CoderAgent: Simulation des Verhaltens von Studierenden für personalisiertes Programmierlernen mit großen Sprachmodellen

Personalisierte Programmiernachhilfe, wie z. B. Übungsempfehlungen, kann die Effizienz, Motivation und Ergebnisse der Lernenden verbessern, was in der modernen digitalen Bildung zunehmend wichtig ist. Der Mangel an ausreichenden und qualitativ hochwertigen Programmiersdaten sowie die Diskrepanz zwischen Offline-Bewertung und Lernen in der realen Welt erschweren jedoch den praktischen Einsatz solcher Systeme. Um diese Herausforderung zu bewältigen, versuchen viele Ansätze, Lerndaten zu simulieren, doch sie übersehen oft die fein abgestufte, iterative Natur des Programmierlernens, was zu mangelnder Interpretierbarkeit und Granularität führt. Um diese Lücke zu schließen, schlagen wir einen auf LLM basierenden Agenten, CoderAgent, vor, der die Programmierprozesse der Studierenden fein abgestuft simuliert, ohne auf reale Daten angewiesen zu sein. Konkret statten wir jeden menschlichen Lernenden mit einem intelligenten Agenten aus, dessen Kern darin besteht, die kognitiven Zustände des menschlichen Programmierlernprozesses zu erfassen. Inspiriert von ACT-R, einem kognitiven Architekturrahmenwerk, gestalten wir die Struktur von CoderAgent, um die menschliche kognitive Architektur abzubilden, wobei der Fokus auf dem Beherrschen von Programmierwissen und der Anwendung von Programmierfähigkeiten liegt. Unter Berücksichtigung der inhärenten Muster im mehrschichtigen kognitiven Denken führen wir den "Programming Tree of Thought" (PTOT) ein, der den Prozess in vier Schritte unterteilt: warum, wie, wo und was. Dieser Ansatz ermöglicht eine detaillierte Analyse iterativer Problemlösestrategien. Abschließend zeigen experimentelle Bewertungen auf realen Datensätzen, dass CoderAgent interpretierbare Einblicke in Lernverläufe liefert und präzise Simulationen ermöglicht, was den Weg für personalisierte Programmierbildung ebnet.