학습자 맞춤형 프로그램 수정: 반복적 편집 주도 검색 강화를 통한 솔루션 생성기

Learner-Tailored Program Repair: A Solution Generator with Iterative Edit-Driven Retrieval Enhancement

프로그래밍 분야에서 대규모 언어 모델(LLM)의 발전과 함께 지능형 프로그래밍 코칭 시스템이 널리 주목받고 있다. 그러나 대부분의 연구는 버그의 근본 원인을 제공하지 않은 채 프로그래밍 학습자의 오류 코드를 수정하는 데에만 초점을 맞추고 있다. 이러한 한계를 해결하기 위해 본 논문에서는 LRP(학습자 맞춤형 프로그램 수정)라는 새로운 과제를 소개한다. 이어 오류 코드에 대한 버그 설명을 제공함과 동시에 프로그램 수정을 강화하기 위해 새롭고 효과적인 프레임워크인 LSGEN(학습자 맞춤형 솔루션 생성기)을 제안한다. 첫 번째 단계에서는 수정 솔루션 검색 프레임워크를 활용하여 솔루션 검색 데이터베이스를 구축한 다음, 편집 주도 코드 검색 접근 방식을 사용하여 유용한 솔루션을 검색함으로써 LLM이 오류 코드의 버그를 식별하고 수정하도록 유도한다. 두 번째 단계에서는 검색된 솔루션의 안내에 따라 코드를 수정하고 설명을 제공하는 솔루션 유도 프로그램 수정 방법을 제안한다. 나아가, 생성된 코드의 평가 결과를 활용하여 검색 방향을 반복적으로 최적화하고 더 적합한 수정 전략을 탐색하는 반복적 검색 강화 방법을 제안하여 실제 프로그래밍 코칭 시나리오에서의 성능을 향상시킨다. 실험 결과, 제안하는 접근 방식이 여러 베이스라인보다 월등히 우수한 성능을 보여주었으며, 이를 통해 새로 제안된 LPR 과제에 대한 본 프레임워크의 유효성을 입증하였다.

With the development of large language models (LLMs) in the field of programming, intelligent programming coaching systems have gained widespread attention. However, most research focuses on repairing the buggy code of programming learners without providing the underlying causes of the bugs. To address this gap, we introduce a novel task, namely LRP (Learner-Tailored Program Repair). We then propose a novel and effective framework, LSGEN (Learner-Tailored Solution Generator), to enhance program repair while offering the bug descriptions for the buggy code. In the first stage, we utilize a repair solution retrieval framework to construct a solution retrieval database and then employ an edit-driven code retrieval approach to retrieve valuable solutions, guiding LLMs in identifying and fixing the bugs in buggy code. In the second stage, we propose a solution-guided program repair method, which fixes the code and provides explanations under the guidance of retrieval solutions. Moreover, we propose an Iterative Retrieval Enhancement method that utilizes evaluation results of the generated code to iteratively optimize the retrieval direction and explore more suitable repair strategies, improving performance in practical programming coaching scenarios. The experimental results show that our approach outperforms a set of baselines by a large margin, validating the effectiveness of our framework for the newly proposed LPR task.