-06-29T11:12:16Z)
• Toward Semi-Automatic Misconception Discovery Using Code Embeddings [4.369757255496184]
  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。
  論文  参考訳（メタデータ） (2021-03-07T20:32:41Z)
• Pattern Learning for Detecting Defect Reports and Improvement Requests in App Reviews [4.460358746823561]
  本研究では、レビューを欠陥報告と改善の要求として分類することで、この行動可能な洞察の欠如を狙う新しいアプローチに従う。 我々は,遺伝的プログラミングを通じて語彙・意味パターンを学習できる教師付きシステムを採用している。 自動学習パターンは手作業で生成したパターンよりも優れており、生成可能であることを示す。
  論文  参考訳（メタデータ） (2020-04-19T08:13:13Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。