프로그래밍 논리 오류 해결을 위한 피드백 사다리 생성: 대규모 언어 모델 활용
대규모 언어 모델(LLM)을 활용하여 프로그래밍 과제의 논리 오류에 대한 다단계 피드백을 자동으로 생성할 수 있다.
프롬프트를 활용한 논리적 오류 분류 성능 향상: 오류 관계 통합
프롬프트에 논리적 오류 간 관계를 통합하면 LLM의 논리적 오류 분류 성능이 약 21% 향상된다.
프로그래밍 오류 측정 방식 3가지가 CS1 성적 변동성을 설명하는 정도 비교
프로그래밍 과제 수행 중 발생한 컴파일러 오류와 런타임 오류를 측정하는 3가지 방식(오류 개수, Jadud의 오류 지수, 반복 오류 밀도)이 CS1 시험 성적을 설명하는 정도를 비교하였다. 오류 지수가 가장 잘 설명하였으며, 컴파일러 오류와 런타임 오류를 함께 고려할 때 설명력이 더 높아졌다.
프로그래밍 과제 자동 평가 및 프로젝트 - 우리의 경험
프로그래밍 과제 자동 평가와 프로젝트 제출을 위한 효과적인 도구와 방법론을 소개하고, 이를 통해 교수자와 학생 모두에게 도움이 되는 방안을 제시한다.
AI 튜터링을 통한 소프트웨어 공학 교육: 프로그래밍 평가에서의 대규모 언어 모델 활용 경험
AI 기반 도구를 활용하여 프로그래밍 학습 경험을 향상시킬 수 있으며, 특히 대규모 언어 모델(LLM)을 자동화된 프로그래밍 평가 시스템(APAS)에 통합하면 학생들의 상호작용 패턴과 경험을 이해할 수 있다.
GPT 생성 프로그래밍 힌트의 다양한 수준이 초보자의 문제 해결을 지원하거나 실망시키는 방식 탐구
다양한 수준의 힌트를 제공하는 것이 학생들의 문제 해결과 학습을 지원할 수 있다. 고수준의 자연어 힌트만으로는 충분하지 않으며, 구체적인 코드 예시와 같은 저수준 힌트를 추가하는 것이 대부분의 경우에 최적의 도움을 제공할 수 있다.
AI 시대의 프로그래밍 교육: LLM을 디버깅 교육을 위한 가르치는 에이전트로 활용하기
LLM의 생성 능력을 활용하여 학생들이 LLM 생성 코드의 결함을 진단하고 해결하는 실습을 제공함으로써 디버깅 기술을 향상시킬 수 있다.
프로그래밍 과제 해결책의 다양성을 높이기 위한 MOOC 솔루션 클러스터링
MOOC 플랫폼에서 학생들에게 다양한 프로그래밍 과제 해결책을 제공하기 위해 기존 접근법의 한계를 극복하고 새로운 클러스터링 도구를 개발하였다.
ChatGPT를 활용한 프로그래밍 교육 향상: 파이썬 강좌 학생 인식 및 상호작용에 대한 사례 연구
ChatGPT는 디버깅, 코드 생성, 설명 제공 등을 통해 프로그래밍 교육의 고유한 과제를 해결하며, 학생들의 학습 경험을 향상시킬 수 있다.
프로그래밍 학습 스타일 기반의 맞춤형 프로그래밍 학습 가이드
프로그래밍 학습 과정에서 학습자의 고유한 학습 스타일을 파악하고, 이를 바탕으로 맞춤형 프로그래밍 학습 가이드를 제공한다.
© 2024 by Linnk AI