Fugu-MT 論文翻訳(概要): Systematically Thinking about the Complexity of Code Structuring Exercises at Introductory Level

論文の概要: Systematically Thinking about the Complexity of Code Structuring Exercises at Introductory Level

arxiv url: http://arxiv.org/abs/2512.06178v1
Date: Fri, 05 Dec 2025 21:57:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-09 22:03:54.222513
Title: Systematically Thinking about the Complexity of Code Structuring Exercises at Introductory Level
Title（参考訳）: 導入レベルでのコード構造化演習の複雑さに関する体系的考察
Authors: Georgiana Haldeman, Peter Ohmann, Paul Denny,
Abstract要約: コード構造化タスクの複雑さを評価するためのフレームワークを紹介します。学生は、既存の非構造化コードの中で意味のある抽象化を特定し、分離する必要がある。このフレームワークは、DAで生徒のスキルを構築する教育タスクの開発を支援するように設計されている。
参考スコア（独自算出の注目度）: 1.2207782754338876
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Decomposition and abstraction is an essential component of computational thinking, yet it is not always emphasized in introductory programming courses. In addition, as generative AI further reduces the focus on syntax and increases the importance of higher-level code reasoning, there is renewed opportunity to teach DA explicitly. In this paper, we introduce a framework for systematically assessing the complexity of code structuring tasks, where students must identify and separate meaningful abstractions within existing, unstructured code. The framework defines three dimensions of task complexity, each with multiple levels: repetition, code pattern, and data dependency. To support practical use, we provide example tasks mapped to these levels and offer an interactive tool for generating and exploring DA problems. The framework is designed to support the development of educational tasks that build students' skills with DA in the procedural paradigm.
Abstract（参考訳）: 分解と抽象化は計算思考の重要な要素であるが、導入プログラミングコースでは必ずしも強調されない。さらに、生成AIは、構文へのフォーカスをさらに減らし、高レベルのコード推論の重要性を高めるため、DAを明示的に教える機会が新たに生まれている。本稿では,既存の非構造化コードにおいて,学生が意味ある抽象概念を識別・分離しなければならない,構造化タスクの複雑さを体系的に評価するフレームワークを提案する。このフレームワークは、繰り返し、コードパターン、データ依存という、複数のレベルを持つ、タスクの複雑さの3つの次元を定義している。実践的な利用を支援するため,これらのレベルにマップされたタスクを例示し,DA問題の生成と探索を行うインタラクティブツールを提供する。このフレームワークは、手続きパラダイムにおいて、DAで生徒のスキルを構築するための教育タスクの開発を支援するように設計されている。

関連論文リスト

Not All Code Is Equal: A Data-Centric Study of Code Complexity and LLM Reasoning [16.919028520729793]
大きな言語モデル(LLM)は強い推論能力を持つようになり、しばしばチェーン・オブ・オブ・シンクスタイルの中間推論を生成する能力に起因している。最近の研究は、コードへの露出がこれらのスキルをさらに強化することを示しているが、既存の研究は、コードを一般的なトレーニング信号として扱うことが多い。本研究では、制御フローと構成構造をキャプチャーし、微調整中にモデルがマルチステップ推論を内部化する方法をモデル化するコードの構造的複雑さについて検討する。
論文参考訳（メタデータ） (2026-01-29T15:54:40Z)
Implementing Knowledge Representation and Reasoning with Object Oriented Design [4.7682280618744235]
本稿では,ソフトウェアと知識表現・推論システムの統合ギャップを埋めるフレームワークであるKRROODを紹介する。 OWL2Benchベンチマークとヒューマンロボットタスク学習シナリオを用いて,本システムの評価を行った。
論文参考訳（メタデータ） (2026-01-21T10:14:29Z)
Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
論文参考訳（メタデータ） (2025-08-05T12:28:23Z)
A representational framework for learning and encoding structurally enriched trajectories in complex agent environments [1.1470070927586018]
人工知能エージェントが最適な決定を行い、それらを異なるドメインやタスクに一般化する能力は、複雑なシナリオで妥協される。この問題に対処する方法の1つは、世界の効率的な表現を学習することと、エージェントのアクションが状態-行動遷移においてそれらにどのように影響するかに焦点を当てている。本稿では,エージェントのオントロジーを強化し,従来のトラジェクトリ概念を拡張し,タスク実行のより微妙な視点を提供することを提案する。
論文参考訳（メタデータ） (2025-03-17T14:04:27Z)
StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
論文参考訳（メタデータ） (2024-10-11T13:52:44Z)
Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
論文参考訳（メタデータ） (2024-09-19T04:13:58Z)
Learning Top-k Subtask Planning Tree based on Discriminative Representation Pre-training for Decision Making [9.302910360945042]
複雑な現実世界のタスクから抽出された事前知識による計画は、人間が正確な決定を行うために不可欠である。マルチエンコーダと個別予測器を導入し、簡単なサブタスクのための十分なデータからタスク固有表現を学習する。また、注意機構を用いてトップkのサブタスク計画木を生成し、未確認タスクの複雑な決定を導くためにサブタスク実行計画をカスタマイズする。
論文参考訳（メタデータ） (2023-12-18T09:00:31Z)
Parrot Mind: Towards Explaining the Complex Task Reasoning of Pretrained Large Language Models with Template-Content Structure [66.33623392497599]
テンプレート・コンテント構造(T-C構造)と呼ばれる構造は指数レベルから線形レベルへの可能な空間を減少させることができることを示す。モデルがタスク構成を達成でき、線形から対数への学習に必要なスペースをさらに削減できることを実証する。
論文参考訳（メタデータ） (2023-10-09T06:57:45Z)
When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文参考訳（メタデータ） (2023-08-29T17:22:39Z)
CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。タスクは、ブロックのセットから3D形状を構築することで構成される。
論文参考訳（メタデータ） (2020-10-08T23:01:13Z)

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。