論文の概要: The impact of students behaviour, their approach, emotions and problem difficulty level on the performance prediction, evaluation and overall learning process during online coding activities

• arxiv url: http://arxiv.org/abs/2112.14407v1
• Date: Wed, 29 Dec 2021 06:11:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 16:36:05.312701
• Title: The impact of students behaviour, their approach, emotions and problem difficulty level on the performance prediction, evaluation and overall learning process during online coding activities
• Title（参考訳）: 生徒の行動, そのアプローチ, 感情, 課題難易度がオンラインコーディング活動におけるパフォーマンス予測, 評価, 学習過程に及ぼす影響
• Authors: Dr. Hardik Patel, Dr. Purvi Koringa
• Abstract要約: 2つのオンラインコーディングの課題またはコンペティションが1時間制限で実施される。 各コーディングテストの最後に調査が行われ、さまざまな質問に対する回答が収集された。 229(ファーストコーディングコンペティションデータセット)と325(セカンドコーディングコンペティションデータセット)のデータポイントに関する詳細な調査を通じて、2つのコーディングアサインやコンペティションが分析される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learning process while solving coding problems is quite complex to understand. It is extremely important to understand the skills which are required and gained during learning to code. As a first step to understand the students behaviour and approach during learning coding, two online coding assignments or competitions are conducted with a 1-hour time limit. A survey has been conducted at the end of each coding test and answers to different questions have been collected. In depth statistical analysis is done to understand the learning process while solving the coding problems. It involves lots of parameters including students behaviour, their approach and difficulty level of coding problems. The inclusion of mood and emotions related questions can improve overall prediction performance but difficulty level matters in the submission status prediction. Two coding assignments or competitions are analyzed through in-depth research on 229 (first coding competition dataset) and 325 (second coding competition dataset) data points. The primary results are promising and these results give in depth insights about how learning to solve coding problems is affected by students behaviour, their approach, emotions and problem difficulty level.
• Abstract（参考訳）: コーディング問題を解きながらプロセスを学ぶことは、非常に複雑です。 コーディングを学ぶ際に必要とされるスキルを理解することは極めて重要です。 プログラミング学習における学生の行動とアプローチを理解するための第一歩として、オンラインコーディングの課題と競技を1時間以内で行う。 各コーディングテストの最後に調査が行われ、さまざまな質問に対する回答が収集された。 コーディング問題を解きながら学習過程を理解するために,深い統計解析を行う。 これには、学生の行動、そのアプローチ、コーディング問題の難易度など、多くのパラメータが含まれる。 気分や感情に関連する質問を取り入れることで、全体的な予測性能は向上するが、提出状況の予測では難易度が問題となる。 229(ファーストコーディングコンペティションデータセット)と325(セカンドコーディングコンペティションデータセット)のデータポイントに関する詳細な調査を通じて、2つのコーディングアサインやコンペティションが分析される。 主な結果は有望であり、これらの結果は、コーディング問題を解決するための学習が学生の行動、アプローチ、感情、問題難易度によってどのように影響を受けるかについて深い洞察を与える。

関連論文リスト

• Integrating Natural Language Prompting Tasks in Introductory Programming Courses [3.907735250728617]
  本報告では、導入プログラミングコースに2つのプロンプトに焦点を当てたアクティビティを組み込むことについて検討する。 第一に、学生は自然言語のプロンプトを書き、構文上の問題解決を強調することで、計算問題を解く必要がある。 2つ目は、プロンプトとコードの関係を理解するために、提供されたフラグメントに相当するコードを生成するプロンプトを作成することである。
  論文  参考訳（メタデータ） (2024-10-04T01:03:25Z)
• Estimating Difficulty Levels of Programming Problems with Pre-trained Model [18.92661958433282]
  プログラミング問題の難易度は、生徒の適応学習を導く上で不可欠な基準となっている。 テキスト記述とコードの解の例から,各プログラム問題の難易度自動推定の問題を定式化する。 この問題に対処するため,テキストモダリティとコードモダリティの2つの事前学習モデルを統一モデルに分割することを提案する。
  論文  参考訳（メタデータ） (2024-06-13T05:38:20Z)
• Comparison of Three Programming Error Measures for Explaining Variability in CS1 Grades [11.799817851619757]
  本研究は,2つの試験におけるプログラミングエラー率と成績の関係について検討した。 Javaプログラミングコースの280人の学生からデータが収集された。
  論文  参考訳（メタデータ） (2024-04-09T03:45:15Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Towards a Holistic Understanding of Mathematical Questions with Contrastive Pre-training [65.10741459705739]
  本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。 まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。 そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T14:23:29Z)
• 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)
• 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)
• Variable-Shot Adaptation for Online Meta-Learning [123.47725004094472]
  従来のタスクから静的データにまたがるメタラーニングによって,少数の固定された例から新しいタスクを学習する問題について検討する。 メタラーニングは,従来の教師付き手法に比べて,ラベルの総数が少なく,累積性能も高いタスクセットを解く。 これらの結果から,メタラーニングは,一連の問題を継続的に学習し,改善する学習システムを構築する上で重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2020-12-14T18:05:24Z)
• When is Memorization of Irrelevant Training Data Necessary for High-Accuracy Learning? [53.523017945443115]
  我々は,十分な精度のトレーニングアルゴリズムが,予測モデルにおいて,そのトレーニング例の大規模サブセットに関する情報を本質的にすべてエンコードしなければならない自然予測問題を記述する。 私たちの結果は、トレーニングアルゴリズムや学習に使用されるモデルのクラスに依存しません。
  論文  参考訳（メタデータ） (2020-12-11T15:25:14Z)
• Adversarial Training for Code Retrieval with Question-Description Relevance Regularization [34.29822107097347]
  入力問題から難しいコードスニペットを生成するために,簡単な逆学習手法を適用した。 本稿では,逆学習の規則化に質問記述の関連性を活用することを提案する。 我々の対角学習法は,最先端モデルの性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-10-19T19:32:03Z)

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。