CoderAgent：基于大语言模型的编程学习行为仿真
人工智能
2025-05-28 v1
摘要
个人化编程辅导（如练习推荐）可提升学习者的学习效率、动机和学习成果，因而在现代数字教育中日益重要。然而，现有方法因缺乏充足且高质量的编程数据，以及离线评估与实际学习之间的偏差，限制了此类系统的实际部署。为此，许多方法尝试仿真学习者练习数据，但常常忽视编程学习中细粒度、迭代的特性，导致可解释性和细节化不足。为填补这一空白，我们提出了CoderAgent——一种基于LLM的智能体，用于在细粒度层面仿真学生的编程过程，而无需依赖真实数据。具体而言，我们为每个学习者配备一个智能体，其核心在于捕捉人类编程实践过程的认知状态。灵感来自认知架构框架ACT-R，我们设计CoderAgent的结构以与人类认知架构一致，侧重于编程知识的掌握和编码能力的应用。认识到多层次认知推理中固有的模式，我们引入编程思维树（PTOT），将过程分解为四个步骤：为何、如何、何处、何时。该方法 enables 对迭代问题解决策略进行详细分析。最终，在真实世界数据集上的实验表明，CoderAgent提供了可解释的学习轨迹，实现了精准的仿真，为个人化编程教育铺平了道路。
引用
@article{arxiv.2505.20642,
title = {CoderAgent: Simulating Student Behavior for Personalized Programming Learning with Large Language Models},
author = {Yi Zhan and Qi Liu and Weibo Gao and Zheng Zhang and Tianfu Wang and Shuanghong Shen and Junyu Lu and Zhenya Huang},
journal= {arXiv preprint arXiv:2505.20642},
year = {2025}
}
备注
Accepted by IJCAI2025