論文の概要: Promptly: Using Prompt Problems to Teach Learners How to Effectively
Utilize AI Code Generators
- arxiv url: http://arxiv.org/abs/2307.16364v1
- Date: Mon, 31 Jul 2023 01:46:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 16:10:13.450171
- Title: Promptly: Using Prompt Problems to Teach Learners How to Effectively
Utilize AI Code Generators
- Title(参考訳): Promptly:AIコードジェネレータを効果的に活用する方法を学ぶためのプロンプト問題
- Authors: Paul Denny and Juho Leinonen and James Prather and Andrew
Luxton-Reilly and Thezyrie Amarouche and Brett A. Becker and Brent N. Reeves
- Abstract要約: 本稿では,「プロンプト問題」として知られる新しい教育概念を紹介する。
プロンプト問題(英: Prompt Problem)は、学生が自然言語のプロンプトを作成し、LLMが特定の問題に対して正しいコードを生成するよう促す問題である。
Promptlyを初年度のPythonプログラミングコースに導入したフィールドスタディから経験的知見を報告する。
- 参考スコア(独自算出の注目度): 5.458849730200646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With their remarkable ability to generate code, large language models (LLMs)
are a transformative technology for computing education practice. They have
created an urgent need for educators to rethink pedagogical approaches and
teaching strategies for newly emerging skill sets. Traditional approaches to
learning programming have focused on frequent and repeated practice at writing
code. The ease with which code can now be generated has resulted in a shift in
focus towards reading, understanding and evaluating LLM-generated code. In
parallel with this shift, a new essential skill is emerging -- the ability to
construct good prompts for code-generating models. This paper introduces a
novel pedagogical concept known as a `Prompt Problem', designed to help
students learn how to craft effective prompts for LLMs. A Prompt Problem
challenges a student to create a natural language prompt that leads an LLM to
produce the correct code for a specific problem. To support the delivery of
Prompt Problems at scale, in this paper we also present a novel tool called
Promptly which hosts a repository of Prompt Problems and automates the
evaluation of prompt-generated code. We report empirical findings from a field
study in which Promptly was deployed in a first-year Python programming course
(n=54). We explore student interactions with the tool and their perceptions of
the Prompt Problem concept. We found that Promptly was largely well-received by
students for its ability to engage their computational thinking skills and
expose them to new programming constructs. We also discuss avenues for future
work, including variations on the design of Prompt Problems and the need to
study their integration into the curriculum and teaching practice.
- Abstract(参考訳): コードを生成する素晴らしい能力によって、大規模言語モデル(LLM)は、コンピューティング教育実践のための革新的技術である。
彼らは、教育者が新しいスキルセットのための教育的アプローチと教育戦略を再考する緊急の要求を生み出した。
プログラミングを学ぶ伝統的なアプローチは、コードの書き方における頻繁で反復的な実践に焦点を合わせてきた。
コード生成が容易になったことで、LLM生成コードを読み、理解し、評価することに注力するようになった。
このシフトと並行して、コード生成モデルの優れたプロンプトを構築する能力という、新たな必須スキルが生まれています。
本稿では,LLMのための効果的なプロンプトの作り方を学ぶために,'Prompt Problem'と呼ばれる新しい教育概念を紹介する。
プロンプト問題は、llmが特定の問題に対して正しいコードを生成するように導く自然言語プロンプトを作成するよう学生に求めるものである。
本稿では,プロンプト問題のレポジトリをホストし,プロンプト生成コードの評価を自動化したpromplyという新しいツールを提案する。
我々は,最初の1年間のpythonプログラミングコース(n=54)に迅速にデプロイされたフィールド研究から得られた経験的知見を報告する。
本研究は,プロンプト問題の概念に対する認識とツールとの学生のインタラクションについて検討する。
Promptlyは、学生がコンピュータ思考のスキルを身につけ、新しいプログラミング構造に公開する能力についてよく理解されていることがわかった。
また,プロンプト問題の設計のバリエーションや,カリキュラムや教育実践への統合について検討する必要性など,今後の作業への道筋についても論じる。
関連論文リスト
- Explaining Code with a Purpose: An Integrated Approach for Developing
Code Comprehension and Prompting Skills [4.776920192249936]
我々は,EePE質問に対する学生の回答に基づいて,LLMを用いてコードを生成することを提案する。
我々は,EePEの問題解決に有効なプロンプトの作成に学生が成功したことを報告した。
論文 参考訳(メタデータ) (2024-03-10T00:23:08Z) - CodeTailor: Personalized Parsons Puzzles are Preferred Over AI-Generated
Solutions to Support Learning [7.028077796087939]
生成AIは、ほとんどの導入プログラミング問題に対するソリューションを作成することができる。
学生はコード生成や宿題の完了にこれらのツールを頼りにしてしまうかもしれません。
我々は,大規模言語モデル(LLM)を活用しながら,学生の認知活動を促進するシステムであるCodeTailorを紹介する。
論文 参考訳(メタデータ) (2024-01-22T17:08:54Z) - Interactions with Prompt Problems: A New Way to Teach Programming with
Large Language Models [4.1599514827277355]
本稿では,プロンプト問題を用いてプログラミングを教える新しい方法を提案する。
学生は視覚的に問題を受け取り、どのように入力を出力に変換するかを示し、それをLLMが解読するプロンプトに変換する必要がある。
この問題は、学生プロンプトによって生成されたコードが全てのテストケースをパスできる場合、正しいと考えられる。
論文 参考訳(メタデータ) (2024-01-19T15:32:46Z) - Code Prompting Elicits Conditional Reasoning Abilities in Text+Code LLMs [69.99031792995348]
自然言語の問題をコードに変換する一連のプロンプトであるコードプロンプトを導入します。
コードプロンプトは複数のLLMに対して高速に向上することがわかった。
GPT 3.5を解析した結果,入力問題のコードフォーマッティングが性能向上に不可欠であることが判明した。
論文 参考訳(メタデータ) (2024-01-18T15:32:24Z) - A Prompt Learning Framework for Source Code Summarization [24.33455799484519]
本稿では,PromptCSと呼ばれるコード要約のための新しいプロンプト学習フレームワークを提案する。
PromptCSは、コード要約においてLLMのポテンシャルを解放するために連続的なプロンプトを生成するプロンプトエージェントを訓練する。
複数のプログラミング言語を含むCodeSearchNetデータセット上でPromptCSを評価する。
論文 参考訳(メタデータ) (2023-12-26T14:37:55Z) - LMRL Gym: Benchmarks for Multi-Turn Reinforcement Learning with Language
Models [56.25156596019168]
本稿では,LMRL-Gymベンチマークを用いて,大規模言語モデル(LLM)のマルチターンRLの評価を行う。
我々のベンチマークは8つの異なる言語タスクで構成されており、複数ラウンドの言語相互作用が必要であり、オープンエンド対話やテキストゲームにおける様々なタスクをカバーする。
論文 参考訳(メタデータ) (2023-11-30T03:59:31Z) - Automatically Generating CS Learning Materials with Large Language
Models [4.526618922750769]
大きな言語モデル(LLM)は、ソフトウェア開発者が自然言語のプロンプトに基づいてコードを生成することを可能にする。
LLMは、インストラクターが学習材料をスケールするのを手助けしながら、学生が新しい方法でコードと対話することを可能にする。
LLMはまた、学術的完全性、カリキュラム設計、ソフトウェア工学のキャリアに新しい意味を導入している。
論文 参考訳(メタデータ) (2022-12-09T20:37:44Z) - OpenPrompt: An Open-source Framework for Prompt-learning [59.17869696803559]
PLM上でのプロンプト学習を行うための統一的な使いやすさツールキットであるOpenPromptを提案する。
OpenPromptは、効率性、モジュール性、拡張性を備えた、リサーチフレンドリーなフレームワークである。
論文 参考訳(メタデータ) (2021-11-03T03:31:14Z) - 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) - DreamCoder: Growing generalizable, interpretable knowledge with
wake-sleep Bayesian program learning [47.910312960048174]
本稿では,プログラム記述による問題解決学習システムであるDreamCoderを紹介する。
ニューラルネットワークとともに、ドメイン概念を表現するためのプログラミング言語を作成することで、専門知識を構築する。
ウェイクスリープの学習アルゴリズムは、新しいシンボル抽象化で言語を交互に拡張し、想像と再生の問題でニューラルネットワークをトレーニングする。
論文 参考訳(メタデータ) (2020-06-15T13:06:29Z)
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。