ప్రారంభ ప్రోగ్రామర్లు మరియు కోడ్ LLMలు ఒకరినొకరు ఎలా (అప)వ్యాఖ్యానిస్తాయి
Author
Venue
CHI 2024
Abstract
జెనరేటివ్ AI మోడల్స్, ముఖ్యంగా లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs), టెక్స్ట్-టు-కోడ్ జనరేషన్ అనే దీర్ఘకాలిక లక్ష్యం వైపు గణనీయమైన పురోగతి సాధించాయి. ఈ పురోగతి, వినియోగదారుల పరస్పర చర్యపై అనేక అధ్యయనాలకు దారితీసింది. అయితే, నిపుణులు కాని వారి కష్టాలు మరియు వ్యూహాల గురించి పెద్దగా తెలియదు, వారికి టెక్స్ట్-టు-కోడ్ సమస్యలోని ప్రతి దశ సవాళ్లను అందిస్తుంది: సహజ భాషలో వారి ఉద్దేశాన్ని వివరించడం, రూపొందించిన కోడ్ యొక్క సరైనతనాన్ని మూల్యాంకనం చేయడం, మరియు రూపొందించిన కోడ్ తప్పుగా ఉన్నప్పుడు ప్రాంప్ట్లను సవరించడం. ఈ పత్రం మూడు విద్యాసంస్థల నుండి 120 మంది ప్రారంభ కోడర్లు ప్రాంప్ట్లను వ్రాయడం మరియు సవరించడంపై ఎలా దృష్టి సారిస్తారో అనే దానిపై ఒక పెద్ద-స్థాయి నియంత్రిత అధ్యయనాన్ని అందిస్తుంది. ఒక నూతన ప్రయోగాత్మక రూపకల్పన, టెక్స్ట్-టు-కోడ్ ప్రక్రియలోని నిర్దిష్ట దశలను లక్ష్యంగా చేసుకోవడానికి మాకు వీలు కల్పిస్తుంది మరియు వారి నైపుణ్య స్థాయిలోని సమస్యల కోసం, మరియు సరైనతనం స్వయంచాలకంగా నిర్ధారించబడినప్పుడు కూడా, ప్రారంభకులు ప్రోంప్ట్లను వ్రాయడంలో మరియు సవరించడంలో ఇబ్బంది పడుతున్నారని ఇది వెల్లడిస్తుంది. మా మిశ్రమ-విధాన మూల్యాంకనం, విద్యార్థుల ప్రక్రియలు మరియు గ్రహణాలపై అంతర్దృష్టిని అందిస్తుంది, ఇది విద్యారంగంలో మరియు వెలుపల నిపుణులు కానివారు కోడ్ LLMను ఉపయోగించడంలో కీలకమైన పరిణామాలను కలిగి ఉంది.
