机构名称：
¥ 1.0
摘要 随着全球范围内和跨学科对编程技能的需求日益增加，许多学生使用通过编程在线评判 (POJ) 机制提供自动反馈的在线平台。POJ 是非常流行的电子学习工具，拥有大量的编程问题。尽管 POJ 有很多好处，但学生在解决与他们先前知识不相符的问题时往往会遇到困难。造成这种情况的一个重要原因是，问题陈述通常没有根据编程主题（范式、数据结构等）进行分类因此，学生在尝试解决不适合他们的水平和需求的练习时浪费了时间和精力。因此，为了支持学生，我们提出了一种新的“前重后轻”的管道方法来预测 POJ 问题的主题，使用 Transformers 的双向编码器表示 (BERT) 对问题陈述进行上下文文本增强，并进一步允许（更轻量的）经典机器学习进行分类。我们的模型优于所有当前最先进的模型，在一个具有七个类别的经典挑战性多分类问题中使用分层 10 倍交叉验证的 F1 分数约为 86%。作为概念验证，我们进行了一项实验，以展示我们的预测模型如何用作 POJ 的人机混合补充，学习者将使用基于人工智能的建议来找到最合适的问题。CCS 概念 • 应用计算 → 计算机辅助教学；注释；• 计算方法 → 自然语言生成；通过分类进行监督学习。
面向人机混合系统对编程问题进行分类
主要关键词
相关文件推荐
