arrow_back Volver a Publicaciones

ACM Technical Symposium on Computer Science Education (SIGCSE 2024) Año: 2024 DOI: 10.1145/3626252.3630911 arXiv: 2402.05199

Pedagogical Socratic Feedback Generation in Computer Science Education using Fine-Tuned CodeLLMs

Joan Gregorio Pérez * iD

(Department of Computer Science & AI Research)

Prof. Carlos Mendoza iD

(Universidad Central, Human-Computer Interaction Lab)

download Descargar PDF (Preprint)

Abstract

Automated grading tools frequently reveal solution code prematurely, robbing students of critical problem-solving epiphanies. We present Socrates-Code, a fine-tuned 14B model that generates tiered heuristic questions instead of answers. Longitudinal evaluations across 3 semesters of Algorithms courses demonstrated a 28% increase in retention and debugging proficiency.

## Abstract

Socratic dialogue generation for programming tutors...

verified Estructura APP · Resumen Ejecutivo

Síntesis Ejecutiva de la Investigación

Consenso (Agree)

Los modelos tradicionales de atención a menudo sufren cuellos de botella en la inferencia multimodal y en el procesamiento temporal de señales biomédicas.

Compromiso (Promise)

Demostramos una arquitectura de transformers adaptativos que reduce la latencia en un 38% manteniendo la precisión semántica.

Metodología (Preview)

A continuación se detallan la formulación matemática, los benchmarks empíricos y el pipeline de entrenamiento reproducible.

¿Cómo se traduce esta arquitectura en la práctica?

science

Hallazgo Clave & Repercusión Metodológica

La combinación de atención dispersa dinámica y cuantización selectiva permite la ejecución local de modelos biomédicos de alta dimensión en hardware de consumo sin degradación perceptible del área bajo la curva (AUC-ROC).

quiz

Preguntas Frecuentes & Clarificaciones Metodológicas

Indexado con Schema.org FAQPage para citación algorítmica

El pipeline está optimizado para funcionar en GPUs de consumo único con al menos 16GB VRAM (como RTX 4080/4090) o clusters heterogéneos mediante aceleración TensorRT-LLM.

Sí, el repositorio contiene los Jupyter Notebooks reproducibles y los checkpoints cuantitativos con licencia abierta MIT/CC-BY-4.0.

Puedes usar el botón Citar (BibTeX) en el encabezado o referenciar el DOI oficial indicado en la publicación.

download_for_offline Material de Investigación Formato: Jupyter (.ipynb) + PDF

Kit de Reproducibilidad: Checkpoints & Notebooks de Entrenamiento

Descarga el notebook interactivo paso a paso y los hiperparámetros exactos utilizados en este paper para evaluar el modelo en tu propio entorno.