Fugu-MT 論文翻訳(概要): A Proposal for a Debugging Learning Support Environment for Undergraduate Students Majoring in Computer Science

論文の概要: A Proposal for a Debugging Learning Support Environment for Undergraduate Students Majoring in Computer Science

arxiv url: http://arxiv.org/abs/2407.17743v1
Date: Thu, 25 Jul 2024 03:34:19 GMT
ステータス: 処理完了
システム内更新日: 2024-07-26 15:27:36.607597
Title: A Proposal for a Debugging Learning Support Environment for Undergraduate Students Majoring in Computer Science
Title（参考訳）: コンピュータサイエンス専攻学生のためのデバッグ学習支援環境の提案
Authors: Aoi Kanaya, Takuma Migo, Hiroaki Hashiura,
Abstract要約: 生徒はデバッガの使い方を知らないし、使ったこともない。我々は,正しいブレークポイント配置の自己学習を可能にする機能をScratchに実装した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In software development, encountering bugs is inevitable. However, opportunities to learn more about bug removal are limited. When students perform debugging tasks, they often use print statements because students do not know how to use a debugger or have never used one.In this study, among various debugging methods, we focused on debugging using breakpoints. We implemented a function in Scratch, a visual programming language, that allows for self-learning of correct breakpoint placement and systematic debugging procedures.In this paper, we discuss experimental results that clarify the changes that occur in subjects when they learn debugging in Scratch.
Abstract（参考訳）: ソフトウェア開発では、バグに遭遇することは避けられない。しかし、バグ除去についてもっと学ぶ機会は限られている。学生がデバッグタスクを行う際には,デバッガの使い方を知らない,あるいは一度も使わなかったため,印刷文を使うことが多い。本稿では,視覚言語であるScratchに,正確なブレークポイント配置と系統的なデバッグ手順を自己学習する機能を実装した。

関連論文リスト

BugSpotter: Automated Generation of Code Debugging Exercises [22.204802715829615]
本稿では,問題記述からバグコードを生成するツールであるBugSpotterを紹介する。学生は失敗するテストケースを設計することでBugSpotterと対話する。
論文参考訳（メタデータ） (2024-11-21T16:56:33Z)
MdEval: Massively Multilingual Code Debugging [37.48700033342978]
18のプログラミング言語の3.6Kテストサンプルを含む,最初の大規模多言語デバッグベンチマークを提案する。本稿では, MDEVAL-INSTRUCT 命令コーパスを導入し, 正しい多言語クエリとソリューションにバグを注入する。 MDEVALにおける実験により,オープンソースモデルとクローズドソースLLM間の顕著な性能差が明らかになった。
論文参考訳（メタデータ） (2024-11-04T17:36:40Z)
Moldable Exceptions [0.840358257755792]
コンテキスト情報に基づいてデバッガのインタフェースを適応するための軽量なメカニズムである「モールド可能な例外」を導入する。いくつかの例を通して、モールド可能な例外がライブプログラミング環境をいかに強化するかを提示する。
論文参考訳（メタデータ） (2024-08-31T14:14:22Z)
VDebugger: Harnessing Execution Feedback for Debugging Visual Programs [103.61860743476933]
V Debuggerは、視覚プログラムのローカライズとデバッギングのために、段階的に実行を追跡することで訓練された、批評家とリファインダーのフレームワークである。 Vデバッガは、詳細な実行フィードバックを活用してプログラムエラーを特定し、修正する。 6つのデータセットの評価は、Vデバッガの有効性を示し、ダウンストリームタスクの精度が最大3.2%向上したことを示している。
論文参考訳（メタデータ） (2024-06-19T11:09:16Z)
Leveraging Print Debugging to Improve Code Generation in Large Language Models [63.63160583432348]
大規模言語モデル(LLM)はコード生成タスクにおいて大きな進歩を遂げた。しかし、複雑なデータ構造やアルゴリズムによるプログラミング問題に対処する彼らのパフォーマンスは、依然として準最適である。そこで本稿では,LLM のデバッグを "print debugging" 手法でガイドする,コンテキスト内学習手法を提案する。
論文参考訳（メタデータ） (2024-01-10T18:37:59Z)
DebugBench: Evaluating Debugging Capability of Large Language Models [80.73121177868357]
DebugBench - LLM(Large Language Models)のベンチマーク。 C++、Java、Pythonの4つの主要なバグカテゴリと18のマイナータイプをカバーする。ゼロショットシナリオで2つの商用および4つのオープンソースモデルを評価する。
論文参考訳（メタデータ） (2024-01-09T15:46:38Z)
NuzzleBug: Debugging Block-Based Programs in Scratch [11.182625995483862]
NuzzleBugは、人気のあるブロックベースのプログラミング環境であるScratchの拡張である。これは、実行について質問し、回答を提供することができる尋問デバッガである。教師はNuzzleBugが有用であると考えており、子どもたちはプログラムの欠陥を効果的にデバッグすることができる。
論文参考訳（メタデータ） (2023-09-25T18:56:26Z)
Teaching Large Language Models to Self-Debug [62.424077000154945]
大規模言語モデル(LLM)は、コード生成において素晴らしいパフォーマンスを達成した。本稿では,大規模言語モデルで予測プログラムを数発のデモでデバッグする自己デバッグを提案する。
論文参考訳（メタデータ） (2023-04-11T10:43:43Z)
Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
論文参考訳（メタデータ） (2022-11-11T16:37:33Z)
Eye: Program Visualizer for CS2 [1.319058156672392]
Eyeはプログラムの実行を視覚化するインタラクティブツールである。一般的な環境でのデータ構造の特性と利用を実証する。 EyeはCS2の学生がオンラインプログラミングのWebサイトで利用できる無数のプログラムをより容易に理解するためのゲートウェイを開く。
論文参考訳（メタデータ） (2021-01-28T16:16:59Z)
On the Robustness of Language Encoders against Grammatical Errors [66.05648604987479]
我々は、非ネイティブ話者から実際の文法的誤りを収集し、これらの誤りをクリーンテキストデータ上でシミュレートするために敵攻撃を行う。結果,全ての試験モデルの性能は影響するが,影響の程度は異なることがわかった。
論文参考訳（メタデータ） (2020-05-12T11:01:44Z)

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。