プログラミング教育

洞察 - プログラミング教育

大規模言語モデルを使用して、プログラミング課題の論理的エラーに対するフィードバックラダーを自動生成することができる。

プログラミングの論理エラーの種類を定義し、それらの関係性をプロンプトに反映することで、LLMの論理エラー分類精度を向上させる。また、正解コードからデータを拡張することで、論理エラーのベンチマークデータセットを構築する。

プログラミングエラーの3つの指標(エラー数、エラー商、繰り返しエラー密度)を用いて、初級プログラミングコースの成績変動を説明することができる。コンパイルエラーとランタイムエラーの両方を考慮することで、より良い説明力が得られる。

プログラミング課題の自動評価とプロジェクト管理のための効果的な方法を提案し、その経験を共有する。

人工知能チューターを用いることで、プログラミング教育において迅速なフィードバックと拡張性を実現できる。ただし、一般的な回答や学習進捗の阻害といった課題も明らかになった。

アルゴリズム推論タスクを活用することで、プログラミングの基礎力を高めるための学習トラジェクトリを構築できる。

プログラミング初心者の問題解決と学習を支援するために、自然言語ガイダンスからコードアシスタンスまでの4つのレベルのヒントを提供することの重要性を明らかにした。

LLMを活用し、学習者がLLMの生成したバグのデバッグを行うことで、効果的にデバッグスキルを習得できる。

MOOCでは学生の提出解答を共有することで、異なる解決方法を学ぶことができるが、多くのMOOCでは最新の解答のみを表示しており、その多様性や品質を考慮していない。本研究では、学生の提出解答をクラスタリングし、多様性と品質を考慮した上で代表的な解答を選択する手法を提案する。

大規模言語モデル（LLM）に対抗するためのOOP演習方法の革新的アプローチを提案します。

关于

产品

资源