論文の概要: Systematic teaching of UML and behavioral diagrams

• arxiv url: http://arxiv.org/abs/2410.17849v1
• Date: Wed, 23 Oct 2024 13:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:56:45.138672
• Title: Systematic teaching of UML and behavioral diagrams
• Title（参考訳）: UMLと行動図の体系的な教育
• Authors: Anja Metzner,
• Abstract要約: 本稿では,図を作成するために必要なスキルの体系的獲得について論じる。 より特異な質問タイプは、画像アノテーションに関する質問など、画像に関連している。 実証されたすべての演習は、デジタルと手書きのトレーニングと試験の両方に適しています。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: When studying software engineering, learning to create UML diagrams is crucial. Similar to how an architect would never build a house without a building plan, designing software architectures is important for developing high-quality software. UML diagrams are a standardized notation for the visualization of software architectures and software behavior. The research question that inspired this work was how to effectively evaluate hand-drawn diagrams without relying on model parsers. The findings of this investigation are presented in this paper. This article discusses the systematic acquisition of skills required for creating UML diagrams. Especially well-formed activity diagrams are one highlight. Additionally, the paper provides a variety of exercises. The exercises use recommended question types. The more unusual question types are related to images, such as questions about image annotation, finding hotspots on an image and positioning a target on an image. All the demonstrated exercises are suitable for both digital and handwritten training or exams.
• Abstract（参考訳）: ソフトウェア工学を学ぶとき、UML図を作成することを学ぶことが重要です。 建築家が建築計画なしで家を建てることは決してないのと同じように、ソフトウェアアーキテクチャを設計することは高品質なソフトウェアを開発する上で重要である。 UMLダイアグラムは、ソフトウェアアーキテクチャとソフトウェアの振る舞いを視覚化するための標準化された表記法である。 この研究に触発された研究課題は、モデル解析に頼らずに手描き図を効果的に評価する方法であった。 本報告では,本研究の成果について述べる。 本稿ではUML図を作成するのに必要なスキルの体系的な獲得について論じる。 特によく形成されたアクティビティ図が注目点です。 さらに、この論文は様々なエクササイズを提供している。 エクササイズは推奨の質問タイプを使用する。 より特異な質問タイプは、画像アノテーションに関する質問、画像上のホットスポットの発見、画像上のターゲットの位置など、画像に関連している。 実証されたすべての演習は、デジタルと手書きのトレーニングと試験の両方に適しています。

関連論文リスト

• Can Large Language Models Understand Symbolic Graphics Programs? [136.5639211254501]
  シンボリックグラフィックスプログラムはコンピュータグラフィックスで人気がある。 シンボルグラフィックプログラムの意味的視覚的理解のためのベンチマークを作成する。 LLMの推理性能は概して優れていた。
  論文  参考訳（メタデータ） (2024-08-15T17:59:57Z)
• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• Multimodal Self-Instruct: Synthetic Abstract Image and Visual Reasoning Instruction Using Language Model [41.103167385290085]
  大規模な抽象画像と視覚的推論命令を合成するために,大規模言語モデルとそのコード機能を利用したマルチモーダル自己インストラクトを設計する。 我々のベンチマークは単純な線と幾何学的要素で構築されており、最も先進的なLMMの欠点を明らかにする。 合成データの質を検証するため,62,476の合成チャート,表,道路地図の指示を用いてLMMを微調整する。
  論文  参考訳（メタデータ） (2024-07-09T17:18:27Z)
• Ask Questions with Double Hints: Visual Question Generation with Answer-awareness and Region-reference [107.53380946417003]
  本稿では,応答認識と領域参照を用いた視覚的質問生成のための新しい学習パラダイムを提案する。 我々は、追加の人間のアノテーションを導入することなく、視覚的ヒントを自己学習する簡単な手法を開発した。
  論文  参考訳（メタデータ） (2024-07-06T15:07:32Z)
• From Image to UML: First Results of Image Based UML Diagram Generation Using LLMs [1.961305559606562]
  ソフトウェア工学のプロセスでは、システムはまずモデリング言語を使って指定される。 大規模言語モデル(LLM)は、与えられた図面からUMLモデルの形式表現を生成するために使用される。 より具体的には、クラス図の画像を画像に表される実際のモデルに変換するための異なるLCMの能力を評価した。
  論文  参考訳（メタデータ） (2024-04-17T13:33:11Z)
• A Picture Is Worth a Thousand Words: Exploring Diagram and Video-Based OOP Exercises to Counter LLM Over-Reliance [2.1490831374964587]
  大規模言語モデル(LLM)は、テキストベースの仕様で、より複雑なオブジェクト指向プログラミング(OOP)の課題を効果的に解決することができる。 これは、学生がこれらのモデルを使って非倫理的に課題を完了させるため、学術的完全性に対する懸念を提起する。 本稿では,OOP の授業において,学生の課題解決を奨励し,学生をコピー・アンド・プロンプト・アプローチから遠ざける方法として,図表やビデオを用いてOOP タスクを定式化する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2024-03-13T10:21:29Z)
• mPLUG-PaperOwl: Scientific Diagram Analysis with the Multimodal Large Language Model [73.38800189095173]
  本研究はマルチモーダルLLMのマルチモーダルダイアグラム解析機能を強化することに焦点を当てる。 高品質な論文のLatexソースファイルを解析することにより、マルチモーダルなダイアグラム理解データセットM-Paperを慎重に構築する。 M-Paperは、画像やラテックス符号のフォーマットの数字や表を含む、複数の科学的図の合同理解をサポートする最初のデータセットである。
  論文  参考訳（メタデータ） (2023-11-30T04:43:26Z)
• DiagrammerGPT: Generating Open-Domain, Open-Platform Diagrams via LLM Planning [62.51232333352754]
  テキスト・ツー・イメージ(T2I)世代はここ数年で著しい成長を遂げている。 それにもかかわらず、T2Iモデルでダイアグラムを生成する作業はほとんど行われていない。 本稿では,新しい2段階のテキスト・ツー・ダイアグラム生成フレームワークであるDiagrammerGPTを紹介する。 我々のフレームワークは、既存のT2Iモデルを上回る精度で、より正確なダイアグラムを生成する。
  論文  参考訳（メタデータ） (2023-10-18T17:37:10Z)
• SGEITL: Scene Graph Enhanced Image-Text Learning for Visual Commonsense Reasoning [61.57887011165744]
  マルチモーダルトランスフォーマーはVisual Commonsense Reasoningのタスクにおいて大きな進歩を遂げた。 視覚的なシーングラフを常識的推論に組み込むためのScene Graph Enhanced Image-Text Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-16T03:16:30Z)
• Understanding the Role of Scene Graphs in Visual Question Answering [26.02889386248289]
  我々はGQAデータセット上で実験を行い、計数、構成性、高度な推論能力を必要とする質問の挑戦的なセットを示す。 我々は,シーングラフに使用する画像+質問アーキテクチャを採用し,未認識画像の様々なシーングラフ生成手法を評価し,人間の注釈と自動生成シーングラフを活用するためのトレーニングカリキュラムを提案する。 視覚質問応答におけるシーングラフの利用に関する多面的研究を行い,本研究を第一種とした。
  論文  参考訳（メタデータ） (2021-01-14T07:27:37Z)
• Classification of Reverse-Engineered Class Diagram and Forward-Engineered Class Diagram using Machine Learning [0.0]
  ソフトウェア業界では、どのタイプのクラス図なのかを知ることが重要です。 特定のプロジェクトで使われたダイアグラムは、知っておくべき重要な要素なのでしょうか? 本稿では,教師付き機械学習技術を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2020-11-14T14:56:26Z)

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。