Agile Teaching: Automated Student Support and Feedback Generation
Notice bibliographique
Résumé
The software engineering industry prioritizes efficiency through the use of tools and processes such as version control and Agile methodologies. Automation has allowed developers to be more productive and deliver superior results. However, automation is not as widespread in software engineering education. To improve educational outcomes and provide more effective feedback to students, this research implements software engineering methods and automation techniques in software engineering education and evaluates their effectiveness. Our focus is on establishing a connection between source code and natural language, allowing us to generate a natural language description from a given source code sample. To generate feedback, we employ deep learning models to learn code representations and gain a deeper understanding of code. However, the complexity of code makes it challenging to learn its representation accurately. After learning about code, we compare students' code with the instructor-provided solution based on configurable thresholds and generate comments to provide guidance. This work extends the Transformer model, GraphCodeBERT, which is a pre-trained model for programming languages that incorporates the inherent structure of code. We utilize both syntax-level information, such as abstract syntax trees, and semantic-level information, such as data flow, during pre-training. The data flow graph has nodes representing variables and edges indicating the “where-the-value-comes-from” relationship between variables. Our model is based on the Transformer neural architecture and uses a gated graph neural network model to learn code embeddings. This function incorporates code structure, a copy mechanism, and relative position representations, allowing the model to better understand the semantics of code. We evaluated our approach on the Java dataset in terms of BLEU, METEOR, and ROUGE-L metrics and compared it with the state-of-the-art code comment generation model, GTrans. Our model demonstrated improvements in two metrics of METEOR and ROUGE-L.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».