論文の概要: CodeOwl: Automatic Generation of Tiered Parsons Problems for Introductory Programming

• arxiv url: http://arxiv.org/abs/2607.12460v1
• Date: Tue, 14 Jul 2026 07:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.078356
• Title: CodeOwl: Automatic Generation of Tiered Parsons Problems for Introductory Programming
• Title（参考訳）: CodeOwl: 導入プログラミングにおける階層型パーソン問題の自動生成
• Abstract要約: 本稿では,階層型パーソンズ問題を自動生成するAI駆動ツールであるCodeOwlを紹介する。 サンプルタスクや特定のプログラミング概念から始めると、CodeOwlはパーソンズの問題を階層化して自動的に生成する。
• 参考スコア（独自算出の注目度）: 9.543736237914208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Addressing learner heterogeneity in programming education is challenging due to variations in student speed, prior knowledge, and motivation. While differentiated instruction, such as tiered sequences, allows students to engage at appropriate difficulty levels, manually creating these resources is labour-intensive. This paper introduces CodeOwl, an AI-driven tool that automates the generation of tiered Parsons problems. Starting from a sample task or specific programming concepts, CodeOwl produces tiered sequences of Parsons problems automatically. We evaluated CodeOwl with a mixed-method framework comprising complexity analysis, expert ratings, and user studies. Analysis of 297 tiered sequences (three tiers each) revealed that 98.7% achieved a positive complexity increase, successfully rising in difficulty from Tier 1 to Tier 3. Experts rated the generated problem statements as highly clear. While teachers praised the tool's utility, they identified a need for greater control over curriculum alignment. Similarly, students reported positively but requested enhanced feedback mechanisms and alternative interaction modes.
• Abstract（参考訳）: プログラミング教育における学習者の異質性への対処は、学生の速度、事前知識、動機の変動によって困難である。 タイテッドシーケンスのような区別された指導は、学生が適切な難易度をこなせるようにしますが、これらのリソースを手動で作成することは労働集約的です。 本稿では,階層型パーソンズ問題を自動生成するAI駆動ツールであるCodeOwlを紹介する。 サンプルタスクや特定のプログラミング概念から始めると、CodeOwlはパーソンズの問題を階層化して自動的に生成する。 CodeOwlを,複雑性分析,専門家評価,ユーザスタディを含む混合メソッドフレームワークで評価した。 297個のタイリング配列(それぞれ3つの階層)の分析により、98.7%がプラスの複雑さを増し、Tier 1からTier 3までの難易度が上昇したことが明らかとなった。 専門家は生成した問題ステートメントを極めて明確に評価した。 教師はツールの有用性を賞賛したが、彼らはカリキュラムの整合性をよりコントロールする必要があると認識した。 同様に、学生はポジティブに報告したが、改善されたフィードバックメカニズムと代替的なインタラクションモードを要求した。

関連論文リスト

• AI-Assisted Help-Seeking Trajectories in Programming Education from an SRL-Informed Perspective [11.163797770670683]
  本研究は,大学レベルのプログラミングにおけるAI支援型ヘルプサーキングの軌跡を解析した。 その結果、多くの学生が、計画的で自己規制された問題解決よりも、主にAIをリアクティブなトラブルシューティングに用いていることが示唆された。
  論文  参考訳（メタデータ） (2026-06-22T03:37:58Z)
• Interleaving Natural Language Prompting with Code Editing for Solving Programming Tasks with Generative AI Models [20.071141463392813]
  学生はしばしば、プログラミングタスクを解決するために自然言語のプロンプトと手作業によるコード編集に頼っている。 これらの2つのモードが実際にどのように組み合わされているか、そしてそれらの使い方が、タスクの複雑さや学生の能力とどのように異なるかを検討する。 分析の結果、学生は主に初期解を生成するためにプロンプトを使用しており、実行が失敗した後、短い編集実行ループを入力してコードを洗練することが多い。
  論文  参考訳（メタデータ） (2025-09-17T15:32:19Z)
• Knowledge Tracing in Programming Education Integrating Students' Questions [0.0]
  本稿では,学生の質問を活用し,スキル情報を自動的に抽出する知識追跡モデルであるSQKT(Students' Question-based Knowledge Tracing)を紹介する。 実験の結果,難易度が異なる様々なPythonプログラミングコースにおいて,SQKTが生徒の完成度を予測する上で,優れた性能を示した。 SQKTは、コンピュータサイエンス教育における個別の学習ニーズに合わせて教育コンテンツを調整し、適応的な学習システムの設計に使用することができる。
  論文  参考訳（メタデータ） (2025-01-22T14:13:40Z)
• 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)
• Automatic question generation for propositional logical equivalences [6.221146613622175]
  そこで我々は,各学生に対して適切な質問を生成できる手法を開発し,実装する。 従来の研究では、妥当性、ユーザ定義の困難さ、パーソナライズされた問題生成を含む、教育におけるAQGフレームワークについて研究されてきた。 我々の新しいAQGアプローチは、一年生のコンピュータサイエンス学生にとってコアコースである離散数学に論理的等価性問題をもたらす。
  論文  参考訳（メタデータ） (2024-05-09T02:44:42Z)
• CodeTailor: LLM-Powered Personalized Parsons Puzzles for Engaging Support While Learning Programming [6.43344619836303]
  生成AIは、ほとんどのイントロレベルのプログラミング問題に対するソリューションを作成することができる。 学生はこれらのツールを使って、コードを生成するだけで、エンゲージメントが減り、学習が制限される。 学生にパーソナライズされた支援を提供するために,大規模言語モデル(LLM)を活用するシステムであるCodeTailorを紹介する。
  論文  参考訳（メタデータ） (2024-01-22T17:08:54Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• A Preliminary Study of the Intrinsic Relationship between Complexity and Alignment [90.7443414448245]
  制御可能な方法で命令の複雑さを体系的に強化するツリーインストラクションを提案する。 命令のセマンティックツリーに指定された数のノードを追加することで、新しい命令データを得るだけでなく、修正された命令の難易度を制御することもできる。
  論文  参考訳（メタデータ） (2023-08-10T16:58:51Z)
• NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering [52.10214317661547]
  現在の数値推論法はプログラムシーケンスを自己回帰的にデコードする。 プログラム生成の精度は、デコードステップがエラー伝搬によって展開されるにつれて急激に低下する。 本稿では,非自己回帰型プログラム生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T11:25:21Z)
• Competition-Level Code Generation with AlphaCode [74.87216298566942]
  より深い推論を必要とする問題に対する新しいソリューションを作成することができるコード生成システムであるAlphaCodeを紹介する。 Codeforcesプラットフォームにおける最近のプログラミングコンペティションのシミュレーション評価において、AlphaCodeは平均54.3%のランキングを達成した。
  論文  参考訳（メタデータ） (2022-02-08T23:16:31Z)
• 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)
• Understanding Unnatural Questions Improves Reasoning over Text [54.235828149899625]
  生テキストに対する複雑な質問応答(CQA)は難しい課題である。 効果的なCQAモデルを学ぶには、大量の人間が注釈付けしたデータが必要である。 我々は、自然の人間生成の質問を非自然の機械生成の質問に投影することで、高品質なプログラマ(パーザ)を学ぶという課題に対処する。
  論文  参考訳（メタデータ） (2020-10-19T10:22:16Z)
• BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
  プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。 特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。 単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T17:46:18Z)

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。