論文の概要: AutoMCQ -- Automatically Generate Code Comprehension Questions using GenAI

• arxiv url: http://arxiv.org/abs/2505.16430v1
• Date: Thu, 22 May 2025 09:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.184793
• Title: AutoMCQ -- Automatically Generate Code Comprehension Questions using GenAI
• Title（参考訳）: AutoMCQ -- GenAIを使用したコード理解質問の自動生成
• Authors: Martin Goodfellow, Robbie Booth, Andrew Fagan, Alasdair Lambert,
• Abstract要約: 生徒は自分の書いたコードを十分に理解していないことが多い。 学生が生成人工知能(GenAI)ツールにアクセスできる世界では、コードを完全に理解できることがますます重要になっている。 本稿では,GenAIを用いた複数選択コード理解質問の自動生成システムであるAutoMCQを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Students often do not fully understand the code they have written. This sometimes does not become evident until later in their education, which can mean it is harder to fix their incorrect knowledge or misunderstandings. In addition, being able to fully understand code is increasingly important in a world where students have access to generative artificial intelligence (GenAI) tools, such as GitHub Copilot. One effective solution is to utilise code comprehension questions, where a marker asks questions about a submission to gauge understanding, this can also have the side effect of helping to detect plagiarism. However, this approach is time consuming and can be difficult and/or expensive to scale. This paper introduces AutoMCQ, which uses GenAI for the automatic generation of multiple-choice code comprehension questions. This is integrated with the CodeRunner automated assessment platform.
• Abstract（参考訳）: 生徒は自分の書いたコードを十分に理解していないことが多い。 これは教育が終わるまで明らかになることはないため、誤った知識や誤解を修正するのが難しくなる可能性がある。 さらに、GitHub Copilotのような生成人工知能(GenAI)ツールに学生がアクセスできる世界では、コードを完全に理解できることがますます重要になっている。 効果的な解決策の1つは、コード理解の質問を利用することである。マーカーが提案に関する質問を行い、理解度を測る。 しかしこのアプローチは時間を要するため,スケールアップが難しく,あるいはコストがかかる場合がある。 本稿では,GenAIを用いた複数選択コード理解質問の自動生成システムであるAutoMCQを紹介する。 これは、CodeRunner自動アセスメントプラットフォームと統合されている。

関連論文リスト

• Automatic question generation for propositional logical equivalences [6.221146613622175]
  そこで我々は,各学生に対して適切な質問を生成できる手法を開発し,実装する。 従来の研究では、妥当性、ユーザ定義の困難さ、パーソナライズされた問題生成を含む、教育におけるAQGフレームワークについて研究されてきた。 我々の新しいAQGアプローチは、一年生のコンピュータサイエンス学生にとってコアコースである離散数学に論理的等価性問題をもたらす。
  論文  参考訳（メタデータ） (2024-05-09T02:44:42Z)
• Semantically Aligned Question and Code Generation for Automated Insight Generation [20.795381712667034]
  我々は、大規模言語モデルのセマンティック知識を活用して、データに対するターゲット的で洞察に富んだ質問を生成する。 埋め込みは意味的に不整合な質問とコードのペアをフィルタリングするのに有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-21T10:01:05Z)
• Genetic Auto-prompt Learning for Pre-trained Code Intelligence Language Models [54.58108387797138]
  コードインテリジェンスタスクにおける即時学習の有効性について検討する。 既存の自動プロンプト設計手法は、コードインテリジェンスタスクに限られている。 本稿では、精巧な遺伝的アルゴリズムを用いてプロンプトを自動設計する遺伝的オートプロンプト(GenAP)を提案する。
  論文  参考訳（メタデータ） (2024-03-20T13:37:00Z)
• Code Generation Based Grading: Evaluating an Auto-grading Mechanism for "Explain-in-Plain-English" Questions [0.0]
  コード生成ベースグラディング(CGBG)は、人間の学年と適度に合意する。 CGBGは、コードの低レベルおよびライン・バイ・ライン記述に関して、人間のグレードラーと適度に合意する。
  論文  参考訳（メタデータ） (2023-11-25T02:45:00Z)
• Automated Distractor and Feedback Generation for Math Multiple-choice Questions via In-context Learning [43.83422798569986]
  マルチチョイス質問(MCQ)は、管理しやすく、格付けし、信頼性の高い評価形式であるため、ほぼ全てのレベルの教育においてユビキタスである。 これまで、高品質なイントラクタを作るというタスクは、教師やコンテンツデザイナーを学ぶための労働集約的なプロセスのままだった。 本稿では,テキスト内学習をベースとした簡易な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-07T01:03:04Z)
• Dive into Deep Learning [119.30375933463156]
  この本はJupyterのノートブックでドラフトされており、説明図、数学、インタラクティブな例を自己完結型コードとシームレスに統合している。 私たちのゴールは、(i)誰でも自由に利用できるリソースを提供すること、(ii)応用機械学習科学者になるための出発点を提供するのに十分な技術的な深さを提供すること、(iii)実行可能なコードを含み、実際にどのように問題を解決するかを読者に示すこと、(iv)私たちとコミュニティの両方による迅速なアップデートを可能にすることです。
  論文  参考訳（メタデータ） (2021-06-21T18:19:46Z)
• Let's Ask Students About Their Programs, Automatically [0.0]
  学生は時に機能するコードを生成するが、その作者は理解していない。 これらの問題に対処する方法の1つは、生徒が自分のプログラムについて質問することで、生徒の理解を調査することである。 本稿では,学生が書いたプログラムコードに関する質問を自動的に生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-03-20T09:15:37Z)
• Automated Machine Learning on Graphs: A Survey [81.21692888288658]
  本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。 グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。 最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
  論文  参考訳（メタデータ） (2021-03-01T04:20:33Z)
• Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning [56.771557756836906]
  本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。 本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-29T18:28:16Z)

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。