論文の概要: Enhancing MBSE Education with Version Control and Automated Feedback
- arxiv url: http://arxiv.org/abs/2409.15294v1
- Date: Wed, 04 Sep 2024 08:12:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-30 06:31:50.195269
- Title: Enhancing MBSE Education with Version Control and Automated Feedback
- Title(参考訳): バージョン管理と自動フィードバックによるMBSE教育の強化
- Authors: Levente Bajczi, Dániel Szekeres, Daniel Siegl, Vince Molnár,
- Abstract要約: 本稿では,モデルベースシステム工学(MBSE)コースを毎年80名を超える参加者で実施するための革新的なアプローチを提案する。
このコースは、学生がEnterprise Architectを使って6つのサブミッションで複雑なシステムエンジニアリングタスクを完了する、協調的なグループ割り当てを中心に構成されている。
今年は、LemonTree、SmartGit、GitHubなど、学習エクスペリエンスを向上させるためのいくつかの技術的進歩を紹介しました。
- 参考スコア(独自算出の注目度): 0.10499611180329801
- License:
- Abstract: This paper presents an innovative approach to conducting a Model-Based Systems Engineering (MBSE) course, engaging over 80 participants annually. The course is structured around collaborative group assignments, where students utilize Enterprise Architect to complete complex systems engineering tasks across six submissions. This year, we introduced several technological advancements to enhance the learning experience, including the use of LemonTree, SmartGit, and GitHub. Students collaborated on shared repositories in GitHub, received continuous feedback via automated checks through LemonTree Automation, and documented their progress with pre-rendered, continuously updating diagrams. Additionally, they managed 2-way and 3-way merges directly in SmartGit, with merge issues, updates, and model statistics readily available for each Work-in-Progress submission. The process of correcting and providing manual feedback was streamlined, thanks to accessible changelogs and renders in GitHub. An end-of-course feedback form revealed high student satisfaction.
- Abstract(参考訳): 本稿では,モデルベースシステム工学(MBSE)コースを毎年80名を超える参加者で実施する革新的な手法を提案する。
このコースは、学生がEnterprise Architectを使って6つのサブミッションで複雑なシステムエンジニアリングタスクを完了する、協調的なグループ割り当てを中心に構成されている。
今年は、LemonTree、SmartGit、GitHubなど、学習エクスペリエンスを向上させるためのいくつかの技術的進歩を紹介しました。
学生はGitHubの共有リポジトリで協力し、LemonTree Automationを通じて自動チェックを通じて継続的なフィードバックを受け、事前にレンダリングされ、継続的に更新されたダイアグラムで進捗状況をドキュメント化した。
さらに、SmartGitで直接2方向と3方向のマージを管理し、各Work-in-Progressサブミッションで利用可能なマージ問題、更新、モデル統計をマージした。
GitHubのアクセス可能な変更ログとレンダリングのおかげで、手動によるフィードバックの修正と提供のプロセスが合理化された。
終末フィードバック形式では,生徒の満足度が高いことが判明した。
関連論文リスト
- Automatic Categorization of GitHub Actions with Transformers and Few-shot Learning [12.254055731378045]
GitHub Actions(GHA)は、開発者がパイプラインを作成してメンテナンスするための実用的なツールを提供するために考案されたものだ。
検索エンジンにアクションを公開するために、GitHubは開発者がそれらを1つ以上のカテゴリに手動で割り当てることを可能にする。
私たちはGitHubでアクションの可視性を高めるための実用的なソリューションであるGavelを提案する。
論文 参考訳(メタデータ) (2024-07-24T02:27:36Z) - How to Understand Whole Software Repository? [64.19431011897515]
リポジトリ全体に対する優れた理解は、自動ソフトウェアエンジニアリング(ASE)への重要な道になるでしょう。
本研究では,リポジトリ全体を包括的に理解するためのエージェントによるRepoUnderstanderという新しい手法を開発した。
リポジトリレベルの知識をより活用するために、エージェントをまとめ、分析し、計画する。
論文 参考訳(メタデータ) (2024-06-03T15:20:06Z) - An Integrated Data Processing Framework for Pretraining Foundation Models [57.47845148721817]
研究者や実践者は、しばしば異なるソースからデータセットを手動でキュレートする必要がある。
本稿では,処理モジュールと解析モジュールを統合したデータ処理フレームワークを提案する。
提案されたフレームワークは使いやすく、柔軟です。
論文 参考訳(メタデータ) (2024-02-26T07:22:51Z) - Git-Theta: A Git Extension for Collaborative Development of Machine
Learning Models [26.107117592578632]
本稿では,機械学習モデルのバージョン管理システムGit-Thetaを紹介する。
Git-Thetaは、最も広く使われているバージョン管理ソフトウェアであるGitの拡張である。
論文 参考訳(メタデータ) (2023-06-07T15:37:50Z) - SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。
それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。
私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
論文 参考訳(メタデータ) (2023-04-21T10:00:22Z) - ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders [104.05133094625137]
完全畳み込み型マスク付きオートエンコーダフレームワークと,新たなグローバル応答正規化層を提案する。
この自己教師付き学習技術とアーキテクチャ改善の共設計により、純粋なConvNetの性能を大幅に向上させるConvNeXt V2と呼ばれる新しいモデルファミリが生まれる。
論文 参考訳(メタデータ) (2023-01-02T18:59:31Z) - CommitBART: A Large Pre-trained Model for GitHub Commits [8.783518592487248]
私たちは、GitHubコミットのための大規模なトレーニング済みエンコーダデコーダトランスフォーマーモデルであるCommitBARTを紹介します。
このモデルは、コミットフラグメント表現を学習するための6つの事前学習タスクに対して、3つのカテゴリ(例えば、目的の認知、クロスモーダル生成、コントラスト学習)で事前訓練される。
これらのタスクの実験では、CommitBARTは以前のトレーニング済みのコードよりも大幅にパフォーマンスが向上している。
論文 参考訳(メタデータ) (2022-08-17T06:35:57Z) - Implementation of an Automated Learning System for Non-experts [26.776682627968476]
本稿では,YMIRと呼ばれる自動機械学習システムの実装について詳述する。
トレーニング/検証データをシステムにインポートした後、AI知識のないユーザは、データをラベル付けし、モデルをトレーニングし、単にボタンをクリックするだけでデータマイニングと評価を行うことができる。
システムのコードはGitHubにすでにリリースされている。
論文 参考訳(メタデータ) (2022-03-26T00:28:29Z) - 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) - VEGA: Towards an End-to-End Configurable AutoML Pipeline [101.07003005736719]
VEGAは効率よく包括的なAutoMLフレームワークで、複数のハードウェアプラットフォームに互換性があり、最適化されている。
VEGAは既存のAutoMLアルゴリズムを改善し、SOTAメソッドに対して新しい高性能モデルを発見する。
論文 参考訳(メタデータ) (2020-11-03T06:53:53Z) - Student Teamwork on Programming Projects: What can GitHub logs show us? [3.764846583322767]
コンピュータサイエンス専攻のためのCS2 Javaプログラミングコースの2つの提供物で、2つのプログラミングプロジェクトからGitHubログを収集しました。
学生は毎年,2つのプロジェクト(オプションと必須の2つ)をペアで作業しました。
応募ログから学生のチームワークスタイルを自動的に特定できる。
論文 参考訳(メタデータ) (2020-08-25T20:41:52Z)
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。