論文の概要: What Bugs Do Prolog Students Write? An Empirical Taxonomy and Data-Driven Mutation Framework
- arxiv url: http://arxiv.org/abs/2607.21193v1
- Date: Thu, 23 Jul 2026 11:17:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.384899
- Title: What Bugs Do Prolog Students Write? An Empirical Taxonomy and Data-Driven Mutation Framework
- Title（参考訳）: プロログの学生が書くものは何か? 実証的な分類学とデータ駆動変異フレームワーク
- Abstract要約: 大学生265名を対象に7,201件のPrologを提出した。
我々は,200件のバグ修正申請を手作業で分類することで,学生のバグのきめ細かい分類法を導出した。
観測誤差分布に応じて17個の演算子を重み付けしたデータ駆動型突然変異ツールであるLogMorphを開発した。
- 参考スコア（独自算出の注目度）: 6.529586616195492
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated feedback tools for logic programming education depend on realistic bug datasets that reflect the mistakes students actually make. However, existing mutation testing frameworks for Prolog treat all mutations as equally likely, producing synthetic faults that diverge from classroom reality. We present an empirical study of 7,201 Prolog submissions from 265 undergraduate students, from which we derive a fine-grained taxonomy of student bugs through manual classification of 200 bug-fixing submissions. Guided by this taxonomy, we develop LogMorph, a data-driven mutation tool whose 17 operators are weighted according to the observed error distribution. LogMorph enumerates valid mutation sites on the abstract syntax tree, samples operators proportionally, injects faults, delegating to an SMT-based synthesizer when new code fragments are needed, and validates each mutant against a reference test suite. An evaluation of 16,000 generated mutants shows that the synthetic error distribution closely matches the student distribution, with most bug categories agreeing to within two percentage points. We identify cut-related mutations and synthesizer-generated code as the main sources of residual divergence, and outline how combining the SMT back-end with a language model fine-tuned on student code can further improve realism.
- Abstract（参考訳）: 論理プログラミング教育のための自動フィードバックツールは、学生が実際に犯した間違いを反映した現実的なバグデータセットに依存する。
しかし、既存のPrologの突然変異試験フレームワークは、全ての突然変異を同等の確率で処理し、教室の現実から分岐する合成欠陥を発生させる。
本研究では,265人の大学生を対象に,Prologの提出7,201件について実証的研究を行い,200件のバグ修正申請を手作業で分類し,詳細なバグの分類を導出した。
この分類法で導かれたLogMorphは、観測された誤差分布に応じて17個の演算子を重み付けしたデータ駆動突然変異ツールである。
LogMorphは抽象構文木上の有効な突然変異サイトを列挙し、演算子を比例してサンプリングし、障害を注入し、新しいコードフラグメントが必要なときにSMTベースのシンセサイザーに委譲し、参照テストスイートに対して各ミュータントを検証する。
16,000個の変異体を解析したところ、合成誤差分布は生徒の分布と密接に一致しており、ほとんどのバグカテゴリーは2ポイント以内で一致している。
本研究では,残差の主源として,カット関連突然変異やシンセサイザー生成コードを同定し,SMTバックエンドと学生コードに微調整された言語モデルを組み合わせることで,現実性をさらに向上させる方法について概説する。
関連論文リスト
- Round-Trip Mutation Testing: Translating Code to Natural Language Intent and back [5.4804081616439975]
本稿では,ラウンド・トリップ・ミューテーション・テスト(RTM)について述べる。
RTMは、プログラムコードとその意図の間のLLMの誤訳から突然変異を生成する。
本研究は, より多種多様な変異体を生産するラウンドトリップ変異試験の可能性を示すものである。
論文 参考訳（メタデータ） (2026-07-03T11:35:58Z) - Empirical Analysis and Detection of Hallucinations in LLM-Generated Bug Report Summaries [0.7666240799116113]
大きな言語モデル(LLM)は、ソフトウェアバグレポートの要約を生成するためにますます使われています。
LLMは、説得力のある幻覚を生成するが、ソースレポートではサポートされない。
これにより、開発者を誤解させ、自動メンテナンスツールへの信頼を減らすことができる。
論文 参考訳（メタデータ） (2026-05-22T18:55:46Z) - BugPilot: Complex Bug Generation for Efficient Learning of SWE Skills [59.003563837981886]
高品質なバグは、次世代の言語モデルベースソフトウェアエンジニアリング(SWE)エージェントをトレーニングする鍵となる。
難易度および多種多様なバグを合成する新しい方法を提案する。
論文 参考訳（メタデータ） (2025-10-22T17:58:56Z) - BugGen: A Self-Correcting Multi-Agent LLM Pipeline for Realistic RTL Bug Synthesis [1.9291502706655312]
我々はBugGenを紹介した。これは完全な自律型マルチエージェントパイプラインで、RTLの機能的バグを生成し、挿入し、検証する。
BugGenはモジュールを分割し、クローズドループエージェントアーキテクチャを介して突然変異ターゲットを選択し、反復的な洗練とロールバック機構を採用している。
5つのOpenTitan IPブロックで評価され、BugGenは機能精度94%の500のユニークなバグを発生し、通常のマニュアル専門家の挿入より5倍速い時間当たり17.7のバグを検証した。
論文 参考訳（メタデータ） (2025-06-12T09:02:20Z) - Global explainability of a deep abstaining classifier [1.6592225881659535]
我々は,実世界のマルチタスク畳み込みニューラルネットワーク (MTCNN) を用いた深部吸収分類器 (DAC) の組織学的予測タスクにおいて,エラー源を特徴付けるグローバルな説明可能性法を提案する。
本分類法は1億4400万件の手書き検査で評価され,各報告の癌部位, サブサイト, 組織学, 側方性, 行動の同時予測を行った。
論文 参考訳（メタデータ） (2025-04-01T21:34:10Z) - Boosting Semi-Supervised Scene Text Recognition via Viewing and Summarizing [71.29488677105127]
既存のシーンテキスト認識(STR)手法は、特に芸術的で歪んだ文字に対して、挑戦的なテキストを認識するのに苦労している。
人的コストを伴わずに、合成データと実際のラベルなしデータを活用して、対照的な学習ベースのSTRフレームワークを提案する。
本手法は,共通ベンチマークとUnion14M-Benchmarkで平均精度94.7%,70.9%のSOTA性能を実現する。
論文 参考訳（メタデータ） (2024-11-23T15:24:47Z) - Synthetic Students: A Comparative Study of Bug Distribution Between Large Language Models and Computing Students [4.949067768845775]
大規模言語モデル(LLM)は、合成教室データを生成するエキサイティングな機会を提供する。
本研究では,LLMが生成するバグの分布を,コンピュータ学生が生成するバグとは対照的に検討する。
論文 参考訳（メタデータ） (2024-10-11T18:51:58Z) - Correcting Diverse Factual Errors in Abstractive Summarization via
Post-Editing and Language Model Infilling [56.70682379371534]
提案手法は, 誤要約の修正において, 従来手法よりもはるかに優れていることを示す。
我々のモデルであるFactEditは、CNN/DMで11点、XSumで31点以上のファクトリティスコアを改善する。
論文 参考訳（メタデータ） (2022-10-22T07:16:19Z) - Understanding Factual Errors in Summarization: Errors, Summarizers,
Datasets, Error Detectors [105.12462629663757]
本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。
本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
論文 参考訳（メタデータ） (2022-05-25T15:26:48Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z) - Improving Faithfulness in Abstractive Summarization with Contrast
Candidate Generation and Selection [54.38512834521367]
モデル非依存後処理技術としてのコントラスト候補生成と選択について検討する。
代替候補要約を生成して判別補正モデルを学習する。
このモデルを使用して、最終的な出力サマリーとして最適な候補を選択する。
論文 参考訳（メタデータ） (2021-04-19T05:39:24Z)
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。