論文の概要: Designing for Novice Debuggers: A Pilot Study on an AI-Assisted Debugging Tool

• arxiv url: http://arxiv.org/abs/2509.21067v2
• Date: Thu, 02 Oct 2025 04:41:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.117336
• Title: Designing for Novice Debuggers: A Pilot Study on an AI-Assisted Debugging Tool
• Title（参考訳）: 初心者デバッガの設計:AI支援デバッグツールの試験的研究
• Authors: Oka Kurniawan, Erick Chandra, Christopher M. Poskitt, Yannic Noller, Kenny Tsu Wei Choo, Cyrille Jegourel,
• Abstract要約: 本研究は,大学院生のグループで行った第2の設計デバッガーから得られた知見を報告する。 その結果,本ツールは意味的誤りの解消に極めて有効であり,第1版よりも使いやすくなっていることがわかった。 ツールとのインタラクションを最適化するためには、ユーザプロファイルに基づいてAI支援デバッグアプローチをパーソナライズする必要があると結論付けている。
• 参考スコア（独自算出の注目度）: 5.192564039251338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Debugging is a fundamental skill that novice programmers must develop. Numerous tools have been created to assist novice programmers in this process. Recently, large language models (LLMs) have been integrated with automated program repair techniques to generate fixes for students' buggy code. However, many of these tools foster an over-reliance on AI and do not actively engage students in the debugging process. In this work, we aim to design an intuitive debugging assistant, CodeHinter, that combines traditional debugging tools with LLM-based techniques to help novice debuggers fix semantic errors while promoting active engagement in the debugging process. We present findings from our second design iteration, which we tested with a group of undergraduate students. Our results indicate that the students found the tool highly effective in resolving semantic errors and significantly easier to use than the first version. Consistent with our previous study, error localization was the most valuable feature. Finally, we conclude that any AI-assisted debugging approach should be personalized based on user profiles to optimize their interactions with the tool.
• Abstract（参考訳）: デバッグは初心者プログラマが開発しなければならない基本的なスキルです。 このプロセスで初心者プログラマーを支援するために、多くのツールが作成されています。 近年,大規模言語モデル (LLM) と自動プログラム修復技術が組み合わさって, 生徒のバグコードに対する修正を生成するようになっている。 しかし、これらのツールの多くは、AIへの過度な信頼を育み、デバッグプロセスに学生を積極的に関与させない。 本研究では,デバッグプロセスにおけるアクティブなエンゲージメントを促進しつつ,初心者デバッガがセマンティックエラーを修正するのを支援するために,従来のデバッグツールとLLMベースのテクニックを組み合わせた直感的なデバッグアシスタントであるCodeHinterを設計することを目的とする。 本研究は,大学生グループで実施した第2次デザインイテレーションの成果を報告する。 その結果,本ツールは意味的誤りの解消に極めて有効であり,第1版よりも使いやすくなっていることがわかった。 前回の研究では、エラーローカライゼーションが最も重要だった。 最後に、AI支援デバッグアプローチは、ユーザープロファイルに基づいてパーソナライズされ、ツールとのインタラクションを最適化する必要があると結論づける。

関連論文リスト

• Enhancing Debugging Skills with AI-Powered Assistance: A Real-Time Tool for Debugging Support [8.607022377771422]
  コードの解析、ブレークポイントの提案、コンテキストヒントの提供によるリアルタイムサポートを提供する。 LLM、プログラムスライシング、税関でRAGを使用すると、LLMコールの最小化と精度の向上によって効率が向上する。
  論文  参考訳（メタデータ） (2026-01-05T19:20:59Z)
• Transductive Visual Programming: Evolving Tool Libraries from Experience for Spatial Reasoning [63.071280297939005]
  提案するTransductive Visual Programming (TVP, Transductive Visual Programming) は、投機ではなく、独自の経験から新しいツールを構築する新しいフレームワークである。 TVPは最先端のパフォーマンスを達成し、GPT-4oを22%上回り、以前の最高のビジュアルプログラミングシステムを11%上回っている。 私たちの研究は、自己進化型ビジュアルプログラミングエージェントを構築するための強力なパラダイムとして、経験駆動型トランスダクティブツールの作成を確立します。
  論文  参考訳（メタデータ） (2025-12-24T04:30:21Z)
• Do AI models help produce verified bug fixes? [62.985237003585674]
  大規模言語モデルは、ソフトウェアバグの修正に使用される。 本稿では,プログラマが大規模言語モデルを用いて,自身のスキルを補完する方法について検討する。 その結果は、プログラムバグに対する保証された修正を提供するAIとLLMの適切な役割への第一歩となる。
  論文  参考訳（メタデータ） (2025-07-21T17:30:16Z)
• ToolCoder: A Systematic Code-Empowered Tool Learning Framework for Large Language Models [81.12673534903979]
  ツール学習は、大規模な言語モデル(LLM)にとって、外部ツールとのインタラクションを通じて、複雑な現実世界のタスクを解決する重要な機能として登場した。 本稿では,ツール学習をコード生成タスクとして再編成する新しいフレームワークであるToolCoderを提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:42:28Z)
• Simulated Interactive Debugging [7.3742419367796535]
  我々は,学生がデバッグプロセスに沿って対話的に指導する「シミュレート・インタラクティブ」という手法を提案する。 このガイダンスは、生徒がソリューションを修復し、適切な学習経験を持つことを奨励することを目的としている。 従来のフォールトローカライズ手法と大規模言語モデルを用いた実装を開発した。
  論文  参考訳（メタデータ） (2025-01-16T17:47:18Z)
• Learning to Ask: When LLM Agents Meet Unclear Instruction [55.65312637965779]
  大きな言語モデル(LLM)は、言語スキルだけでは達成不可能なタスクに対処するための外部ツールを活用することができる。 我々は、不完全な命令下でのLLMツールの使用性能を評価し、エラーパターンを分析し、Noisy ToolBenchと呼ばれる挑戦的なツール使用ベンチマークを構築した。 Ask-when-Needed (AwN) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-31T23:06:12Z)
• A Proposal for a Debugging Learning Support Environment for Undergraduate Students Majoring in Computer Science [0.0]
  生徒はデバッガの使い方を知らないし、使ったこともない。 我々は,正しいブレークポイント配置の自己学習を可能にする機能をScratchに実装した。
  論文  参考訳（メタデータ） (2024-07-25T03:34:19Z)
• Code Compass: A Study on the Challenges of Navigating Unfamiliar Codebases [2.808331566391181]
  これらの問題に対処するための新しいツールであるCodeを提案する。 本研究は,現在のツールと方法論における大きなギャップを浮き彫りにしている。 私たちのフォーマティブな調査は、開発者がドキュメントをナビゲートする時間をいかに効率的に削減するかを示しています。
  論文  参考訳（メタデータ） (2024-05-10T06:58:31Z)
• TOOLVERIFIER: Generalization to New Tools via Self-Verification [69.85190990517184]
  本稿では,ツール選択中にコントラスト質問を自己問合せすることで,近接候補を識別する自己検証手法を提案する。 ToolBenchベンチマークによる4つのタスクの実験では、17の見えないツールで構成されており、数ショットのベースラインよりも平均22%改善されている。
  論文  参考訳（メタデータ） (2024-02-21T22:41:38Z)
• A Large-Scale Survey on the Usability of AI Programming Assistants: Successes and Challenges [23.467373994306524]
  実際には、開発者はAIプログラミングアシスタントの最初の提案を高い頻度で受け入れない。 これらのツールを使用して開発者のプラクティスを理解するため、多数の開発者を対象に調査を実施しました。 開発者がAIプログラミングアシスタントを使用する動機は、開発者がキーストロークを減らしたり、プログラミングタスクを素早く終了したり、構文をリコールするのに役立つためである。 また、開発者がこれらのツールを使用しない最も重要な理由は、これらのツールが特定の機能的あるいは非機能的要件に対処するコードを出力していないためです。
  論文  参考訳（メタデータ） (2023-03-30T03:21:53Z)
• ART: Automatic multi-step reasoning and tool-use for large language models [105.57550426609396]
  大規模言語モデル(LLM)は、数秒とゼロショットの設定で複雑な推論を行うことができる。 各推論ステップは、コアLLM機能を超えて計算をサポートする外部ツールに依存することができる。 プログラムとして中間推論ステップを自動生成するために凍結LDMを使用するフレームワークであるART(Automatic Reasoning and Tool-use)を導入する。
  論文  参考訳（メタデータ） (2023-03-16T01:04:45Z)

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。