論文の概要: Pattern-based Knowledge Component Extraction from Student Code Using Representation Learning

• arxiv url: http://arxiv.org/abs/2508.09281v1
• Date: Tue, 12 Aug 2025 18:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.665139
• Title: Pattern-based Knowledge Component Extraction from Student Code Using Representation Learning
• Title（参考訳）: 表現学習を用いた学生コードからのパターンベース知識成分抽出
• Authors: Muntasir Hoq, Griffin Pitts, Andrew Lan, Peter Brusilovsky, Bita Akram,
• Abstract要約: この研究は、学生の学習に不可欠な粒度のコードパターンとアルゴリズム構造を識別する自動化され、スケーラブルで説明可能なフレームワークを提供することで、コンピュータサイエンス教育における知識モデリングを推進している。
• 参考スコア（独自算出の注目度）: 3.61541647065567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective personalized learning in computer science education depends on accurately modeling what students know and what they need to learn. While Knowledge Components (KCs) provide a foundation for such modeling, automated KC extraction from student code is inherently challenging due to insufficient explainability of discovered KCs and the open-endedness of programming problems with significant structural variability across student solutions and complex interactions among programming concepts. In this work, we propose a novel, explainable framework for automated KC discovery through pattern-based KCs: recurring structural patterns within student code that capture the specific programming patterns and language constructs that students must master. Toward this, we train a Variational Autoencoder to generate important representative patterns from student code guided by an explainable, attention-based code representation model that identifies important correct and incorrect pattern implementations from student code. These patterns are then clustered to form pattern-based KCs. We evaluate our KCs using two well-established methods informed by Cognitive Science: learning curve analysis and Deep Knowledge Tracing (DKT). Experimental results demonstrate meaningful learning trajectories and significant improvements in DKT predictive performance over traditional KT methods. This work advances knowledge modeling in CS education by providing an automated, scalable, and explainable framework for identifying granular code patterns and algorithmic constructs, essential for student learning.
• Abstract（参考訳）: コンピュータサイエンス教育における効果的なパーソナライズドラーニングは、学生が何を知っているか、何を学ぶ必要があるかを正確にモデル化することに依存する。 知識コンポーネント(KCs)はそのようなモデリングの基盤を提供する一方で、発見されたKCの不十分な説明性や、学生ソリューション間の構造的多様性とプログラミング概念間の複雑な相互作用を伴うプログラミング問題の開放性により、学生コードからの自動KC抽出は本質的に困難である。 本稿では,学生が習得しなければならない特定のプログラミングパターンと言語構成をキャプチャする,パターンベースのKCによるKCの自動発見のための,新しい説明可能なフレームワークを提案する。 そこで我々は変分オートエンコーダを訓練し、学生コードから重要な正誤パターンの実装を識別する、説明可能な注意に基づくコード表現モデルによってガイドされた学生コードから重要な代表パターンを生成する。 これらのパターンはクラスタ化され、パターンベースのKCを形成する。 学習曲線解析と深部知識追跡 (Deep Knowledge Tracing, DKT) の2つの手法を用いて, 認知科学によるKCの評価を行った。 実験により,従来のKT法よりも有意義な学習軌跡が得られ,DKT予測性能が大幅に向上した。 この研究はCS教育における知識モデリングを進歩させ、学生の学習に欠かせない粒度のコードパターンやアルゴリズム構造を識別するための自動化され、スケーラブルで説明可能なフレームワークを提供する。

関連論文リスト

• How Do Code Smells Affect Skill Growth in Scratch Novice Programmers? [3.8506666685467343]
  この研究は、特定のCT能力と具体的な設計上の欠陥とアンチパターンを結びつける、初めて、大規模できめ細かな地図を提供する。 プログラミングの習慣が早期のスキル獲得にどのように影響するかを明らかにすることで、持続可能なソフトウェアメンテナンスと進化のためのコンピューティング教育理論と実用的なツールの両方を前進させる。
  論文  参考訳（メタデータ） (2025-07-23T08:30:06Z)
• MAS-KCL: Knowledge component graph structure learning with large language model-based agentic workflow [12.083628171166733]
  正確なKCグラフは、特定のKC上での学習者の貧弱なパフォーマンスの根本原因を特定するのに役立てることができる。 我々は,大規模言語モデルによって駆動されるマルチエージェントシステムを用いたMAS-KCLというKCグラフ構造学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-05-20T09:32:47Z)
• Automated Identification of Logical Errors in Programs: Advancing Scalable Analysis of Student Misconceptions [4.0782995609938]
  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。
  論文  参考訳（メタデータ） (2025-05-16T06:32:51Z)
• Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing [59.480951050911436]
  自動知識概念アノテーションと質問表現学習のためのフレームワークであるKCQRLを提案する。 実世界の2つの学習データセット上で、15KTアルゴリズムにまたがるKCQRLの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-02T16:37:19Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Physics of Language Models: Part 1, Learning Hierarchical Language Structures [51.68385617116854]
  トランスフォーマーベースの言語モデルは効率的だが複雑であり、内部の動作や推論メカニズムを理解することは大きな課題である。 本稿では,長文を生成可能な階層規則を生成する合成CFGのファミリーを紹介する。 我々は、GPTのような生成モデルがCFG定義階層を正確に学習し、推論し、それに基づいて文を生成することを実証する。
  論文  参考訳（メタデータ） (2023-05-23T04:28:16Z)
• Learning Knowledge Representation with Meta Knowledge Distillation for Single Image Super-Resolution [82.89021683451432]
  単一画像超解像課題に対する教師/学生アーキテクチャに基づくモデルに依存しないメタ知識蒸留法を提案する。 種々の単一画像超解像データセットを用いた実験により,提案手法は既存の知識表現関連蒸留法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-18T02:41:04Z)

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。