Resumen: La tutoría de programación personalizada, como la recomendación del ejercicio, puede mejorar la eficiencia, la motivación y los resultados de los alumnos, que es cada vez más importante en la educación digital moderna. Sin embargo, la falta de datos de programación suficientes y de alta calidad, combinados con el desajuste entre la evaluación fuera de línea y el aprendizaje del mundo real, dificulta la implementación práctica de dichos sistemas. Para abordar este desafío, muchos enfoques intentan simular los datos de práctica del alumno, pero a menudo pasan por alto la naturaleza iterativa de grano fino del aprendizaje de la programación, lo que resulta en una falta de interpretabilidad y granularidad. Para llenar este vacío, proponemos un agente basado en LLM, Coderagent, para simular los procesos de programación de los estudiantes de manera fina sin depender de datos reales. Específicamente, equipamos a cada alumno humano con un agente inteligente, cuyo núcleo radica en capturar los estados cognitivos del proceso de práctica de programación humana. Inspirado en ACT-R, un marco de arquitectura cognitiva, diseñamos la estructura de Coderagent para alinearse con la arquitectura cognitiva humana centrándose en el dominio del conocimiento de la programación y la aplicación de la capacidad de codificación. Reconociendo los patrones inherentes en el razonamiento cognitivo de múltiples capas, presentamos el árbol de pensamiento de programación (PTOT), que descompone el proceso en cuatro pasos: por qué, cómo, dónde y qué. Este enfoque permite un análisis detallado de las estrategias iterativas de resolución de problemas. Finalmente, las evaluaciones experimentales en conjuntos de datos del mundo real demuestran que Coderagent proporciona información interpretable sobre las trayectorias de aprendizaje y logra simulaciones precisas, allanando el camino para la educación de programación personalizada.
Publicado Originalme en rss.arxiv.org El 27 de mayo de 2025.
Ver Fuente Original
