論文の概要: Accelerating Accurate Assignment Authoring Using Solution-Generated Autograders
- arxiv url: http://arxiv.org/abs/2608.06572v1
- Date: Thu, 06 Aug 2026 20:29:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.285502
- Title: Accelerating Accurate Assignment Authoring Using Solution-Generated Autograders
- Title（参考訳）: ソリューション生成オートグレータによる正確な割り当てオーサリングの高速化
- Abstract要約: ソリューション生成のオートグレーダ - より速く、より正確で、より楽しい方法で自動グレーダを作成する方法。
Questionerは、JavaとKotlin用のソリューション生成オートグレーディングの実装である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Students learning to program benefit from access to large numbers of practice problems. Autograders are commonly used to support programming questions by providing quick feedback on submissions. But authoring accurate autograders remains challenging. Autograders are frequently created by enumerating test cases--a tedious process that can produce inaccurate autograders that fail to correctly classify submissions. When authoring accurate autograders is slow, it is difficult to create large banks of practice problems to support beginning programmers. We present solution-generated autograding: a faster, more accurate, and more enjoyable way to create autograders. Our approach leverages a key difference between software testing and autograding: The question author can provide a solution. By starting with a solution, we can eliminate the need to manually enumerate test cases, validate the autograder's accuracy, and evaluate other aspects of submission code quality beyond behavioral correctness. We describe Questioner, an implementation of solution-generated autograding for Java and Kotlin, and share experiences from four years using Questioner to support a large CS1 course: authoring nearly 800 programming questions used by thousands of students to evaluate millions of submissions.
- Abstract（参考訳）: 学生は、多くの実践的問題へのアクセスから利益をプログラムすることを学ぶ。
オートグレーダは、応募に対する迅速なフィードバックを提供することで、プログラミングの質問をサポートするために一般的に使用される。
しかし、正確なオートグラファーを書くことは難しい。
オートグレーダは、テストケースを列挙することで、しばしば作成されます。
正確なオートグレーダのオーサリングが遅い場合には,初期プログラマを支援するために,大規模なプラクティスバンクを作成することは困難である。
ソリューション生成のオートグレーダ - より速く、より正確で、より楽しい方法で自動グレーダを作成する方法。
私たちのアプローチでは、ソフトウェアテストとオートグレーディングの主な違いを活用しています。
ソリューションから始めることで、手動でテストケースを列挙する必要性を排除し、オートグレーダの精度を検証し、振る舞いの正確性を超えたコード品質の他の側面を評価することができます。
QuestionerはJavaとKotlin用のソリューション生成オートグレーディングの実装であり、大規模なCS1コースをサポートするために4年間の経験を共有している。
関連論文リスト
- AutoCode: LLMs as Problem Setters for Competitive Programming [94.71566758494787]
競合グレードの問題ステートメントやテストケースを生成するために,複数の検証ラウンドを使用するAutoCodeを紹介します。
ホールドアウト問題では、AutoCodeテストスイートが99%の一貫性と公式判断にアプローチしている。
論文 参考訳（メタデータ） (2025-09-29T17:59:03Z) - Self-Questioning Language Models [58.73276539661649]
本稿では,提案者がトピックを与えられ,解答者に対する質問を生成する非対称なセルフプレイフレームワークを提案する。
提案者と解答者はともに強化学習を通じて訓練される。
3桁の乗算、OMEGAベンチマークの代数問題、Codeforcesのプログラミング問題である。
論文 参考訳（メタデータ） (2025-08-05T17:51:33Z) - Automating Autograding: Large Language Models as Test Suite Generators for Introductory Programming [1.9121661610146587]
本研究では,大規模言語モデルを用いてプログラミング問題に対するテストスイートの自動生成の有効性を評価する。
本研究では,LLM生成テストスイートとインストラクター生成テストスイートのパフォーマンスを比較した。
論文 参考訳（メタデータ） (2024-11-14T07:58:44Z) - Code quality assessment using transformers [0.0]
本研究では,品質スコアをJavaコードに自動的に割り当てるCodeBERTについて検討する。
コード品質評価のための新しいデータセット上で,モデルの精度について検討する。
コード品質はある程度予測可能であり、タスク適応型事前学習を用いたトランスフォーマーベースモデルは、他の手法よりも効率的にタスクを解くことができる。
論文 参考訳（メタデータ） (2023-09-17T12:59:59Z) - Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。
標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。
Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
論文 参考訳（メタデータ） (2022-11-16T10:00:23Z) - Write a Line: Tests with Answer Templates and String Completion Hints
for Self-Learning in a CS1 Course [0.0]
本報告では,497名の学生を対象に,CS1コースにおける文字列補完ヒント付き正規表現型質問を用いた4年間の成績を報告する。
評価結果から,Perl互換の正規表現は,1行のコードを記述する必要のある質問に対して,良好な精度とリコール(99%以上)を提供することが示された。
論文 参考訳（メタデータ） (2022-04-19T17:53:35Z) - Continuous Examination by Automatic Quiz Assessment Using Spiral Codes
and Image Processing [69.35569554213679]
紙のキズは安価で、教室のキャンパス教育の範囲内にある。
クイズの修正は かなりの障害だ
本稿では,新しい画像処理技術によって問題を緩和することを提案する。
論文 参考訳（メタデータ） (2022-01-26T22:58:15Z) - An Analysis of Programming Course Evaluations Before and After the
Introduction of an Autograder [1.329950749508442]
本稿では,最近自己評価を導入した基礎的コンピュータ科学コースの標準化された大学評価アンケートに対する回答について検討する。
我々は,教師と生徒の交流の改善,コースの質の向上,学習の成功の向上,時間の短縮,難易度の向上など,データに大きな変化をもたらした可能性について仮説を立てた。
オートグレーダ技術は、プログラミングコースにおける生徒の満足度を向上させるための教育方法として検証することができる。
論文 参考訳（メタデータ） (2021-10-28T14:09:44Z) - 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) - Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via
Alternate Meta-learning [56.771557756836906]
本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。
本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-10-29T18:28:16Z)
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。