Fugu-MT 論文翻訳(概要): Personalized Assessments from Personal Artifacts

論文の概要: Personalized Assessments from Personal Artifacts

arxiv url: http://arxiv.org/abs/2607.16494v1
Date: Fri, 17 Jul 2026 20:33:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.167624
Title: Personalized Assessments from Personal Artifacts
Title（参考訳）: 個人的アーティファクトからの個人的評価
Abstract要約: 学生のコードに対する理解度を評価するために,Personalized Probing Puzzles(p3$)という手法を開発した。私たちのパイロット研究では、学生が自分のコードを理解する際の潜在的なギャップを特定するのに、$p3$が役立ちます。パズルの結果をコード理解と相関付け、プロのコードレビュープロセスに$p3$を埋め込むには、今後の作業が必要である。
参考スコア（独自算出の注目度）: 1.7482685917723753
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The rapid development and popularization of AI-enabled coding agents have meant software engineering students and professionals cannot be assumed to understand their own code, which risks academic integrity and professional accountability. We developed a method called Personalized Probing Puzzles ($p^3$) to evaluate students' understanding of their own code, and tested $p^3$ in a graduate-level cloud computing course. Our pilot study shows that $p^3$ can help identify potential gaps in students' understanding of their own code. The puzzles are automatically generated, asynchronously administered, and finished in minutes. Future work is needed to correlate puzzle results with code understanding and to embed $p^3$ in a professional code review process.
Abstract（参考訳）: AI対応のコーディングエージェントの急速な開発と普及は、ソフトウェア工学の学生や専門家が自身のコードを理解できないことを意味している。そこで我々は,Personalized Probing Puzzles(p^3$)という手法を開発し,大学院レベルのクラウドコンピューティングコースでp^3$をテストした。私たちのパイロット研究は、学生が自分のコードを理解する際の潜在的なギャップを特定するのに、$p^3$が役立ちます。パズルは自動的に生成され、非同期に管理され、数分で終了する。パズルの結果をコード理解と相関付け、プロのコードレビュープロセスに$p^3$を埋め込むには、今後の作業が必要である。

関連論文リスト

How Do Software Professionals Evaluate AI-Generated Code? (Registered Report) [4.3772632092306045]
生成AIツールの最近の進歩は、ソフトウェアプロフェッショナルがコードを書き、評価し、操作する方法を大きく変えた。これらのツールの採用の増加と依存にもかかわらず、ソフトウェア専門家が生成したコードをどのように評価するかは、まだ不明である。この研究は、ソフトウェアプロフェッショナルがAI生成コードを評価する方法の理論を構築することを目的としている。
論文参考訳（メタデータ） (2026-07-10T14:01:00Z)
"Can you feel the vibes?": An exploration of novice programmer engagement with vibe coding [42.82674998306379]
ビブコーディング(vibe coding)とは、直接のコードオーサシップではなく、自然言語のプロンプトを通じてソフトウェアを作成することを指す。本稿では、初心者プログラマと混合経験チームがどのようにバイブコーディングに関わるかを調査する1日間のハッカソンについて報告する。
論文参考訳（メタデータ） (2025-12-02T13:32:23Z)
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)
How Far Have We Gone in Binary Code Understanding Using Large Language Models [51.527805834378974]
バイナリコード理解におけるLarge Language Models(LLM)の有効性を評価するためのベンチマークを提案する。評価の結果、既存のLLMはバイナリコードをある程度理解でき、それによってバイナリコード解析の効率が向上することが明らかとなった。
論文参考訳（メタデータ） (2024-04-15T14:44:08Z)
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)
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)
Students' Perspective on AI Code Completion: Benefits and Challenges [2.936007114555107]
学生の視点から,AIコード補完のメリット,課題,期待について検討した。その結果,AIコード補完は,正しい構文提案を提供することで,学生の生産性と効率を向上させることがわかった。将来的には、AIコード補完は説明可能であり、教育プロセスを強化するための最高のコーディングプラクティスを提供するべきである。
論文参考訳（メタデータ） (2023-10-31T22:41:16Z)
Generation Probabilities Are Not Enough: Uncertainty Highlighting in AI Code Completions [54.55334589363247]
本研究では,不確実性に関する情報を伝達することで,プログラマがより迅速かつ正確にコードを生成することができるかどうかを検討する。トークンのハイライトは、編集される可能性が最も高いので、タスクの完了が早くなり、よりターゲットを絞った編集が可能になることがわかりました。
論文参考訳（メタデータ） (2023-02-14T18:43:34Z)
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)
Smart Contract Vulnerability Detection: From Pure Neural Network to Interpretable Graph Feature and Expert Pattern Fusion [48.744359070088166]
従来のスマートコントラクトの脆弱性検出方法は、専門家の規則に大きく依存している。最近のディープラーニングアプローチはこの問題を軽減するが、有用な専門家の知識をエンコードすることができない。ソースコードから専門家パターンを抽出する自動ツールを開発する。次に、深いグラフの特徴を抽出するために、コードをセマンティックグラフにキャストします。
論文参考訳（メタデータ） (2021-06-17T07:12:13Z)
Let's Ask Students About Their Programs, Automatically [0.0]
学生は時に機能するコードを生成するが、その作者は理解していない。これらの問題に対処する方法の1つは、生徒が自分のプログラムについて質問することで、生徒の理解を調査することである。本稿では,学生が書いたプログラムコードに関する質問を自動的に生成する手法を提案する。
論文参考訳（メタデータ） (2021-03-20T09:15:37Z)

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。