Lernsysteme für Programmierung mit Hilfe tiefer rekursiver neuronaler Netze

• Antragsteller: Dr. Benjamin Paaßen
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Allgemeines und fachbezogenes Lehren und Lernen
• Förderung: Förderung von 2019 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 424460920

Programmieren ist eine Schlüsselfertigkeit für naturwissenschaftliche, technologische, mathematische, und andere Tätigkeitsfelder. Allerdings ist es notorisch schwierig, Programmieren zu lernen, insbesondere im Hinblick auf praktische Übungen. Um Lernende in solchen praktischen Übungen zu unterstützen wäre es wünschenswert, individualisierte Hilfestellungen zu geben. Solch fein aufgelöste und individualisierte Hilfestellungen allerdings überfordern menschliche Lehrkräfte bei weitem, insbesondere in Massive Open Online Courses mit zehntausenden Teilnehmenden. Daher braucht es einen automatisierten Mechanismus um Lernende in praktischen Programmieraufgaben zu unterstützen.Wir schlagen vor, diese Herausforderung mit Hilfe einer neuen Architektur für künstliche neuronale Netze anzugehen, die einen fehlerhaften oder unvollständigen Programmentwurf erst als einen Vektor kodiert, dann vorhersagt wie dieser Vektor sich entwickeln sollte um einer richtigen Lösung auf eine Weise näher zu kommen, die fähigen Studierenden entspricht, und die diesen Vektor schließlich in ein neues Programm dekodiert. Aus dem Unterschied zwischen Entwurf und vorhergesagtem Programm können wir Hinweise ableiten, die Lernenden dabei helfen, die Programmieraufgabe zu lösen.Sowohl beim Kodieren wie Dekodieren beabsichtigen wir, domänenspezifisches Wissen in Form einer Grammatik für die jeweilige Programmiersprache zu berücksichtigen. Dadurch reduzieren wir den Raum möglicher Programme auf den Raum syntaktisch korrekter Programme, was nicht nur das Kodieren und Dekodieren vereinfacht, sondern auch den Nutzen unserer Hinweise für Studierende erhöht. Darüber hinaus hat unsere Enkoder-Dekoder-Architektur das Potenzial, Repräsentationslernen auf generellen Baumstrukturen durchzuführen, etwa RNA-Sekundärstrukturen in der Biologie, chemische Moleküle, oder Syntaxbäume für natürliche Sprache. Solche neuen Repräsentationen für Bäume würde es ermöglichen, Methoden des tiefen Lernens auf diesen neuen Datentypen anzuwenden.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: Australien
• Gastgeberinnen: Professorin Irena Koprinska, Ph.D.; Professorin Kalina Yacef, Ph.D.