論文の概要: Understanding Student Perceptions, Mistakes, and Debugging Approaches when Solving Natural Language Programming Tasks

• arxiv url: http://arxiv.org/abs/2607.05034v1
• Date: Mon, 06 Jul 2026 13:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.158736
• Title: Understanding Student Perceptions, Mistakes, and Debugging Approaches when Solving Natural Language Programming Tasks
• Title（参考訳）: 自然言語プログラミング課題の解答における学生の認識, 誤解, デバッグアプローチの理解
• Abstract要約: 900人以上の学生による対話型プロンプト問題の解法について検討した。 従来のコーディングタスクと比較すると、生徒はより簡単で、より楽しく、問題解決スキルの開発を目標としていた。 最も一般的な間違いは、重要な詳細の欠落に関連しており、その重要性を認識できないことと、それらを推論するAIへの過度な信頼の両方を示唆している。
• 参考スコア（独自算出の注目度）: 18.517538299978465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to communicate with code-generating AI models is an emerging skill for novice programmers. One recent pedagogical approach, Prompt Problems, has students solve computational tasks by writing natural-language prompts for code-generating AI models. However, little is known about the specific prompt-level mistakes novice programmers make, the kinds of computational details they fail to communicate, and what strategies they use to recover when generated code is incorrect. In a CS1 course, we studied attempts by more than 900 students to solve dialogue-based Prompt Problems. We analyzed student reflections, unsuccessful prompts, and reported debugging strategies. Compared to traditional coding tasks, students generally found prompting easier, more enjoyable, and better targeted at developing problem-solving skills. The most common mistakes are related to the omission of key details, suggesting both a failure to acknowledge their importance and over-reliance on AI to infer them. When prompts failed, students focused more on clarifying their intent and reflecting on the provided problem details than on tracing generated code or examining test cases.
• Abstract（参考訳）: コード生成AIモデルとのコミュニケーションを学ぶことは、初心者プログラマにとって新たなスキルだ。 最近の教育的アプローチであるPrompt Problemsは、学生にコード生成AIモデルのための自然言語プロンプトを書くことによって、計算タスクを解く。 しかし、初心者プログラマが犯した特定のプロンプトレベルのミス、コミュニケーションに失敗した計算の詳細の種類、生成されたコードの回復に使用する戦略についてはほとんど分かっていない。 CS1コースでは,900人以上の学生による対話型プロンプト問題の解法について検討した。 学生の振り返り,プロンプトの失敗,デバッグ戦略の報告を行った。 従来のコーディングタスクと比較すると、学生は一般的に、より簡単で、より楽しく、問題解決スキルの開発を目標としていた。 最も一般的な間違いは、重要な詳細の欠落に関連しており、その重要性を認識できないことと、それらを推論するAIへの過度な信頼の両方を示唆している。 プロンプトが失敗すると、学生は生成されたコードを追跡することやテストケースを調べることよりも、その意図を明確にし、提供された問題の詳細を反映することに集中した。

関連論文リスト

• When AI Is Wrong on Purpose: How Students Respond to Buggy GenAI Code [18.653714524727153]
  本稿では,これらの実践をより促進するために,即時集中型プログラミング活動をどのように適応させるかを検討する。 具体的には、現実的で実行可能なバグを、そうでなければ正しいソリューションに注入するアプローチについて検討する。
  論文  参考訳（メタデータ） (2026-07-06T13:36:05Z)
• Can MLLMs Read Students' Minds? Unpacking Multimodal Error Analysis in Handwritten Math [55.83696908107408]
  スクラッチマス(ScratchMath)は,手書き数学のスクラッチワークにおける誤りの説明と分類のための新しいベンチマークである。 本データセットは,中国初等・中等生の1,720個の数学サンプルからなる。 我々は,ScratchMath上での16のMLLMを系統的に評価し,人的専門家に対する顕著な性能差を明らかにした。
  論文  参考訳（メタデータ） (2026-03-26T02:57:20Z)
• Probing the Unknown: Exploring Student Interactions with Probeable Problems at Scale in Introductory Programming [4.1153199495993364]
  本研究では、意図的な曖昧さや不完全な仕様を持つ自動段階的タスクであるProbeable Problems'の使用について検討する。 このような問題に対して、学生はテストのインプットを提出するか、あるいは「調査」し、実施前の要件を明らかにする必要がある。 コーディング前に期待される振る舞いを徹底的に探求するなど、体系的な戦略は、間違ったコードへの提出を減らし、コースの成功と相関する結果となった。
  論文  参考訳（メタデータ） (2025-04-16T02:50:00Z)
• Integrating Natural Language Prompting Tasks in Introductory Programming Courses [3.907735250728617]
  本報告では、導入プログラミングコースに2つのプロンプトに焦点を当てたアクティビティを組み込むことについて検討する。 第一に、学生は自然言語のプロンプトを書き、構文上の問題解決を強調することで、計算問題を解く必要がある。 2つ目は、プロンプトとコードの関係を理解するために、提供されたフラグメントに相当するコードを生成するプロンプトを作成することである。
  論文  参考訳（メタデータ） (2024-10-04T01:03:25Z)
• A Knowledge-Component-Based Methodology for Evaluating AI Assistants [9.412070852474313]
  GPT-4をベースとしたCS1プログラム代入のためのヒント自動生成システムの評価を行った。 本システムは,学生が短時間のプログラミング演習において,誤った解法をいかに改善できるか,という自然言語指導を提供する。
  論文  参考訳（メタデータ） (2024-06-09T00:58:39Z)
• Genetic Auto-prompt Learning for Pre-trained Code Intelligence Language Models [54.58108387797138]
  コードインテリジェンスタスクにおける即時学習の有効性について検討する。 既存の自動プロンプト設計手法は、コードインテリジェンスタスクに限られている。 本稿では、精巧な遺伝的アルゴリズムを用いてプロンプトを自動設計する遺伝的オートプロンプト(GenAP)を提案する。
  論文  参考訳（メタデータ） (2024-03-20T13:37:00Z)
• Large Language Models as Analogical Reasoners [155.9617224350088]
  CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。 そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
  論文  参考訳（メタデータ） (2023-10-03T00:57:26Z)
• Dcc --help: Generating Context-Aware Compiler Error Explanations with Large Language Models [53.04357141450459]
  dcc --helpはCS1とCS2のコースにデプロイされ、2565人の学生が10週間で64,000回以上このツールを使っている。 LLMが生成した説明は、コンパイル時間の90%と実行時の75%で概念的に正確であるが、コードに解決策を提供しない命令を無視することが多かった。
  論文  参考訳（メタデータ） (2023-08-23T02:36:19Z)
• Promptly: Using Prompt Problems to Teach Learners How to Effectively Utilize AI Code Generators [5.458849730200646]
  本稿では,「プロンプト問題」として知られる新しい教育概念を紹介する。 プロンプト問題(英: Prompt Problem)は、学生が自然言語のプロンプトを作成し、LLMが特定の問題に対して正しいコードを生成するよう促す問題である。 Promptlyを初年度のPythonプログラミングコースに導入したフィールドスタディから経験的知見を報告する。
  論文  参考訳（メタデータ） (2023-07-31T01:46:42Z)
• Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
  ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。 標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。 Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
  論文  参考訳（メタデータ） (2022-11-16T10:00:23Z)
• 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)

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。