論文の概要: CodeTailor: Personalized Parsons Puzzles are Preferred Over AI-Generated
Solutions to Support Learning
- arxiv url: http://arxiv.org/abs/2401.12125v1
- Date: Mon, 22 Jan 2024 17:08:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 13:13:22.524758
- Title: CodeTailor: Personalized Parsons Puzzles are Preferred Over AI-Generated
Solutions to Support Learning
- Title(参考訳): CodeTailor:パーソナライズされたパーソンズパズルは、学習を支援するAI生成ソリューションよりも優先される
- Authors: Xinying Hou, Zihan Wu, Xu Wang, Barbara J. Ericson
- Abstract要約: 本稿では,大規模言語モデル(LLM)を利用した,学生の認知活動を促進するシステムであるsysを紹介する。
800の不正な学生コードによる技術的評価により、サイは生徒に高品質な(正確でパーソナライズされ、簡潔な)パーソンズパズルを効率的に作成できることを示した。
学生たちは、AIが生成するソリューションを単に受け取るよりも、サイを学習に利用する方がよいと評価した。
- 参考スコア(独自算出の注目度): 7.028077796087939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Programming can be challenging for novices, but it is difficult to provide
high-quality, comprehensive, and timely support at scale. Generative AI and its
products, like ChatGPT, can create a solution for most introductory programming
problems. However, students may become overly reliant on these tools for quick
code generation and homework completion, leading to reduced engagement and
limited learning. In this work, we present \sys{}, a system that utilizes large
language models (LLM) while still promoting students' cognitive engagement.
\sys{} provides a personalized Parsons puzzle to support struggling students.
In a Parsons puzzle, students place mixed-up code blocks in the correct order
to solve a problem. A technical evaluation with 800 incorrect student code
demonstrated that \sys{} can efficiently create high-quality (correct,
personalized, and concise) Parsons puzzles for students. In a within-subjects
experiment with 18 novice programmers, most students rated using \sys{} as more
engaging, and they preferred \sys{} for learning rather than simply receiving
an AI-generated solution. Additionally, students recalled more new elements
from the supported practice to the posttest after using \sys{}, compared to
when they simply received a direct solution. Qualitative observations and
interviews provided evidence for the benefits of \sys{} including emphasizing
algorithmic thinking, fostering continuity in learning, promoting metacognitive
reflection, and boosting student confidence. We conclude by suggesting future
designs for applying generative AI in a way that minimizes over-reliance and
enhances learning.
- Abstract(参考訳): プログラミングは初心者には難しいかもしれないが、大規模に高品質で包括的でタイムリーなサポートを提供することは難しい。
生成AIとその製品であるChatGPT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。
しかし、学生は素早いコード生成と宿題の完了のためにこれらのツールに過度に依存し、エンゲージメントが減少し、学習が制限される。
本研究では,大規模言語モデル (LLM) を利用した学生の認知活動を促進するシステムである sys{} を提案する。
\sys{}は、苦労している学生を支援するパーソンズパズルを提供する。
パーソンズパズルでは、生徒は正しい順番で混合コードブロックを配置して問題を解決する。
800の不正な学生コードによる技術的評価により、‘sys{}’は生徒のための高品質(正確でパーソナライズされた、簡潔な)パーソンズパズルを効率的に作成できることを示した。
18人の初心者プログラマによるイントラサブジェクション実験では、ほとんどの学生は、単にaiが生成するソリューションを受け取るのではなく、学習のために \sys{} を好んだ。
さらに、学生は、単に直接解を得たときと比べて、サポートされたプラクティスから、 \sys{}を使った後のposttestまで、より多くの新しい要素を思い出した。
質的観察とインタビューは、アルゴリズム的思考の強調、学習の連続性育成、メタ認知的リフレクションの促進、学生の自信の高揚を含む、 \sys{} の利点の証拠を提供した。
我々は、過剰信頼性を最小化し、学習を強化する方法で生成AIを適用するための将来の設計を提案する。
関連論文リスト
- Automating Personalized Parsons Problems with Customized Contexts and Concepts [2.185263087861945]
大規模言語モデル(LLM)は、学生がオンデマンドのパーソンズ問題を生成できるようにするソリューションを提供する。
本稿では,LLMを用いた無制限なドラッグアンドドロッププログラミング演習を生成する教育ツールであるPuzzleMakerPyを紹介する。
我々は,PuzzleMakerPyを大規模プログラミングコースに展開することで評価し,コンテキストフレーミングの個人化能力は学生にとって非常に有意義であることが判明した。
論文 参考訳(メタデータ) (2024-04-17T02:01:50Z) - Integrating Personalized Parsons Problems with Multi-Level Textual
Explanations to Scaffold Code Writing [7.277912553209182]
初心者プログラマは、学習プロセスの一部として基本的なコードを書く必要がありますが、しばしば困難に直面します。
障害のある学生を支援するために、我々は最近パーソンズのパーソンズ問題を実装し、学生がコードブロックを配置して、それらをポップアップの足場として解決した。
学生たちは、正しい答えを単に受け取るのではなく、よりエンゲージメントが高く、学習に好まれていることに気付きました。
論文 参考訳(メタデータ) (2024-01-06T07:27:46Z) - Students' Perspective on AI Code Completion: Benefits and Challenges [3.1498833540989413]
学生の視点から,AIコード補完のメリット,課題,期待について検討した。
その結果、AIコード補完は、正しい構文提案を提供することで、学生の生産性と効率を向上させることがわかった。
しかし、AIコード補完に対する過度な信頼は、プログラミング概念の表面レベルでの理解につながる可能性がある。
論文 参考訳(メタデータ) (2023-10-31T22:41:16Z) - SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。
数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-19T17:56:40Z) - Promptly: Using Prompt Problems to Teach Learners How to Effectively
Utilize AI Code Generators [5.458849730200646]
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。
論文 参考訳(メタデータ) (2023-07-31T01:46:42Z) - 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) - Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。
我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
論文 参考訳(メタデータ) (2022-03-19T03:22:57Z) - 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) - 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) - BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。
特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。
単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
論文 参考訳(メタデータ) (2020-07-28T17:46:18Z)
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。