論文の概要: Predicting Struggling Students in CS1 Programming Using Keystroke-Level Editing Features
- arxiv url: http://arxiv.org/abs/2608.25769v1
- Date: Wed, 26 Aug 2026 13:13:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.836569
- Title: Predicting Struggling Students in CS1 Programming Using Keystroke-Level Editing Features
- Title（参考訳）: キーストロークレベル編集機能を用いたCS1プログラミングにおける難読生徒の予測
- Abstract要約: 本稿では,キーストロークレベルログを用いたCS1プログラミング演習において,苦労している学生の早期発見の可能性について検討する。
CodeBenchプラットフォームからのデータを使用し、キーストロークレベルでリアルタイムコード編集イベントを、実行とサブミッションログとともに記録します。
- 参考スコア（独自算出の注目度）: 1.2322133339349548
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the feasibility of early detection of struggling students during CS1 programming exercises using keystroke-level logs. Some students fail to reach a correct solution before the exercise ends, and by the time this becomes apparent from grades or final outcomes, the opportunity for timely instructor support aimed at helping them recover may have passed. We use data from the CodeBench platform, which records real-time code editing events at the keystroke level, alongside execution and submission logs. We define two outcome groups: Breakthrough (BT) students, whose prior submissions all receive 0% and whose final submission achieves full credit, and Fully Stuck (FS) students, whose submissions all receive 0% without reaching a correct solution. To examine this feasibility, we focus on two questions: (RQ1) whether adding keystroke-level editing features improves the prediction of FS students over execution-log features alone, and (RQ2) at which stage BT and FS students can be predicted most accurately. Experiments on the 2019-1 semester of the CodeBench dataset, comprising 507 students, compare three feature configurations: execution-based features (ExecOnly), CodeMirror-based features (CMOnly), and their combination (Combined). We evaluate prediction across successive submission-based stages during each exercise. In the earliest stage, CMOnly outperforms ExecOnly (AUROC 0.654 vs. 0.575), and Combined further improves over ExecOnly by +0.098 (AUROC 0.674). Across all configurations, the earliest stage yielded the strongest predictive signal. These findings indicate that behavioral signals present at the very start of an exercise contain useful clues about whether a student will ultimately solve the problem, and that keystroke-level editing logs provide additional value for early prioritization beyond execution logs alone.
- Abstract（参考訳）: 本稿では,キーストロークレベルログを用いたCS1プログラミング演習において,苦労している学生の早期発見の可能性について検討する。
運動が終わる前に正しい解に到達できない生徒もおり、これが成績や最終結果から明らかになる頃には、回復を支援するためのタイムリーなインストラクター支援の機会が経過した可能性がある。
CodeBenchプラットフォームからのデータを使用し、キーストロークレベルでリアルタイムコード編集イベントを、実行とサブミッションログとともに記録します。
対象はBreakthrough (BT) の学生で, 受験者は0%, 受験者はフルクレジット(FS)の学生で, 受験者は0%, 受験者は正解を得られない。
この実現可能性を検討するために,キーストロークレベルの編集機能を追加することで,実行ログ機能のみよりもFS学生の予測が向上するか否か,(RQ2)BTおよびFS学生を最も正確に予測できる段階の2つの質問に焦点をあてる。
507人の学生からなるCodeBenchデータセットの2019-1学期における実験では、実行ベースの機能(ExecOnly)、CodeMirrorベースの機能(CMOnly)、それらの組み合わせ(Combined)の3つの機能構成を比較した。
本研究は,各エクササイズ中における連続的な提出ベースステージの予測を評価する。
初期の段階では、CMOnlyはExecOnly(AUROC 0.654 vs. 0.575)を上回り、Combinedは+0.098(AUROC 0.674)でExecOnlyをさらに改善している。
全ての構成で、初期の段階では最も強い予測信号が得られた。
これらの結果から,演習の開始時に現れる行動信号には,学生が最終的にこの問題を解決するかどうかに関する有用な手がかりが含まれており,キーストロークレベルの編集ログは,実行ログ以外の早期優先順位付けに付加価値をもたらすことが示唆された。
関連論文リスト
- Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs [0.0]
デジタル学習プラットフォームは、苦労している学生を早期に特定する可能性を提供する、リッチな行動トレース(デジタルマーカー)を生成する。
本稿では,従来のマーカーとデジタルマーカーを組み合わせることで,初年度のCS1コースの障害を予測できるかどうかを検討する。
論文 参考訳（メタデータ） (2026-07-16T08:32:54Z) - Context-Aware Prediction of Student Quiz Performance with Multimodal Textbook Features [0.0]
本稿では,CourseKataの章レビュー質問から抽出した軽量なコンテンツ特徴が,学生の平均的事前運動成績を超えて,エンド・オブ・チャプタ・クイズスコアの予測を改善するかを検討する。
562のクラス学生IDから4,742人以上の学生チャプタが観察され、内容的特徴が加わり、学生グループ化された5倍クイズ予測性能が前性能ベースラインと比較して9.1%向上した。
本論文は,学生のクイズ性能を過去の学生のパフォーマンスのみを用いた場合と比較して,学生のクイズ性能をより正確に予測するために,質問のテキストや視覚的特徴に関する有用な信号が付加されることを示唆する。
論文 参考訳（メタデータ） (2026-05-28T03:32:09Z) - AcademiClaw: When Students Set Challenges for AI Agents [69.70303995121154]
AcademiClaw(アカデミクロー)は、大学生の実際の学術的切断から直接引き出された80の複雑な長い水平タスクのベンチマークである。
最高のモデルでさえ、55%のパスレートしか達成できないことを示す。
AcademiClawとそのオープンソースデータとコードが、OpenClawコミュニティにとって有用なリソースになることを願っています。
論文 参考訳（メタデータ） (2026-05-04T14:40:42Z) - Multimodal Analytics of Cybersecurity Crisis Preparation Exercises: What Predicts Success? [0.12314765641075437]
5回のエクササイズセッションにおける23チーム(76名の学生)のマルチモーダルトレースを用いて,サイバーセキュリティシミュレーションのアライメントを検討する。
アライメントは、必要なブルームレベルと実行されたブルームレベルの相違として定義され、成功を予測するが、ブルームカテゴリーだけでは相違が考慮されれば成功を予測することはできない。
論文 参考訳（メタデータ） (2026-03-30T15:14:56Z) - Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。
動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。
提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
論文 参考訳（メタデータ） (2024-08-30T15:39:34Z) - Revisiting the Power of Prompt for Visual Tuning [50.11465784194896]
本研究では,プロンプトとパッチトークンの相互関係について検討した。
プロンプトトークンはパッチトークンと高い相互情報を共有する傾向にあるという観測から着想を得て,下流トークンのプロトタイプを用いた初期化プロンプトを提案する。
本手法は, 自己指導型プレトレーニングの適応性を著しく向上させ, 少なくとも10%から30%のタスク性能向上を実現した。
論文 参考訳（メタデータ） (2024-02-04T07:49:02Z) - M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [58.617025733655005]
緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。
これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。
提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
論文 参考訳（メタデータ） (2023-03-09T09:05:47Z) - Enhancing Deep Knowledge Tracing with Auxiliary Tasks [24.780533765606922]
本稿では,emphAT-DKTによる知識追跡モデルの予測性能の向上について述べる。
実世界の3つの教育データセットに関する総合的な実験を行い、提案手法を深部逐次KTモデルと非逐次モデルの両方と比較する。
論文 参考訳（メタデータ） (2023-02-14T08:21:37Z) - 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) - Early Performance Prediction using Interpretable Patterns in Programming
Process Data [13.413990352918098]
リッチできめ細かいログデータを活用して、学生コースの結果を予測するモデルを構築します。
我々は,ブロックベースの入門プログラミングコースにおける106人の学生のデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2021-02-10T22:46:45Z) - BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。
特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。
単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
論文 参考訳（メタデータ） (2020-07-28T17:46:18Z)
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。