論文の概要: Planning on Paper: Problem Decomposition with Diagrams in Introductory Computing

• arxiv url: http://arxiv.org/abs/2606.12427v1
• Date: Thu, 14 May 2026 19:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.889588
• Title: Planning on Paper: Problem Decomposition with Diagrams in Introductory Computing
• Title（参考訳）: 論文の企画:導入コンピューティングにおけるダイアグラムによる問題分解
• Abstract要約: 問題分解は、コンピューティング教育における中核的な関心事である。 多くのCS1教育者は、命令の強調をコード記述から切り離すことを提唱している。 初心者が大規模な多機能タスクで分解する方法については知識が不足している。
• 参考スコア（独自算出の注目度）: 3.0773704200707233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background and Context. Problem decomposition is a core concern of computing education. It has also become increasingly relevant: in response to GenAI, many CS1 educators are advocating for shifting instructional emphasis away from code writing and towards decomposition and higher-level planning. Currently, there is a lack of knowledge in how novices do decomposition in large, multifunction tasks. Objectives. In this study, we describe how students represent solutions to a decomposition task, and characterize common issues that arise in those representations. Method. In a 50-minute lab, students were given a description of a word game and asked to draw (with pencil and paper) a decomposition diagram for a program that would implement this game. We performed an inductive thematic analysis with negotiated agreement on 55 of the diagrams, coding salient elements (e.g. functions and the relationships between them) and issues that arose. Findings. Students used multiple representational strategies, including hierarchical function calls and sequencing (order of execution). We identified issues in notation (including use of differing, incompatible notations within the same diagram), order of execution, abstraction and reuse, encapsulation, clarity, and problem-specific misunderstandings. Implications. These findings suggest that novice decomposition is shaped by multiple underlying models of program behavior, with tensions between structural and sequence-focused reasoning. We discuss implications for decomposition instruction and future work, including clarifying representational constraints and plan tracing as simulation.
• Abstract（参考訳）: 背景と背景。 問題分解は、コンピューティング教育における中核的な関心事である。 GenAIに対する反応として、多くのCS1教育者は、コード記述から分解や高レベルの計画へと教育の重点を移すことを提唱している。 現在、初心者が大規模な多機能タスクで分解する方法については知識が不足している。 目的。 本研究では, 学生が分解課題の解をどう表現するかを説明し, それらの表現に生じる共通問題を特徴付ける。 方法。 50分の研究室で、学生はワードゲームの説明を与えられ、このゲームを実装するプログラムの分解図(鉛筆と紙で)を描くように求められた。 55の図で交渉された合意に基づいて帰納的テーマ解析を行い,有能な要素(例えば関数とそれらの関係)をコーディングし,そこで生じた問題について考察した。 発見。 学生は階層的な関数呼び出しやシークエンシング(実行順序)など、複数の表現戦略を使用した。 表記法における問題(同一図内で異なる、互換性のない表記法の使用を含む)、実行順序、抽象化と再利用、カプセル化、明快さ、問題固有の誤解)を特定しました。 意味。 これらの結果から,初期分解はプログラム行動の複数の基礎モデルによって形成され,構造的推論とシーケンス的推論の緊張が生じることが示唆された。 本稿では,表現的制約を明確にし,計画追跡をシミュレーションとして行うことを含む,分解命令と今後の研究の意義について論じる。

関連論文リスト

• Is your algorithm unlearning or untraining? [57.25293122855155]
  我々は「アンラーニング」という用語は、2つの異なる問題定式化にまたがる異なる研究努力によって過負荷になっていると論じている。 図1に示すように、未学習と未学習の2つの概念を特定します。 本稿では,これらの問題の技術的定義と各文献で研究した問題設定について述べる。
  論文  参考訳（メタデータ） (2026-04-09T08:24:52Z)
• Moving Pictures of Thought: Extracting Visual Knowledge in Charles S. Peirce's Manuscripts with Vision-Language Models [0.5352699766206808]
  ダイアグラムは、多くの分野において不可欠だが未調査のツールである。 彼らの象徴的な形態は、視覚研究、メディカル分析、テキストベースのデジタルキャプションに障害をもたらす。 ビジュアル言語モデル(VLM)は、そのようなハイブリッドページをコンテキスト内で識別し、解釈するのに役立ちます。
  論文  参考訳（メタデータ） (2025-11-17T13:52:23Z)
• Assessing Problem Decomposition in CS1 for the GenAI Era [0.32622301272834514]
  本稿では,問題分解の技能を評価するための質問の開発について詳述する。 問題の分解に固有の課題は、必ずしも長いコンテキストである。 本稿では,分解図のオープンエンド描画を別の評価方法として用いた。
  論文  参考訳（メタデータ） (2025-11-07T23:21:27Z)
• Explain with Visual Keypoints Like a Real Mentor! A Benchmark for Multimodal Solution Explanation [19.4261670152456]
  モデルが補助線,点,角などの視覚的キーポイントを識別できるかどうかを評価し,これらのキー要素を組み込んだ説明を生成するためのマルチモーダルソリューション説明タスクを提案する。 我々の経験的結果は、最近の大規模オープンソースおよびクローズドソースモデル、ほとんどの一般オープンソースモデル、数学特殊主義モデルを除いて、マルチモーダルソリューションの説明タスクに苦戦していることを示している。 このことは、現在のLLMの教育的文脈における視覚的基盤による推論と説明能力において、大きなギャップを浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-04-04T06:03:13Z)
• Contextualize-then-Aggregate: Circuits for In-Context Learning in Gemma-2 2B [51.74607395697567]
  In-Context Learning (ICL)は、大規模言語モデル(LLM)の興味深い能力である。 我々は5つの自然主義ICLタスクに対してGemma-2 2Bにおける情報フローを因果介入を用いて同定する。 このモデルでは,2段階戦略を用いてタスク情報を推論し,コンテキスト化-then-aggregateと呼ぶ。
  論文  参考訳（メタデータ） (2025-03-31T18:33:55Z)
• Shedding Light in Task Decomposition in Program Synthesis: The Driving Force of the Synthesizer Model [2.355460994057843]
  タスク分解はプログラム合成の基本的なメカニズムであり、複雑な問題を管理可能なサブタスクに分解することができる。 本研究では,ExeDecの適応であるREGISMを開発し,分解誘導を除去し,反復的な実行駆動合成にのみ依存する。 以上の結果から,ExeDecは,その明示的な分解戦略により,長さ一般化や概念構成タスクにおいて有意な優位性を示すことが示唆された。
  論文  参考訳（メタデータ） (2025-03-11T06:30:49Z)
• Reasoning with Graphs: Structuring Implicit Knowledge to Enhance LLMs Reasoning [73.2950349728376]
  大規模言語モデル(LLM)は、幅広いタスクで顕著な成功を収めている。 しかし、彼らは情報片間の関係を理解し、推論する必要があるタスクの推論において、依然として課題に直面している。 この課題は、論理的推論やマルチホップ質問応答など、多段階プロセスに関わるタスクにおいて特に顕著である。 本稿では、まず文脈から明示的なグラフを構築することにより、グラフを用いた推論(RwG)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T05:18:20Z)
• Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
  3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。 これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。 実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
  論文  参考訳（メタデータ） (2023-05-29T23:24:14Z)
• Binary Diffing as a Network Alignment Problem via Belief Propagation [0.0]
  本稿では,プログラムのコールグラフ上でのグラフ編集問題の特別な事例として,この問題の新しい定式化を導入する。 この定式化はネットワークアライメント問題と等価であることを示す。 我々は,QBinDiffと呼ばれる手法のプロトタイプを実装し,この手法がアートディファリングツールの状況より優れていることを示す広範囲な評価手法を提案する。
  論文  参考訳（メタデータ） (2021-12-31T07:54:11Z)
• Video as Conditional Graph Hierarchy for Multi-Granular Question Answering [80.94367625007352]
  ビデオはフレームシーケンスで表現されるが、視覚要素はシーケンシャルではなく、セマンティック空間において階層的である。 本稿では,異なる粒度の視覚的事実をレベルワイドに織り込む条件付きグラフ階層として,動画をモデル化することを提案する。
  論文  参考訳（メタデータ） (2021-12-12T10:35:19Z)
• Hierarchical Bayesian Bandits [51.67132887113412]
  このクラスでは,任意の問題に適用可能な自然階層型トンプソンサンプリングアルゴリズム (hierTS) を解析する。 私たちの後悔の限界は、タスクが順次あるいは並列に解決された場合を含む、そのような問題の多くの事例に当てはまる。 実験により、階層構造はタスク間の知識共有に役立つことが示された。
  論文  参考訳（メタデータ） (2021-11-12T20:33:09Z)
• Encoding Compositionality in Classical Planning Solutions [0.8122270502556374]
  選択されたアクション間の依存関係をキャプチャするために、計画全体を通してリテラルのトレースをエンコードすることが望ましい。 本研究のアプローチは,リテラルと選択した計画間のマップとして,アクションをこれらのマップの合成として見ることである。
  論文  参考訳（メタデータ） (2021-07-13T05:05:11Z)

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。