論文の概要: DebugTracker: Lightweight Process Evidence for Classroom Debugging

• arxiv url: http://arxiv.org/abs/2607.05871v1
• Date: Tue, 07 Jul 2026 06:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.408224
• Title: DebugTracker: Lightweight Process Evidence for Classroom Debugging
• Title（参考訳）: DebugTracker: クラスルームデバッグのための軽量プロセスエビデンス
• Abstract要約: 教室タスクの軽量プロセスエビデンスを記録するVisual Studio CodeTrackerエクステンションを提示する。 DebugTrackerは、トレースをトレースし、AILイベントを保存し、タイムラインのエクスポートとヒューマンレビューのためのレポートを生成する。
• 参考スコア（独自算出の注目度）: 12.062298260684196
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Debugging exercises are often assessed from final code and test outcomes, yet these artifacts hide how students reproduced failures, formed hypotheses, inspected evidence, edited code, and verified fixes. We present DebugTracker, a Visual Studio Code extension that records lightweight debugging-process evidence for classroom tasks. DebugTracker separates uncoached Evaluation Mode traces from coached Training Mode traces, stores append-only JSONL events, and exports timeline and Markdown reports for human review. The prototype records test commands, editor and debugger metadata, student checkpoints, source snapshots, optional image evidence, human labels, and optional AI-assisted practice feedback. DebugTracker is largely language-agnostic: it captures process evidence through standard VS Code mechanisms rather than language-specific tooling, although debugger evidence depends on the relevant VS Code language extension. We validate the prototype with debugging tasks in Python, TypeScript, and Java, 16 automated checks, and an 11-case manual trial matrix spanning packaged VSIX installation and three operating systems.
• Abstract（参考訳）: デバッグエクササイズは、最終的なコードとテスト結果から評価されることが多いが、これらのアーティファクトは、学生が失敗を再現し、仮説を形成し、エビデンスを検査し、コードを編集し、修正を検証する方法を隠す。 DebugTrackerはVisual Studio Code拡張機能で、教室でのタスクの軽量なデバッグプロセスのエビデンスを記録します。 DebugTrackerは、コーチングされたトレーニングモードトレースから非干渉評価モードトレースを分離し、追加のみのJSONLイベントを格納し、タイムラインとMarkdownレポートを人間のレビュー用にエクスポートする。 プロトタイプでは、テストコマンド、エディタとデバッガメタデータ、学生チェックポイント、ソーススナップショット、オプションイメージエビデンス、ヒューマンラベル、オプションAI支援プラクティスフィードバックが記録されている。 DebugTrackerは言語に依存しない。言語固有のツールではなく、標準のVS Codeメカニズムを通じてプロセスエビデンスをキャプチャするが、デバッガエビデンスは関連するVS Code言語拡張に依存する。 我々は、Python、TypeScript、Javaのデバッグタスク、16の自動チェック、パッケージ化されたVSIXインストールと3つのオペレーティングシステムにまたがる11ケースのマニュアルトライアルマトリックスでプロトタイプを検証する。

関連論文リスト

• What Resolve Rate Hides: Trajectory Structure Diagnostics for Coding Agents [14.988334585821939]
  コーディングエージェントは、ほぼ完全に解決率でランク付けされる。 単一のパス/フェイルラベルは、なぜ実行が失敗したのか、なぜ承認された実行が追加のステップ、時間、トークンを費やしたのかについて何も述べていない。 TraceProbeは、リゾルフレートが隠すものを回復するトラジェクトリに依存しないフレームワークである。
  論文  参考訳（メタデータ） (2026-07-07T12:09:46Z)
• Design and Implementation of Data Acquisition and Analysis System for Programming Debugging Process Based On VS Code Plug-In [1.1521859713894205]
  そこで本研究では,VS Code プラグインをベースとしたデバッグプロセスのためのデータ取得と解析システムを実装した。 このシステムは様々なプログラミング言語をサポートし、デバッグタスクとデータ取得機能を統合する。 データをプラットフォームデータベースにアップロードして、プロセス全体の監視とフィードバックを実現し、教育効果を向上させる。
  論文  参考訳（メタデータ） (2025-11-08T03:18:34Z)
• InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
  大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。 対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
  論文  参考訳（メタデータ） (2025-10-21T06:26:29Z)
• CodeWatcher: IDE Telemetry Data Extraction Tool for Understanding Coding Interactions with LLMs [2.125886632946383]
  textitCodeWatcherは軽量で控えめなクライアントサーバシステムで、Visual Studio Codeエディタ内のきめ細かいインタラクションイベントをキャプチャするように設計されている。 textitCodeWatcherは、CGTによる挿入、削除、コピーペーストアクション、フォーカスシフトなどの意味のあるイベントをログする。
  論文  参考訳（メタデータ） (2025-10-13T15:39:08Z)
• Modeling Student Learning with 3.8 Million Program Traces [52.153493498021895]
  Pencil Codeのユーザによる380万を越えるプログラミング推論のデータセットを紹介します。 実際のトレースに基づいてトレーニングされたモデルは、多様な学生の振る舞いをモデル化する上で、より強力であることがわかった。 我々は、コード生成モデルを操り、より正しいコードをもたらす一連の編集を識別することで、学生がミスから回復するのを支援できることを示します。
  論文  参考訳（メタデータ） (2025-10-06T17:37:17Z)
• VeriDebug: A Unified LLM for Verilog Debugging via Contrastive Embedding and Guided Correction [36.69082579950107]
  コントラスト表現とガイド付き修正機能を統合するアプローチであるVeri Debugを提案する。 我々のモデルは、既存のオープンソースSOTA 11.3から大幅に改善されたバグ修正(Acc1)において64.7の精度を実現している。 この性能はオープンソースの代替品より優れているだけでなく、GPT-3.5-turbo (36.6)のような大型のクローズドソースモデルよりも優れている。
  論文  参考訳（メタデータ） (2025-04-27T04:09:48Z)
• A Proposal for a Debugging Learning Support Environment for Undergraduate Students Majoring in Computer Science [0.0]
  生徒はデバッガの使い方を知らないし、使ったこともない。 我々は,正しいブレークポイント配置の自己学習を可能にする機能をScratchに実装した。
  論文  参考訳（メタデータ） (2024-07-25T03:34:19Z)
• VDebugger: Harnessing Execution Feedback for Debugging Visual Programs [103.61860743476933]
  V Debuggerは、視覚プログラムのローカライズとデバッギングのために、段階的に実行を追跡することで訓練された、批評家とリファインダーのフレームワークである。 Vデバッガは、詳細な実行フィードバックを活用してプログラムエラーを特定し、修正する。 6つのデータセットの評価は、Vデバッガの有効性を示し、ダウンストリームタスクの精度が最大3.2%向上したことを示している。
  論文  参考訳（メタデータ） (2024-06-19T11:09:16Z)
• Tracking with Human-Intent Reasoning [64.69229729784008]
  この作業では、新しいトラッキングタスクであるインストラクショントラッキングを提案している。 ビデオフレーム内で自動的にトラッキングを実行するようにトラッカーに要求する暗黙の追跡命令を提供する。 TrackGPTは複雑な推論ベースの追跡を行うことができる。
  論文  参考訳（メタデータ） (2023-12-29T03:22:18Z)
• Prompting Code Interpreter to Write Better Unit Tests on Quixbugs Functions [0.05657375260432172]
  単体テストは、ソフトウェア工学において、記述されたコードの正確性と堅牢性をテストするために一般的に使用されるアプローチである。 本研究では,コードインタプリタが生成する単体テストの品質に及ぼす異なるプロンプトの影響について検討する。 生成した単体テストの品質は、提供されたプロンプトのマイナーな詳細の変更に敏感ではないことがわかった。
  論文  参考訳（メタデータ） (2023-09-30T20:36:23Z)
• Teaching Large Language Models to Self-Debug [62.424077000154945]
  大規模言語モデル(LLM)は、コード生成において素晴らしいパフォーマンスを達成した。 本稿では,大規模言語モデルで予測プログラムを数発のデモでデバッグする自己デバッグを提案する。
  論文  参考訳（メタデータ） (2023-04-11T10:43:43Z)
• Self-Supervised Log Parsing [59.04636530383049]
  大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。 既存のアプローチは、ログ特化や手動ルール抽出に依存している。 本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
  論文  参考訳（メタデータ） (2020-03-17T19:25:25Z)

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。