論文の概要: CoderAgent: Simulating Student Behavior for Personalized Programming Learning with Large Language Models
- arxiv url: http://arxiv.org/abs/2505.20642v1
- Date: Tue, 27 May 2025 02:43:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-28 17:05:58.359265
- Title: CoderAgent: Simulating Student Behavior for Personalized Programming Learning with Large Language Models
- Title（参考訳）: CoderAgent:大規模言語モデルを用いたパーソナライズされたプログラミング学習のための学生行動のシミュレーション
- Authors: Yi Zhan, Qi Liu, Weibo Gao, Zheng Zhang, Tianfu Wang, Shuanghong Shen, Junyu Lu, Zhenya Huang,
- Abstract要約: 実データに頼ることなく,学生のプログラミングプロセスをきめ細かい方法でシミュレートするLLMエージェントCoderAgentを提案する。
具体的には、人間の学習者に知的エージェントを配し、その中核となるのは、人間のプログラミング実践プロセスの認知状態を捉えることである。
- 参考スコア（独自算出の注目度）: 34.62411261398559
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personalized programming tutoring, such as exercise recommendation, can enhance learners' efficiency, motivation, and outcomes, which is increasingly important in modern digital education. However, the lack of sufficient and high-quality programming data, combined with the mismatch between offline evaluation and real-world learning, hinders the practical deployment of such systems. To address this challenge, many approaches attempt to simulate learner practice data, yet they often overlook the fine-grained, iterative nature of programming learning, resulting in a lack of interpretability and granularity. To fill this gap, we propose a LLM-based agent, CoderAgent, to simulate students' programming processes in a fine-grained manner without relying on real data. Specifically, we equip each human learner with an intelligent agent, the core of which lies in capturing the cognitive states of the human programming practice process. Inspired by ACT-R, a cognitive architecture framework, we design the structure of CoderAgent to align with human cognitive architecture by focusing on the mastery of programming knowledge and the application of coding ability. Recognizing the inherent patterns in multi-layered cognitive reasoning, we introduce the Programming Tree of Thought (PTOT), which breaks down the process into four steps: why, how, where, and what. This approach enables a detailed analysis of iterative problem-solving strategies. Finally, experimental evaluations on real-world datasets demonstrate that CoderAgent provides interpretable insights into learning trajectories and achieves accurate simulations, paving the way for personalized programming education.
- Abstract（参考訳）: エクササイズレコメンデーションのようなパーソナライズドプログラミング指導は、現代のデジタル教育においてますます重要になっている学習者の効率、モチベーション、成果を高めることができる。
しかし、オフライン評価と実世界の学習のミスマッチと組み合わさって、十分に高品質なプログラミングデータが欠如していることは、そのようなシステムの実践的な展開を妨げる。
この課題に対処するために、多くのアプローチが学習者の実践データをシミュレートしようとするが、プログラミング学習の細粒度で反復的な性質を見落とし、解釈可能性と粒度が欠如する。
このギャップを埋めるために、実データに頼ることなく、学生のプログラミングプロセスをきめ細かい方法でシミュレートするLLMベースのエージェント、CoderAgentを提案する。
具体的には、人間の学習者に知的エージェントを配し、その中核となるのは、人間のプログラミング実践プロセスの認知状態を捉えることである。
認知アーキテクチャフレームワークACT-Rにインスパイアされた我々は、プログラミング知識の習得とコーディング能力の適用に焦点を当てて、人間の認知アーキテクチャと整合するCoderAgentの構造を設計する。
多層認知推論の固有のパターンを認識し、思考のプログラミングツリー(PTOT)を導入します。
このアプローチは反復的な問題解決戦略の詳細な分析を可能にする。
最後に、実世界のデータセットに対する実験的な評価は、CoderAgentが学習軌跡の解釈可能な洞察を提供し、正確なシミュレーションを実現し、パーソナライズされたプログラミング教育の道を開くことを示している。
関連論文リスト
- Agent4Edu: Generating Learner Response Data by Generative Agents for Intelligent Education Systems [27.161576657380646]
Agent4Eduは、大規模言語モデル(LLM)による人間知能の最近の進歩を活用した、パーソナライズされた学習シミュレータである。
学習者のプロファイルは現実世界の反応データを使用し、実践スタイルと認知要因をキャプチャする。
各エージェントは、コンピュータ適応テストのようなパーソナライズされた学習アルゴリズムと対話することができる。
論文 参考訳（メタデータ） (2025-01-17T18:05:04Z) - A Human-Centered Approach for Improving Supervised Learning [0.44378250612683995]
本稿では、パフォーマンス、時間、リソースの制約のバランスをとる方法を示す。
この研究のもう1つの目標は、人間中心のアプローチを用いて、エンサンブルスをより説明しやすく、理解しやすくすることである。
論文 参考訳（メタデータ） (2024-10-14T10:27:14Z) - PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。
データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。
厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
論文 参考訳（メタデータ） (2024-07-17T08:13:22Z) - Personalized Programming Guidance based on Deep Programming Learning Style Capturing [9.152344993023503]
プログラミング学習スタイルを用いたプログラミング・エクササイズ・レコメンダ(PERS)という新しいモデルを提案する。
PERSは学習者の複雑なプログラミング行動をシミュレートする。
プログラミング学習スタイルをモデル化する合理性を検証するために,実世界の2つのデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2024-02-20T10:38:38Z) - Training Neural Networks with Internal State, Unconstrained
Connectivity, and Discrete Activations [66.53734987585244]
真のインテリジェンスには、内部状態を管理するマシンラーニングモデルが必要だ。
このようなモデルのトレーニングに最も効果的なアルゴリズムは,まだ発見されていない。
このようなトレーニングアルゴリズムを2進アクティベーションと1つの重みの行列のみを持つアーキテクチャに適用する試みについて述べる。
論文 参考訳（メタデータ） (2023-12-22T01:19:08Z) - RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳（メタデータ） (2023-11-21T21:05:21Z) - Towards A Unified Agent with Foundation Models [18.558328028366816]
強化学習(RL)エージェントにそのような能力を組み込んで活用する方法を検討する。
我々は、言語を中核的推論ツールとして使用するフレームワークを設計し、エージェントが一連の基本的なRL課題にどのように取り組むことができるかを探る。
探索効率とオフラインデータセットからのデータの再利用能力において,ベースラインよりも大幅にパフォーマンスが向上したことを示す。
論文 参考訳（メタデータ） (2023-07-18T22:37:30Z) - Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。
本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。
これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文 参考訳（メタデータ） (2023-03-24T13:24:41Z) - Decomposed Inductive Procedure Learning [2.421459418045937]
我々は、分解帰納的手続き学習(DIPL)の理論を定式化する。
DIPLは、教育的に関係のあるタスクを学習するエージェントを構築するために、様々な形の帰納的シンボリックラーニングがどのように使用できるかを概説している。
人間の学習能力を示すエージェントをDIPLで作成できることを実証する。
論文 参考訳（メタデータ） (2021-10-25T19:36:03Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z)
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。