Avaliação da eficácia de mensagens de erro melhoradas geradas por Large Language Model em um curso introdutório de programação em Python
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Linguagens de Programação, em sua maioria, são idealizadas para o mercado de desenvolvimento de software. Em consequência, o feedback na forma de mensagens de erro de compiladores e interpretadores são focados em programadores experientes, sendo muitas vezes enigmáticos para estudantes novatos. Diante dos desafios da aprendizagem de programação, diversos pesquisadores se debruçam sobre este problema criando e utilizando ferramentas e linguagens adequadas ou adaptando feedbacks. Embora a linguagem Python seja adequada ao ensino introdutório de programação, ela possui um conjunto limitado de mensagens de erro que levam o estudante a possíveis confusões pela falta de informações relevantes à solução do problema. Neste sentido, a criação de feedback na forma de mensagens de erro melhoradas, que auxiliem os estudantes no ambiente de aprendizagem, é uma solução interessante. Um estudo preliminar realizado em um curso de programação introdutória com Python em que foi utilizado um ambiente próprio (PEEF) com emissão de mensagens melhoradas pré-cadastradas demonstrou que, embora a adição de feedback seja algo positivo, não é suficiente para que os estudantes solucionem os problemas encontrados. Deste modo, este trabalho visa apresentar um estudo realizado com especialistas para avaliar a adequação de mensagens melhoradas geradas por Large Language Model com dados de um curso de programação em Python.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,009 |
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 découle