論文の概要: Automated Identification of Logical Errors in Programs: Advancing Scalable Analysis of Student Misconceptions

• arxiv url: http://arxiv.org/abs/2505.10913v1
• Date: Fri, 16 May 2025 06:32:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.193066
• Title: Automated Identification of Logical Errors in Programs: Advancing Scalable Analysis of Student Misconceptions
• Title（参考訳）: プログラムにおける論理エラーの自動識別:学生の誤解のスケーラブルな分析の促進
• Authors: Muntasir Hoq, Ananya Rao, Reisha Jaishankar, Krish Piryani, Nithya Janapati, Jessica Vandenberg, Bradford Mott, Narges Norouzi, James Lester, Bita Akram,
• Abstract要約: 本稿では,学生のプログラミングソリューションにおける論理的誤りを自動的に検出するスケーラブルなフレームワークを提案する。 我々のフレームワークは、サブツリーベースアテンションニューラルネットワーク(SANN)による説明可能な抽象構文木(AST)埋め込みモデルに基づいている。
• 参考スコア（独自算出の注目度）: 4.0782995609938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Computer Science (CS) education, understanding factors contributing to students' programming difficulties is crucial for effective learning support. By identifying specific issues students face, educators can provide targeted assistance to help them overcome obstacles and improve learning outcomes. While identifying sources of struggle, such as misconceptions, in real-time can be challenging in current educational practices, analyzing logical errors in students' code can offer valuable insights. This paper presents a scalable framework for automatically detecting logical errors in students' programming solutions. Our framework is based on an explainable Abstract Syntax Tree (AST) embedding model, the Subtree-based Attention Neural Network (SANN), that identifies the structural components of programs containing logical errors. We conducted a series of experiments to evaluate its effectiveness, and the results suggest that our framework can accurately capture students' logical errors and, more importantly, provide us with deeper insights into their learning processes, offering a valuable tool for enhancing programming education.
• Abstract（参考訳）: コンピュータサイエンス(CS)教育では、学生のプログラミング困難に寄与する要因を理解することが効果的な学習支援に不可欠である。 生徒が直面している特定の問題を特定することで、教育者は障害を克服し、学習結果を改善するために目標とする支援を提供することができる。 誤解などの苦難の原因をリアルタイムに特定することは、現在の教育実践において困難であるが、学生のコードにおける論理的誤りを分析することは、貴重な洞察を与えることができる。 本稿では,学生のプログラミングソリューションにおける論理的誤りを自動的に検出するスケーラブルなフレームワークを提案する。 本フレームワークは,論理的誤りを含むプログラムの構造的コンポーネントを識別するサブツリーベースアテンションニューラルネットワーク(SANN)という,説明可能な抽象構文木(AST)埋め込みモデルに基づいている。 我々はその効果を評価するための一連の実験を行い、その結果、我々のフレームワークは生徒の論理的誤りを正確に捉え、さらに、学習過程に関する深い洞察を与え、プログラミング教育を強化する貴重なツールを提供することを示唆した。

関連論文リスト

• Example-Based Learning in Software Engineering Education: A Systematic Mapping Study [0.43012765978447565]
  事例ベースラーニング(EBL)は、ソフトウェア工学教育(SEE)の品質向上を約束している。 本研究は,ESBをSEEに用いた経験的証拠を調査し,分類することを目的とする。
  論文  参考訳（メタデータ） (2025-03-23T14:14:25Z)
• Knowledge Tracing in Programming Education Integrating Students' Questions [0.0]
  本稿では,学生の質問を活用し,スキル情報を自動的に抽出する知識追跡モデルであるSQKT(Students' Question-based Knowledge Tracing)を紹介する。 実験の結果,難易度が異なる様々なPythonプログラミングコースにおいて,SQKTが生徒の完成度を予測する上で,優れた性能を示した。 SQKTは、コンピュータサイエンス教育における個別の学習ニーズに合わせて教育コンテンツを調整し、適応的な学習システムの設計に使用することができる。
  論文  参考訳（メタデータ） (2025-01-22T14:13:40Z)
• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• AI-Driven Virtual Teacher for Enhanced Educational Efficiency: Leveraging Large Pretrain Models for Autonomous Error Analysis and Correction [21.159378560503036]
  本稿では,学生用textbfErrors (VATE) を自律的に解析し,修正するための革新的 textbfVirtual textbfAI textbfTeacher システムを提案する。 このシステムは、小学校数学教育のためのSquirrel AI学習プラットフォーム上に展開され、78.3%の精度でエラー解析を行っている。
  論文  参考訳（メタデータ） (2024-09-14T10:27:36Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• Toward Semi-Automatic Misconception Discovery Using Code Embeddings [4.369757255496184]
  本論文では,計算コースにおける生徒のプログラムコードから問題特異的な誤解を半自動的に発見する手法を提案する。 ブロックベースのプログラミングデータセットでモデルをトレーニングし、学習した埋め込みをクラスタの不正な学生の応募に使用しました。
  論文  参考訳（メタデータ） (2021-03-07T20:32:41Z)
• Automating Program Structure Classification [6.215059642140581]
  本稿では,教師付き機械学習手法が,学生プログラムを所定の高次構造に分類する方法について述べる。 108のプログラムでトレーニングすると、これらのモデルが91%の分類精度を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-01-15T21:24:37Z)

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。