論文の概要: Stitch: Step-by-step LLM Guided Tutoring for Scratch
- arxiv url: http://arxiv.org/abs/2510.26634v1
- Date: Thu, 30 Oct 2025 16:03:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.896326
- Title: Stitch: Step-by-step LLM Guided Tutoring for Scratch
- Title（参考訳）: Stitch: ステップバイステップのLDMガイドによるスクラッチのチューニング
- Authors: Yuan Si, Kyle Qi, Daming Li, Hanyuan Shi, Jialu Zhang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.8206350996077172
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Block-based environments such as Scratch are increasingly popular in programming education. While block syntax reduces surface errors, semantic bugs remain common and challenging for novices to resolve. Existing debugging workflows typically show the correct program directly to learners, a strategy that may fix errors but undermines the development of problem-solving skills. We present Stitch, an interactive tutoring system that replaces "showing the answer" with step-by-step scaffolding. The system's Diff-Analyze module contrasts a student's project with a reference implementation, identifies the most critical differences, and uses a large language model to explain why these changes matter. Learners inspect highlighted blocks through a custom rendering engine, understand the explanations, and selectively apply partial fixes. This iterative process continues until the intended functionality is achieved. We evaluate Stitch in an empirical study, comparing it against a state-of-the-art automated feedback generation tool for Scratch. Our key insight is that simply presenting the correct program is pedagogically ineffective. In contrast, our interactive, step-by-step guided system promotes a more effective learning experience. More broadly, what constitutes effective feedback in block-based programming remains an open question. Our evaluation provides new evidence that step-by-step tutoring significantly enhances learning outcomes, outperforming both direct-answer approaches and current automated feedback generation tools.
- Abstract（参考訳）: Scratchのようなブロックベースの環境は、プログラミング教育でますます人気がある。
ブロック構文は表面エラーを減らすが、セマンティックなバグは相変わらず、初心者には解決が難しい。
既存のデバッグワークフローは通常、正しいプログラムを学習者に直接示すが、これはエラーを修正できるが、問題解決スキルの開発を損なう戦略である。
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。
システムのDiff-Analyzeモジュールは、学生のプロジェクトと参照実装を対比し、最も重要な違いを特定し、大きな言語モデルを使用して、これらの変更がなぜ重要かを説明する。
学習者は、カスタムレンダリングエンジンを通じてハイライトされたブロックを検査し、説明を理解し、部分的な修正を選択的に適用する。
この反復的なプロセスは、意図された機能が達成されるまで続く。
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。
私たちの重要な洞察は、単に正しいプログラムを提示するだけでは、教育的に効果がないということです。
対照的に、インタラクティブでステップバイステップのガイドシステムにより、より効果的な学習体験が促進される。
より広範に、ブロックベースのプログラミングにおける効果的なフィードバックを構成するものは、依然として未解決の問題である。
我々の評価は、ステップバイステップの学習が学習結果を著しく向上させ、直接回答アプローチと現在の自動フィードバック生成ツールの両方より優れているという新たな証拠を提供する。
関連論文リスト
- Autograder+: A Multi-Faceted AI Framework for Rich Pedagogical Feedback in Programming Education [0.5529795221640363]
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。
論文 参考訳（メタデータ） (2025-10-30T11:41:50Z) - Improving Large Language Models Function Calling and Interpretability via Guided-Structured Templates [56.73907811047611]
大規模言語モデル(LLM)は強力な推論とツール使用能力を示している。
LLMは、誤ったパラメータ化、悪いツールの選択、ユーザーの意図の誤解釈によって、現実世界のツールインタラクションで失敗することが多い。
我々は、構造化推論テンプレートを利用して、関数呼び出しを生成するためのより故意なステップバイステップ命令を通してLCMをガイドするカリキュラムに着想を得たフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-22T17:55:14Z) - SimStep: Chain-of-Abstractions for Incremental Specification and Debugging of AI-Generated Interactive Simulations [16.00479720281197]
CoA(Chain-of-Abstractions)は、プログラミングの中核的な能力を取り戻す方法である。
CoAは、合成プロセスを認知的に意味のある、タスクに沿った一連の表現に分解する。
SimStepは4つの中間抽象化を通じてシミュレーションを作成する教師のためのオーサリング環境である。
論文 参考訳（メタデータ） (2025-07-13T14:54:17Z) - RePurr: Automated Repair of Block-Based Learners' Programs [10.540099048026496]
進化探索に基づくScratchの最初のAPR手法を提案する。
我々のRePurrプロトタイプは、テストスイートのガイダンスを改善するために、新しい障害ローカライゼーションの洗練を含んでいる。
実学習者のプログラムに対する実証的な評価は、期待される課題を裏付けるものである。
論文 参考訳（メタデータ） (2025-04-16T19:22:51Z) - ReLearn: Unlearning via Learning for Large Language Models [64.2802606302194]
本研究では、効果的なアンラーニングのためのデータ拡張および微調整パイプラインであるReLearnを提案する。
このフレームワークでは、知識レベルの保存を測定するために、知識獲得率(KFR)と知識保持率(KRR)を導入している。
実験の結果,ReLearnは高品質な出力を保ちながら,目標とするリセットを実現することができた。
論文 参考訳（メタデータ） (2025-02-16T16:31:00Z) - 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) - 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)
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。