研究使用 AI 驱动的编程导师协助编程初学者，其中关键组成部分为学生建模，能自动推断学生的误解以预测（综合）他们的行为，并介绍了一个新的基准 (StudentSyn)，以综合一个给定学生的目标任务尝试，探究如何使用神经 / 符号技术来实现。

May, 2022

使用神经符号技术 NeurTaskSyn, 可以为给定的编程要求自动综合编程任务，可提高编程教育的质量。

May, 2023

提出了一种基于流行测验的脚手架框架，使用符号推理和基于图的代码表示技术自动生成数百个流行测试，个性化指导初学者完成编程任务。

Mar, 2023

本文从认知理论的角度扩展了目标导向脚本生成的任务，并提出了基于子目标的层次化组织方法。研究者们贡献了一个新的数据集，并提出了几种基线方法和评估指标，表明了子目标与层次化脚本生成的有效性。此外，研究者们还设计和评估了发现子目标的模型，并发现此过程比从分段步骤中进行摘要更加困难。

May, 2023

VISPROG 是一种神经符号方法，用于解决复杂和组合的视觉任务，所需的仅是自然语言指令，通过生成类似 Python 的模块化程序来实现，每行程序可以调用各种计算机视觉模型，图像处理算法或 Python 函数以产生中间输出，展示了其在 4 个不同的任务上的灵活性 。

Nov, 2022

本文提出了一种可扩展的程序合成框架，通过层级组合程序实现程序合成，该框架可以从输入 / 输出对中合成比之前更长、更复杂的程序，并通过任务嵌入空间和程序解码器将任务嵌入解码为程序。

Mar, 2023

我们研究了从单个人类表演视频中学习多阶段基于视觉的任务，同时利用不同对象的子任务演示数据，学习如何从原始像素中学习基本行为并动态组合这些行为以执行多阶段任务的方法。

Oct, 2018

该研究使用大型语言和多模态模型，针对具备空间规划、基础编程和逻辑推理等不同技能要求的 Mini-level 任务，在 XLogoOnline 可视化编程环境下构建了一个新型的程序合成基准。通过使用大规模的合成训练数据集和模拟器驱动的反馈，开发了一个微调流程以提升模型的性能。研究表明，经过微调的 Llama3-8B 模型在不同技能维度上显著优于 GPT-4V 和 Llama3-70B 模型，并提供了对模型在不同技能维度上的专业知识的深入分析。该研究将公开发布该基准，以促进未来在可视化编程的程序合成领域的研究。

Jun, 2024

最近 AI 生成模型的进展使得像 ChatGPT 这样的对话模型成为可行的助教候选人。我们通过研究初学者与助教在子目标学习环境中的互动，来探讨在初级编程教育中使用生成 AI 作为助教的实际性。为了比较学习者与 AI 和人类助教的互动和感知，我们进行了一项针对 20 名初级编程学习者的受试研究。学习者通过在助教的指导下制定子目标和子解决方案来解决编程任务。我们的研究表明，学习者在比分和 AI 助教相当的情况下能够更快地解决任务。学习者对 AI 助教的感知在回复的速度和全面性、对话的有益性、困难度和满意度方面与人类助教相当。最后，我们通过对聊天记录的分析，提出了更好地设计和利用生成 AI 作为编程教育助教的指导原则。

Sep, 2023

本论文提出了一种新的机器人学习框架 —— 神经任务规划（NTP），实现从任务输入到分解、再到完成的过程，在机器人操纵任务中实现强泛化，展现出层次性和组合性的结构，同时对于长度增加、目标变化的未知任务也具备较强的泛化能力。

Oct, 2017