Mar, 2016

使用循环神经网络自动纠正编程作业中的语法错误

PDF
TL;DR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。
automated feedbacksyntax errorsprogramming assignmentsrnnsbig code
发现论文，激发创造
  • 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

  • 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

  • 利用神经符号转换网络进行语义化代码修复

    通过使用语义修复的统计模型和神经网络，我们的研究成功地预测代码中的错误位置，并将其修复，从而提高了修复的准确性。

    Oct, 2017

  • 基于图形的自监督程序修复技术，利用诊断反馈

    本文提出了一种基于程序 -- 反馈图的图神经网络及一种用非监督学习方法构建大量程序修复样例的自监督学习范式。最终应用的 DrRepair 算法在两个应用领域上都取得了比之前的工作更好的修复效果。

    May, 2020

  • SYNFIX: 使用编译器诊断自动修复语法错误

    使用机器学习的自动修复工具 SYNFIX 大幅度提高了代码修复的效果，并整合进了开源的 Visual Studio Code 中。

    Apr, 2021

  • 使用嵌套 RNN 模型和伪训练数据进行拼写错误纠正

    提出了一种基于嵌套循环神经网络的英语拼写错误校正模型，并基于语音相似性生成伪数据进行训练。该模型将正字法信息和上下文作为一个整体融合，并进行了端到端的训练。实验证明，该方法在拼写错误的纠正方面优于现有系统。

    Nov, 2018

  • sk_p: 用于 MOOC 的神经编程纠错器

    本文提出了一种用于自动纠正 MOOCs 中程序错误的新技术，能够修复语法和语义错误而不需要手动进行问题特定的纠正策略，实验表明本方案可以更有效地修正程序错误。

    Jul, 2016

  • 基于字符注意力机制的神经语言纠错

    本文介绍了一种基于神经网络的自然语言校正方法，该方法以字符级别操作避免了词汇表外的问题，并展示了在语言学习者论坛收集的数据集上的灵活性和性能。与语言建模相结合后，该方法在 CoNLL 2014 共享任务中实现了最先进的 $F_{0.5}$- 分数。

    Mar, 2016

  • 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

  • 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