論文の概要: Modeling Programming Skills with Source Code Embeddings for Context-aware Exercise Recommendation

• arxiv url: http://arxiv.org/abs/2602.10249v1
• Date: Tue, 10 Feb 2026 19:51:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.259159
• Title: Modeling Programming Skills with Source Code Embeddings for Context-aware Exercise Recommendation
• Title（参考訳）: 文脈を考慮したエクササイズ勧告のためのソースコード埋め込みによるプログラミングスキルのモデリング
• Authors: Carlos Eduardo P. Silva, João Pedro M. Sena, Julio C. S. Reis, André G. Santos, Lucas N. Ferreira,
• Abstract要約: 本稿では,学生が提出したソースコードの埋め込みを用いて,学生のプログラミングスキルをモデル化するコンテキスト認識レコメンデータシステムを提案する。 これらの埋め込みは、複数のプログラミングトピックにまたがる生徒のスキルを予測する。 大学における入門プログラミングコースにおいて,学生の実際のデータと演習を用いて,我々のアプローチを評価した。
• 参考スコア（独自算出の注目度）: 0.5872014229110214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a context-aware recommender system that models students' programming skills using embeddings of the source code they submit throughout a course. These embeddings predict students' skills across multiple programming topics, producing profiles that are matched to the skills required by unseen homework problems. To generate recommendations, we compute the cosine similarity between student profiles and problem skill vectors, ranking exercises according to their alignment with each student's current abilities. We evaluated our approach using real data from students and exercises in an introductory programming course at our university. First, we assessed the effectiveness of our source code embeddings for predicting skills, comparing them with token-based and graph-based alternatives. Results showed that Jina embeddings outperformed TF-IDF, CodeBERT-cpp, and GraphCodeBERT across most skills. Additionally, we evaluated the system's ability to recommend exercises aligned with weekly course content by analyzing student submissions collected over seven course offerings. Our approach consistently produced more suitable recommendations than baselines based on correctness or solution time, indicating that predicted programming skills provide a stronger signal for problem recommendation.
• Abstract（参考訳）: 本稿では,学生が提出したソースコードの埋め込みを用いて,学生のプログラミングスキルをモデル化する,文脈認識型推薦システムを提案する。 これらの埋め込みは、複数のプログラミングトピックにまたがる生徒のスキルを予測する。 推薦を生成するために,各生徒の現在の能力に合わせて,生徒のプロフィールと問題スキルベクターのコサイン類似性を算出した。 大学における入門プログラミングコースにおいて,学生の実際のデータと演習を用いて,我々のアプローチを評価した。 まず、ソースコードの埋め込みによるスキル予測の有効性を評価し、トークンベースの代替とグラフベースの代替とを比較した。 その結果、Jinaの埋め込みは、ほとんどのスキルでTF-IDF、CodeBERT-cpp、GraphCodeBERTよりも優れていた。 さらに,本システムでは,7科目以上で収集した学生投稿を分析し,週次講座内容に適合した演習を推薦する能力について評価した。 提案手法は,正当性や解解時間に基づくベースラインよりも適切なレコメンデーションを実現し,予測プログラミングスキルが問題レコメンデーションのためのより強力なシグナルを提供することを示す。

関連論文リスト

• Detecting Struggling Student Programmers using Proficiency Taxonomies [3.936187569159195]
  苦労している学生プログラマの早期発見は、パーソナライズされたサポートを提供することに不可欠である。 本研究は,学習者のコーディング課題の解法を分類し,検出モデルに埋め込まれた教育者との連携によって,このギャップを解消するものである。 我々のモデルは分類モデル (PTM) と呼ばれ, 生徒のコーディング履歴に基づいて同時に学習し, 新たな課題に挑戦するかどうかを予測する。
  論文  参考訳（メタデータ） (2025-08-24T13:18:53Z)
• Pre-trained Language Model and Knowledge Distillation for Lightweight Sequential Recommendation [51.25461871988366]
  本稿では,事前学習言語モデルと知識蒸留に基づく逐次推薦アルゴリズムを提案する。 提案アルゴリズムは,推薦精度を高め,タイムリーな推薦サービスを提供する。
  論文  参考訳（メタデータ） (2024-09-23T08:39:07Z)
• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• Personalized Programming Guidance based on Deep Programming Learning Style Capturing [9.152344993023503]
  プログラミング学習スタイルを用いたプログラミング・エクササイズ・レコメンダ(PERS)という新しいモデルを提案する。 PERSは学習者の複雑なプログラミング行動をシミュレートする。 プログラミング学習スタイルをモデル化する合理性を検証するために,実世界の2つのデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T10:38:38Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• Adaptive Scaffolding in Block-Based Programming via Synthesizing New Tasks as Pop Quizzes [30.127552292093384]
  マルチチョイスプログラミングタスクとして提示されるポップクイズに基づく足場構築フレームワークを提案する。 これらのポップ・クイズを自動的に生成するために,新しいアルゴリズムであるPQuizSynを提案する。 提案アルゴリズムは, (a) 適応性, (b) 理解し易く, (c) 理解し易い, (c) 理解し難い, (c) 解決コードを明らかにしない,という特徴を持つ,ポップ・クイズのための新しいタスクを合成する。
  論文  参考訳（メタデータ） (2023-03-28T23:52:15Z)
• Hierarchical Programmatic Reinforcement Learning via Learning to Compose Programs [58.94569213396991]
  プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。 提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。 Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-30T14:50:46Z)
• Programming Knowledge Tracing: A Comprehensive Dataset and A New Model [26.63441910982382]
  本稿では,学生の行動予測の精度を高めるために,拡張された文脈を利用する新しいモデルPDKTを提案する。 プログラミング問題埋め込みのための二部グラフを構築し,コード埋め込みのための事前学習モデルPLCodeBERTを改良した。 新しいデータセットBePKTの実験結果から,提案モデルがプログラミング知識の追跡において最先端の性能を確立することを示す。
  論文  参考訳（メタデータ） (2021-12-11T02:13:11Z)
• 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)
• UniNet: Next Term Course Recommendation using Deep Learning [0.0]
  本稿では,コースの時系列順が成功の確率にどのように影響するかを表現するための深層学習手法を提案する。 成績情報のみを用いて,AUC測定値の81.10%の性能が得られることを示した。 これは、異なる学生のGPAレベルとコースの難易度で有意義であることが示されている。
  論文  参考訳（メタデータ） (2020-09-20T00:07:45Z)

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。