論文の概要: Many bioinformatics programming tasks can be automated with ChatGPT
- arxiv url: http://arxiv.org/abs/2303.13528v1
- Date: Tue, 7 Mar 2023 23:32:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 16:36:09.047058
- Title: Many bioinformatics programming tasks can be automated with ChatGPT
- Title（参考訳）: chatgptで多くのバイオインフォマティクスプログラミングタスクを自動化できる
- Authors: Stephen R. Piccolo, Paul Denny, Andrew Luxton-Reilly, Samuel Payne,
Perry G. Ridge
- Abstract要約: 人工知能の最近の進歩により、人間の言語によるプロンプトを関数コードに変換することが可能になった。
我々は,そのようなモデルであるOpenAIのChatGPTが,基本的なプログラミングタスクから中程度のプログラミングタスクを完遂できる範囲を評価した。
- 参考スコア（独自算出の注目度）: 3.2698789104455677
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer programming is a fundamental tool for life scientists, allowing them
to carry out many essential research tasks. However, despite a variety of
educational efforts, learning to write code can be a challenging endeavor for
both researchers and students in life science disciplines. Recent advances in
artificial intelligence have made it possible to translate human-language
prompts to functional code, raising questions about whether these technologies
can aid (or replace) life scientists' efforts to write code. Using 184
programming exercises from an introductory-bioinformatics course, we evaluated
the extent to which one such model -- OpenAI's ChatGPT -- can successfully
complete basic- to moderate-level programming tasks. On its first attempt,
ChatGPT solved 139 (75.5%) of the exercises. For the remaining exercises, we
provided natural-language feedback to the model, prompting it to try different
approaches. Within 7 or fewer attempts, ChatGPT solved 179 (97.3%) of the
exercises. These findings have important implications for life-sciences
research and education. For many programming tasks, researchers no longer need
to write code from scratch. Instead, machine-learning models may produce usable
solutions. Instructors may need to adapt their pedagogical approaches and
assessment techniques to account for these new capabilities that are available
to the general public.
- Abstract（参考訳）: コンピュータプログラミングは生命科学者にとって基本的なツールであり、多くの重要な研究課題を遂行することができる。
しかし、様々な教育努力にもかかわらず、コードを書くことを学ぶことは、生命科学の分野の研究者と学生の両方にとって難しい取り組みである。
近年の人工知能の進歩により、人間の言語プロンプトを関数型コードに変換することが可能となり、これらの技術が生命科学者のコードを書く努力を助ける(あるいは置き換える)ことができるかという疑問が持ち上がった。
導入バイオインフォマティクスコースからの184のプログラミング演習を用いて、そのようなモデルであるOpenAIのChatGPTが、基本的なプログラミングタスクから中程度のプログラミングタスクを完了できる範囲を評価した。
最初の試みで、chatgptは139(75.5%)の演習を解決した。
残りの演習では、モデルに自然言語によるフィードバックを提供し、異なるアプローチを試すように促しました。
7回かそれ以下で、chatgptは演習の179(97.3%)を解決した。
これらの知見は生命科学研究と教育に重要な意味を持つ。
多くのプログラミングタスクでは、研究者はスクラッチからコードを書く必要がなくなった。
代わりに、機械学習モデルは有用なソリューションを生み出すかもしれない。
インストラクターは、一般向けに利用可能なこれらの新しい機能を考慮するために、教育的アプローチと評価手法を適応する必要があるかもしれない。
関連論文リスト
- ChatGPT as a Solver and Grader of Programming Exams written in Spanish [3.8984586307450093]
我々はChatGPTの能力を評価し、実際のプログラミング試験を解き、評価する。
我々の研究結果は、このAIモデルは単純なコーディングタスクを解くのにのみ有効であることを示唆している。
複雑な問題に対処する能力や、他の人によって書かれたソリューションを評価する能力は、決して効果的ではない。
論文 参考訳（メタデータ） (2024-09-23T15:20:07Z) - Evaluating Contextually Personalized Programming Exercises Created with Generative AI [4.046163999707179]
本報告では,GPT-4で作成した文脈別にパーソナライズされたプログラミング演習を含む,選択型プログラミングコースにおけるユーザスタディについて報告する。
その結果, GPT-4で発生する運動の質は概して高かった。
これは、AIが生成するプログラミング問題は、入門プログラミングコースに付加価値があることを示している。
論文 参考訳（メタデータ） (2024-06-11T12:59:52Z) - Genetic Auto-prompt Learning for Pre-trained Code Intelligence Language Models [54.58108387797138]
コードインテリジェンスタスクにおける即時学習の有効性について検討する。
既存の自動プロンプト設計手法は、コードインテリジェンスタスクに限られている。
本稿では、精巧な遺伝的アルゴリズムを用いてプロンプトを自動設計する遺伝的オートプロンプト(GenAP)を提案する。
論文 参考訳（メタデータ） (2024-03-20T13:37:00Z) - Kattis vs. ChatGPT: Assessment and Evaluation of Programming Tasks in
the Age of Artificial Intelligence [0.0]
プログラムタスクを解くために,大規模言語モデルを使用することの有効性は未検討である。
本研究では,ChatGPTによるプログラミング入門コースの難易度に応じて,ChatGPTがコード解を生成する能力について検討した。
プログラム教育におけるAIを活用したツールの有用性に関する議論が進行中である。
論文 参考訳（メタデータ） (2023-12-02T11:09:17Z) - Towards Coding Social Science Datasets with Language Models [4.280286557747323]
研究者はしばしば、大規模なテキストのセット(ラベル、注釈など)を人間に頼っている。
特定の種類の人工知能ツール(言語モデル(LM))の最近の進歩は、ソリューションを提供する。
GPT-3は、一般的な人間のコーダの性能と一致し、テキストをコーディングする他の機械学習手法よりも利点があることがわかった。
論文 参考訳（メタデータ） (2023-06-03T19:11:34Z) - 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) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳（メタデータ） (2022-12-20T18:46:16Z) - Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。
標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。
Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
論文 参考訳（メタデータ） (2022-11-16T10:00:23Z) - Competition-Level Code Generation with AlphaCode [74.87216298566942]
より深い推論を必要とする問題に対する新しいソリューションを作成することができるコード生成システムであるAlphaCodeを紹介する。
Codeforcesプラットフォームにおける最近のプログラミングコンペティションのシミュレーション評価において、AlphaCodeは平均54.3%のランキングを達成した。
論文 参考訳（メタデータ） (2022-02-08T23:16:31Z) - 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) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z)
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。