北航新闻网6月6日电（通讯员 刘泽京）5月29日，软件学院程序设计与算法研究小组在Nature旗下的期刊Scientific Data（科学数据）发布了最新研究成果“ACcoding: A graph-based dataset for online judgeprogramming”，软件学院研究生陈开睿和刘泽京为共同第一作者，合作者还包括美国Western Washington University计算机科学系黄抚群助理教授、北航网络空间安全学院默莎莎助理教授、计算机学院张莉教授，软件学院宋友教授为通讯作者。
通过OnlineJudge(OJ)系统进行编程实践是程序设计教学和学习的重要途径。一个优秀的OJ系统有成千上万个编程任务，学习者得到有效的学习反馈、及时专业的教学指导、选择合适的学习进阶路径是一个非常重要但很困难的问题。随着学习的进步，每个学习者的学习进阶路径具有个性化特征，有必要推荐个性化的学习途径；对教育者，了解学习者的成绩分布和学习行为，调整教学计划，提供针对性、个性化的指导，能有效改进教学方法。
本研究构建并发布了一个大数据集，是关于程序设计教学与学习过程中学生代码在线评测与反馈的长周期、大规模数据集（自2015年至2022年，ACcoding编程在线评测系统积累的4500多个编程任务（题目）、400多万条代码提交记录、持续6年多的学习数据），设计并实现了程序设计教育教学图模型，详细论证了此数据集在教学效果追踪与分析、教学知识图谱构建、编程学习任务的个性化推荐等程序设计教育教学领域任务的巨大应用价值。
本研究对于程序设计教学中的知识点追踪、编程题目分类、学生聚类分析、个性化学习路线推荐等给出了验证与建议，包括“帮助学生持续改善并提高自己的学习质量”“帮助研究者和管理者分析学生学习行为并提供及时的帮助”“帮助教师全面了解学生的学习过程，知识掌握情况，以便及时改进教学方法，调整教学进度，更新教学任务，以提高教学效果”等。
本研究对教育数据挖掘(EducationalDataMining, EDM)领域具有积极的学术贡献，能有效赋能教育教学工作。
在本研究的基础上，更广泛的程序设计教育教学研究值得进一步开展，包括：学生学习效果预测、学习过程与质量智能反馈、学习路径建议、程序设计学习者代码特征分析、代码快速纠错与修复建议、程序设计教育教学大模型构建与应用等。
本研究对其他学科或领域的教育教学、学术研究、应用开发也具有重要参考价值。
论文链接：https://www.nature.com/articles/s41597-024-03392-z.pdf
（审核：庄岩）
编辑：贾爱平
