On the Nature of Programming Exercises
科学研究中引用了无数的理由来解释编程学习的困难。究其原因，既有学科本身的复杂性，也有教学方法和学习方法的不足，还有心理因素的影响。尽管如此，学习编程往往归结为练习解决问题。因此，至关重要的是要理解，编程练习的性质是成功和持续学习的重要因素。本文探讨了创建编程练习的不同方法，从实现它目前是如何形式化，呈现和评估开始。从那里，作者建议的变化，寻求扩大解决问题的方式，并与这种多样性，提高学生的参与度和学习成果。提出的几种类型的练习可以使用游戏化技术来培养学生的动机。为了将学生与他的同龄人联系起来，我们完成了可以通过现有的自动评估工具获得的指标。
2020-06-25 cs.CY cs.PL
NR4DER: Neural Re-ranking for Diversified Exercise Recommendation
Jinan University（济南大学）；South China Normal University（华南师范大学）；University of Macau（澳门大学）
针对在线学习中习题推荐准确性与多样性不足、难以适应不活跃学生和个性化节奏的问题，提出 NR4DER，通过 mLSTM 过滤、序列增强与神经重排序生成多样化习题推荐。
2025-06-01 cs.AI cs.CY cs.IR
Evaluating Contextually Personalized Programming Exercises Created with Generative AI
Aalto University（阿尔托大学）；Abilene Christian University（阿比林基督教大学）；University of Jyväskylä（于韦斯屈莱大学）
本研究评估了GPT-4生成的上下文个性化编程练习，发现其质量高且能提升学生参与度，可作为入门编程课程的有价值补充。
2024-06-11 cs.AI cs.CY cs.HC
Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments
University of Pennsylvania（宾夕法尼亚大学）；Masaryk University（马萨里克大学）；Georgia Institute of Technology（佐治亚理工学院）；The Evergreen State College（常青州立学院）；Lewis & Clark College（刘易斯与克拉克学院）；Northern Kentucky University（北肯塔基大学）
本文通过分析来自两个不同学习环境的313名学生的网络安全练习日志数据，训练并交叉验证了八种分类器来预测学生的练习表现，发现决策树分类器表现最佳，证明了利用活动数据检测困难学生以提供针对性帮助的可行性。
2025-03-02 cs.AI cs.CR cs.CY
Students Struggle to Explain Their Own Program Code
我们要求学生在提交小程序进行编程练习后解释其结构和执行。这些关于学习者代码（QLC）的问题在三个场合在介绍编程的在线和开放课程中作为数字学习材料的一部分提供。我们对收集到的开放式文本答案进行归纳内容分析。三分之一的学生努力解释自己的程序代码。这估计可能发生的脆弱的学习的时刻，当一个学生似乎成功地在一个程序编写练习。此外，我们还研究了答案的正确性与其他学习数据之间的相关性。我们的研究结果表明，正确回答正确对齐QLC与学生的成功和保留比仅仅提交一个正确的程序有更强的相关性。此外，我们提出的意见，学习事件驱动的编程，以探讨QLC的潜力，在识别学生的思维过程。
2021-04-14 cs.CY
KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing
University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of South Alabama（南方大学）；University of Michigan（密歇根大学）；MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）；Harvard University（哈佛大学）
提出KT4EQG框架，利用知识追踪模型选择最合适的概念，并训练基于LLM的题目生成器，以生成个性化习题，实验证明其有效性。
2026-05-27 cs.AI cs.CY
RIMES: Embedding Interactive Multimedia Exercises in Lecture Videos
传统课堂上的教师经常要求学习者通过大声说话、在白板上画画甚至使用实物来表达自己并展示他们的思维过程。尽管这些活动具有教学价值，但大多数在线学习平台提供的互动练习仅限于多项选择和简答题。我们介绍RIMES，一个系统，可以轻松地创作，录制和审查嵌入在课堂视频中的交互式多媒体练习。有了RIMES，教师可以提示学习者在观看讲座视频时使用视频，音频和墨水记录他们对活动的反应。然后，教师可以在一个汇总的图库中查看所有学习者的回答并与之互动。我们评估了19名教师和25名学生的RIMES。教师在多个科目中创建了一套多样化的活动，测试了深层的概念和程序知识。教师发现这些练习有助于捕捉学生的思维过程，识别误解，并让学生参与内容。
2015-07-06 cs.CY cs.HC
DBE-KT22: A Knowledge Tracing Dataset Based on Online Student Evaluation
Australian National University（澳大利亚国立大学）；University of New South Wales（新南威尔士大学）
在过去十年中，在线教育在为世界各地的学生提供负担得起的高质量教育方面变得越来越重要。在全球大流行期间，随着更多学生转向在线学习，这种情况进一步放大。大多数在线教育任务，例如，课程推荐、练习推荐或自动评估都依赖于跟踪学生的知识进度。这在文献中被称为\emph{Knowledge Tracing}问题。解决这个问题需要收集学生的评估数据，可以反映他们的知识随着时间的推移演变。在本文中，我们提出了一个新的知识跟踪数据集命名为数据库练习知识跟踪（DBE-KT 22），是从一个在线的学生练习系统在澳大利亚国立大学在澳大利亚讲授的课程。我们讨论了DBE-KT 22数据集的特点，并将其与知识追踪文献中现有的数据集进行了对比。我们的数据集可通过澳大利亚数据档案平台供公众访问。
2023-01-28 cs.AI cs.CY
A Learned Simulation Environment to Model Student Engagement and Retention in Automated Online Courses
Zurich University of Applied Sciences（苏黎世应用科学大学）；Kikodo Education Technology Sàrl（基科多教育技术有限公司）
我们开发了一个模拟器来量化练习顺序对学生参与度和保留率的影响。我们的方法结合了神经网络表示用户和练习使用动态矩阵分解方法的建设。我们进一步创建了成功和辍学预测的机器学习模型。因此，我们的系统能够根据选定的给定练习序列预测学生的参与度和保留率。这为开发多功能强化学习代理打开了大门，这些代理可以取代私人辅导在考试准备中的作用。
2022-12-22 cs.AI cs.CY cs.LG
From Paper to Platform: Evolution of a Novel Learning Environment for Tabletop Exercises
针对高校计算机教育中桌面推演未普及、传统纸笔模式难评估的问题，本文提出网络化学习环境IXP，通过三年教学实践验证其可自动分析交互数据、助力团队表现评估，为教学创新提供参考。
2024-04-17 cs.CR cs.CY
DisenGCD: A Meta Multigraph-assisted Disentangled Graph Learning Framework for Cognitive Diagnosis
Anhui University（安徽大学）；Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education（教育部智能计算与信号处理重点实验室）；Anhui Province Key Laboratory of Intelligent Computing and Applications（安徽省智能计算与应用重点实验室）；Department of Information Materials and Intelligent Sensing Laboratory of Anhui Province（安徽省信息材料与智能感知实验室）
本文提出DisenGCD框架，通过在三个解耦图上分别学习学生、习题和概念表示，并利用元多重图模块融合低阶习题表示，以提升认知诊断的性能和抗噪鲁棒性。
2024-10-23 cs.CY cs.LG
Enhancing Cognitive Diagnosis using Un-interacted Exercises: A Collaboration-aware Mixed Sampling Approach
Anhui University（安徽大学）；BOSS Zhipin（BOSS直聘）
针对现有认知诊断模型未充分利用未交互习题信息、综合数据集上性能不佳的问题，提出协作感知混合习题采样框架，通过通用采样模块和基于排序的伪反馈模块挖掘未交互习题信息，提升现有模型性能与适配性，并经真实数据集实验验证有效。
2023-12-15 cs.CY cs.LG
Evaluating the Impact of ChatGPT on Exercises of a Software Security Course
本文通过将含漏洞代码输入 ChatGPT，评估其在软件安全课程练习中的表现，发现 GPT-4 能识别 28 个漏洞中的 20 个，并为 10 个待修复漏洞中的 9 个提供有效建议，表明其对安全教学具有显著影响。
2023-09-18 cs.CY
Data-Driven Feedback Generation for Introductory Programming Exercises
本文介绍了“搜索，对齐和修复”数据驱动的程序修复框架，以自动生成反馈的入门编程练习。与现有技术不同，我们的目标是为大型或MOOC规模的入门编程课程开发一种高效，全自动和问题不可知的技术。我们利用大量可用的学生提交在这样的设置和开发新的算法来识别类似的程序，对齐正确和不正确的程序，并通过找到最小的修复修复不正确的程序。我们已经在SARFGEN系统中实现了我们的技术，并对来自Microsoft-DEV 204.1X edX课程和Microsoft CodeHunt平台的数千名真实学生的尝试进行了评估。我们的研究结果表明，SARFGEN可以在平均两秒内为89.7%的错误学生提交生成简洁，有用的反馈。它已与Microsoft-DEV 204. 1XedX类集成并部署用于生产。
2017-11-20 cs.CY cs.PL cs.SE
BamaER: A Behavior-Aware Memory-Augmented Model for Exercise Recommendation
Guilin University of Electronic Technology（桂林电子科技大学）；Jinan University（吉林大学）；Beijing University（北京大学）；Xiamen university（厦门大学）；Nanjing University of Science and Technology（南京理工大学）
BamaER通过行为感知的记忆增强模型，提升运动推荐的个性化和准确性。
2026-02-03 cs.CY cs.LG
Mining patterns in syntax trees to automate code reviews of student solutions for programming exercises
本文提出机器学习方法ECHO，通过挖掘抽象语法树模式自动复用教育代码审查反馈，实验证明其能准确快速预测反馈注释，显著减少手动反馈工作量。
2024-04-26 cs.CY cs.LG cs.SE
Technology-Enhanced Tabletop Exercises for Cybersecurity Education: Lessons Learned
Faculty of Informatics Masaryk University（马萨里克大学信息学院）
该研究将技术增强型桌面演练（TTXs）融入网络安全教育，借助INJECT演练平台（IXP）开展25次演练，总结24条经验，证实数字TTXs是可扩展的团队协作问题解决教学模型。
2026-07-31 cs.CR cs.CY
Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems
Shanghai Institute of AI for Education and School of Computer Science and Technology（上海人工智能教育研究院与计算机科学与技术学院）；East China Normal University（华东师范大学）
针对智能教育中认知诊断难以兼顾泛化与可解释性的问题，提出SCD框架，用符号树表示交互函数，并以遗传规划与Adam交替混合优化，实验验证其双重优势。
2023-12-30 cs.AI cs.CY cs.LG
Using Automated Theorem Provers to Teach Knowledge Representation in First-Order Logic
学习人工智能的本科生常常难以将知识表示为逻辑句子。这是一种似乎需要大量实践才能获得的技能，这表明教学策略涉及分配大量练习，这些练习涉及一些知识的表达，使用自然语言（如英语）进行交流，作为某种逻辑中的句子。掌握这种技能所需的练习数量太多，以至于典型的人工智能课程教学团队无法对学生的努力提供及时的反馈。因此，需要一个自动化的评估系统，这样的练习，以确保学生得到足够的实践量，与反馈的快速传递，让学生在他们的理解和纠正错误。本文介绍了一个自动评分系统的知识表示练习使用一阶逻辑。归结定理证明器\textit{Prover9}用于检查学生提交的公式是否与教师提供的解决方案在逻辑上等价。这个系统已经被注册在本科人工智能班的学生使用了几年。使用这一教学工具导致了统计上的显着改善一阶逻辑知识表示问题出现在课程期末考试。本文解释了这个系统是如何工作的，提供了学生学习成果的变化分析，并探讨了这个系统的潜在增强功能，包括通过用基于表格的方法取代解决定理证明器来提供丰富的形成性反馈的可能性。
2015-07-14 cs.CY cs.LO
Disentangling Heterogeneous Knowledge Concept Embedding for Cognitive Diagnosis on Untested Knowledge
本文提出DisKCD框架，通过将知识概念解耦为已测与未测，并构建异构关系图网络进行分层消息传递，以提升对未测知识概念的学生掌握程度诊断性能。
2024-10-18 cs.AI cs.CY cs.LG
DGEKT: A Dual Graph Ensemble Learning Method for Knowledge Tracing
Shandong University of Finance and Economics（山东财经大学）；Shandong Jianzhu University（山东建筑大学）；Shandong University（山东大学）；Hong Kong Polytechnic University（香港理工大学）；Education University of Hong Kong（香港教育大学）
知识追踪旨在通过预测学生未来在概念相关练习中的表现来追踪学生不断发展的知识状态。最近，一些基于图的模型已经被开发出来，将练习之间的关系，以提高知识追踪，但只有一种类型的关系信息，一般是探索。本文提出了一种新的用于知识追踪的对偶图包围学习方法（DGEKT），该方法建立了学生学习交互的对偶图结构，分别通过超图建模和有向图建模来捕捉异构的练习-概念关联和交互转换。为了集成双图模型，我们引入了在线知识蒸馏技术，这是由于这样一个事实，即虽然知识追踪模型预计将预测学生对与不同概念相关的练习的反应，但它仅在每个步骤的单个练习的预测精度方面进行了优化。通过在线知识蒸馏，自适应地组合双图模型以形成更强的教师模型，该教师模型反过来提供其对所有练习的预测，作为额外的监督以获得更好的建模能力。在实验中，我们将DGEKT与三个基准数据集上的八个知识跟踪基线进行了比较，结果表明DGEKT达到了最先进的性能。
2022-11-23 cs.AI cs.CY
Internet-Mediated Digital Informal Learning Portfolios in STEM Higher Education: A Computational Grounded Theory Study of Online Peer Advice Communities
Faculty Of Education, Beijing Normal University（北京师范大学教育学院）
研究探讨STEM学生如何通过互联网媒介的同伴建议和平台使用构建数字非正式学习档案，发现三大档案类型及在线社区作为分布式非正式课程的作用。
2026-04-04 cs.CY
Beyond the Hype: A Cautionary Tale of ChatGPT in the Programming Classroom
本文以CAS理论为指导，通过对比ChatGPT 3.5生成的编程答案与高校参考答案，分析其在编程练习中的表现，为编程教学者设计练习、规范ChatGPT使用、保障学生编程技能培养提供参考。
2024-06-16 cs.CY
Investigating the role of educational robotics in formal mathematics education: the case of geometry for 15-year-old students
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
研究表明，教育机器人（ER）可以提高学生的表现，兴趣，参与和协作。然而，到目前为止，机器人技术在正规教育中的应用仍然相对较少。除其他原因外，这是由于难以确定教育机器人学习活动与课程所设想的学习成果的一致性，以及它们与教师实践中已确立的传统非机器人学习活动的整合。这项工作调查ER到正规的数学教育的整合，通过准实验研究，采用Thymio机器人和Scratch编程教几何两个班的15岁的学生，共26名参与者。本研究提出了三个问题：（1）基于ER的理论讲座应该先于、继承还是取代传统的理论讲座？(2)学生对以英语为基础的讲座和练习的看法和参与度如何？(3)研究结果是否因学生先前对数学的欣赏而有所不同？实验结果表明，ER活动在帮助学生掌握相关理论概念方面与传统活动一样有效。机器人活动似乎特别有益的锻炼会议期间：学生自由选择做练习，包括机器人，评价他们作为显着更有趣和有用的比他们的传统同行，并表示有兴趣在其他数学讲座介绍ER。最后，喜欢和不喜欢数学的学生之间的结果基本一致，这表明使用机器人技术作为一种手段，以扩大学生的数量从事学科。
2021-06-21 cs.CY cs.RO
Online search is more likely to lead students to validate true news than to refute false ones
本研究通过183名学生的实验发现，在线搜索更易促使学生验证真实新闻而非驳斥虚假新闻，并揭示了年轻人在信息真实性判断中的优势与不足，为青少年数字信息素养教育提供依据。
2024-05-07 cs.CY
An Internet-based Audience Response System for the Improvement of Teaching
我们开发了一个基于互联网的观众响应系统（称为ARSBO）。通过这种方式，我们结合了使用手持设备的普通观众响应系统的优势和轻松廉价地访问互联网的优势。在文献中的观众反应系统的评估表明，他们的成功：鼓励学生的参与，以及立即反馈的答案，以整个小组的教师的评价目的。然而，商业系统相对昂贵，而且这种教学方案中的学生人数有限。ARSBO解决了这些问题。使用互联网（例如在计算机房或通过无线互联网接入）没有特殊费用，参与学生的数量不受限制。ARSBO对于学生来说非常容易使用，对于构建新问题以及可能的答案以及问题的统计结果的可视化来说也是如此。
2009-01-09 cs.CY cs.NI
Question Type, Cognitive Load, and CEFR Alignment: Evaluating LLM-Generated EFL Grammar Drill Exercises
Kyoto University（京都大学）；Ritsumeikan University（立命馆大学）
本研究通过分析日本初中生在语法练习应用中的日志数据，评估了LLM生成的EFL学习内容的教学可行性，揭示了不同问题模态对表现的影响，并验证了CEFR-J语法框架的难度层级。
2026-07-14 cs.CL cs.CY
Neural Cognitive Diagnosis for Intelligent Education Systems
Anhui Province Key Lab. of Big Data Analysis and Application（安徽省大数据分析与应用重点实验室）；School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）；iFLYTEK Research（科大讯飞研究院）
认知诊断是智能教育中的一个基本问题，旨在发现学生对特定知识概念的熟练程度。现有的方法通常通过手工设计函数（例如，逻辑函数），这不足以捕捉学生和练习之间的复杂关系。在本文中，我们提出了一个通用的神经认知诊断（NeuralCD）框架，它结合了神经网络学习复杂的运动相互作用，以获得准确和可解释的诊断结果。具体来说，我们将学生和练习投射到因子向量，并利用多个神经层对其相互作用进行建模，其中应用单调性假设来确保两个因子的可解释性。此外，我们通过专门化每个练习所需的概念，提出了NeuralCD的两个实现，即，使用传统Q矩阵的NeuralCDM和改进的NeuralCDM+探索富文本内容。在真实世界数据集上的大量实验结果表明，NeuralCD框架具有准确性和可解释性。
2020-03-03 cs.CY cs.LG stat.ML
Probing the Unknown: Exploring Student Interactions with Probeable Problems at Scale in Introductory Programming
针对入门编程练习限制学生澄清模糊需求能力且易受LLM影响的问题，本研究探索“可探测问题”（需先提交探测澄清模糊规范的自动评分任务），通过分析4万余次探测发现其可提升任务成功率、关联课程表现，还能培养关键技能。
2025-04-16 cs.CY cs.HC
Ken Utilization Layer: Hebbian Replay Within a Student's Ken for Adaptive Exercise Recommendation
Harvard Medical School（哈佛医学院）；Department of Biomedical Informatics（生物医学信息学系）；Curriculum Fellows Program（课程 fellows 计划）；Kempner Institute（Kempner 机构）；Broad Institute（Broad 机构）
针对自适应习题推荐需匹配学习者最近发展区的需求，提出受生物启发的KUL-Rec系统，结合赫布记忆与回放巩固机制，在公开数据集与真实课程场景中均取得更优的推荐效果与部署效率。
2025-11-17 cs.AI cs.CY cs.LG
Engaging, Large-Scale Functional Programming Education in Physical and Virtual Space
在世界范围内，计算机科学系的入学人数急剧增加。此外，持续的COVID-19疫情要求机构从根本上取代传统的现场教学方式，将互动从物理空间转移到虚拟空间。我们报告我们的策略和经验，解决这些问题的一部分，基于Haskell的功能编程和验证课程，容纳超过2000名学生在两个学期的课程。除此之外，我们还通过每周的编程比赛和创造性的家庭作业项目、与行业合作伙伴的研讨会以及协作的成对编程教程来促进参与。为了向数百名学生提供如此广泛的课程，我们自动化了编程反馈以及归纳证明练习。我们解释并分享我们的工具和练习，以便其他教育工作者可以重复使用。
2022-07-26 cs.CY cs.PL
Smart Education: Higher Education Instruction and the Internet of Things (IoT)
物联网（IoT）在我们的日常生活中有许多应用。特别是物联网如何对教育和学习产生重大影响;随着我们进入“智能教育”时代。本文探讨了物联网如何继续改变教育格局，从课堂和评估到文化和态度。智能教育是应对未来教育挑战的关键工具。物联网工具在教育领域的使用越来越频繁，旨在提高学生的参与度，满意度和学习质量。物联网将重塑学生的文化和习惯。由于智能教育不仅仅是使用技术，它涉及一系列因素，从教育管理到教学技术和有效性。21世纪的教育工作者现在可以使用游戏化、智能设备、数据管理和沉浸式技术。使学者能够从学生那里收集各种信息。从监控学生参与到调整学习策略以提高学习效率。通过智能教育，教育工作者将能够更好地监测个别学生的需求，并相应地调整他们的学习负荷（即，最佳的学习环境/工作量，以支持和防止学生失败）。教育工作者面临的最大挑战之一是新技术将如何解决日益增长的问题（参与和成就）。变化的规模和速度（技术物联网时代）是前所未有的。通常，学生今天接受培训的工作明天就不会出现。教育不仅仅是知识获取，还包括数字技能、适应性和创造力（如果学生要在新世界中茁壮成长，这些都是必不可少的）。
2022-07-06 cs.CY cs.HC
Instructors as Innovators: A future-focused approach to new AI learning opportunities, with prompts
Wharton School of the University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
本文提出由教师利用生成式 AI、可自定义提示词和提示词蓝图设计模拟、指导与共创等个性化练习，推动教师成为教育技术创新者。
2024-04-23 cs.AI cs.CY
Prompt Transfer for Dual-Aspect Cross Domain Cognitive Diagnosis
School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院）；Key Laboratory of Knowledge Engineering with Big Data (the Ministry of Education of China)（大数据知识工程教育部重点实验室）；School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）；School of Big Data And Artificial Intelligence, Hefei University（合肥学院大数据与人工智能学院）
针对跨领域认知诊断中学生与习题双方面变化导致的适配难题，提出基于软提示迁移的 PromptCD 框架及两个变体，在多场景真实数据上实现稳定优越性能。
2024-12-06 cs.CY cs.LG
An empirical analysis of the relationship between web usage and academic performance in undergraduate students
互联网的使用，特别是网络浏览，为教育机构提供了许多潜在的优势，因为学生可以获得以前无法获得的广泛信息。然而，由于浪费时间和反社会行为等因素，存在潜在的负面影响。本研究以2153名大学生为被试，对大学生的学习成绩和网络使用模式进行了实证调查。来自大学代理日志的数据使我们能够检查使用模式，并将这些数据与学生的学习成绩进行比较。结果表明，在大量的网络浏览和较差的学术成绩（较低的平均分数，较高的失败率）之间有一个小但显著的（统计学和教育学上）关联。此外，在优秀学生中，互联网用户相对较少的学生比例明显高于偶然预期。
2011-10-28 cs.CY cs.SI
GenAI Integration into Engineering Education: A Case Study of an Introductory Undergraduate Engineering Course
本文探讨了生成人工智能在工程教育中的初步应用，通过案例研究分析了教师和助教在整合生成人工智能后学生形成性练习表现的变化，发现技术整合虽提升了效率，但尚未深入改变教学方法。
2026-02-26 cs.AI cs.CY cs.SE
An Outline for a Jupyter-Materials-Based Repository Website Focused on the Computational Sciences
本文提出一个基于Jupyter Notebooks的低成本仓库网站，用于传播计算科学开源教材，支持离线使用，并探讨整合Raspberry Pi以扩大覆盖，旨在解决互联网和电脑访问不平等问题。
2024-08-16 cs.CY cs.DL
Towards Goal-oriented Intelligent Tutoring Systems in Online Education
Singapore Management University（新加坡国立管理学院）；National University of Singapore（国立新加坡大学）；University of Science and Technology of China（中国科学技术大学）
本文提出目标导向型智能导学系统（GITS）任务，并设计基于图的强化学习框架PAI，结合认知结构与动态诊断模型进行练习和评估规划，在三个学科基准数据集上验证了其有效性与效率。
2025-08-22 cs.AI cs.CY cs.IR
Unlimited Practice Opportunities: Automated Generation of Comprehensive, Personalized Programming Tasks
本文提出并评估了Tutor Kai系统的新功能，通过自动生成包含问题描述、代码骨架、单元测试和模型解决方案的个性化编程任务，结合专家评级与学生研究，验证了其任务质量及对学生学习的积极影响。
2025-03-12 cs.CY cs.HC cs.SE
