論文の概要: CodEval: Improving Student Success In Programming Assignments
- arxiv url: http://arxiv.org/abs/2211.11883v1
- Date: Mon, 21 Nov 2022 22:16:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 12:35:10.692475
- Title: CodEval: Improving Student Success In Programming Assignments
- Title（参考訳）: CodEval: プログラミングアサインメントにおける学生の成功を改善する
- Authors: Aditi Agrawal, Archit Jain, Benjamin Reed
- Abstract要約: CodEvalはCanvas Learning Management Systemと統合したコード評価ツールである。
CodEvalは、申請後数分以内に生徒の作業を自動的に評価する。
CodEvalは、テストのコンパイルや実行といった、グレーティングの面倒な側面を扱う。
- 参考スコア（独自算出の注目度）: 0.3867363075280543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: CodEval is a code evaluation tool that integrates with the Canvas Learning
Management System to automatically evaluates students' work within a few
minutes of the submission. This early feedback allows students to catch and
correct problems in their submissions before their submission is graded and
gives them a clear idea of the quality of their submission. CodEval handles the
tedious aspects of grading, such as compiling and running tests, leaving
graders more time to spend on the qualitative aspect of grading.
Before using CodEval, instructors would not have a clear view of the
student's comprehension of the concept evaluated by the assignment until after
the due date. CodeEval helps instructors identify and address the gaps in
students' understanding and thus helps more students successfully complete the
assignment.
We implemented CodEval using Python using the public Canvas API. Any
instructor or grader for a Canvas course can use CodEval to automatically
evaluate submissions for programming assignments. We developed a syntax to
express requirements of submissions such as compilation parameters, inputs,
outputs, command-line arguments, timeouts, exit codes, functions used, files
generated, output validators, and more. We have made CodEval open source.
CodEval is an easy tool for students, graders, and instructors and seamlessly
integrates with Canvas. We share our experience with using CodEval in two
classes with a total of 90 students and multiple coding assignments.
- Abstract（参考訳）: CodEvalはCanvas Learning Management Systemと統合されたコード評価ツールで、申請後数分以内に学生の作業を自動的に評価する。
この早期のフィードバックにより、学生は応募の質が評価される前に、投稿の問題をキャッチして修正することが可能となり、応募の質が明確になる。
CodEvalは、テストのコンパイルや実行、グレーディングの質的な側面に費やす時間を増やすといった、グレーディングの面倒な側面を処理する。
CodEvalを使用する前に、インストラクターは学生が課題によって評価される概念を、期限後まで明確に理解することができない。
CodeEvalは、インストラクターが生徒の理解のギャップを特定し、対処するのに役立ち、より多くの学生が課題を完了するのに役立ちます。
我々は公開Canvas APIを使ってPythonを使ってCodEvalを実装した。
canvasコースのインストラクターやグレーダは、codevalを使用して、プログラミング課題の応募を自動的に評価することができる。
我々は,コンパイルパラメータ,入力,出力,コマンドライン引数,タイムアウト,終了コード,使用する関数,ファイルの生成,出力バリデータなど,サブミッションの要件を表現する構文を開発した。
codevalをオープンソースにしました。
CodEvalは、学生、学年、インストラクターにとって簡単なツールであり、Canvasとシームレスに統合される。
私たちは、90人の学生と複数のコーディング課題を持つ2つのクラスでcodevalを使用した経験を共有しています。
関連論文リスト
- Adapting Vision-Language Models to Open Classes via Test-Time Prompt Tuning [50.26965628047682]
学習済みのモデルをオープンクラスに適応させることは、機械学習において難しい問題である。
本稿では,両者の利点を組み合わせたテスト時プロンプトチューニング手法を提案する。
提案手法は,基本クラスと新クラスの両方を考慮し,すべての比較手法を平均的に上回る結果を得た。
論文 参考訳（メタデータ） (2024-08-29T12:34:01Z) - Zero-Shot Code Representation Learning via Prompt Tuning [6.40875582886359]
コード表現を学習するためのゼロショットアプローチであるZecolerを提案する。
Zecolerは、事前訓練されたプログラミング言語モデルの上に構築されている。
我々はZecolerを,コードクローン検出,コード検索,メソッド名予測,コード要約,コード生成を含む5つのコードインテリジェンスタスクで評価する。
論文 参考訳（メタデータ） (2024-04-13T09:47:07Z) - Code quality assessment using transformers [0.0]
本研究では,品質スコアをJavaコードに自動的に割り当てるCodeBERTについて検討する。
コード品質評価のための新しいデータセット上で,モデルの精度について検討する。
コード品質はある程度予測可能であり、タスク適応型事前学習を用いたトランスフォーマーベースモデルは、他の手法よりも効率的にタスクを解くことができる。
論文 参考訳（メタデータ） (2023-09-17T12:59:59Z) - Automatic Assessment of the Design Quality of Student Python and Java
Programs [0.0]
本研究では,学生プログラムを設計の質を評価するルールベースシステムを提案し,作業改善のための個人的かつ正確なフィードバックを提供する。
学生はシステムから恩恵を受け、設計品質の欠陥の率は4つの異なる割り当てで47.84%減少し、Pythonは2、Javaは2が2だった。
論文 参考訳（メタデータ） (2022-08-22T06:04:10Z) - ReACC: A Retrieval-Augmented Code Completion Framework [53.49707123661763]
本稿では,語彙のコピーと類似したセマンティクスを持つコード参照の両方を検索により活用する検索拡張コード補完フレームワークを提案する。
我々は,Python および Java プログラミング言語のコード補完タスクにおけるアプローチを評価し,CodeXGLUE ベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-03-15T08:25:08Z) - CodeRetriever: Unimodal and Bimodal Contrastive Learning [128.06072658302165]
関数レベルのコードセマンティック表現を訓練するために,一様および二様のコントラスト学習を組み合わせたCodeRetrieverモデルを提案する。
ノンモーダルなコントラスト学習のために、文書と関数名に基づいてポジティブなコードペアを構築するためのセマンティックガイド付き手法を設計する。
バイモーダルなコントラスト学習では、コードのドキュメンテーションとインラインコメントを活用して、テキストコードペアを構築します。
論文 参考訳（メタデータ） (2022-01-26T10:54:30Z) - Preventing Cheating in Hands-on Lab Assignments [0.5735035463793008]
学生は実験室環境で実際のシステムやツールで作業します。
授業中のすべての生徒に同じ課題を課すことは、学習とスキル開発に効率的な標準的な実践である。
学生は課題を完了させることなく、解答を簡単に共有し、提出することができる。
論文 参考訳（メタデータ） (2022-01-04T14:34:16Z) - 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) - Dive into Deep Learning [119.30375933463156]
この本はJupyterのノートブックでドラフトされており、説明図、数学、インタラクティブな例を自己完結型コードとシームレスに統合している。
私たちのゴールは、(i)誰でも自由に利用できるリソースを提供すること、(ii)応用機械学習科学者になるための出発点を提供するのに十分な技術的な深さを提供すること、(iii)実行可能なコードを含み、実際にどのように問題を解決するかを読者に示すこと、(iv)私たちとコミュニティの両方による迅速なアップデートを可能にすることです。
論文 参考訳（メタデータ） (2021-06-21T18:19:46Z) - How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。
我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
論文 参考訳（メタデータ） (2020-03-31T16:03:22Z)
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。