論文の概要: Steps Before Syntax: Helping Novice Programmers Solve Problems using the
PCDIT Framework
- arxiv url: http://arxiv.org/abs/2109.08896v1
- Date: Sat, 18 Sep 2021 10:31:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 09:12:58.954312
- Title: Steps Before Syntax: Helping Novice Programmers Solve Problems using the
PCDIT Framework
- Title(参考訳): シンタクス前のステップ:PCDITフレームワークによる初心者プログラマの問題解決を支援する
- Authors: Oka Kurniawan, Cyrille J\'egourel, Norman Tiong Seng Lee, Matthieu De
Mari, Christopher M. Poskitt
- Abstract要約: 初心者プログラマは、直面する高い認知的負荷のために、しばしば問題解決に苦労します。
多くの入門プログラミングコースは、その途中で問題解決スキルが取得されるという前提で、それを明示的に教えていない。
問題仕様を命令型プログラミング言語のための実装およびテストされたソリューションに変換するプロセスを通じて、初心者プログラマを誘導するための足場を提供する非線形問題解決フレームワークである 'PCDIT' を提案する。
- 参考スコア(独自算出の注目度): 2.768397481213625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Novice programmers often struggle with problem solving due to the high
cognitive loads they face. Furthermore, many introductory programming courses
do not explicitly teach it, assuming that problem solving skills are acquired
along the way. In this paper, we present 'PCDIT', a non-linear problem solving
framework that provides scaffolding to guide novice programmers through the
process of transforming a problem specification into an implemented and tested
solution for an imperative programming language. A key distinction of PCDIT is
its focus on developing concrete cases for the problem early without actually
writing test code: students are instead encouraged to think about the abstract
steps from inputs to outputs before mapping anything down to syntax. We reflect
on our experience of teaching an introductory programming course using PCDIT,
and report the results of a survey that suggests it helped students to break
down challenging problems, organise their thoughts, and reach working
solutions.
- Abstract(参考訳): 初心者プログラマは、直面する高い認知的負荷のために、しばしば問題解決に苦労します。
さらに、多くの入門プログラミングコースでは、問題解決スキルの習得を前提として、それを明示的に教えていない。
本稿では,問題仕様を命令型プログラミング言語のための実装およびテストされたソリューションに変換するプロセスを通じて,初心者プログラマを誘導するための足場を提供する非線形問題解決フレームワーク「PCDIT」を提案する。
PCDITの重要な違いは、実際にテストコードを書くことなく、問題の具体的なケースを早期に開発することである。
pcditを使って入門プログラミングコースを指導した経験を振り返り,学生が課題を解消し,思考を整理し,作業ソリューションに到達できることを示唆する調査の結果を報告する。
関連論文リスト
- Boosting of Thoughts: Trial-and-Error Problem Solving with Large
Language Models [48.43678591317425]
Boosting of Thoughts (BoT)は、大規模言語モデルによる問題解決のための自動プロンプトフレームワークである。
我々は,BoTが他の先進的なプロンプト手法よりも高い,あるいは同等の問題解決率を達成することを示す。
論文 参考訳(メタデータ) (2024-02-17T00:13:36Z) - Do Language Models Exhibit the Same Cognitive Biases in Problem Solving
as Human Learners? [118.37810735783991]
本研究では,大言語モデル(LLM)の偏りを,算術語問題を解く際に,子どもに知られているものと関連づけて検討する。
我々はこれらの各テストに対して,問題特徴のきめ細かい制御を可能にするニューロシンボリック手法を用いて,新しい単語問題セットを生成する。
論文 参考訳(メタデータ) (2024-01-31T18:48:20Z) - Enhancing Computer Science Education with Pair Programming and Problem
Solving Studios [0.0]
本研究では,ペアプログラミングと組み合わせることで,問題解決スタジオのコンピュータサイエンス教育への適応について検討する。
PSSは、インストラクターがリアルタイムでフィードバックしたオープンエンドの問題を解決する学生のチームを含む。
PSSは、調整可能な難易度の問題を用いて、近位発達の領域内で全てのレベルの学生を関与させ、機能させる。
論文 参考訳(メタデータ) (2023-11-03T03:40:55Z) - Large Language Models as Analogical Reasoners [155.9617224350088]
CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。
そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
論文 参考訳(メタデータ) (2023-10-03T00:57:26Z) - Exploring the Potential of Large Language Models to Generate Formative
Programming Feedback [0.5371337604556311]
計算機教育者や学習者のための大規模言語モデル(LLM)の可能性を探る。
これらの目的を達成するために、我々はChatGPTの入力としてCS1コース内で収集されたデータセットから学生のプログラミングシーケンスを使用した。
その結果,ChatGPTはプログラミングの入門タスクや学生の誤りに対して合理的に機能することがわかった。
しかし、教育者は、初心者向けの誤解を招く情報を含むことができるため、提供されたフィードバックの使い方に関するガイダンスを提供する必要がある。
論文 参考訳(メタデータ) (2023-08-31T15:22:11Z) - Synthesizing a Progression of Subtasks for Block-Based Visual
Programming Tasks [21.33708484899808]
本稿では,その複雑さの観点から,高品質で十分な空間を持つサブタスクの進行を生成する新しい合成アルゴリズムを提案する。
本稿では,Karelプログラミング環境における課題解決のためのAIエージェントの有効性向上のための合成アルゴリズムの有用性を示す。
論文 参考訳(メタデータ) (2023-05-27T16:24:36Z) - ChatGPT, Can You Generate Solutions for my Coding Exercises? An
Evaluation on its Effectiveness in an undergraduate Java Programming Course [4.779196219827508]
ChatGPTは大規模でディープラーニング駆動の自然言語処理モデルである。
評価にはChatGPTが生成する80種類のプログラミング演習のソリューションの分析が含まれる。
論文 参考訳(メタデータ) (2023-05-23T04:38:37Z) - Adaptive Scaffolding in Block-Based Programming via Synthesizing New
Tasks as Pop Quizzes [30.127552292093384]
マルチチョイスプログラミングタスクとして提示されるポップクイズに基づく足場構築フレームワークを提案する。
これらのポップ・クイズを自動的に生成するために,新しいアルゴリズムであるPQuizSynを提案する。
提案アルゴリズムは, (a) 適応性, (b) 理解し易く, (c) 理解し易い, (c) 理解し難い, (c) 解決コードを明らかにしない,という特徴を持つ,ポップ・クイズのための新しいタスクを合成する。
論文 参考訳(メタデータ) (2023-03-28T23:52:15Z) - JiuZhang: A Chinese Pre-trained Language Model for Mathematical Problem
Understanding [74.12405417718054]
本稿では,中国初の数学的事前学習言語モデル(PLM)を提示することにより,機械の数学的知性向上を目指す。
他の標準のNLPタスクとは異なり、数学的テキストは問題文に数学的用語、記号、公式を含むため理解が難しい。
基礎課程と上級課程の両方からなる数学PLMの学習を改善するための新しいカリキュラム事前学習手法を設計する。
論文 参考訳(メタデータ) (2022-06-13T17:03:52Z) - Machine Learning Methods in Solving the Boolean Satisfiability Problem [72.21206588430645]
本論文は, Boolean satisfiability problem (SAT) を機械学習技術で解くことに関する最近の文献をレビューする。
ML-SATソルバを手作り特徴を持つナイーブ分類器からNeuroSATのような新たなエンド・ツー・エンドSATソルバまで,進化するML-SATソルバについて検討する。
論文 参考訳(メタデータ) (2022-03-02T05:14:12Z) - 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)
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。