論文の概要: Towards Identifying Code Proficiency through the Analysis of Python Textbooks
- arxiv url: http://arxiv.org/abs/2408.02262v1
- Date: Mon, 5 Aug 2024 06:37:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 14:26:02.845562
- Title: Towards Identifying Code Proficiency through the Analysis of Python Textbooks
- Title（参考訳）: Python テキストの解析によるコード習熟度同定に向けて
- Authors: Ruksit Rojpaisarnkit, Gregorio Robles, Raula Gaikovina Kula, Dong Wang, Chaiyong Ragkhitwetsagul, Jesus M. Gonzalez-Barahona, Kenichi Matsumoto,
- Abstract要約: 目的は、開発者がソースコードの一部を理解する必要がある熟練度を測定することである。
専門家の意見や開発者調査に大きく依存した以前の試みは、かなりの相違を招いた。
本稿では,Python プログラミング教科書の体系的解析を通じて,Python の能力レベルを同定する手法を提案する。
- 参考スコア（独自算出の注目度）: 7.381102801726683
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Python, one of the most prevalent programming languages today, is widely utilized in various domains, including web development, data science, machine learning, and DevOps. Recent scholarly efforts have proposed a methodology to assess Python competence levels, similar to how proficiency in natural languages is evaluated. This method involves assigning levels of competence to Python constructs, for instance, placing simple 'print' statements at the most basic level and abstract base classes at the most advanced. The aim is to gauge the level of proficiency a developer must have to understand a piece of source code. This is particularly crucial for software maintenance and evolution tasks, such as debugging or adding new features. For example, in a code review process, this method could determine the competence level required for reviewers. However, categorizing Python constructs by proficiency levels poses significant challenges. Prior attempts, which relied heavily on expert opinions and developer surveys, have led to considerable discrepancies. In response, this paper presents a new approach to identifying Python competency levels through the systematic analysis of introductory Python programming textbooks. By comparing the sequence in which Python constructs are introduced in these textbooks with the current state of the art, we have uncovered notable discrepancies in the order of introduction of Python constructs. Our study underscores a misalignment in the sequences, demonstrating that pinpointing proficiency levels is not trivial. Insights from the study serve as pivotal steps toward reinforcing the idea that textbooks serve as a valuable source for evaluating developers' proficiency, and particularly in terms of their ability to undertake maintenance and evolution tasks.
- Abstract（参考訳）: 現在最も普及しているプログラミング言語の1つであるPythonは、Web開発、データサイエンス、機械学習、DevOpsなど、さまざまな領域で広く利用されている。
近年の研究では、自然言語の習熟度を評価する方法と同様に、Pythonの能力レベルを評価する手法が提案されている。
このメソッドは、例えば、単純な 'print'文を最も基本的なレベルに配置し、最も高度な抽象基底クラスを配置する、Pythonコンストラクトに能力レベルを割り当てる。
目的は、開発者がソースコードの一部を理解する必要がある熟練度を測定することである。
これは特に、デバッグや新機能の追加など、ソフトウェアのメンテナンスと進化のタスクにとって重要である。
例えば、コードレビュープロセスでは、このメソッドはレビュアーに必要な能力レベルを決定することができる。
しかし、Pythonのコンストラクトを熟練度で分類することは大きな課題となる。
専門家の意見や開発者調査に大きく依存した以前の試みは、かなりの相違を招いた。
そこで本研究では,Python プログラミング教科書の体系的解析を通じて,Python の能力レベルを同定する手法を提案する。
これらの教科書でPythonコンストラクトが導入されたシーケンスを現在の最先端と比較することにより、Pythonコンストラクトの導入順序で顕著な相違が明らかになった。
我々の研究は、シーケンスのミスアライメントを強調し、習熟度をピンポイントすることは簡単ではないことを実証している。
この研究からの洞察は、教科書が開発者の習熟度を評価する貴重な情報源であるという考えを強化するための重要なステップとなる。
関連論文リスト
- How Maintainable is Proficient Code? A Case Study of Three PyPI Libraries [3.0105723746073]
ファイル内の有能なコードのリスクレベルについて検討する。
リスクの高い高度に熟練したコードのいくつかの例を特定します。
この研究は、開発者が有能なコードが将来のコードメンテナンス活動に有害かもしれないシナリオを特定するのに役立ちます。
論文 参考訳（メタデータ） (2024-10-08T04:45:11Z) - Natural Language Embedded Programs for Hybrid Language Symbolic Reasoning [84.12154024070024]
本研究では,数学・記号的推論,自然言語理解,後続の課題に対処するための統合フレームワークとして,自然言語組み込みプログラム(NLEP)を提案する。
我々のアプローチは,構造化知識の自然言語表現を含むデータ構造上の関数を定義する完全なPythonプログラムを生成するよう,言語モデルに促す。
Pythonインタープリタが生成されたコードを実行し、出力をプリントする。
論文 参考訳（メタデータ） (2023-09-19T17:54:21Z) - Can Generative Pre-trained Transformers (GPT) Pass Assessments in Higher
Education Programming Courses? [6.2122699483618]
我々は,Pythonプログラミングコースにおける後続レベルでの評価をパスするために,GPT(Generative Pre-trained Transformer)の有効性を評価した。
GPTモデルがオートグレーダのフィードバックをいかに活用するかを検討した。
これらの容易なモデルを簡単に適用することで、学習者が利用可能な総合的なスコアの非自明な部分を得ることができることは明らかである。
論文 参考訳（メタデータ） (2023-03-16T13:58:45Z) - problexity -- an open-source Python library for binary classification
problem complexity assessment [0.0]
分類問題の複雑性評価は、教師付き学習領域における多くのトピックの重要な要素である。
現在、問題複雑性尺度の計算を可能にする学術コミュニティで利用可能なツールは、C++とR言語のライブラリとしてのみ利用可能である。
本稿では,Python言語における22の複雑性尺度を推定するソフトウェアモジュールについて述べる。
論文 参考訳（メタデータ） (2022-07-14T07:32:15Z) - 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) - Uncertainty Baselines: Benchmarks for Uncertainty & Robustness in Deep
Learning [66.59455427102152]
不確実性ベースライン(Uncertainty Baselines): 各種タスクにおける標準および最先端のディープラーニング手法の高品質な実装。
各ベースラインは、簡単に再利用可能で拡張可能なコンポーネントを備えた、自己完結型の実験パイプラインである。
モデルチェックポイント、Pythonノートブックとしての実験出力、結果を比較するためのリーダーボードを提供する。
論文 参考訳（メタデータ） (2021-06-07T23:57:32Z) - Measuring Coding Challenge Competence With APPS [54.22600767666257]
コード生成のベンチマークであるAPPSを紹介する。
私たちのベンチマークには1万の問題が含まれています。
GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
論文 参考訳（メタデータ） (2021-05-20T17:58:42Z) - Hierarchical Bi-Directional Self-Attention Networks for Paper Review
Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。
具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。
我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文 参考訳（メタデータ） (2020-11-02T08:07:50Z) - Procedural Generation of STEM Quizzes [0.0]
手続き型質問生成は、STEMクイズのための多様で形式的で最新の適応型質問バンクを作成する作業を大幅に促進する、と我々は主張する。
我々は,スクリプトベースの質問生成のための概念実証Python APIを提示し,評価する。
私たちのシステムの副次的な利点は、質問銀行がPythonコードに実際に埋め込まれており、コラボレーション、バージョン管理、メンテナンスタスクが非常に簡単であることです。
論文 参考訳（メタデータ） (2020-09-08T17:15:16Z) - OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。
OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
論文 参考訳（メタデータ） (2020-01-28T15:46:19Z)
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。