論文の概要: Dual-Process Scaffold Reasoning for Enhancing LLM Code Debugging

• arxiv url: http://arxiv.org/abs/2511.08052v1
• Date: Wed, 12 Nov 2025 01:37:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.614213
• Title: Dual-Process Scaffold Reasoning for Enhancing LLM Code Debugging
• Title（参考訳）: LLMコードのデバッギング向上のためのデュアルプロスシャッフル推論
• Authors: Po-Chung Hsieh, Chin-Po Chen, Jeng-Lin Li, Ming-Ching Chang,
• Abstract要約: コードデバッグのための心理支援型Scaffold Reasoningフレームワークを提案する。 当社のフレームワークは,DebugBench上で88.91%のパスレートと平均推定時間5.36秒を実現している。 また,提案するScaffold Reasoningフレームワークと人間の認知過程との整合性についても検討した。
• 参考スコア（独自算出の注目度）: 18.70811439409094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent LLMs have demonstrated sophisticated problem-solving capabilities on various benchmarks through advanced reasoning algorithms. However, the key research question of identifying reasoning steps that balance complexity and computational efficiency remains unsolved. Recent research has increasingly drawn upon psychological theories to explore strategies for optimizing cognitive pathways. The LLM's final outputs and intermediate steps are regarded as System 1 and System 2, respectively. However, an in-depth exploration of the System 2 reasoning is still lacking. Therefore, we propose a novel psychologically backed Scaffold Reasoning framework for code debugging, which encompasses the Scaffold Stream, Analytic Stream, and Integration Stream. The construction of reference code within the Scaffold Stream is integrated with the buggy code analysis results produced by the Analytic Stream through the Integration Stream. Our framework achieves an 88.91% pass rate and an average inference time of 5.36 seconds per-problem on DebugBench, outperforming other reasoning approaches across various LLMs in both reasoning accuracy and efficiency. Further analyses elucidate the advantages and limitations of various cognitive pathways across varying problem difficulties and bug types. Our findings also corroborate the alignment of the proposed Scaffold Reasoning framework with human cognitive processes.
• Abstract（参考訳）: 近年のLSMは、高度な推論アルゴリズムを用いて、様々なベンチマークで高度な問題解決能力を実証している。 しかし、複雑性と計算効率のバランスをとる推論ステップを特定するための重要な研究課題は未解決のままである。 近年、認知経路を最適化するための戦略を探求する心理学的理論が研究されている。 LLMの最終出力と中間ステップはそれぞれシステム1とシステム2と見なされる。 しかし、システム2の推論の詳細な調査はまだ不十分である。 そこで本研究では,Scaffold Stream,Analytic Stream,Integration Streamを含む,コードデバッグのための心理的支援型Scaffold Reasoningフレームワークを提案する。 Scaffold Stream内の参照コードの構築は、Integration Streamを通じてAnalytic Streamが生成したバグコード解析結果と統合されます。 このフレームワークは,DebugBench上で88.91%のパスレートと平均推定時間5.36秒を実現し,推算精度と効率性の両方において,他のLLMの推論手法よりも優れていた。 さらなる分析により、様々な問題障害やバグタイプにまたがる様々な認知経路の利点と限界が解明される。 また,提案するScaffold Reasoningフレームワークと人間の認知過程との整合性についても検討した。

関連論文リスト

• From System 1 to System 2: A Survey of Reasoning Large Language Models [72.87412996793957]
  基礎的な大規模言語モデルは、迅速な意思決定では優れているが、複雑な推論には深みがない。 OpenAIのo1/o3とDeepSeekのR1は、数学やコーディングといった分野のエキスパートレベルのパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-02-24T18:50:52Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• Evaluating LLMs' Mathematical and Coding Competency through Ontology-guided Interventions [47.83142414018448]
  算術的推論とコード生成という,2つの一般的な推論タスクに注目します。 i) 数学やコーディング問題に対する摂動の一般的なオントロジー, (ii) 摂動を応用するための半自動手法, (iii) 2つのデータセットを紹介する。 混乱した質問に対して、すべてのモデルで大幅なパフォーマンス低下を示します。
  論文  参考訳（メタデータ） (2024-01-17T18:13:07Z)
• Tree-of-Mixed-Thought: Combining Fast and Slow Thinking for Multi-hop Visual Reasoning [16.495754104540605]
  大規模言語モデル(LLM)は、視覚的推論のような複雑な推論タスクのためのコードライクな計画を生成することができる。 ワンストップ推論 (fast) とツリー・オブ・シント (slow) を統合した階層型計画探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-18T16:21:40Z)

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。