Fugu-MT 論文翻訳(概要): Explaining Code Examples in Introductory Programming Courses: LLM vs Humans

論文の概要: Explaining Code Examples in Introductory Programming Courses: LLM vs Humans

arxiv url: http://arxiv.org/abs/2403.05538v2
Date: Tue, 12 Mar 2024 02:06:25 GMT
ステータス: 処理完了
システム内更新日: 2024-03-14 00:26:07.452373
Title: Explaining Code Examples in Introductory Programming Courses: LLM vs Humans
Title（参考訳）: 導入プログラミングコースにおけるコード例の説明: llm vs human
Authors: Arun-Balajiee Lekshmi-Narayanan, Priti Oli, Jeevan Chapagain, Mohammad Hassany, Rabin Banjade, Peter Brusilovsky, Vasile Rus
Abstract要約: 受動型およびアクティブなサンプル探索システムにおいて,LLMを用いてコード説明を生成する可能性について検討した。この目的を達成するために,チャットGPTが生成したコード説明と,専門家と学生の両方が生成した説明とを比較した。
参考スコア（独自算出の注目度）: 1.6431142588286851
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Worked examples, which present an explained code for solving typical programming problems are among the most popular types of learning content in programming classes. Most approaches and tools for presenting these examples to students are based on line-by-line explanations of the example code. However, instructors rarely have time to provide explanations for many examples typically used in a programming class. In this paper, we assess the feasibility of using LLMs to generate code explanations for passive and active example exploration systems. To achieve this goal, we compare the code explanations generated by chatGPT with the explanations generated by both experts and students.
Abstract（参考訳）: 典型的なプログラミング問題を解くための説明コードを示す実例は、プログラミングクラスで最も人気のある学習内容の1つである。これらの例を学生に提示するためのアプローチやツールのほとんどは、サンプルコードの行ごとの説明に基づいている。しかし、インストラクターがプログラミングの授業でよく使われる多くの例を説明する時間はほとんどない。本稿では, LLMを用いた受動的かつアクティブなサンプル探索システムのためのコード説明生成の可能性を評価する。この目的を達成するために、chatgptが生成するコード説明と、専門家と学生の両方が生成する説明を比較した。

関連論文リスト

Comments as Natural Logic Pivots: Improve Code Generation via Comment Perspective [85.48043537327258]
本稿では, MANGO (comMents As Natural loGic pivOts) を提案する。その結果、MANGOは強いベースラインに基づいてコードパス率を大幅に改善することがわかった。論理的なコメントの復号化戦略の堅牢性は、考えの連鎖よりも顕著に高い。
論文参考訳（メタデータ） (2024-04-11T08:30:46Z)
Human-AI Co-Creation of Worked Examples for Programming Classes [1.5663705658818543]
コード説明の開始バージョンを生成するJavaの動作例を作成するオーサリングシステムを導入する。また,本手法を用いて作成した説明の質を評価する。
論文参考訳（メタデータ） (2024-02-26T01:44:24Z)
Authoring Worked Examples for Java Programming with Human-AI Collaboration [1.5663705658818543]
コード説明の開始バージョンを生成するJavaの動作例を作成するオーサリングシステムを導入する。また,本手法を用いて作成した説明の質を評価する。
論文参考訳（メタデータ） (2023-12-04T18:32:55Z)
Code Generation Based Grading: Evaluating an Auto-grading Mechanism for "Explain-in-Plain-English" Questions [0.0]
コード生成ベースグラディング(CGBG)は、人間の学年と適度に合意する。 CGBGは、コードの低レベルおよびライン・バイ・ライン記述に関して、人間のグレードラーと適度に合意する。
論文参考訳（メタデータ） (2023-11-25T02:45:00Z)
Enabling Large Language Models to Learn from Rules [99.16680531261987]
私たちは、人間がルールから学習することで、新しいタスクや知識を別の方法で学習できることにインスピレーションを受けています。まず, LLMの強い文脈内能力を用いて, テキスト規則から知識を抽出する規則蒸留法を提案する。実験の結果, LLMをルールから学習させることは, サンプルサイズと一般化能力の両方において, サンプルベース学習よりもはるかに効率的であることがわかった。
論文参考訳（メタデータ） (2023-11-15T11:42:41Z)
Retrieval-Augmented Code Generation for Universal Information Extraction [66.68673051922497]
情報抽出は、自然言語テキストから構造的知識を抽出することを目的としている。本稿では,Large Language Models(LLMs)に基づく汎用検索拡張コード生成フレームワークを提案する。 Code4UIEはPythonクラスを採用し、様々な構造的知識のタスク固有のスキーマを普遍的に定義する。
論文参考訳（メタデータ） (2023-11-06T09:03:21Z)
The Behavior of Large Language Models When Prompted to Generate Code Explanations [0.3293989832773954]
本稿では,Large Language Models (LLM) によるコード記述の生成を体系的に検討する。この結果から,LLMのコード説明の性質は,プロンプトの単語化などの要因の影響を受け,大きな変化がみられた。説明によると、Flesch-Kincaidの可読性は約7-8グレードである。
論文参考訳（メタデータ） (2023-11-02T17:14:38Z)
An In-Context Schema Understanding Method for Knowledge Base Question Answering [70.87993081445127]
大きな言語モデル(LLM)は、言語理解において強力な能力を示しており、この課題を解決するために使用することができる。既存のメソッドは、当初、スキーマ固有の詳細を使わずにLLMを使用してロジックフォームのドラフトを生成することで、この課題を回避している。そこで本研究では,LLMが文脈内学習を利用してスキーマを直接理解できる簡易なインコンテキスト理解(ICSU)手法を提案する。
論文参考訳（メタデータ） (2023-10-22T04:19:17Z)
From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。この結果から,指導指導の3つの重要な影響が明らかになった。
論文参考訳（メタデータ） (2023-09-30T21:16:05Z)
Comparing Code Explanations Created by Students and Large Language Models [4.526618922750769]
コードについて推論し、その目的を説明することは、コンピュータ科学者にとって基本的なスキルである。可能なすべてのインプットに対してコードがどのように振る舞うかを、高いレベルの抽象化で記述する能力は、コード記述スキルと強く相関する。既存の教育的なアプローチは、要求に応じてコード説明を作成するなど、コードを説明する能力を足場に置いていますが、現在、大規模な教室ではうまくスケールしていません。
論文参考訳（メタデータ） (2023-04-08T06:52:54Z)
Evaluating Explanations: How much do explanations from the teacher aid students? [103.05037537415811]
本研究では,説明が生徒の学習モデルを改善する程度を測る学生-教師パラダイムを用いて,説明の価値を定式化する。説明を評価するための従来の提案とは異なり、我々のアプローチは容易にゲーム化できず、原則付き、スケーラブルで、属性の自動評価を可能にします。
論文参考訳（メタデータ） (2020-12-01T23:40:21Z)

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。