論文の概要: Can LLM Code Explanations Adapt to Diverse Problem-Solvers' Needs?

• arxiv url: http://arxiv.org/abs/2607.17022v1
• Date: Sun, 19 Jul 2026 01:20:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.338958
• Title: Can LLM Code Explanations Adapt to Diverse Problem-Solvers' Needs?
• Title（参考訳）: LLMコードの説明は異種問題解決者のニーズに適応できるか?
• Authors: Andrew Anderson, David Piorkowski, Justin Weisz, Margaret Burnett, Kush Varshney,
• Abstract要約: 大きな言語モデル(LLM)のコード説明は、コードに関連する問題を解決するのに役立ちます。 以前の研究は、人々が様々な問題解決スタイルを持っていることを示している。 本論文は,LLMコード記述における問題解決スタイルの適応について,初めて考察したものである。
• 参考スコア（独自算出の注目度）: 2.873759860203309
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language model (LLM) code explanations can support people in solving code-related problems, yet prior work has shown that people have diverse problem-solving styles. If explanations fail to meet people's problem-solving needs, they may be less productive in their occupations and miss opportunities to learn and grow. Although some research has examined how LLMs can adapt their outputs to a user's age or expertise, no prior work has examined how LLMs can adapt their code explanations to people's problem-solving styles. To address this gap, we developed prompts from an established inclusive design method that considers 5 types of problem-solving styles, and we generated 1,072 code explanations from six open-weight LLMs. Using natural language processing techniques, we uncovered a taxonomy of 13 linguistic adaptations, with each adaptation supported by evidence from the literature, the prompts, or the LLMs' outputs. They also show which LLMs adapted their code explanations more frequently than others. This paper is the first to investigate problem-solving style adaptations in LLM code explanation, contributing two problem-solving adaptation approaches: declarative statements for each adaptation and 10 problem-solving style prompts.
• Abstract（参考訳）: 大きな言語モデル(LLM)のコード説明は、コードに関連する問題を解決するのに役立ちます。 説明が人々の問題解決のニーズを満たさない場合、彼らの職業において生産性が低下し、学び、成長する機会を逃す可能性がある。 LLMのアウトプットがユーザの年齢や専門知識にどのように適応できるかを調査する研究もあるが、LCMのコード説明を人々の問題解決スタイルに適応させる方法については、これまでの研究は行われていない。 このギャップに対処するために,5種類の問題解決スタイルを考慮した包括設計手法を考案し,オープンウェイトLLM6つから1,072のコード説明を生成した。 自然言語処理技術を用いて13の言語適応の分類を明らかにし,各適応は文献,プロンプト,LLMのアウトプットから裏付けられた。 彼らはまた、どのLLMがコード説明を他のものよりも頻繁に適用したかを示した。 本論文は,LLMコード記述における問題解決スタイル適応を初めて研究し,各適応のための宣言文と10の問題解決スタイルプロンプトの2つの問題解決適応アプローチに寄与した。

関連論文リスト

• A Knapsack by Any Other Name: Presentation impacts LLM performance on NP-hard problems [64.05451567422342]
  自然言語で表現されたNPハード問題の集合であるEveryday Hard Optimization Problems (EHOP) のデータセットを紹介する。 EHOPには、コンピュータサイエンスの教科書(例えば、グラフカラー化)で見られる問題の定式化が含まれている。 複数のプロンプト戦略にまたがる最先端のLCMは、実生活や逆転よりも正確な教科書問題を解くことができる。
  論文  参考訳（メタデータ） (2025-02-19T14:39:59Z)
• What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [92.62952504133926]
  本研究は,3つの一般的なベンチマーク上で,3つの主要なクローズドソースLLMと6つの人気のあるオープンソースLLMの性能評価を行った。 間違ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析した。 本稿では,自己批判を導入し,LLMが生成したコードに対する批判と修正を可能にする,新たな学習自由反復手法を提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:27:17Z)
• NLPerturbator: Studying the Robustness of Code LLMs to Natural Language Variations [13.899386963946332]
  大規模言語モデル(LLM)は、与えられた自然言語記述に基づいてコード生成において有望な結果を達成する。 本稿では,実世界のシナリオにおいて,LLMが自然言語記述のバリエーションに頑健であるかを検討する。 我々は,一組のプロンプトを与えられた各カテゴリの摂動を実行できる自動フレームワーク,NLPerturbatorを提案する。
  論文  参考訳（メタデータ） (2024-06-28T09:39:33Z)
• HumanEvalComm: Benchmarking the Communication Competence of Code Generation for LLMs and LLM Agent [2.8391355909797644]
  大規模言語モデル(LLM)は、コード生成の分野でタスクを実行する能力を大幅に改善した。 LLMが有能なプログラマであることと、最上位のソフトウェアエンジニアであることの間にはまだギャップがある。
  論文  参考訳（メタデータ） (2024-05-31T22:06:18Z)
• Do Language Models Exhibit the Same Cognitive Biases in Problem Solving as Human Learners? [140.9751389452011]
  本研究では,大言語モデル(LLM)の偏りを,算術語問題を解く際に,子どもに知られているものと関連づけて検討する。 我々は,これらの各テストに対して,問題特徴のきめ細かい制御を可能にするニューロシンボリックアプローチを用いて,新しい単語問題を生成する。
  論文  参考訳（メタデータ） (2024-01-31T18:48:20Z)
• Code Prompting Elicits Conditional Reasoning Abilities in Text+Code LLMs [65.2379940117181]
  自然言語の問題をコードに変換する一連のプロンプトであるコードプロンプトを導入します。 コードプロンプトは複数のLLMに対して高速に向上することがわかった。 GPT 3.5を解析した結果,入力問題のコードフォーマッティングが性能向上に不可欠であることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T15:32:24Z)
• Fixing Large Language Models' Specification Misunderstanding for Better Code Generation [13.494822086550604]
  muFiXは、大きな言語モデル(LLM)のコード生成性能を改善する新しいプロンプト技術である。 まず、テストケース分析を利用して仕様の理解を得、自己改善プロセスを可能にする。 muFiXはさらに、提供された理解と実際の理解の間のギャップを減らす方向に向けた仕様理解を修正している。
  論文  参考訳（メタデータ） (2023-09-28T02:58:07Z)

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。