論文の概要: Detecting Struggling Student Programmers using Proficiency Taxonomies

• arxiv url: http://arxiv.org/abs/2508.17353v1
• Date: Sun, 24 Aug 2025 13:18:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.48583
• Title: Detecting Struggling Student Programmers using Proficiency Taxonomies
• Title（参考訳）: 習熟度分類を用いた学生プログラマの難読度検出
• Authors: Noga Schwartz, Roy Fairstein, Avi Segal, Kobi Gal,
• Abstract要約: 苦労している学生プログラマの早期発見は、パーソナライズされたサポートを提供することに不可欠である。 本研究は,学習者のコーディング課題の解法を分類し,検出モデルに埋め込まれた教育者との連携によって,このギャップを解消するものである。 我々のモデルは分類モデル (PTM) と呼ばれ, 生徒のコーディング履歴に基づいて同時に学習し, 新たな課題に挑戦するかどうかを予測する。
• 参考スコア（独自算出の注目度）: 3.936187569159195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of struggling student programmers is crucial for providing them with personalized support. While multiple AI-based approaches have been proposed for this problem, they do not explicitly reason about students' programming skills in the model. This study addresses this gap by developing in collaboration with educators a taxonomy of proficiencies that categorizes how students solve coding tasks and is embedded in the detection model. Our model, termed the Proficiency Taxonomy Model (PTM), simultaneously learns the student's coding skills based on their coding history and predicts whether they will struggle on a new task. We extensively evaluated the effectiveness of the PTM model on two separate datasets from introductory Java and Python courses for beginner programmers. Experimental results demonstrate that PTM outperforms state-of-the-art models in predicting struggling students. The paper showcases the potential of combining structured insights from teachers for early identification of those needing assistance in learning to code.
• Abstract（参考訳）: 苦労している学生プログラマの早期発見は、パーソナライズされたサポートを提供することに不可欠である。 この問題に対して複数のAIベースのアプローチが提案されているが、学生のプログラミングスキルについて明確には説明されていない。 本研究は,学習者のコーディング課題の解法を分類し,検出モデルに組み込む能力の分類を,教育者と共同で開発することで,このギャップを解消するものである。 我々のモデルは,PTM (Proficiency Taxonomy Model) と呼ばれ,プログラミング履歴に基づいて生徒のコーディングスキルを同時に学習し,新たな課題に挑戦するかどうかを予測する。 初心者プログラマのための入門JavaとPythonのコースから2つの異なるデータセットに対するPTMモデルの有効性を広範囲に評価した。 実験結果から, PTMは障害学生の予測において, 最先端のモデルよりも優れていた。 本論文は,教師の学習支援が必要な教師の早期発見のために,教師の構造化された洞察を組み合わせる可能性を示す。

関連論文リスト

• Predicting At-Risk Programming Students in Small Imbalanced Datasets using Synthetic Data [0.0]
  この研究は、プログラミング教育における学生のエンゲージメントを測定し、理解し、改善することに焦点を当てた大規模なプロジェクトの一部である。 そこで本研究では,導入プログラミングモジュールから無バランスの小さなデータセットを用いて,リスクのある学生を早期に識別する上で,合成データ生成が有効かどうかを検討する。
  論文  参考訳（メタデータ） (2025-05-21T23:14:25Z)
• SIaM: Self-Improving Code-Assisted Mathematical Reasoning of Large Language Models [54.78329741186446]
  本稿では,コードに基づく批判モデルを用いて,質問コードデータ構築,品質管理,補完的評価などのステップをガイドする新しいパラダイムを提案する。 英語と中国語におけるドメイン内ベンチマークとドメイン外ベンチマークの両方の実験は、提案したパラダイムの有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-28T06:33:03Z)
• Interactive DualChecker for Mitigating Hallucinations in Distilling Large Language Models [7.632217365130212]
  大規模言語モデル(LLM)は、さまざまな機械学習(ML)タスクにまたがる例外的な機能を示している。 これらのモデルは、特に不完全な知識を持つ領域において幻覚を生み出すことができる。 幻覚を緩和し,教師モデルと学生モデルの両方のパフォーマンスを向上させるために設計された,革新的なフレームワークであるDualCheckerを紹介する。
  論文  参考訳（メタデータ） (2024-08-22T12:04:04Z)
• Benchmarking Generative Models on Computational Thinking Tests in Elementary Visual Programming [22.344985623878408]
  生成モデルは、プログラミング、自然科学、一般知識といった分野にわたる様々なベンチマークにおいて、人間のレベルの習熟度を示している。 学校での計算思考と問題解決のスキルを評価するために設計された、標準化されたプログラミング関連テストにおいて、最先端モデルはどのように機能するか? 本稿では,基礎的なビジュアルプログラミング領域に根ざした計算思考テストを含む新しいベンチマークをキュレートする。
  論文  参考訳（メタデータ） (2024-06-14T10:02:52Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Early Performance Prediction using Interpretable Patterns in Programming Process Data [13.413990352918098]
  リッチできめ細かいログデータを活用して、学生コースの結果を予測するモデルを構築します。 我々は,ブロックベースの入門プログラミングコースにおける106人の学生のデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-02-10T22:46:45Z)

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。