論文の概要: DOMtutor: Automated Autograding for Logic in Computer Science

• arxiv url: http://arxiv.org/abs/2608.16899v1
• Date: Thu, 09 Jul 2026 05:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.245173
• Title: DOMtutor: Automated Autograding for Logic in Computer Science
• Title（参考訳）: DOMtutor: コンピュータサイエンスにおける論理の自動化
• Abstract要約: コードを自動的に実行し、評価するフレームワーク(オートグレーダとも呼ばれる)は、教育を強化するために使われることがある。 彼らは(ほぼ)即時フィードバックとハンズオン体験を提供し、反射分析を促します。 i) 理論的なコースにもオートグラファー(特に)を、(ii) 国際協調プログラミングコンテストに使用される確立されたDOMjudgeシステムを使うことを提案する。
• 参考スコア（独自算出の注目度）: 5.50791468454604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teaching computer science at universities is often structured rather classically and theory oriented. The former refers to "transmission"-style lectures accompanied by exercises which are submitted and graded manually, providing delayed feedback (if any). The latter refers to exercises often posed at a conceptual level, requiring solution ideas to be sketched out on paper, but not put to the test in practice. By its nature, this is particularly true for subjects relating to theoretical computer science, such as courses on propositional or first-order logic or automata theory. Frameworks that automatically execute and evaluate code (also called autograders) are sometimes used to augment teaching. They provide (near) instant feedback and hands-on experience, prompting reflective analysis. However, their use usually is reserved for programming / practically oriented courses. We propose to (i) use autograders also (and especially) for theoretical courses and (ii) use the established DOMjudge system, which is used, among others, for the International Collegiate Programming Contest.
• Abstract（参考訳）: 大学でコンピュータ科学を教えることは、しばしば古典的で理論指向である。 前者は、手動で提出・格付けされた演習を伴う「伝達」スタイルの講義を指し、(もしあれば)遅れたフィードバックを提供する。 後者は、しばしば概念レベルで行われるエクササイズを指し、解決策のアイデアを紙にスケッチアウトする必要があるが、実際にはテストには適用されない。 本質的には、命題や一階述語論理のコースやオートマトン理論など、理論計算機科学に関する分野に特に当てはまる。 コードを自動的に実行し、評価するフレームワーク(オートグレーダとも呼ばれる)は、教育を強化するために使われることがある。 彼らは(ほぼ)即時フィードバックとハンズオン体験を提供し、反射分析を促します。 しかしながら、それらの使用は通常、プログラミング/実践指向のコースに限られる。 提案する 一 理論科目にもオートグラファー(特に)を用いること。 (二)国際協調プログラミングコンテストにおいて、確立されたDOMjudgeシステムを使用する。

関連論文リスト

• What Really Improves Mathematical Reasoning: Structured Reasoning Signals Beyond Pure Code [72.9921566968371]
  ドメイン分離のきめ細かい10T-tokenコーパスにおける事前学習の制御実験により,コードが推論を改善するという主張を再考する。 コードはプログラミング能力を大幅に改善するが、一般的な推論エンハンサーとして機能しない。 コード-テキストと数学-テキストの混合のようなドメイン間構造的推論トレースがよりうまく説明されている。
  論文  参考訳（メタデータ） (2026-05-19T12:37:01Z)
• Knowledge Markers: An AI-Agnostic Concept for the Design of Programming Courses [0.0]
  本稿では、AIに依存しないコースレベルのコース設計のための軽量な知識マーカーとして、知識マーカーを提供する。 オープンティーチングアーティファクトにラベルをきめ細かい粒度で埋め込む方法を示す。 導入プログラミングコースを分析し,再設計し,記述的に評価することで,そのアプローチを実証する。
  論文  参考訳（メタデータ） (2026-04-07T18:13:40Z)
• LogicLearner: A Tool for the Guided Practice of Propositional Logic Proofs [2.649019945607464]
  我々は、ガイド付き論理証明実践のためのWebアプリケーションであるLogicLearnerを開発した。 LogicLearnerは、ステップバイステップで論理証明を試みるインターフェースと、オンザフライでソリューションを生成する自動証明解決器で構成されている。
  論文  参考訳（メタデータ） (2025-03-25T02:23:08Z)
• NExT: Teaching Large Language Models to Reason about Code Execution [50.93581376646064]
  大規模言語モデル(LLM)のコードは通常、プログラムの表面テキスト形式に基づいて訓練される。 NExTは,プログラムの実行トレースを検査し,実行時の動作を判断する手法である。
  論文  参考訳（メタデータ） (2024-04-23T01:46:32Z)
• Designing Theory of Computing Backwards [0.30458514384586394]
  CSプログラムにおけるコンピュータ理論(ToC)コースは、しばしばプログラムの終わり近くに置かれる。 コンピュータが何をしているのかについて、学生にとって直感的であるもの - コースの終わりに教えられるチューリングマシン - は、初期のモデルのモチベーションを必要とする。 このポスターには、素材を効果的に後ろ向きに教えるToCコースの設計の経験が含まれています。」
  論文  参考訳（メタデータ） (2023-11-13T23:32:41Z)
• Proving Theorems using Incremental Learning and Hindsight Experience Replay [45.277067974919106]
  等式のない一階述語論理のドメイン固有プローバを学習するための一般的な漸進学習アルゴリズムを提案する。 我々は、証明が見つからない場合でも学べるように、後見経験の再生を定理証明に適用する。 我々は、この方法で訓練されたプローバーがTPTPデータセットの最先端の伝統的なプローバーにマッチし、時には超えることを示した。
  論文  参考訳（メタデータ） (2021-12-20T16:40:26Z)
• 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)
• Improving Compositionality of Neural Networks by Decoding Representations to Inputs [83.97012077202882]
  我々は、ニューラルネットワークのアクティベーションを制約し、入力に"デコード"するように生成モデルを共同で訓練することで、従来のディープラーニングプログラムの利点を橋渡しする。 本稿では,デオード可能な表現の分布外検出,逆例,校正,公平性への応用を実証する。
  論文  参考訳（メタデータ） (2021-06-01T20:07:16Z)
• On the Theory of Reinforcement Learning with Once-per-Episode Feedback [120.5537226120512]
  本稿では,エピソード終盤に一度だけフィードバックを受ける強化学習の理論を紹介する。 これは、学習者が毎回フィードバックを受け取るという従来の要件よりも、現実世界のアプリケーションの代表的です。
  論文  参考訳（メタデータ） (2021-05-29T19:48:51Z)
• Automated Content Grading Using Machine Learning [0.0]
  本研究プロジェクトは,技術科の学生による試験で書かれた理論的回答の段階付けを自動化するための原始的な実験である。 本稿では,機械学習におけるアルゴリズム的アプローチを用いて,試験回答論文の理論的内容を自動的に検証し,評価する方法について述べる。
  論文  参考訳（メタデータ） (2020-04-08T23:46:24Z)

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。