論文の概要: BOOP: Write Right Code

• arxiv url: http://arxiv.org/abs/2507.22085v1
• Date: Sun, 27 Jul 2025 17:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:17.756041
• Title: BOOP: Write Right Code
• Title（参考訳）: BOOP: 正しいコードを書く
• Authors: Vaani Goenka, Aalok D. Thakkar,
• Abstract要約: BOOP(Blueprint, Operations, OCaml, Proof)は,4つの必須フェーズを必要とする構造化フレームワークである。 コードを動作させることから、なぜコードが正しいのかを理解することに焦点を移します。 教師は伝統的なアプローチに比べて強い言葉のスキルを観察した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Novice programmers frequently adopt a syntax-specific and test-case-driven approach, writing code first and adjusting until programs compile and test cases pass, rather than developing correct solutions through systematic reasoning. AI coding tools exacerbate this challenge by providing syntactically correct but conceptually flawed solutions. In this paper, we introduce BOOP (Blueprint, Operations, OCaml, Proof), a structured framework requiring four mandatory phases: formal specification, language-agnostic algorithm development, implementation, and correctness proof. This shifts focus from ``making code work'' to understanding why code is correct. BOOP was implemented at our institution using a VS Code extension and preprocessor that enforces constraints and identifies counterproductive patterns. Initial evaluation shows improved algorithmic reasoning and reduced trial-and-error debugging. Students reported better edge case understanding and problem decomposition, though some initially found the format verbose. Instructors observed stronger foundational skills compared to traditional approaches.
• Abstract（参考訳）: 初心者プログラマは、しばしば構文固有のテストケース駆動のアプローチを採用し、コードをまず記述し、プログラムがコンパイルとテストケースが通過するまで調整する。 AIコーディングツールは、構文的に正しいが概念的に欠陥のあるソリューションを提供することによって、この課題を悪化させる。 本稿では,BOOP(Blueprint,Operations,OCaml,Proof)を形式仕様,言語に依存しないアルゴリズム開発,実装,正当性証明という4つの必須フェーズを必要とする構造化フレームワークとして紹介する。 から、なぜコードが正しいのかを理解することに焦点を移します。 BOOPは、VS Code拡張と、制約を強制し、非生産的パターンを識別するプリプロセッサを使用して、当社の機関で実装されました。 最初の評価では、アルゴリズム推論の改善と試行錯誤デバッグの削減が示されている。 学生は、より良いエッジケースの理解と問題分解を報告したが、当初は形式が冗長であることに気付いた者もいた。 教師は伝統的なアプローチに比べて基礎的なスキルが強かった。

関連論文リスト

• NL-Debugging: Exploiting Natural Language as an Intermediate Representation for Code Debugging [68.42255321759062]
  大規模言語モデル(LLM)の最近の進歩は、コード関連タスクを強化するために自然言語推論を活用することに注意を向けている。 本稿では,自然言語を中間表現として用い,コード改善のための新しいフレームワークであるNL-GINGを紹介する。
  論文  参考訳（メタデータ） (2025-05-21T10:38:50Z)
• Code to Think, Think to Code: A Survey on Code-Enhanced Reasoning and Reasoning-Driven Code Intelligence in LLMs [53.00384299879513]
  大規模言語モデル(LLM)では、コードと推論が互いに強化される。 コードは検証可能な実行パスを提供し、論理的な分解を強制し、実行時の検証を可能にする。 我々は,このシナジーを強化するために,重要な課題を特定し,今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2025-02-26T18:55:42Z)
• CodeI/O: Condensing Reasoning Patterns via Code Input-Output Prediction [47.17755403213469]
  我々は,文脈的に構築されたコードに埋め込まれた多様な推論パターンを凝縮する新しい手法であるCodeI/Oを提案する。 与えられたコードとテストケースを完全に自然言語で予測するためにモデルをトレーニングすることで、それらを普遍的な推論プリミティブに公開します。 実験の結果、CodeI/Oは記号、科学、論理学、数学と数値、常識推論タスクに一貫した改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-02-11T07:26:50Z)
• Sifting through the Chaff: On Utilizing Execution Feedback for Ranking the Generated Code Candidates [46.74037090843497]
  大規模言語モデル(LLM)は、自然言語記述に基づいたコードの自動生成によって、開発者がプログラミングにアプローチする方法を変えつつある。 本稿では,実行フィードバックを活用するコードランキングの革新的なアプローチである RankEF について述べる。 3つのコード生成ベンチマークの実験では、RanEFが最先端のCodeRankerよりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-08-26T01:48:57Z)
• Language Models as Compilers: Simulating Pseudocode Execution Improves Algorithmic Reasoning in Language Models [17.76252625790628]
  本稿では,言語モデルの推論過程を2段階に分解するフレームワークであるThink-and-Executeについて述べる。 7つのアルゴリズム的推論タスクについて広範な実験を行い、思考と実行の有効性を実証する。
  論文  参考訳（メタデータ） (2024-04-03T08:49:11Z)
• SCREWS: A Modular Framework for Reasoning with Revisions [58.698199183147935]
  我々は、リビジョンを伴う推論のためのモジュラーフレームワークであるSCREWSを紹介する。 我々は、SCREWSが、共通のフレームワークの下で、いくつかの以前のアプローチを統合することを示す。 我々は,多種多様な推論タスクに基づいて,最先端のLCMを用いてフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-09-20T15:59:54Z)
• Code Prompting: a Neural Symbolic Method for Complex Reasoning in Large Language Models [74.95486528482327]
  コードプロンプト(code prompting)は、ゼロショットバージョンと少数ショットバージョンの両方を持ち、中間ステップとしてコードをトリガーするニューラルシンボルプロンプトである。 我々は,記号的推論と算術的推論を含む7つの広く使用されているベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2023-05-29T15:14:09Z)
• Steps Before Syntax: Helping Novice Programmers Solve Problems using the PCDIT Framework [2.768397481213625]
  初心者プログラマは、直面する高い認知的負荷のために、しばしば問題解決に苦労します。 多くの入門プログラミングコースは、その途中で問題解決スキルが取得されるという前提で、それを明示的に教えていない。 問題仕様を命令型プログラミング言語のための実装およびテストされたソリューションに変換するプロセスを通じて、初心者プログラマを誘導するための足場を提供する非線形問題解決フレームワークである 'PCDIT' を提案する。
  論文  参考訳（メタデータ） (2021-09-18T10:31:15Z)
• Formal Fields: A Framework to Automate Code Generation Across Domains [0.0]
  フォーマルフィールドは、同じアルゴリズムと言語構造を使ってドメイン間でコード生成を行うフレームワークである。 それは、ドメイン言語、問題、そしてその評価を定義する共通の文法を提供する。 フレームワークはドメイン言語の構造に関するコードスニペットの例から学び、まったく新しいコードスニペットを検索して、同じフィールドで目に見えない問題を解決する。
  論文  参考訳（メタデータ） (2020-07-28T09:06:01Z)

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。