Logo des Repositoriums
 

Fehlvorstellungen in der Programmierausbildung: Eine Heuristik für die semi-automatische Annotation von Fehlerkandidaten

dc.contributor.authorFischer, Björn
dc.contributor.authorPanitz, Sven Eric
dc.contributor.authorDörner, Ralf
dc.contributor.editorGreubel, André
dc.contributor.editorStrickroth, Sven
dc.contributor.editorStriewe, Michael
dc.date.accessioned2023-10-16T04:38:41Z
dc.date.available2023-10-16T04:38:41Z
dc.date.issued2023
dc.description.abstractDie zuverlässige Erkennung von Fehlern zu Fehlvorstellungen in der Programmierausbildung stellt eine Herausforderung dar, die mit Deep Learning adressiert werden kann. In dieser Arbeit wird eine Heuristik vorgestellt, die es ermöglicht, die dafür erforderlichen Annotationen weitestgehend automatisch zu generieren. Die Heuristik verbindet Informationen aus der statischen und dynamischen Codeanalyse mit dem Ziel, mögliche Fehlalarme zu reduzieren. Erste Ergebnisse zeigen in unserem Datenfall anhand eines betrachteten Fehlertyps, dass die Heuristik in etwa der Hälfte der Fälle eine automatische Entscheidung treffen kann und dabei eine Genauigkeit von 81 % erreicht. Dies stellt eine erhebliche Verbesserung von etwa einem Drittel gegenüber den Ergebnissen von Pattern Matching dar.de
dc.identifier.doi10.18420/abp2023-8
dc.identifier.urihttps://dl.gi.de/handle/20.500.12116/42559
dc.language.isode
dc.pubPlaceBonn
dc.publisherGesellschaft für Informatik e.V.
dc.relation.ispartofProceedings of the Sixth Workshop "Automatische Bewertung von Programmieraufgaben" (ABP 2023)
dc.relation.ispartofseriesWorkshop „Automatische Bewertung von Programmieraufgaben“
dc.subjectIntroductory Programming
dc.subjectIntelligent Tutoring Systems
dc.subjectAutomated Feedback
dc.subjectMisconceptions
dc.subjectBytecode Instrumentation
dc.subjectCode Coverage
dc.subjectMachine Learning
dc.subjectWeak Supervision
dc.titleFehlvorstellungen in der Programmierausbildung: Eine Heuristik für die semi-automatische Annotation von Fehlerkandidatende
dc.typeText/Conference Paper
gi.conference.dateOctober 12-13, 2023
gi.conference.locationMunich, Germany
gi.conference.sessiontitleVollbeiträge

Dateien

Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
Name:
paper8.pdf
Größe:
255.83 KB
Format:
Adobe Portable Document Format