Fischer, BjörnPanitz, Sven EricDörner, RalfGreubel, AndréStrickroth, SvenStriewe, Michael2023-10-162023-10-162023https://dl.gi.de/handle/20.500.12116/42559Die 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.deIntroductory ProgrammingIntelligent Tutoring SystemsAutomated FeedbackMisconceptionsBytecode InstrumentationCode CoverageMachine LearningWeak SupervisionText/Conference Paper10.18420/abp2023-8