論文の概要: Autograder+: A Multi-Faceted AI Framework for Rich Pedagogical Feedback in Programming Education

• arxiv url: http://arxiv.org/abs/2510.26402v1
• Date: Thu, 30 Oct 2025 11:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.790292
• Title: Autograder+: A Multi-Faceted AI Framework for Rich Pedagogical Feedback in Programming Education
• Title（参考訳）: Autograder+: プログラミング教育における豊富な教育的フィードバックのための多面的AIフレームワーク
• Authors: Vikrant Sahu, Gagan Raj Gupta, Raghav Borikar, Nitin Mane,
• Abstract要約: Autograder+は、オートグレーディングを純粋に要約的なプロセスからフォーマティブな学習体験に移行するように設計されている。 微調整されたLarge Language Modelを使った自動フィードバック生成と、学習パターンを明らかにするための学生コード提出の可視化だ。
• 参考スコア（独自算出の注目度）: 0.5529795221640363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of programming education has outpaced traditional assessment tools, leaving faculty with limited means to provide meaningful, scalable feedback. Conventional autograders, while efficient, act as black-box systems that simply return pass/fail results, offering little insight into student thinking or learning needs. Autograder+ is designed to shift autograding from a purely summative process to a formative learning experience. It introduces two key capabilities: automated feedback generation using a fine-tuned Large Language Model, and visualization of student code submissions to uncover learning patterns. The model is fine-tuned on curated student code and expert feedback to ensure pedagogically aligned, context-aware guidance. In evaluation across 600 student submissions from multiple programming tasks, the system produced feedback with strong semantic alignment to instructor comments. For visualization, contrastively learned code embeddings trained on 1,000 annotated submissions enable grouping solutions into meaningful clusters based on functionality and approach. The system also supports prompt-pooling, allowing instructors to guide feedback style through selected prompt templates. By integrating AI-driven feedback, semantic clustering, and interactive visualization, Autograder+ reduces instructor workload while supporting targeted instruction and promoting stronger learning outcomes.
• Abstract（参考訳）: プログラミング教育の急速な成長は、従来のアセスメントツールを上回り、有意義でスケーラブルなフィードバックを提供するための限られた手段を残している。 従来のオートグラファーは、効率的ではあるが、単にパス/フェイル結果を返すブラックボックスシステムとして機能し、学生の思考や学習のニーズに対する洞察をほとんど提供しない。 Autograder+は、オートグレーディングを純粋に要約的なプロセスからフォーマティブな学習体験に移行するように設計されている。 微調整されたLarge Language Modelを使った自動フィードバック生成と、学習パターンを明らかにするための学生コード提出の可視化だ。 モデルは、訓練済みの学生コードと専門家のフィードバックに基づいて微調整され、教育的に整合したコンテキスト対応のガイダンスを保証する。 複数のプログラミングタスクから600名の学生が応募した評価では、インストラクターのコメントに強いセマンティックアライメントによるフィードバックが得られた。 視覚化では、1,000のアノテーション付きサブミッションでトレーニングされた対照的に学習されたコード埋め込みにより、機能とアプローチに基づいて、ソリューションを意味のあるクラスタにグループ化することができる。 このシステムはプロンプトプールもサポートしており、インストラクターは選択したプロンプトテンプレートを通じてフィードバックスタイルをガイドすることができる。 AI駆動のフィードバック、セマンティッククラスタリング、インタラクティブな可視化を統合することで、Autograder+はインストラクターの作業量を削減し、ターゲットとなる命令をサポートし、学習結果の強化を促進する。

関連論文リスト

• Stitch: Step-by-step LLM Guided Tutoring for Scratch [1.8206350996077172]
  そこで我々は,Stitchを紹介した。Stitchは対話型学習システムで,"答えの描画"をステップバイステップの足場に置き換える。 我々は、Scratchのための最新の自動フィードバック生成ツールと比較し、Stitchを実証的研究で評価した。
  論文  参考訳（メタデータ） (2025-10-30T16:03:56Z)
• Humanizing Automated Programming Feedback: Fine-Tuning Generative Models with Student-Written Feedback [21.114005575615586]
  我々は、人間が書いたものに近いフィードバックを生成するための言語モデルを微調整する手段として、学習者ソーシングを探求する。 学生による複数のプログラミング問題やバグジープログラムに対するフィードバックを約1,900件収集した。 この結果から,学習データに基づく微調整モデルでは,学生のフィードバックスタイルに適合するフィードバックが生成されるだけでなく,迅速なエンジニアリングによるフィードバックよりも精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-09-12T19:23:05Z)
• Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [46.667783153759636]
  強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。 具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
  論文  参考訳（メタデータ） (2024-03-02T20:25:50Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• A large language model-assisted education tool to provide feedback on open-ended responses [2.624902795082451]
  本稿では,大規模言語モデル (LLM) をインストラクター定義基準でガイドし,オープンエンド質問に対する応答を自動化するツールを提案する。 本ツールでは,素早いパーソナライズされたフィードバックを提供することで,学生が知識を迅速にテストし,改善すべき領域を特定できる。
  論文  参考訳（メタデータ） (2023-07-25T19:49:55Z)
• Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
  ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。 標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。 Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
  論文  参考訳（メタデータ） (2022-11-16T10:00:23Z)
• 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)
• Deep Discourse Analysis for Generating Personalized Feedback in Intelligent Tutor Systems [4.716555240531893]
  ITS(Intelligent Tutoring System)で、自動化されたパーソナライズされたフィードバックの作成を検討します。 我々のゴールは、学生のより優れた学習目標を達成するために、学生の回答の正しい概念と間違った概念を見極めることである。
  論文  参考訳（メタデータ） (2021-03-13T20:33:10Z)

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。