Apr, 2012

针对初级编程任务的自动反馈生成

PDF
TL;DR我们提出了一种自动为入门编程问题提供反馈的新方法，该方法利用参考实现的任务和由可能制造的错误组成的错误模型。
automatic feedbackintroductory programmingerror modelcorrection rulesminimal corrections
发现论文，激发创造
  • 面向初学编程练习的数据驱动反馈生成

    本文介绍了 “搜索，对齐和修复” 数据驱动程序修复框架，旨在自动化初级编程练习的反馈生成，采用了大量的学生提交。该技术可在大型或 MOOC 规模的初级编程课程中使用，其结果表明，在平均 2 秒内，SARFGEN 系统可以为 89.7％不正确的学生提交生成简明有用的反馈，并已集成到 Microsoft-DEV204.1X edX 班级中，用于生产。

    Nov, 2017

  • 使用元探索为交互式学生程序提供反馈

    在这项工作中，我们表明，探索发现错误可以作为一种元探索问题，从而使我们能够构建一个有原则的目标来发现错误和一个用于优化此目标的算法，从而提供细粒度的反馈。该方法在一组来自交互式分配的超过 700K 真正的匿名学生程序上提供了 94.3％的反馈准确性，比现有方法提高了 17.7％，准确性接近人类水平。

    Nov, 2022

  • 使用循环神经网络自动纠正编程作业中的语法错误

    使用递归神经网络 (RNNs) 生成自动化反馈以修复编程任务中的语法错误，可以完全修复 31.69% 的提交并部分修正 6.39% 的提交。

    Mar, 2016

  • 深度强化学习用于编程语言纠错

    针对初学者编程者在编程语言上的困惑，通过一种新颖的基于强化学习的编程语言纠错框架，利用专家演示以及自我探索等方式进行训练提升，使得其对有错误的程序进行更好的修复，相对于最先进的工具 DeepFix 在修复错误和更多的编译器错误信息上提高了 14% 和 29%

    Jan, 2018

  • 利用大型语言模型为编程中的逻辑错误生成反馈阶梯

    基于大型语言模型的反馈生成方法在编程作业的逻辑错误中显示出巨大潜力。本研究通过使用多级反馈的方式来解决现有方法存在的问题，并通过用户研究评估了所生成反馈的质量。

    May, 2024

  • 学生课程反馈的自动摘要

    本论文提出了一种新的基于整数线性规划框架的学生课程反馈摘要方法，在学生反馈语料库上的实验结果表明，该方法在 ROUGE 分数和人类评估方面优于一系列基线。

    May, 2018

  • 通过强化学习提高自动生成反馈的有效性

    基于大语言模型的自动生成反馈在智能辅导系统和在线学习平台中具有潜力来提高许多学生的学习效果，本文针对自动生成和评估反馈的问题，提出了数学反馈评估标准和反馈生成框架，通过强化学习优化反馈的正确性和一致性，并通过案例研究定性分析了生成和评估系统。

    Mar, 2024

  • 运用大型语言模型进行代数错误分类

    本研究通过使用预训练的大型语言模型，提出了一种灵活的错误分类方法，可以对更多的学生回答的数学问题进行分类，并分析了该方法的常见分类错误和自动错误分类的局限性。

    May, 2023

  • 学习程序嵌入以传递学生代码反馈

    本文利用神经网络将程序编码成一个从预置条件空间到后置条件空间的线性映射，提出了一种利用这些线性映射作为特征的规模反馈算法，并将其应用于 Code.org Hour of Code 和 Stanford University 的 CS1 课程的编程测评中。

    May, 2015

  • 用大型语言模型（GPT）自动化编程作业反馈

    本实验研究使用 OpenAI 的 GPT-3.5 模型在一个自动化的评估平台上生成学生编程作业的个性化提示，实验小组依赖平台反馈较少但在启用 GPT 提示时表现得更好。

    Jun, 2023