Neural Task Synthesis for Visual Programming

要約

生成ニューラル モデルは、学生向けに新しいコンテンツを合成することにより、プログラミング教育を強化する上で大きな可能性を秘めています。
私たちは、ビジュアル プログラミング ドメインのコンテキストで、指定された仕様のプログラミング タスクを自動的に生成できるニューラル モデルを設計することを目指しています。
GPT-4 のような大規模な生成モデルの最近の成功にもかかわらず、私たちの最初の結果は、これらのモデルがビジュアル プログラミング タスクの合成には効果がなく、論理的および空間的推論に苦戦していることを示しています。
我々は、ソリューションコードと視覚的タスクの制約によって実行される望ましいプログラミング概念の形で与えられた仕様に対するプログラミングタスクを合成できる、新しいニューロシンボリック技術NeurTaskSynを提案します。
NeurTaskSyn には 2 つのコンポーネントがあります。最初のコンポーネントは模倣学習手順を通じてトレーニングされ、可能な解決コードを生成します。2 番目のコンポーネントは、強化学習手順を通じてトレーニングされ、これらのコードの視覚的なタスクを生成する基礎となるシンボリック実行エンジンをガイドします。
私たちは、Code-dot-org による Hour of Code: Classic Maze チャレンジと CodeHS-dot-com によるカレルによるプログラミング入門コースから取得した参照タスクに関する広範な実証的評価と定性的研究を通じて、NeurTaskSyn の有効性を実証します。

要約(オリジナル)

Generative neural models hold great promise in enhancing programming education by synthesizing new content for students. We seek to design neural models that can automatically generate programming tasks for a given specification in the context of visual programming domains. Despite the recent successes of large generative models like GPT-4, our initial results show that these models are ineffective in synthesizing visual programming tasks and struggle with logical and spatial reasoning. We propose a novel neuro-symbolic technique, NeurTaskSyn, that can synthesize programming tasks for a specification given in the form of desired programming concepts exercised by its solution code and constraints on the visual task. NeurTaskSyn has two components: the first component is trained via imitation learning procedure to generate possible solution codes, and the second component is trained via reinforcement learning procedure to guide an underlying symbolic execution engine that generates visual tasks for these codes. We demonstrate the effectiveness of NeurTaskSyn through an extensive empirical evaluation and a qualitative study on reference tasks taken from the Hour of Code: Classic Maze challenge by Code-dot-org and the Intro to Programming with Karel course by CodeHS-dot-com.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google