학생 코드 제출물을 활용한 패턴 기반 지식 구성 요소 기반 맞춤형 예제 생성

Personalized Worked Example Generation from Student Code Submissions using Pattern-based Knowledge Components

적응형 프로그래밍 학습은 종종 미리 정의된 예제 및 연습 문제 라이브러리에 의존하며, 이는 상당한 제작 노력을 필요로 하고 학생이 코드를 작성하는 동안 발생하는 논리적 오류 및 부분적인 해결책과 잘 맞지 않을 수 있습니다. 그 결과, 학생들은 자신이 이해하려는 개념에 직접적으로 관련되지 않는 학습 콘텐츠를 받게 될 수 있으며, 강사는 추가적인 노력을 투자하여 콘텐츠 라이브러리를 확장하거나, 일반적인 수준의 맞춤화에 만족해야 합니다. 본 연구에서는 학생 코드에서 추출된 패턴 기반 지식 구성 요소(KC)를 활용하여 교육 콘텐츠를 생성하는 방법을 제시합니다. 문제 설명과 학생 제출물을 기반으로, 파이프라인은 AST(Abstract Syntax Tree) 기반 분석을 통해 학생 코드에서 반복되는 구조적 KC 패턴을 추출하고, 이를 생성 모델의 조건으로 사용합니다. 본 연구에서는 이 방법을 사용하여 예제를 생성하고, 전문가 평가를 통해 기본 모델과 KC 기반 모델의 결과를 비교합니다. 결과는 KC 기반 생성이 학습자의 근본적인 논리적 오류에 대한 주제 집중성과 관련성을 향상시킨다는 것을 보여주며, 이는 KC 기반 접근 방식이 대규모 맞춤형 학습을 지원할 수 있다는 증거를 제공합니다.

Adaptive programming practice often relies on fixed libraries of worked examples and practice problems, which require substantial authoring effort and may not correspond well to the logical errors and partial solutions students produce while writing code. As a result, students may receive learning content that does not directly address the concepts they are working to understand, while instructors must either invest additional effort in expanding content libraries or accept a coarse level of personalization. We present an approach for knowledge-component (KC) guided educational content generation using pattern-based KCs extracted from student code. Given a problem statement and student submissions, our pipeline extracts recurring structural KC patterns from students' code through AST-based analysis and uses them to condition a generative model. In this study, we apply this approach to worked example generation, and compare baseline and KC-conditioned outputs through expert evaluation. Results suggest that KC-conditioned generation improves topical focus and relevance to learners' underlying logical errors, providing evidence that KC-based steering of generative models can support personalized learning at scale.