ICMLMay, 2015

学习程序嵌入以传递学生代码反馈

PDF
TL;DR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。
feedbackneural networksopen-ended assignmentsmassive online classesprogramming assessment
发现论文，激发创造
  • 神经代码理解：可学习的代码语义表示

    本文提出了一种学习代码语义的新颖处理技术，并将其应用于各种程序分析任务中，其中使用的 Embeddings 基于独立于源编程语言的代码的 IR，现有技术不足以强烈理解程序语义。

    Jun, 2018

  • 动态神经程序嵌入用于程序修复

    提出了一种基于程序执行轨迹学习的新型语义程序嵌入，相比于基于程序语法的嵌入，可以更准确地捕捉程序语义，并用于预测学生程序提交中的错误类型，并展示了通过该语义嵌入预测进行搜索的效率显著提高的结果。

    Nov, 2017

  • 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

  • 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

  • 针对初级编程任务的自动反馈生成

    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。

    Apr, 2012

  • 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

  • 利用生成文本模型为学生教学评价创造定性编码书

    使用自然语言处理和大型语言模型，本文介绍一种分析学生教学评估的新方法，展示了该方法如何提取、嵌入、聚类和总结评估中的主题，以生成评估的编码书，同时讨论了该方法在教学和研究环境中对学生写作分析的影响。

    Mar, 2024

  • 数学语言处理：开放式数学问题的自动分级与反馈

    本文提出了一种基于 “数理语言处理” 的数据驱动框架来自动评分开放性数学问题实现的方案，采用不同聚类方法组成的三层模型对多步解决方案进行追踪和错误定位，并在真实的慕课数据上进行了测试和验证，说明它可以极大地减少大规模教育平台上所需的人力投入。

    Jan, 2015

  • 利用 CodeBERT 和随机森林回归器自动评分 C 编程作业

    利用深度学习的自动评分系统通过将程序文本输入转换为向量并利用多个模型进行分析，成功评估了 C 编程作业，取得了 1.89 的均方根误差。

    Sep, 2023

  • 数据编程的成对反馈

    通过将成对反馈信息纳入程序性标记数据集的潜在类变量建模过程中，即使只有很少数量的成对反馈信息源，也可以实现潜在类变量后验估计质量的显著提高。

    Dec, 2019