論文の概要: Personalized Worked Example Generation from Student Code Submissions Using Pattern-based Knowledge Components

• arxiv url: http://arxiv.org/abs/2604.24758v2
• Date: Tue, 05 May 2026 15:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 14:45:21.043969
• Title: Personalized Worked Example Generation from Student Code Submissions Using Pattern-based Knowledge Components
• Title（参考訳）: パターンベース知識コンポーネントを用いた学生コードからのパーソナライズされた実例生成
• Authors: Griffin Pitts, Muntasir Hoq, Peter Brusilovsky, Narges Norouzi, Arto Hellas, Juho Leinonen, Bita Akram,
• Abstract要約: 本稿では,学生のコードから抽出したパターンベースのKCを用いたナレッジ・コンピネント・ガイド付きコンテンツ生成手法を提案する。 問題文と学生の提出状況から,本パイプラインは,ASTに基づく解析により,学生のコードから構造的KCパターンを抽出し,生成モデルを決定する。 その結果、KC条件付き生成は、生徒の論理的誤りに対する話題の焦点と関連性を改善することが示唆された。
• 参考スコア（独自算出の注目度）: 8.40619529758373
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Adaptive programming practice often relies on fixed libraries of worked examples and practice problems, which require substantial authoring effort and may not correspond well to the logical errors and partial solutions students produce while writing code. As a result, students may receive learning content that does not directly address the concepts they are working to understand, while instructors must either invest additional effort in expanding content libraries or accept a coarse level of personalization. We present an approach for knowledge-component (KC) guided educational content generation using pattern-based KCs extracted from student code. Given a problem statement and student submissions, our pipeline extracts recurring structural KC patterns from students' code through AST-based analysis and uses them to condition a generative model. In this study, we apply this approach to worked example generation, and compare baseline and KC-conditioned outputs through expert evaluation. Results suggest that KC-conditioned generation improves topical focus and relevance to students' underlying logical errors, providing evidence that KC-based steering of generative models can support personalized learning at scale.
• Abstract（参考訳）: 適応プログラミングの実践は、しばしば作業例や実践問題の固定されたライブラリに依存しており、かなりのオーサリング作業を必要とし、学生がコードを書きながら生成する論理的誤りや部分的解とうまく一致しない可能性がある。 結果として、学生は、自分たちが理解しようとしている概念に直接対処しない学習コンテンツを受け取ることができ、インストラクターは、コンテンツライブラリの拡張に追加の労力を費やすか、あるいは、粗いパーソナライゼーションのレベルを受け入れる必要がある。 本稿では,学生コードから抽出したパターンベースのKCを用いて,知識コンポーネント(KC)による教育コンテンツ生成を支援する手法を提案する。 問題文と学生の提出状況から,本パイプラインは,ASTに基づく解析により,学生のコードから構造的KCパターンを抽出し,生成モデルを決定する。 本研究では,本手法を実例生成に適用し,専門家評価によるベースラインとKC条件出力を比較した。 その結果、KC条件付き生成は、学生の論理的誤りに対するトピック的焦点と関連性を改善し、KCに基づく生成モデルのステアリングが、大規模にパーソナライズされた学習を支援できることを示す。

関連論文リスト

• Using LLMs for Knowledge Component-level Correctness Labeling in Open-ended Coding Problems [0.4316506818580031]
  学生記述コードから直接KCレベルの正しさをラベル付けする自動フレームワークを提案する。 得られたKCレベルの精度ラベルを学習曲線適合度と予測性能で評価する。
  論文  参考訳（メタデータ） (2026-02-19T16:58:34Z)
• Pattern-based Knowledge Component Extraction from Student Code Using Representation Learning [2.726913697825415]
  この研究は、学生の学習に不可欠な粒度のコードパターンとアルゴリズム構造を識別する自動化され、スケーラブルで説明可能なフレームワークを提供することで、コンピュータサイエンス教育における知識モデリングを推進している。
  論文  参考訳（メタデータ） (2025-08-12T18:42:15Z)
• Automated Knowledge Component Generation for Interpretable Knowledge Tracing in Coding Problems [2.801976382946474]
  知識コンポーネント(KC)は、生徒の学習をモデル化し、きめ細かいスキルの熟達レベルを追跡するのに役立つ問題にマッピングされる。 我々は、KC生成とタグ付けのための自動LLMベースのパイプラインを、オープンエンドプログラミング問題に対して提示する。 KCGen-KTは,今後の学生の反応予測において,既存のKT手法や人書きKCよりも優れていた。
  論文  参考訳（メタデータ） (2025-02-25T20:40:51Z)
• Tuning-Free Personalized Alignment via Trial-Error-Explain In-Context Learning [74.56097953187994]
  本稿では,テキスト生成タスクのための言語モデルをパーソナライズするチューニング不要な手法であるTrial-Error-Explain In-Context Learning(TICL)を提案する。 TICLは、試行錯誤説明プロセスを通じて、文脈内学習プロンプトを反復的に拡張し、モデル生成陰性サンプルと説明を追加する。 TICLは従来の最先端技術に対して最大91.5%を達成し、パーソナライズされたアライメントタスクのための競争的なチューニング不要のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-02-13T05:20:21Z)
• Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing [59.480951050911436]
  自動知識概念アノテーションと質問表現学習のためのフレームワークであるKCQRLを提案する。 実世界の2つの学習データセット上で、15KTアルゴリズムにまたがるKCQRLの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-02T16:37:19Z)
• Latent Template Induction with Gumbel-CRFs [107.17408593510372]
  文生成のための潜在テンプレートを推論するための構造化変分オートエンコーダについて検討する。 構造化推論ネットワークとして、トレーニング中に解釈可能なテンプレートを学習することを示す。
  論文  参考訳（メタデータ） (2020-11-29T01:00:57Z)

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。