論文の概要: Comprehending Python Repetition Structures: An Eye-Tracking Study with Novice Developers
- arxiv url: http://arxiv.org/abs/2608.09875v1
- Date: Mon, 10 Aug 2026 17:28:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.398092
- Title: Comprehending Python Repetition Structures: An Eye-Tracking Study with Novice Developers
- Title（参考訳）: Pythonの反復構造を補完する - 初心者開発者によるアイトラッキング調査
- Abstract要約: ループ、再帰、リスト理解(LC)の比較を行う。
一方,AOI固定期間は97%,レグレッション数は114%増加した。
LC比較は、統計的に有意なペアワイド差が最も顕著であった。
これらの知見は、Pythonの反復構造が視覚効果パターンを区別しているというプロセスレベルの証拠を提供する。
- 参考スコア（独自算出の注目度）: 1.2917703452163334
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Code comprehension is central to software maintenance and evolution, yet different Python repetition structures may impose distinct cognitive demands. We conducted a controlled eye-tracking experiment with 32 undergraduate students with prior Python experience to compare comprehension of for loops, while loops, recursion, and list comprehensions (LCs). Participants solved six comprehension tasks in a Latin Square design while we measured completion behavior and eye-tracking metrics over full snippets and construct-specific Areas of Interest (AOIs). for loops showed the lowest visual effort. Relative to for, while loops increased AOI fixation duration by up to 97% and regression count by 114%, with regressions concentrated around counter management. Recursion showed a descriptive 50% increase in regressions, mainly between the base case and recursive call. LCs increased AOI time by 62.5% and fixation duration by 80.9%, with horizontal regressions suggesting dense token-by-token parsing. LC comparisons yielded the clearest statistically significant pairwise differences, while the combined comparison of all non-for structures was significant across all eye-tracking metrics. These findings provide process-level evidence that Python repetition structures induce distinct visual-effort patterns, with implications for readability, code review, refactoring, onboarding, and maintainability.
- Abstract（参考訳）: コードの理解はソフトウェアの保守と進化の中心であるが、異なるPythonの繰り返し構造は異なる認知的要求を課す可能性がある。
大学生32名を対象に視線追跡実験を行い,ループの理解,ループ,再帰,リストの理解(LC)を比較した。
参加者はラテンスクエアデザインの6つの理解タスクを解き、完成行動と全スニペット上の視線追跡のメトリクスを計測し、AOI(Areas of Interest)を構築した。
ループの視力は最低でした
一方,ループはAOI固定期間を97%増加し,レグレッション数は114%増加し,リグレッションはカウンターマネージメントを中心に集中した。
再帰は, 主に基本症例と再帰呼び出しの間に, 退行率50%の記述的増加を示した。
LCはAOI時間を62.5%増加し、固定期間は80.9%増加し、水平回帰は密度の高いトークン・バイ・トーケン解析を示唆した。
LCの比較は、最も統計的に有意なペアワイド差を示し、一方、全ての非目的構造の組合せ比較は、すべての視線追跡指標で有意であった。
これらの発見は、Pythonの反復構造が可読性、コードレビュー、リファクタリング、オンボーディング、保守性といった異なる視覚効果パターンを引き起こすというプロセスレベルの証拠を提供する。
関連論文リスト
- Agent Reinforcement Learning via Pivotal-Aware Self-Feedback Retry [14.02751159295063]
本稿では,大規模言語モデル (LLM) エージェントにおける経験的活用のための自己フィードバック再試行フレームワークであるPivoARLを提案する。
PivoARLは、構造的反射によるピボットの誤った回転を識別し、対応するピボット状態からのみ局所的な再試行を行う。
PivoARLはすべてのタスクでPass@2/3の大幅な改善を実現しており、MetaRLよりも平均11.5%向上している。
論文 参考訳（メタデータ） (2026-07-04T04:45:05Z) - LoopCoder-v2: Only Loop Once for Efficient Test-Time Computation Scaling [72.71005779366162]
本研究では,ゲインコストの観点から,ループ数選択について検討する。
この研究は18Tトークンのスクラッチからループ数が異なるループ数でLoopCoder-v2をトレーニングし、それにマッチした命令チューニングと評価を行う。
実証的には、この2ループ版はコード生成、コード推論、エージェントソフトウェアエンジニアリング、ツールスベンチマークなど、非ループベースラインよりも幅広い利益をもたらしている。
論文 参考訳（メタデータ） (2026-06-16T15:03:05Z) - Symbolic Regression via Latent Iterative Refinement [8.016092717336457]
単発予測と真の後部とのギャップを埋めるフレームワークであるLatent Equation Embedding (LEE)を提案する。
LEEは、3つのコンポーネントを備えた共有潜在空間Zを学習する。
LEEは、最強の精度指向のベースラインよりも2～10倍単純である。
論文 参考訳（メタデータ） (2026-05-26T16:25:05Z) - How Does Chunking Affect Retrieval-Augmented Code Completion? A Controlled Empirical Study [6.9242874337023705]
検索可能な生成パイプラインは、ソースファイルを検索可能なユニットに分割するチャンキングに依存している。
本研究は,チャンキングがコード補完品質に及ぼす影響を検証した実証的研究である。
以上の結果から,チャンキング戦略がRAGベースのコード補完に統計的に有意な影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2026-05-06T11:09:42Z) - Efficient Test-Time Inference via Deterministic Exploration of Truncated Decoding Trees [68.04613115686509]
自己整合性は、複数の推論トレースを並列にサンプリングし、投票することで、推論時間のパフォーマンスを向上させる。
そこで本研究では,切り落された標本を伐採木として扱う決定論的復号法であるDLE(Distinct Leafion)を提案する。
DLEは高品質な推論トレースを調査し、数学、コーディング、一般的な推論タスクのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2026-04-22T12:42:03Z) - What Happened in This Pipeline? Diffing Build Logs with CiDiff [3.093293209977702]
我々は、CiDiffと呼ばれるログ構築に適した新しいdiffアルゴリズムを導入する。
我々はCiDiffを17,906CIレグレッションの新しいデータセットに基づいていくつかのベースラインに対して評価した。
論文 参考訳（メタデータ） (2025-04-25T08:56:21Z) - Spectral structure learning for clinical time series [0.895367781592174]
臨床時系列の構造化学習アルゴリズムを開発し,評価する。
臨床時系列は、複数の患者で観察され、不規則にサンプリングされた多変量時系列である。
本稿では,異なる時系列規則性に柔軟に対応する時系列依存モデルを提案する。
論文 参考訳（メタデータ） (2025-02-17T11:13:39Z) - Learning to Retrieve Iteratively for In-Context Learning [56.40100968649039]
イテレーティブ検索は、ポリシー最適化によるイテレーティブな意思決定を可能にする、新しいフレームワークである。
テキスト内学習例を構成するための反復型検索器をインスタンス化し,様々な意味解析タスクに適用する。
ステートエンコーディングのためのパラメータを4M追加するだけで、オフザシェルフの高密度レトリバーをステートフル反復レトリバーに変換する。
論文 参考訳（メタデータ） (2024-06-20T21:07:55Z) - Hyena Hierarchy: Towards Larger Convolutional Language Models [115.82857881546089]
ハイエナは、暗黙的にパラメトリケートされた長い畳み込みとデータ制御ゲーティングをインターリーブすることによって構築された注意のための準四分法的なドロップイン置換である。
数千から数十万のトークン列のリコールおよび推論タスクにおいて、ハイエナは状態空間やその他の暗黙的かつ明示的なメソッドに依存する演算子よりも50ポイント以上精度を向上させる。
論文 参考訳（メタデータ） (2023-02-21T18:29:25Z) - Bridging the Training-Inference Gap for Dense Phrase Retrieval [104.4836127502683]
密度の高いレトリバーを構築するには、トレーニングやニューラルネットワークの検証など、一連の標準手順が必要である。
本稿では,高密度検索におけるトレーニングと推論のギャップを減らせる方法について検討する。
コーパス全体の小さな部分集合を用いて高密度レトリバーを効率よく検証する方法を提案する。
論文 参考訳（メタデータ） (2022-10-25T00:53:06Z) - MOCHA: A Dataset for Training and Evaluating Generative Reading
Comprehension Metrics [55.85042753772513]
そこで本研究では,生成的読解の指標であるModeling Correctness with Humanをトレーニングし,評価するためのベンチマークを提案する。
S
我々は,MOCHAを用いて,人間の判断スコアを模倣する学習評価尺度LERCを訓練する。
最小のペアで評価すると、LERCは80%の精度でベースラインを14から26の絶対パーセンテージポイントで上回り、改善の余地は大きい。
論文 参考訳（メタデータ） (2020-10-07T20:22:54Z)
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。