Fugu-MT 論文翻訳(概要): Enhancing Debugging Skills with AI-Powered Assistance: A Real-Time Tool for Debugging Support

論文の概要: Enhancing Debugging Skills with AI-Powered Assistance: A Real-Time Tool for Debugging Support

arxiv url: http://arxiv.org/abs/2601.02504v1
Date: Mon, 05 Jan 2026 19:20:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-07 17:02:12.699458
Title: Enhancing Debugging Skills with AI-Powered Assistance: A Real-Time Tool for Debugging Support
Title（参考訳）: AIによる支援によるデバッギングスキルの強化:デバッギングサポートのためのリアルタイムツール
Authors: Elizaveta Artser, Daniil Karol, Anna Potriasaeva, Aleksei Rostovskii, Katsiaryna Dzialets, Ekaterina Koshchenko, Xiaotian Su, April Yi Wang, Anastasiia Birillo,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 8.607022377771422
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Debugging is a crucial skill in programming education and software development, yet it is often overlooked in CS curricula. To address this, we introduce an AI-powered debugging assistant integrated into an IDE. It offers real-time support by analyzing code, suggesting breakpoints, and providing contextual hints. Using RAG with LLMs, program slicing, and custom heuristics, it enhances efficiency by minimizing LLM calls and improving accuracy. A three-level evaluation - technical analysis, UX study, and classroom tests - highlights its potential for teaching debugging.
Abstract（参考訳）: デバッグはプログラミング教育とソフトウェア開発において重要なスキルですが、CSカリキュラムでは見過ごされがちです。そこで我々は,AIを利用したデバッグアシスタントをIDEに統合した。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でのRAG、プログラムスライシング、カスタムヒューリスティックスを用いて、LLMコールの最小化と精度の向上によって効率を向上させる。技術的分析、UX研究、教室テストという3段階の評価は、デバッグを教える可能性を強調している。

関連論文リスト

Designing for Novice Debuggers: A Pilot Study on an AI-Assisted Debugging Tool [5.192564039251338]
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。
論文参考訳（メタデータ） (2025-09-25T12:18:20Z)
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)
Towards Effective Code-Integrated Reasoning [89.47213509714578]
モデルが必要に応じてコードを生成するコード統合推論について検討し、コードインタプリタを通じてそれを実行することによってフィードバックを統合する。ツール強化強化学習は、学習力学における潜在的な不安定さに悩まされる可能性がある。我々は、探索と安定性のバランスをとるための強化されたトレーニング戦略を開発し、推論性能を改善しながら、ツールの利用能力を徐々に構築する。
論文参考訳（メタデータ） (2025-05-30T11:30:18Z)
Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
論文参考訳（メタデータ） (2025-05-28T17:57:47Z)
Design of AI-Powered Tool for Self-Regulation Support in Programming Education [4.171227316909729]
大きな言語モデル(LLM)ツールは、高品質な補助を提供する可能性を示している。しかし、これらのツールの多くは、機関的な学習管理システムとは独立して運用されている。この分離は、学習材料を活用する能力と、適切なコンテキスト対応のフィードバックを生成するためのコンテキストを行使する能力を制限する。
論文参考訳（メタデータ） (2025-04-03T22:47:33Z)
Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger [49.81945268343162]
我々は,外部ツール利用のための適応型意思決定戦略であるMeCoを提案する。 MeCoは、表現空間内の高レベル認知信号をキャプチャすることで、メタ認知スコアを定量化する。 MeCoは微調整不要で、最小限のコストがかかる。
論文参考訳（メタデータ） (2025-02-18T15:45:01Z)
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)
A Comprehensive Survey of AI-Driven Advancements and Techniques in Automated Program Repair and Code Generation [0.0]
最近27の論文がレビューされ、2つのグループに分けられた。最初のグループは、意味的エラーの特定を含む、バグの検出と修復のための新しいメソッドで構成されている。 2つ目のグループはコード生成に精通しており、プログラミングとタスク固有のモデルのために微調整された汎用LLMの概要を提供している。また、識別子認識トレーニング、命令レベルでの微調整、セマンティックコード構造の導入など、コード生成を改善する方法も提示されている。
論文参考訳（メタデータ） (2024-11-12T06:47:54Z)
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)
Efficient Tool Use with Chain-of-Abstraction Reasoning [63.08202389132155]
大規模言語モデル(LLM)は、現実世界の知識に対する推論の基礎となる必要がある。マルチステップ推論問題におけるツールの実行には,微調整LDMエージェントの課題が残されている。マルチステップ推論におけるツールの活用方法として, LLM の新しい手法を提案する。
論文参考訳（メタデータ） (2024-01-30T21:53:30Z)

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。