論文の概要: Exploring Actions, Interactions and Challenges in Software Modelling Tasks: An Empirical Investigation with Students
- arxiv url: http://arxiv.org/abs/2409.13656v1
- Date: Fri, 20 Sep 2024 17:03:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 06:08:43.886781
- Title: Exploring Actions, Interactions and Challenges in Software Modelling Tasks: An Empirical Investigation with Students
- Title（参考訳）: ソフトウェアモデリング課題における行動・相互作用・課題の探索--学生を対象とした実証的研究
- Authors: Shalini Chakraborty, Javier Troya, Lola Burgueño, Grischa Liebel,
- Abstract要約: 学生のモデリング知識とモデリング行動を探究することを目的としている。
また、特定のモデリングツールのモデリングタスクを解決しつつ、学生の課題についても検討したい。
- 参考スコア（独自算出の注目度）: 2.358662654438374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Software modelling is a creative yet challenging task. Modellers often find themselves lost in the process, from understanding the modelling problem to solving it with proper modelling strategies and modelling tools. Students learning modelling often get overwhelmed with the notations and tools. To teach students systematic modelling, we must investigate students' practical modelling knowledge and the challenges they face while modelling. Aim: We aim to explore students' modelling knowledge and modelling actions. Further, we want to investigate students' challenges while solving a modelling task on specific modelling tools. Method: We conducted an empirical study by observing 16 pairs of students from two universities and countries solving modelling tasks for one hour. Results: We find distinct patterns of modelling of class and sequence diagrams based on individual modelling styles, the tools' interface and modelling knowledge. We observed how modelling tools influence students' modelling styles and how they can be used to foster students' confidence and creativity. Based on these observations, we developed a set of guidelines aimed at enhancing modelling education and helping students acquire practical modelling skills. Conclusions: The guidance for modelling in education needs to be structured and systematic. Our findings reveal that different modelling styles exist, which should be properly studied. It is essential to nurture the creative aspect of a modeller, particularly while they are still students. Therefore, selecting the right tool is important, and students should understand how a tool can influence their modelling style.
- Abstract（参考訳）: 背景: ソフトウェアモデリングは創造的だが難しいタスクです。
モデリング担当者は、モデリングの問題を理解することから、適切なモデリング戦略やモデリングツールでそれを解決するまで、プロセスで迷子になることが多い。
モデリングを学ぶ学生は、しばしば表記法やツールに圧倒される。
学生にシステマティック・モデリングを教えるためには,学生の実践的モデリング知識と,モデリング中に直面する課題について検討する必要がある。
Aim: 学生のモデリング知識とモデリング行動を探究することを目的としている。
さらに,特定のモデリングツールのモデリング課題を解決しつつ,学生の課題について検討する。
方法:2つの大学と国から16組の学生が1時間,モデル作成タスクを解く様子を観察し,実証的研究を行った。
結果: 個々のモデリングスタイル, ツールのインターフェース, モデリング知識に基づいて, クラス図とシーケンス図のモデリングパターンが異なることがわかった。
モデリングツールが学生のモデリングスタイルにどのように影響するか、学生の自信と創造性を育むためにどのように使用できるかを観察した。
そこで本研究では,モデリング教育の強化と,実践的なモデリングスキルの獲得を支援するためのガイドラインのセットを開発した。
結論: 教育におけるモデリングの指針は、構造化され、体系化されるべきである。
本研究により,様々なモデリングスタイルが存在することが明らかとなった。
モデラーの創造的な側面、特に学生である間に育むことが不可欠である。
そのため、適切なツールを選択することが重要であり、学生はツールがモデリングスタイルにどのように影響するかを理解する必要がある。
関連論文リスト
- Learning-based Models for Vulnerability Detection: An Extensive Study [3.1317409221921144]
我々は、最先端の学習ベースアプローチの2つのタイプを広範かつ包括的に調査する。
本稿では,シーケンスベースモデルの優先度と,グラフベースモデルの限定能力について実験的に検証する。
論文 参考訳（メタデータ） (2024-08-14T13:01:30Z) - Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。
本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。
また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
論文 参考訳（メタデータ） (2024-08-08T11:34:31Z) - Aligning Vision Models with Human Aesthetics in Retrieval: Benchmarks and Algorithms [91.19304518033144]
検索システムにおける視覚モデルと人間の審美基準の整合を図る。
本研究では、視覚モデルと人間の美学をよりよく整合させるために、視覚モデルを微調整する嗜好に基づく強化学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T17:59:20Z) - Model Lakes [22.717104096113637]
ディープラーニングモデルのセットを考えると、タスクに適したモデルを見つけるのは難しいかもしれません。
データレイクの研究からヒントを得て、モデルレイクの概念を導入し、定義する。
大型モデル管理における基礎研究課題について論じる。
論文 参考訳（メタデータ） (2024-03-04T18:55:50Z) - Model Provenance via Model DNA [23.885185988451667]
本稿では,機械学習モデルの特徴を表現した新しいモデルDNAについて紹介する。
本研究では,対象モデルの事前学習モデルであるかどうかを識別できるモデル証明同定のための効率的なフレームワークを開発する。
論文 参考訳（メタデータ） (2023-08-04T03:46:41Z) - Minimal Value-Equivalent Partial Models for Scalable and Robust Planning
in Lifelong Reinforcement Learning [56.50123642237106]
モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。
このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。
我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
論文 参考訳（メタデータ） (2023-01-24T16:40:01Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳（メタデータ） (2022-10-11T10:20:31Z) - Understanding Self-Directed Learning in an Online Laboratory [6.193838300896449]
本研究では,モデリング行動と結果のみを観察し,学習目標と結果が不明であった。
機械学習を用いて、315人の学習者と822人の概念モデルをモデル化した。
論文 参考訳（メタデータ） (2022-06-06T16:55:50Z) - Model-Based Visual Planning with Self-Supervised Functional Distances [104.83979811803466]
モデルに基づく視覚的目標達成のための自己監視手法を提案する。
私たちのアプローチは、オフラインでラベルなしのデータを使って完全に学習します。
このアプローチは,モデルフリーとモデルベース先行手法の両方で大幅に性能が向上することがわかった。
論文 参考訳（メタデータ） (2020-12-30T23:59:09Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-14T16:42:59Z)
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。