本文介绍一种用于程序自动合成的方法，通过结合模式识别和显式推理来解决这些复杂的编程问题，同时使用新颖的中间表示和训练算法，使程序合成系统能够自学，从而在简单的英文描述编程问题数据集上取得了最先进的性能表现。

Feb, 2019

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

本研究旨在探讨如何利用大型语言模型和游戏化技术，提高中国留学生在编程课程中的学习效果和归属感，通过开发智能教学系统来适应他们的学习需求和提供支持。

Feb, 2023

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

我们提出了一种半监督机器学习方法，使用数据挖掘技术检测学生的学习风格，并证明我们的方法能够准确地识别不同的学习风格，并创建个性化的学习环境。

Feb, 2024

本文研究了使用深度学习解决编程竞赛问题的方法，首先使用神经网络预测输入输出之间的关系，然后结合搜索技术和 SMT 求解器进一步优化，实验证明该方法可显著提高效率和解决程度。

Nov, 2016

本研究提出了一个框架，基于选手之前参加比赛的表现和练习情况，预测参加 Codeforces 平台竞赛的选手在未来比赛中的表现和评级。

Feb, 2023

本文提出了一种隐私保护的个性化健身推荐系统，通过多层深度学习框架学习从可穿戴 IOT 设备收集的真实健身数据中提取的重要特征，推导出智能健身建议，并实现个性化推荐，而无需明确收集用户身份或生物特征信息，如姓名，年龄，身高，体重，同时相比于现有研究，不需要收集和使用用户的敏感信息，从而保护用户的隐私。

Mar, 2022

本文介绍了一项新的任务，旨在为在线语言学习提供个性化的练习生成，我们结合知识追踪模型和受控文本生成模型，训练并在 Duolingo 的真实学习者交互数据上评估我们的模型，并展示了学生个性化生成的优越性能以及模型在教育应用中的潜在用途。

Jun, 2023

本文提出了一种 “编码准则” 来建立程序向量表示，从而使深度学习成为程序分析的现实，并且通过实验评估证明了该准则的成功性，并在程序分类任务中实现了高准确性，证实深度学习在程序分析领域的成功性，预见未来深度学习将成为程序分析的杰出技术。

Sep, 2014